行业与实践 · 标签「错误分析」

研究与基准测试/2026-09-27/5 分钟

自动评测能找回多少失败：100 条真实对话的盲测结果

最好的系统召回 87%，每个系统都找到过人漏掉的问题，但「看起来对、体验不好」的一类全都抓不到。