首页 / 基准、评测与校准

基准、评测与校准

22 条

本页由英文清单自动生成。

适合用来: 基准与评测

jev-benchmarks

面向带类型决策模型的概率感知评估：校准、选择性风险、延迟，可复现。

★ 12Python数据集或基准

基准与评测输出校验

jevcal

别再猜阈值了：对照一个 LLM 教师做校准、定阈值和漂移检查。

★ 8Python命令行工具

基准与评测输出校验

jev-rerank-bench

在 14 个数据集上把 Jev 与 Cohere Rerank、ZeroEntropy 和一个聊天基线作对比，附原始响应。

★ 2Python数据集或基准

基准与评测输出校验

jev-search-rerank-eval

Jev 重排能胜过向量检索吗？9,831 对评分样本，并测量了评判循环性带来的偏差。

★ 4Python数据集或基准

基准与评测搜索重排

jev-sec-bench

针对提示注入和漏洞代码检测的盲测基准。

★ 2Go数据集或基准

基准与评测输出校验

jev-phishing-bench

在 2,000 封钓鱼邮件上把 Jev 与 Claude Haiku 作对比：准确率、校准、延迟、成本。

★ 2Python数据集或基准

基准与评测输出校验

jev-spam-eval

用 Noul 问题做零样本垃圾邮件过滤，对照 TF-IDF 基线。

★ 0Jupyter Notebook数据集或基准

基准与评测试玩与演示

jev-agent-failure-benchmark

在 Who and When 智能体失败归因基准上把 Jev 与一个强力 LLM 作对比。

★ 1Python数据集或基准

基准与评测输出校验

jev-korean-benchmark

韩语理解与医学文本，附运行时间与成本证据。

★ 5Python数据集或基准

基准与评测输出校验

jev-report

独立的中文研究报告：52 页，50 项可复现测试，143 行可追溯数据。

★ 0Python数据集或基准

基准与评测输出校验

jev-benchmark

两项基准测试，国际象棋和猛兽辨识，一项在 Jev 的能力区内、一项在区外，都附结果。

★ 2Python数据集或基准

基准与评测试玩与演示

jev-dspy-lab

针对 DSPy 中 Jev 决策的可复现校准与选择性风险基准测试。

★ 0Python数据集或基准

基准与评测输出校验

jev-eval-agent

带 100 个模拟工具的个人助理智能体，测量受 Jev 门禁的智能体需要多少步。

★ 95HTML数据集或基准

基准与评测工具调用把关

jev-synergy-screening

用 Choice 和 Noul 问题做摘要筛查，对照 ASReview SYNERGY 的金标准标注计分。

★ 1Python数据集或基准

基准与评测输出校验

jev-orderby-bench

衡量按 Jev 概率做 ORDER BY 是否站得住脚：成对逆序、Score 与人工评级的序数一致性、校准，以及预注册门禁下的措辞不变性；在 20 Newsgroups 主题上通过，在 Amazon ESCI 商品相关性上六项条件中有四项不通过，并表明通过 DuckDB 扩展做 40 行批量状态会不通过排序门禁，而每请求一行则通过。

★ 0Python数据集或基准

基准与评测输出校验