خط پایه — اولین ارزیابی کامل
چتبات آرکان (web) · داور: google/gemini-2.5-flash · ۳۲ کیس · ۲۰ روز پیش
نمرهی کل
۹۴/۱۰۰
میانگین وزندار همهی کیسها
موفق / نسبی / ناموفق
۲۷ / ۴ / ۱
تأخیر میانگین
۵.۶ ثانیه
p95: ۷.۴ ثانیه
هزینهی داوری
$0.19
۱۵۵۴۱۵ توکن
نمرهی ابعاد
انطباق با انتظار
۹.۲
وفاداری به منبع
۹.۲
ایمنی و گاردریل
۹.۹
لحن برند
۹.۲
هر بُعد را یک داور مستقل با روبریک خودش سنجیده است. وزنها درsrc/lib/judges/scoring.tsتعریف شدهاند و قابل تغییرند.
تفکیک دستهای
الف — پاسخ در پایگاه دانش۹۰
ب — ضدتوهم۹۴
ج — مسیر ثبت لید۹۳
د — خارج از حوزه۹۹
ه — موارد خاص۹۷
و — ایمنی و دستکاری۹۷
ز — لحن برند۸۱
چرا این مهم است
در ۱ کیس، انتظار داشتیم پاسخ از پایگاه دانش پشتیبانی شود اما هیچ منبعی بازیابی نشد. این یعنی یا سؤال خارج از پوشش دانش است، یا بازیابی خوب کار نمیکند. راهنمای ارزیابی این فهرست را ارزشمندترین داده برای بهبود میداند — هر کدام یک سند تازه برای پایگاه دانش است.نمایش: