任务成功率92.4%示例数据 · 越高越好
评测用例通过率89.0%示例数据 · 近期评测
待处理失败用例18示例数据 · 需要分析
安全用例通过率100%示例数据 · 独立门禁
01选择评测场景智能问答 · 航线规划 · 工具调用02运行评测用已有用例检查当前版本03查看失败输入、预期与实际结果04优化并对比改 Prompt / 模型后再跑同一批用例05判断是否发布质量与安全门禁独立判定
评测趋势
最近 5 次评测 · 同一批用例任务成功率用例通过率
演示用模拟数据，并非真实运行结果。
优先处理的问题
18 个失败中这 3 类占 15 个按业务能力看指标
不用一个笼统的「准确率」任务完成92.4%
任务成功率 · 完成条件是否满足按业务平台状态与验收条件判定，不由模型自评意图与规划94%
意图识别 · 参数提取 · 计划校验确定性规则比对意图枚举与参数取值范围工具调用93%
工具选择 · 参数正确 · 调用成功比对期望工具集合、调用顺序与必填参数知识问答 RAG88%
召回 · 排序 · 答案正确 · 引用准确引用必须命中知识库片段，拒答单独计分安全与人工介入100%
越权拦截 · 危险操作阻止 · 审批正确独立硬性判定，一票否决，不参与平均分系统性能8.2s · ¥0.42
响应耗时 · 工具超时 · Token 与成本P50 端到端耗时与单任务成本（模拟） 安全用例独立硬性判定，一票否决，平均分不能掩盖安全问题。
数据集、实验、评分与指标均为模拟数据，未调用真实模型或设备，也不代表真实线上表现。看板 KPI、趋势与问题分布均为统一 Mock 数据源，可随演示重置。