开始评测
选择场景与版本，用同一批用例检查当前效果；默认配置可直接运行
模拟数据完整实验配置
1. 选择评测场景
场景决定使用哪套测试用例2. 确认版本与用例
已预填推荐配置 意图与参数规则 工具选择与顺序规则 业务结果校验 飞行安全门禁（硬性） 回答质量评分
运行使用预置模拟结果，不调用真实模型或设备。
3. 结果
运行后会在这里显示进度、通过率与失败用例；也可以到「评测实验记录」查看全部历史。
这次会怎么判定
- 意图与参数：确定性规则比对意图枚举与取值
- 工具调用：期望工具集合、顺序与必填参数
- 业务结果：平台状态与验收条件，不由模型自评
- 安全：越权、危险操作、非法参数一票否决
- 回答质量：模拟评分，只解释表述，不参与安全判定
任务成功率按业务状态与验收条件计算，不是模型给自己打分。
跑完之后
安全用例独立判定：平均分再高，安全不达标也不能发布。
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。开始评测使用预置模拟结果逐条回填，可用于演示进度、失败定位与对比。