公开数字，按出处分开摆

怎么测：同一批中文输入分别喂给官方 jev-latest 与 stardust-Jev，统计 top-1 判定一致率，官方输出作为参照标签。

读分时要注意：这是「与官方输出的一致率」，不是人类标注正确率。常规业务分布内约 96%；刁钻语用题（反讽、隐晦不满）会降到约 45–50%。

怎么测：英文 held-out 回放，统计与官方 jev-latest 的 top-1 一致率；同时记录弃权命中率。

读分时要注意：样本量较小（200）。弃权题 15 题命中 14 题，弃权语义保留完好。

怎么测：对大陆线上服务直接发 HTTP 请求，三种题型各约 60 题，统计与官方标注的一致率。

读分时要注意：端到端延迟含网络往返；服务端推理本身约 100ms。

怎么测：同一道题打乱选项顺序连测 6 次，统计答案是否翻转。

读分时要注意：样本 6 组排列；更早的批量乱序测试翻转率约 8%。

怎么测：官方标注为 __insufficient_evidence__ 的题，看模型是否正确弃权。

读分时要注意：样本仅 10 题。超短模糊输入下弃权阈值 0.40 会把弱答案转成弃权。

怎么测：2 核 2G 服务器上连续打 150 次请求，记录成功率与推理时延漂移。

读分时要注意：CPU 推理；长上下文会触发分块、耗时明显上升。

怎么测：一个 /v1/systemone 请求内塞 1–8 个问题，测端到端耗时。

读分时要注意：题数越多耗时线性上升；服务端串行推理。

怎么测：人工挑选官方答对的刁钻中文题，测一致率。

读分时要注意：这是最差场景。网络梗、阴阳怪气、委婉不满仍是短板，不建议全信。