准确率
分类任务中衡量预测正确比例的评估指标，仅关注最高概率类别是否等于正确答案，不反映置信度质量
核心事实
时间轴 (近 90 天)
机制可解释性分析发现，同一道数学题的翻译版和本地化版，即使最终准确率接近，模型内部激活的推理轨迹也常常截然不同。
表面上的“答对了”可能掩盖底层推理过程的差异，仅看准确率数字可能低估文化因素的作用。
精确率、召回率、F1 值、准确率均可由混淆矩阵的四个数字推导。
评估裁判时应看混淆矩阵，而不是只看准确率；如果 90% 的样本本来就是好答案，一个全部判通过的裁判也能显示 90% 准确。
准确率只检查最高概率选项是否正确，而NLL还衡量正确选项被分配的概率，因此准确率上升时NLL可能恶化。
大多数基准测试以准确率为核心指标，将答错和拒答都计为非正确，不区分危害差异。
在标签不平衡的场景下，准确率极具误导性，一个永远预测多数类的模型可以在准确率上拿到很高的分数但漏掉所有正例。
一个系统可以整体准确率高但完全没校准，也可以校准良好但判别力低；校准与判别力是两个独立维度。
在多分类任务中，准确率在类别样本不均衡时会失真；精确率反映误报程度，召回率反映漏报程度，F1分数是精确率与召回率的调和平均。
当患病样本占比低时，召回率和F1分数比准确率更能反映模型的实际检出能力。
还有 10 条时间轴事件
全部知识事实 (20)
一个系统可以整体准确率高但完全没校准，也可以校准良好但判别力低；校准与判别力是两个独立维度。
75%已验证当患病样本占比低时，召回率和F1分数比准确率更能反映模型的实际检出能力。
75%已验证一个准确率略低但置信度校准良好的模型往往比准确率更高却盲目自信的模型更适合投入生产环境
75%已验证在样本极度不平衡的场景下，即便准确率高达95%，模型也可能完全无法识别少数类
65%待验证表面上的“答对了”可能掩盖底层推理过程的差异，仅看准确率数字可能低估文化因素的作用。
50%待验证机制可解释性分析发现，同一道数学题的翻译版和本地化版，即使最终准确率接近，模型内部激活的推理轨迹也常常截然不同。
50%待验证精确率、召回率、F1 值、准确率均可由混淆矩阵的四个数字推导。
50%待验证评估裁判时应看混淆矩阵，而不是只看准确率；如果 90% 的样本本来就是好答案，一个全部判通过的裁判也能显示 90% 准确。
50%待验证准确率只检查最高概率选项是否正确，而NLL还衡量正确选项被分配的概率，因此准确率上升时NLL可能恶化。
50%待验证大多数基准测试以准确率为核心指标，将答错和拒答都计为非正确，不区分危害差异。
50%待验证在标签不平衡的场景下，准确率极具误导性，一个永远预测多数类的模型可以在准确率上拿到很高的分数但漏掉所有正例。
50%待验证在多分类任务中，准确率在类别样本不均衡时会失真；精确率反映误报程度，召回率反映漏报程度，F1分数是精确率与召回率的调和平均。
50%待验证向量距离与检索阈值是召回率与准确率的权衡：阈值越宽松（数值越大），召回越多，但混入不相关内容的概率也越高；阈值收紧则可能漏掉本可复用的答案。
50%待验证对绝大多数企业来说，生成式AI开发的正确决策不是简单的'无脑调API'或'从头训模型'，而是取决于数据敏感度、风险承受力和产品目标。
50%待验证准确率作为审核指标存在结构性缺陷：它将假阳性和假阴性视为同等错误，但电商店铺中误拦顾客的代价远高于漏放差评，因此应关注检出数和误报数的绝对量而非准确率排名。
50%待验证在类别不均衡的分类任务中，准确率（accuracy）会产生误导；例如1000张工单中只有20张真正紧急，模型全部预测为‘不紧急’也能达到98%准确率。
50%待验证没有单一指标值得完全信任，应把准确率和校准度配对使用并确认评测问题与部署场景一致
50%待验证平均准确率会掩盖分布偏差，一个在简单案例全对、困难案例过度自信的裁判可以刷出高平均分却在关键处失灵
50%待验证以准确率、F1等单一指标为核心的评估文化在面对本质模糊的任务时可能衡量错了方向
50%待验证大多数评估指标如准确率、F1无法区分系统检查后认定无相关证据和系统根本没有检查这两种情况
50%