ROC-AUC
衡量二分类模型在不同决策阈值下综合判别能力的标准评估指标，值域为0到1，0.5表示随机猜测，1.0为完美分类，广泛用于机器学习模型性能评估
核心事实
时间轴 (近 90 天)
用线性探针在VGGT的冻结特征上预测位姿失败，在未见类别上取得了ROC-AUC 93.5%的表现。
Data Autopsy 的目标泄漏检查寻找几个可疑信号，包括与目标相同的特征、非常强的数值关系、异常强的分类类别纯度，以及适用情况下较高的 ROC-AUC 分数，但这些信号本身不能证明泄漏。
在10000条样本、1%正类比例且负类中有495条得分0.90、正类得分分别为0.80和0.60的合成数据上，使用0.5阈值计算得到：ROC-AUC=0.9500，Average Precision=0.1449，精确率=0.1681，召回率=1.0000，准确率=0.9505，TP=100，FP=495，TN=9405，FN=0。
校准与判别力是两个独立指标：判别力衡量模型把正例排在负例之前的能力（如 ROC-AUC），校准衡量模型输出概率与真实频率是否吻合；常用校准度量包括期望校准误差（ECE）与可靠性图，修正手段有 Platt 缩放、等渗回归与温度缩放。
ReachNT 的紧迫性模型在未见过的措辞上 ROC-AUC 为 0.84，作为包含人工审核的整体系统的一部分能捕获 99.3% 的危险工单。
一位学习者在该数据集上检测伪造收据时，无论如何调整模型，ROC-AUC 始终徘徊在 0.46–0.54 之间，接近随机猜测
使用冻结视觉特征的方案 ROC-AUC 只有 0.482，本质上模型什么都没学到
全部知识事实 (9)
AUC-ROC的核心优势在于对类别不平衡不敏感，能反映模型在不同分类阈值下的综合区分能力，AUC值范围在0.5到1.0之间
75%已验证ROC曲线的AUC=1表示完美分类器，AUC=0.5等同于随机猜测
70%待验证用线性探针在VGGT的冻结特征上预测位姿失败，在未见类别上取得了ROC-AUC 93.5%的表现。
50%待验证Data Autopsy 的目标泄漏检查寻找几个可疑信号，包括与目标相同的特征、非常强的数值关系、异常强的分类类别纯度，以及适用情况下较高的 ROC-AUC 分数，但这些信号本身不能证明泄漏。
50%待验证在10000条样本、1%正类比例且负类中有495条得分0.90、正类得分分别为0.80和0.60的合成数据上，使用0.5阈值计算得到：ROC-AUC=0.9500，Average Precision=0.1449，精确率=0.1681，召回率=1.0000，准确率=0.9505，TP=100，FP=495，TN=9405，FN=0。
50%待验证ReachNT 的紧迫性模型在未见过的措辞上 ROC-AUC 为 0.84，作为包含人工审核的整体系统的一部分能捕获 99.3% 的危险工单。
50%待验证校准与判别力是两个独立指标：判别力衡量模型把正例排在负例之前的能力（如 ROC-AUC），校准衡量模型输出概率与真实频率是否吻合；常用校准度量包括期望校准误差（ECE）与可靠性图，修正手段有 Platt 缩放、等渗回归与温度缩放。
50%待验证使用冻结视觉特征的方案 ROC-AUC 只有 0.482，本质上模型什么都没学到
50%待验证一位学习者在该数据集上检测伪造收据时，无论如何调整模型，ROC-AUC 始终徘徊在 0.46–0.54 之间，接近随机猜测
50%