方法与成绩

判定准确率 对着人工金标抽检出来的

准确率算不出来——它要人工金标，所以这个数只认 make audit_stance GOLD=1 真跑一次写出的那份结果文件， 和算法说明页、全站角标是同一个出处，全站只有这一个准确率。

一个总的 56.5% 看不出它是均匀地不准、还是某一层特别差。 逐层拆开才知道该去改哪儿——占比最大的两层恰恰是最差的两层。

评测运行记录 三项评测，各跑过多少次、每次什么数

三张表不合并：它们量的东西完全不同（车型报告跑不跑得通 / 引用站不站得住 / 合成样本抓不抓得到），并排塞进一张表只会逼你自己去分辨 哪一列对哪一行有意义。灰底那几行是口径说明—— 指标为 0 有两种含义，「真的一个都没抓到」和「压根没有样本可抓」， 后者那个 0 是恒等式不是成绩，必须当面说清。

车型报告回归评测 共跑过 32 次，列出最近 8 次

这一项量的是「跑不跑得通」不是「判得准不准」：热/温/冷三档车型各出一份报告， 检查流程不报错、字段齐全、耗时正常。全绿只说明管道没断。

引用核验评测 共 0 期

红蓝对抗 共 9 轮

对抗样本是我们自己合成的，所以这个绕过率只说明「我们想得到的那几种改写骗不过检测」， 不说明真实世界里没有别的改写方式能绕过去。样本量（30 条） 也远不足以给出一个能写进结论的数——摆出来是为了让这条曲线有个起点，不是为了报喜。

事件聚类评测 对着作者标定的金标准，算两两配对的 P / R / F1

口径是两两配对：把「同一件事」表示成文章的两两组合，算法判为同一事件的配对 和金标准的配对比对。这个数和 make eval_cluster 打出来的必然一样—— 页面跑的就是那条命令的同一份代码，不是抄的公式。

上面那个 P 好看，但它只在被金标覆盖的 147 篇上成立， 全库还有一千多篇没被这把尺量过——不说覆盖率，这个数就是在暗示全库都对。 金标现有 62 组正例、161 组易混负例； 关键词按标题唯一命中来解析，库一涨就会有几个不再唯一，本次有 9 个没能唯一命中被跳过，所以这些组数会随库变、 别当常量抄进论文。
另一件相关的事：全库并进了多家报道的只有 264 篇（19.7%），其余是单家独报—— 交叉验证、核验章、事件脉络这些功能只在那 19.7% 上成立。

标注集现状 标了多少、几个人标的、一致性够不够、有多少真能用

「标了 0 条」和「0 条里 0 条能进数据集」是两个数，这里都给。 只报前一个就是在虚报数据资产规模——而被闸掉的那一半，闸的理由 恰恰是这一页最该让人看见的东西。

标注一致性 κ 两位标注人对同一批稿判得一不一致

κ 衡量的是「扣掉瞎猜也能蒙对的部分之后，两个人还剩多少一致」。 现在这个数就是随机水平——说明两个人量的根本不是同一把尺。 后果写在这里：口径对齐之前不扩大标注量（按现在的尺标到 3000 条就是 3000 条噪声），也不拿这批标注去训模型（测试集只能是人工标注， 尺没校准就量不出模型好坏）。这个数和 make kappa 打出来的是同一个。

人工覆盖留痕 质量分被人改过几条

这一节回答的是「你们会不会偷偷改数」。答案不能是一句「不会」， 只能是一个可以点进去数的计数器——而它现在是 0。0 也照印：「一条都没改过」是可核对的事实， 「我们从不改」是空话。