标签
HakemBench 推出了一个开放的土耳其语基准（CC BY 4.0），面向“类型化决策”——即针对固定选项输出经过校准的概率，涵盖事实核查分流、法律路由、内容审核等七个赛道。该基准从决策质量（宏平均 F1）、校准度（Brier 分数）和选择性自动化（风险-覆盖）三个维度进行评估，同时坦诚地披露了其 AI 生成的黄金标签存在的缺陷，以及对实验室自身模型进行非盲评估的问题。
一项实证研究测试了用于法律结果预测的不确定性融合管道，发现它们提升了校准信任和选择性自动化，而非原始预测准确性。