Tag
这篇论文对IBM Telco客户流失基准进行了可信度审计，揭示了报告高达99%准确率背后的四大问题：SMOTE前划分造成的数据泄漏、TotalCharges字段冗余性导致的SHAP解释失真、概率校准方法选择，以及F1最优阈值与成本最优阈值之间的巨大差距，并提出了一个可复现的报告检查清单。
RubricForge induces evaluation rubrics from labeled trajectories to reduce over-crediting in language model agent evaluation, enhancing faithfulness without environment access.