标签
这篇论文对 IBM Telco 客户流失基准进行了可信度审计，揭示了报告中高达 99% 准确率背后的四大问题：SMOTE 在数据划分前进行导致的数据泄漏、TotalCharges 字段冗余性造成的 SHAP 解释失真、概率校准方法的选择，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从带标签的轨迹中诱导评估标准，以减少语言模型智能体评估中的过度信任，增强保真度，而无需环境访问。