feat(ms-ai-architect): G1 v3 bake-off MÅLT — v3 regredierte (P 92.1→89.7, R flat), v2 beholdt; G5 gull-friskhet åpnet [skip-docs]

scripts/kb-eval/data/judge-bakeoff-report-v3.md

@@ -0,0 +1,54 @@
+# Judge bake-off-rapport — S1 (Fase 3 de-risk)
+
+_Generert deterministisk av `run-judge-bakeoff.mjs` over `gold-correctness-set.json` + `judge-bakeoff-results.json`. Tall fra testet `lib/judge-bakeoff.mjs`. Ikke rediger for hånd — regenerer._
+
+**Forhåndsregistrert gate (låst FØR fan-out):** recall ≥ 0.7, presisjon ≥ 0.6, OG judge-recall > staleness-recall.
+
+## Evaluerings-populasjon (P)
+
+Volatil stratum + fetchbare claim_types (price ekskludert) — der feilene bor; unngår «invertert leverage».
+
+| metrikk | verdi |
+|---|---|
+| P totalt | 255 |
+| Verifiserbare (correct/outdated/wrong) | 240 |
+| Positive (reelle feil å fange) | 40 |
+| Negative (correct) | 200 |
+| Unsourced i P (kjørt, men utenfor P/R) | 15 |
+
+## Arm-sammenligning (detektering over de 240 verifiserbare)
+
+| arm | TP | FP | FN | TN | presisjon | recall | recall Wilson 95% | F1 |
+|---|---|---|---|---|---|---|---|---|
+| staleness (billig baseline) | 0 | 0 | 40 | 200 | n/a | 0.0% | [0.0%, 8.8%] | n/a |
+| judge (per-påstand groundedness) | 35 | 4 | 5 | 196 | 89.7% | 87.5% | [73.9%, 94.5%] | 0.886 |
+| hybrid (union) | 35 | 4 | 5 | 196 | 89.7% | 87.5% | [73.9%, 94.5%] | 0.886 |
+
+## Judge per claim_type (verifiserbar delmengde)
+
+| claim_type | positive | TP | FP | FN | presisjon | recall |
+|---|---|---|---|---|---|---|
+| taxonomy | 11 | 9 | 0 | 2 | 100.0% | 81.8% |
+| status | 8 | 6 | 3 | 2 | 66.7% | 75.0% |
+| sku | 8 | 7 | 0 | 1 | 100.0% | 87.5% |
+| version | 7 | 7 | 0 | 0 | 100.0% | 100.0% |
+| tpm | 5 | 5 | 0 | 0 | 100.0% | 100.0% |
+| region | 1 | 1 | 1 | 0 | 50.0% | 100.0% |
+
+## source_silent-diagnostikk
+
+Judgen hentet siden men fant ikke verdien. Diagnostisk, ikke et flagg.
+
+| signal | antall | tolkning |
+|---|---|---|
+| På verifiserbar feil | 0 | judge-bom: reell feil oversett via «kan ikke verifisere» |
+| På verifiserbar correct | 0 | judge reproduserte ikke et korrekt faktum mennesket fant |
+| Enig med unsourced | 2 | judge reproduserer den uverifiserbare grensen (godt) |
+| Uenig med unsourced | 13 | judge hevdet grunnet/ugrunnet der mennesket ikke fant kilde |
+
+## GATE: ✅ PASS — bygg S3
+
+- recall 0.875 ≥ 0.7? **ja**
+- presisjon 0.897 ≥ 0.6? **ja**
+- slår staleness (recall 0.000)? **ja**
+- begrunnelse: all criteria met