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Verifiserbare (correct/outdated/wrong)	240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)	38
Negative (correct)	202
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	38	202	n/a	0.0%	[0.0%, 9.2%]	n/a
judge (per-påstand groundedness)	35	4	3	198	89.7%	92.1%	[79.2%, 97.3%]	0.909
hybrid (union)	35	4	3	198	89.7%	92.1%	[79.2%, 97.3%]	0.909

Judge per claim_type (verifiserbar delmengde)

claim_type	positive	TP	FP	FN	presisjon	recall
taxonomy	11	9	0	2	100.0%	81.8%
version	7	7	0	0	100.0%	100.0%
status	7	6	3	1	66.7%	85.7%
sku	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 0.921 ≥ 0.7? ja
presisjon 0.897 ≥ 0.6? ja
slår staleness (recall 0.000)? ja
begrunnelse: all criteria met

2.2 KiB Raw Blame History