20260706:新增一些文章

concepts/evaluator-metrics.md

@@ -0,0 +1,42 @@
+---
+title: "评估器质量指标（Evaluator Metrics）"
+created: 2026-07-02
+updated: 2026-07-02
+type: concept
+tags: [evaluation, metrics, rft, rl, benchmarking]
+sources:
+  - "[[verification-horizon-no-silver-bullet]]"
+---
+
+# 评估器质量指标
+
+衡量 [[agent-evaluator|Agent 评估器]] 与 ground-truth（单元测试分数）对齐程度的多维度指标框架。
+
+## 指标体系
+
+| 指标 | 衡量什么 | 使用场景 |
+|------|---------|---------|
+| **BoN Accuracy** | 评估器能否从候选池中选出最佳样本 | RFT（小候选池） |
+| **Regret** | 次优选择的质量损失 | 联合评估 |
+| **Kendall's τ** | 全分数范围的排名一致性 | RL（需要细粒度梯度） |
+| **Pearson r / Spearman ρ** | 宏观平均相关性 | 综合评估 |
+| **Threshold-Conditioned UT Score** | 过滤后样本的平均质量 | RFT（大候选池） |
+
+## 指标冲突
+
+**排名能力 ≠ 过滤质量**：
+- Qwen 3.7 Plus BoN-Acc (67.3%) > DeepSeek V4 Pro (54.5%)
+- 但 DeepSeek 的 θ≥8 条件下 UT score (0.611) > Qwen (0.595)
+
+## 训练目标与指标映射
+
+| 训练目标 | 关键指标 | 关注点 |
+|---------|---------|--------|
+| RFT（候选充足） | Threshold-Conditioned UT Score | 低 false positive |
+| RFT（候选有限） | UT Score + retained count | 平衡 FP/FN |
+| RL | Kendall τ + score discrimination | 细粒度梯度 |
+
+## 参考
+
+- [[verification-horizon-no-silver-bullet|论文原文]]
+- [[agent-evaluator|Agent 评估器]]