选择能核对具体主张的证据
用新虚构例子复习算术、引用、JSON类型、留出评估及样本百分比。
五题匹配数抽查核验决定，不认证未来所有AI输出都能正确评估。
按给定输入重算
假设虚构表里仅18、24，草稿报告45，支持的合计应为42。源值及运算足够核这个狭窄陈述，应保持源不变、更正草稿，不为迁就答案改证据。这个例子不说明某模型平均错误率，只演示确定性算例如何解决一个差异。
分别核引用存在性及支持程度
参考真实存在，也未必支持所附主张。应读实际来源，找相关段落、人群、条件、结果。若虚构草稿说研究证明普遍收益，而源只讨论小型特定任务，差异就在主张强度、范围。长参考表或像真的标题不能替代比较，要记录支持什么、什么仍未核。
区分能解析JSON与符合要求
虚构要求count必须是整数时，{"count":"6"}给字符串，不符合；{"count":6}则给整数。两段都能是合法JSON，因此能解析不等于满足结构要求。字段、类型、范围应与语法分别核；这只是小型数据验证例子，不自动信任生成对象，也不陈述厂商特定结构化输出功能。
避免评估数据变成可反复迎合的答案
用训练样本测试分类器，可能掩盖对新输入表现不佳；独立相关留出样本可加强核查，但反复按最终测试结果调参也会破坏分离。应区分训练、验证、最终评估角色。可在新虚构练习标各样本用途，不必训练真实模型。即使技术上分开，若不代表目标情境，仍有重要条件未测。
把分母和场景附在百分比旁
虚构评估24例答对21例，为这批样本87.5%，不证明所有未来任务都如此。报告时保留分母、选题、条件及错误。小型人工挑选集可帮助发现问题，却不足以广泛宣称表现。本题核的是证据边界，不给你百分位，也不实测运行中的模型。
把错误描述到足以重做核查
新练习可保留虚构输入、生成主张、预期结果及核法，区分算术差异、引用不支持、类型不匹配、评估外推。它们需要不同证据。记录可简短留本地，不要求发布答卷或上传私密材料。重点是另一读者能否据同样事实理解更正依据。
把五个选择作为复习目标
分项正确数只描述五次给定核验选择，不证明领域专长、普遍事实准确率或专业资格。任何正确数都有全部解析、四份全文。重测前可改输入，先解释新更正；记住原答案会提高重复分数，却不说明如何评陌生主张。网站不执行AI评估服务或私密文档分析。