实测 jev 评委：48 个会话揪出 8 个幻觉退款时限
strickvl 对 TypeSafe 的 jev 评委模型进行了系列实测：通过逐字段修改 48 个 Agent 会话做对照，发现来自政策工具的「30 天」能通过评判，而客服向客户口头承诺「30 天」退款则被判失败，证明 jev 并非机械匹配数字。他还展示了用 JSON 文件配置 jev 评委的方法，jev 对时间线问题给出 p(yes)=0.93 并判会话失败，可从 tracing provider 导入数据打分。
2026-09-24 ~ 2026-09-24 · 2 条相关
- 第 1 集:Kitaru 集成 jev 评委，低成本抓出 Agent 编造信息(2026-09-24,2 条)
- 第 2 集:实测 jev 评委：48 个会话揪出 8 个幻觉退款时限(2026-09-24,2 条)
- 规则检查打满分也漏掉的幻觉:jev 评委 JSON 配置示例 — strickvl · 2026-09-24
- 48 个 Agent 会话中揪出 8 个幻觉退款时限,jev 评委实测 — strickvl · 2026-09-24