数据、研究与证据边界

AI 决策模型基准与研究目录

浏览 TypeSafe AI 发布的 WorkflowEvals 数据集，以及围绕 Jev 行为的第三方预印本摘要。每项资料都会标注来源、核验日期和适用限制。

WorkflowEvals 数据合集

提供方公开的工作流案例、问题实例和运行结果。相关页面用于理解数据，不代表 Type Safe 的独立排名。

由 TypeSafe AI 发布的四类数据集，用于评测模型在发票、客服、安全事件和 Agent 审查工作流中的决策表现。

包含 150 个案例，用于评测三种政策条件下的发票审批和欺诈分流决策。

包含 204 个案例，用于评测三种政策条件下的客服路由和动作选择。

包含 240 个案例，用于评测安全告警分流、遏制和动作选择。

包含 111 个案例，用于评测两种审查配置下针对 Agent 运行轨迹选择动作的能力。

按论文报告内容整理的研究摘要。预印本尚未经过正式同行评审，指标只适用于论文描述的任务和实验设置。

一份基于来源整理的 Jev 研究总览，覆盖心智理论、应用安全、对抗稳健性、医疗决策和决策偏差等六篇独立第三方预印本。

一篇第三方预印本，报告当算术题选项中缺少正确答案时，Jev 的拒绝行为明显下降。

一篇第三方预印本，研究有序答案刻度如何影响 JEV-like 直接决策模型的选项使用和错误分布。

上方资料包含提供方数据和第三方研究，但测试任务、模型访问方式、硬件与评分口径并不统一，无法支持公平的总排名。本站保留空排行榜，避免制造误导。

最近审核: 2026-09-23