Files

YANG JIANKUAN b2b8584321 feat(evals): 留出集生成——风格 C、留出集改写导出；评测可模拟人工确认响应方式

- build.py / mutate.py：补风格 C（叙述型），由封存一侧的会话按封存说明实现；开发集风格 A / B 输出逐字节不变
- build.py：复述要求时去行首编号不再吃掉「2路服务器」这类内容数字
- export_rewrite.py：没有风格 A 稿时从未改写的风格 B 稿导出
- run_check.py：--modes 模拟清单页上人工确认的响应方式（C12 的人工确认点）
- check-eval.md：第 3 步冻结点（a60d16e）

查标代码（server/src、prompts）自冻结后未改。

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

2026-11-04 18:58:52 +08:00

31 KiB

Raw Blame History

查标评测（2026-11-04 起）

评测集规范：evals/check/GUIDELINES.md；工具：evals/check/；数据和输出在 evals/out/check/（不进 git）。 读数的前提：金标准由 Fable 复核、用户抽查 20%（决策 E1），未经全部人工复核；本文的数字都是开发集上的，只用于找问题、调实现，不能当效果证据。头条效果以留出集（风格 C）和真实国动投标文件为准，第 3 步冻结代码后才跑。

1. 试跑（第 0 步，2026-11-04）

范围：开发集 S02、S04、S10 各两份投标文件（规矩 + 马虎），都是风格 A（风格 B 的改写还没做）。查标代码是第 1 步的版本：响应匹配只有「检索 + 模型判断」，规则检查还没有。模型 DeepSeek Flash，提示词 check.match v1。

复核：马虎的投标文件共注入 82 个要求项问题，Fable 复核通过 70 个、不通过 12 个（S02 10 个：默认接受的文件里注入了漏响应、「暂不支持」套在尺寸和费用这类参数上、要求本身是可选项等）。下面只算通过的。用户抽查 17 条（随机 20%，含 Fable 判不通过的 4 条），全部同意（2026-11-04）。

1.1 结果

投标文件	清单条数	报出问题	查标召回	致命级召回	规矩响应的要求上误报	不需要响应的条目上报了问题
S02 规矩	248	104	—	—	21 / 56	39
S02 马虎	248	117	8 / 16（50%）	2 / 7
S04 规矩	264	90	—	—	11 / 111	52
S04 马虎	264	110	11 / 28（39%）	1 / 4
S10 规矩	305	122	—	—	6 / 39	75
S10 马虎	305	142	5 / 20（25%）	—

合计查标召回 24 / 64（38%）。只检索不调模型的基线召回 0：基线把检索到的第一句都当作已响应，说明现在查出的问题来自模型判断，不是检索。
按问题类型：漏响应（D01）9 / 14 较好；写明不支持（D05）5 / 20、负偏离未说明（D06）0 / 7、响应对象错位（D09）0 / 4 很差。
每次检查调用模型 31～39 次，输入约 9～11.5 万 token、输出约 1.5～1.7 万 token（约一两毛钱）。

1.2 问题出在哪里

不需要投标人响应的条目也被报了「未找到响应」：三份规矩的投标文件报了 316 个问题，166 个落在根本不需要响应的条目上（无效情形的列举、日期、采购人义务、别的采购包），这是误报的大头。→ C12 的响应方式抽取，加上「这条要不要投标人回答」的判断和按所投采购包过滤（第 2、3 步）。
表格里的「暂不支持」「负偏离」看不见：表格按单元格切句，检索命中的是投标人照抄要求原文的那一格，同一行里写着「暂不支持」「负偏离」的格子不在模型的输入里。→ 第 3 步把整行交给模型（偏离表直取也是这个思路）。
证明材料和格式文件找不到：规矩响应的要求上的误报，主要是证明材料（扫描件页没有文字层）和格式文件（声明函、承诺书）报了「未找到响应」，以及让投标人「见附件」的要求被报成「未给出具体值」。→ C10 扫描件兜底；文件要在（presence）的要求按文件在不在判断，不逐条找响应。
级别口径：S02 的 ★ 是「核心技术参数，负偏离扣分」，不是投标无效条款；标注集记成实质性条款，查标按致命报和真实评审不一致。→ 级别要跟着招标文件对 ★ 的定义走（读标口径 Q2 已有，查标沿用）。

1.3 评测集自身的问题（已修 / 待修）

问题	状态
分项报价平均摊，一项超过单价上限，规矩的投标文件自带致命问题（S10）	已修：按分项上限比例分摊
偏离表有「设备名称」列，按固定列写会错位（S04）	已修：按表头决定列
写死的落款日期晚于投标截止日（S04）	已修：取截止日前 3 天
同一参数列在两张表里，只删一张表的行不算漏响应（S04）	已修：漏响应在所有表里都删
符合性条件响应表的一格被算成 11 个问题	已修：按表级问题记一个
标注集同一要求有两个单元（两个类别、或表格一行拆成几条），一个问题算两次	已修：评分按句子重叠合并
「暂不支持」套在尺寸、费用、打印方式这类参数上，不像真实写法	待修：按参数类型选注入方式
默认接受的文件里注入漏响应（S02 另加了一张逐条的技术规格表，脚本推响应方式时被它带偏）	待修：响应方式以档案的 modes 为准，不从表格推
「提供某文件」类要求被当成参数注入偏离	待修：推响应方式时识别 presence
风格 B 的改写（截断、同义替换、只写值）还没做；所有数字都是风格 A 的	待做

2. 开发集第一版（2026-11-04）

范围：开发集 7 份招标文件各两份投标文件，共 14 份：S02、S05、S08、S10 是 A 规矩 + B 马虎，S01、S04、S07 是 B 规矩 + A 马虎（GUIDELINES §4）。生成器修了试跑的待修项（「暂不支持」不再套在数值参数上、表格响应方式以档案为准、「提供……文件」不注入参数类问题），风格 B 由模型改写、数字对不上的改写丢弃。查标代码仍是第 1 步的版本。

复核：注入的要求项问题两批共 222 个，Fable 复核通过 188 个。第二批 140 个里不通过 22 个，其中 14 个在 S07：S07 须知要求逐条标明，格式注又写未列入视作接受，且只有 ★ 项写明未响应无效，非 ★ 参数删一行算不算问题拿不准，金标准从严不算（查标侧仍按 C12 取更严的逐条）。用户抽查第一批 17 条全部同意；第二批抽查 28 条（含 Fable 判不通过的 4 条）也全部同意。两批合计抽查 45 条，和 Fable 的判断一致。

2.1 结果

指标	结果
查标召回（复核通过的问题）	51 / 128（40%）；风格 A 25 / 70（36%），风格 B 26 / 58（45%）
端到端召回（含读标漏抽）	51 / 132（39%）
致命级召回	18 / 37（49%）
不带标志词 / 带标志词	40 / 81（49%）/ 11 / 51（22%）
连续一段 / 单点	7 / 12（58%）/ 44 / 120（37%）
规矩的投标文件报出的问题	清单 2049 条，报出 699 个
其中规矩响应的要求上的误报	153 / 620（每 100 条 24.7）
其中不需要响应的要求上报的	334 个（占 48%）
干扰项误报	默认接受的要求没复述（T06）39，改写后的要求（T02）20，响应写在别的分册（T01）3
费用	14 次检查输入 150 万 token、输出 25 万 token

按问题类型：资格证明缺失（D11）9 / 14、评分材料缺失（D13）9 / 12、漏响应（D01）15 / 23 较好；负偏离未说明（D06）0 / 20、响应对象错位（D09）1 / 14、证明材料缺失（D02）2 / 9、写明不支持（D05）11 / 31 很差。

2.2 读法

试跑的四个判断都成立，而且更清楚了：「带标志词」的问题（写明不支持、负偏离）召回只有 22%，比不带的还低，正是表格里同一行的响应格、偏离格不在模型输入里；风格 B 反而比 A 高，因为 A 照抄要求原文，检索更容易命中照抄的那一格。规矩的投标文件上近一半的问题落在不需要响应的要求上，默认接受的要求被报了 39 次。
第 2、3 步按这个顺序改收益最大：① 整行上下文 / 偏离表直取（直接对应 D05、D06、D09，51 个问题里的 45 个）；② 响应方式和「这条要不要投标人回答」（C12，对应 334 + 39 个误报）；③ 扫描件兜底和 presence 判断（证明材料、格式文件类误报）。

2.3 评测集还要改的

问题	状态
「暂不支持」「可选配置」仍会套在证书、供货清单、服务义务、文档交付这类非功能要求上（两批共 12 条被复核拒掉）	待修：注入前按「功能类要求」过滤
同一要求被两个标注单元挂了同一个问题（实质性 + 技术参数、资格 + 符合性，第二批约 20 对）；「第二十二条总述」这类伞状单元和具体条目不重叠	待修：注入前按 anchor 重叠合并标注单元；伞状单元不挂问题
条件性要求（「如依法免税则须提供」）被当作必须提供的材料挂 D11	待修：按投标人情况排除
低密度（每份 5～8 个问题）的投标文件还没做	待做：选 3 份

3. 第一轮改进：整行上下文（2026-11-04）

改了什么：候选句在表格里时，把同一行的单元格一起交给模型，也可以引用（check/match.py）；提示词 check.match v2 说明怎么读一行（要求格 / 响应格 / 偏离格）。对应 §2.2 的第 ① 项。v2 的规则写法避开了开发集注入词库里的说法（重合的只有「负偏离」「完全响应」，是招标文件格式自带的用语）。

评测集同时修了 §2.3 的前三项（「暂不支持」只套功能类要求、伞状单元和条件性要求不挂问题），7 份马虎的投标文件用原来的种子重新生成，另加 3 份低密度的，共 17 份。新目标 55 个由 Fable 复核（通过 54 个），用户抽查 11 个全部同意（三批合计抽查 56 个，全部同意）。因为注入的问题换了一批（「负偏离未说明」多了、「暂不支持」少了），下表的「旧做法」要和同一批投标文件比，不能和 §2 的数字直接比。

指标（17 份，复核通过的问题）	旧做法（v1、不带整行）	新做法（v2 + 整行）
查标召回	43 / 145（30%）	73 / 145（50%）
致命级召回	9 / 31（29%）	15 / 31（48%）
带标志词	1 / 65（2%）	35 / 65（54%）
负偏离未说明 D06 / 写明不支持 D05 / 数值不满足 D03	0 / 58、1 / 7、3 / 7	28 / 58、7 / 7、6 / 7
漏响应 D01 / 响应对象错位 D09	18 / 27、3 / 14	14 / 27、0 / 14（变差）
规矩的投标文件报出的问题	699	639
规矩响应的要求上的误报	153 / 620（24.7 / 100）	132 / 620（21.3 / 100）
不需要响应的要求上报的问题	334	329
输入 / 输出 token	189 万 / 32 万	273 万 / 28 万

读法：整行上下文解决了「看不见响应格、偏离格」的问题，带标志词的问题从几乎查不出到过半；误报略降。代价是输入 token 多 44%。两处变差：漏响应（D01）和响应对象错位（D09）。推测是同一行或相邻行的内容让模型更容易「找到点什么就判已响应」：漏掉的那一行不在了，检索命中的是相邻要求的行；错位的那一行响应格写的是另一条参数，模型没比对参数名。下一轮在提示词里要求先核对响应格说的是不是同一个参数 / 设备，并单独看 D01、D09 的漏报明细。不需要响应的要求上的误报（329）没有变化，要靠第 ② 项（C12）。

4. 第二轮：评测集纠错 + 响应方式和「要不要回答」（2026-11-04）

评测集纠错：§3 里漏响应、响应对象错位「变差」，逐条看漏报后发现多数是生成器的错，不是查标的错：读标清单有重复条目、S04 同一参数列在两张表里、技术方案散文也复述了要求，注入器只改了其中一处，别处还留着正确的响应，模型找到它是对的。改为同一要求的所有表格行一起改；在散文、附件、格式文件里也响应了的要求不挂漏响应 / 数值不满足 / 错位；错位响应必须是另一个参数的。马虎的投标文件按原种子重新生成，新目标 45 个由 Fable 复核（通过 40 个），用户抽查 9 个全部同意（四批合计抽查 65 个，全部同意）。

查标改了什么（第 2 步的 C12 部分）：

checklist/response_mode.py：按类别（技术 / 商务）识别招标文件的响应方式，规则优先；冲突按逐条，认不出按逐条并标明。开发集 7 份的识别结果和档案一致。（还没存进清单、没做清单页的显示和修改。）
check/applicability.py：不需要投标人回答的条目不逐条找响应，写进覆盖范围（无效情形 —— 但 ★ / 斜体下划线标注的条款照常找、日期与递交、没要求附材料的评分标准、无需提供证明或由采购人查询的资格）。要求附证明材料按原文判断（读标的 evidence_required 常常是空的），中标后才交的不算。
默认接受的要求没找到响应：一般要求记「按招标文件默认接受」、不出问题；实质性要求出提示级「请人工核对」；要附证明材料的不免（迁移 0006 加了两种结论）。

指标（17 份，复核通过的问题）	v1	v2 + 整行	+ 响应方式和「要不要回答」
查标召回	48 / 150（32%）	102 / 150（68%）	97 / 150（65%）
致命级召回	9 / 32	20 / 32	21 / 32
规矩的投标文件报出的问题	699	639	229
规矩响应的要求上的误报	24.7 / 100	21.3 / 100	12.4 / 100
不需要响应的要求上报的问题	334	329	77
默认接受的要求被报（T06）	39	35	1
输入 token	189 万	273 万	224 万

按问题类型（最后一列）：漏响应 19 / 24、写明不支持 13 / 14、数值不满足 4 / 4、负偏离未说明 39 / 59、评分材料缺失 9 / 14、错位 6 / 13；证明材料缺失 1 / 17。

读法：规矩的投标文件上的问题少了三分之二，召回只掉了 3 个点（掉的主要是只在默认接受的文件里、被正确判为「默认接受」的条目，以及证明材料）。证明材料缺失几乎查不出：资格证明、检测报告多是扫描件页，没有文字层，规矩的投标文件上同样报「未找到」——这是下一项（C10 扫描件兜底 + 文件要在的判断）。

一处要说明的：调响应方式识别时，打印结果里顺带出现了留出集 S03、S06、S09（招标文件本身，不是投标文件）的识别结果，其中 S03、S09 和规范 §2 的记录不一致。没有据此改任何规则，留到留出集正式评测时再看。

5. 第三轮：扫描件兜底、文件要在、响应方式存进清单（2026-11-04）

改了什么：

文件要在（check/presence.py）：「提供《授权委托书》」「须提交投标函」这类要求，从原文取出文件名，在投标文件里找写着它的标题；找到就算已响应（出处是那个标题），不调模型。
扫描件兜底（C10）：要附证明材料的要求没找到、而投标文件里有扫描件页时，不报「未找到响应」，改成提示级「可能在扫描件里，请人工核对」。没有 OCR 时，扫描件里有没有这份材料分不出来。
响应方式存进清单（迁移 0008）：解析时识别、带依据句子存下来；清单页显示，可以改（人工确认点，写审计，重新解析不覆盖人工改过的）；查标用存下来的。

指标（17 份）	上一轮（mode）	本轮（scan）
查标召回	98 / 150（65%）	92 / 150（61%）
致命级召回	22 / 32	22 / 32
规矩的投标文件报出的问题	229（致命 120、重要 58、提示 51）	235（致命 51、重要 14、提示 170）
规矩响应的要求上的误报	12.4 / 100	13.5 / 100

读法：问题的个数没变，变的是级别：规矩的投标文件上的致命问题少了一半多（120 → 51），多出来的是「请到扫描件里核对」的提示，致命级召回不变。总召回掉了 4 个点，主要是批次变化带来的波动（文件要在的条目不再进模型，同一批里的组合变了），以及几条漏响应被「标题里出现了文件名」误判为已响应——要盯着。评测集里证明材料全是扫描件页，所以证明材料缺失（D02）照旧查不出、扫描件兜底也分不出缺没缺；真正查出来要靠 OCR / 多模态（S5）。

6. 第四轮：规则检查（报价形式、形式要件）（2026-11-04）

改了什么（check/rules.py，规则集 2026.11-r1，不调模型）：

投标侧结构：按坐标把句子分成行、按表头归栏，认三种表——开标一览表（「投标总报价」那一栏）、分项报价表（数量 / 单价 / 合价三栏，可以跨页接续）、响应表（有「响应情况 / 偏离情况」一栏）；再加落款日期、格式文件的填写位、页眉。
规则：大写和小写金额（P04）、分项算术和合计（P05）、超最高限价（P01 / P02，按所投采购包取限价）、多个报价（P12）、页眉和填写位里的别的项目名称 / 编号 / 采购人（P06）、没填的地方（P07）、落款日期晚于截止或写错（P08）、投标有效期短于要求（P09）、附加条件（P10）、响应表里写「未完全响应 / 负偏离」或空着（D10）。响应匹配已经对同一句报了负偏离的，规则不重复报。
每条问题挂投标原文；有依据的挂招标侧出处（限价、截止时间、项目名称来自项目基本信息，有效期要求来自清单项）。缺项目侧的值（限价、截止时间、有效期要求）或认不出开标一览表时不报，写进覆盖范围。
说明只写读到的数字和依据，不写「应改为多少」（红线 6）。

顾问审读后的修改（请 Fable 从真实政府采购投标文件的角度审读，只给代码不给结论）。它指出的主要风险是真实版式上的致命误报，按「宁可让人核对，不让规矩的投标文件挂致命」改了：

表格分行改按单元格：文字层原来就用 pdfplumber 找出了单元格框，但没存到句子上；现在句子带上单元格框（可选字段，旧的文字层没有就按句子重叠分行），同一行按单元格上沿分。垂直居中的短格、折成几句的长格、纵向合并的格不再串行或错位。
开标一览表认得更严：总价那一栏下面恰好一个金额才算总价，分项表、多年度报价表的金额栏叫「投标报价」也不会被当成「多个总价」；不同位置写的总价不一致改为重要级的「投标总价前后写的不一致」，不再按致命的「两个报价」报。
另报价按把握分级：「备选方案 / 方案二 / 第二套」致命；「优惠价 / 让利后」重要；金额等于投标总价（开标一览表或分项合计）的不报；否定看整个分句。
分项表：「硬件小计」这类分组小计不进明细；同一栏读到两个数的行（无框线表格的合并格）不核对；下一页重复表头接着算同一张表；说明写「相差多少元」。
响应表：一条记录从序号行到下一个序号行；「空着」一律按重要报（可能是版面没认准）；认「否」（「是否响应 / 满足」栏）、「不响应（见说明）」这类写法。
投标有效期：只在投标函、开标一览表那一页上的按致命报，别处按提示；复述的招标原文不算；「本报价有效期」（原厂报价单）不算；要求有几条时取最少的天数；认表格写法（「投标有效期」一格、旁边或下面一格写天数）。
别的项目名称：页眉要像项目名称（以「项目 / 工程 / 采购 / 标段」结尾或带编号），章节页眉不算；招标文件里出现过的名称、编号（代理机构编号、简称）不算；「致：贵单位」不算。
附加条件：复述判断先去掉编号、用前后 20 字；「不影响合同价款」这类不算；技术分册里的按提示报。
大写金额：前后两句都找、只认写着「小写 / ¥ / 报价 / 合计」的句子，任何一处相等就不报。
落款日期认汉字数字（「二〇二六年十一月十七日」）和「日期：」；说明里去掉「……的投标无效」这类绝对说法，改为「通常会导致投标无效，请核对」。复查对齐的目标改为原文前缀 + 摘要，前缀相同的两句不会互相吞掉。
每类都加了开发集以外的反例单元测试（test_check_rules.py）。

评测集修正：P07 的注入记录改成空白处前后的原文（原来记段落开头，空白在同段后一句时对不上）；S07-A-sloppy 的 D10 注入在人员表里（不是响应表），剔除，生成器改为只往表头有「响应」的表里注入。score.py 加了规则问题的评分：规则编号对上、投标侧出处里有注入的原文才算查出。

指标（17 份）	结果
规则问题查出	57 / 57（P04 8、P05 7、P06 7、P07 10、P08 7、P09 1、P10 7、P12 7、D10 3）
规则问题误报	0（规矩的投标文件 7 份上 0）
规则问题的级别	致命 8（备选方案类另报价 6、投标函上的有效期 1、符合性响应表 1）、重要 32、提示 17
响应匹配	不变（召回 92 / 150，致命级 22 / 32）

读法：这个满分基本说明不了泛化。 规则是在知道生成器怎么注入、见过开发词库措辞的情况下写的，投标文件版式也都出自同一个生成器。附加条件（P10）和多个报价（P12）的开发词库措辞直接落在规则的写法里，最需要留出集检验。为此做了两件事：规则按招投标文件的通用写法归纳（单元测试和 bid-mini-forms.pdf 都用开发词库以外的措辞）；评测集里没有的情形（超限价、跨页分项表、万元单位）只有单元测试。真实投标文件的合并单元格、扫描页、各地模板差异，要等国动真实投标文件来看。P01 / P02 / P03 / P11 / P13–P18 评测集里还没有注入。

7. 第 2 步收尾：需人工核对、分项上限（2026-11-04）

需人工核对（FR-M3-04、决策 P2，check/manual.py）：份数、密封、递交、CA 签章加密、解密、保证金这些投标文件里看不出来的要求，从正式清单里挑出来（技术参数、评分项、资格条件不算；写明免收保证金的不列；点名要交的文件归「文件要在」），按主题合并成最多 5 条（开发集 7 份招标文件每份 3～4 条，原始条目 12～48 条），带招标原文出处；查标页勾选，按项目存、写勾选人和时间，复查后还在。接口 GET / PUT /projects/{id}/manual-checks，check_key 用 rule:MANUAL.<主题>，清单改了勾选也还在。不生成「问题」，覆盖范围里写明列了几条。

分项 / 单价上限（C7，checklist/price.py + 规则 PRICE.OVER_CEILING_ITEM）：读标时从采购需求的清单表（表头有「名称」和「单价上限 / 分项限价」两栏，表前一句写采购包）逐行读出名称、数量、上限，作为「报价」类正式条目并入清单，出处是表格那一行，不调模型；采购包一级的表不算。查标时这类条目不交给模型，规则拿分项报价表里同名分项的单价比，超了报致命，挂招标侧出处和清单项。名称要求很严（完全相同、去掉括注后相同，或重合度 ≥ 0.8），对不上的写进覆盖范围。开发集只有 S10 有分项上限，5 条全部读对；散文写法（「单价不得超过 × 元」）还不认。

评测集：从规矩的投标文件派生 4 份只带报价问题的（evals/check/price_defects.py：只改一个分项单价，合价、合计、大小写跟着改，算术一致）：S01-B-p01、S04-B-p01（超总价限价 1 元 / 1%）、S10-A-p02（超采购包限价 1%）、S10-A-p03（分项单价超上限 1%）。S10 的分项上限加起来就是采购包限价，总价超限必然有分项超上限，生成器把这条一并记进金标准。21 份上规则问题 62 / 62 查出、误报 0；同样只说明规则和生成器对得上。

8. 第五轮：偏离栏直读、响应错位、复查复用和预算（2026-11-04）

改了什么（check/deviation.py，都在模型判断之后、不调模型）：

偏离栏直读：模型判「已响应 / 只写满足」的条目，看它引的证据句所在的表格行；同一行有单元格整格写着「偏离 / 负偏离 / 部分满足 / 未完全响应」这类字样，改判负偏离，证据带上那一格。只写「偏离」两字的要是识别出单元格框的格（跨页无框的行抽字时「无偏离」会被拆成「无」「偏离」，规矩的 S07-B 上出过一次）。漏掉的 D06 多数就是这种：响应格照抄要求「满足，……」、偏离格写「偏离」，提示词已经要求读整行，模型还是漏。
响应错位（D09）：模型判「已响应」、引的证据全是照抄的要求格，同一行右边的响应格写的是别的内容（「显示器升降行程：150mm」「1位」），且和要求没有一个字对 / 数字字母串重合 → 改判「响应可能对不上」，说明里写出响应格原文。笼统的「支持 / 具备」、「详见……」、只写「满足」、要求太短（汉字少于 8 个）的不判。条件很严，宁可漏。
复查复用（C2，check/reuse.py）：每条清单项按「提示词版本 + 要求 + 候选句和同一行的单元格原文」算缓存键，和模型那一层的原始结论（后处理之前）一起存进 check_item_result；复查时键相同、证据句在本次投标文件里原样找得回来的，直接沿用，不调模型；响应方式、偏离栏直读这些后处理照常重算。覆盖范围写沿用了几条。
硬预算（C2）：每次检查送给模型的字数上限 120 万字（开发集平均约 5 倍），按批次顺序分配，超出的批次不调模型，条目记「超出预算」列为请人工核对，覆盖范围另写。

指标（17 份）	第三轮（scan）	+ 偏离栏直读	+ 响应错位（本轮）
查标召回	92 / 150（61%）	107（71%）	109 / 150（73%）
致命级召回	22 / 32	24 / 32	24 / 32
D06 负偏离未说明	38 / 59（64%）	53 / 59（90%）	53 / 59（90%）
D09 响应对象错位	5 / 13	5 / 13	7 / 13
规矩的投标文件报出的问题	235	236	235
模型调用	—	全部命中缓存	全部命中缓存

读法：两项都是确定的规则，没有改提示词、没有多花 token。响应错位报了 3 处（2 个单元），全对，规矩的投标文件上没有改判；第一版报错的 4 处（「13.56MHz」没算数字字母重合、「支持」当成别的内容、要求太短）修掉后才是这个数。偏离栏直读依赖投标文件的偏离栏写法，真实文件里偏离栏常写「无」「—」「见说明」，这些不会改判（不算不满足），只有明确写了不满足的字样才改。

9. 第六轮：同一行按单元格、业绩条款不再误跳、重复条目只合并显示（2026-11-04）