bid-doctor/docs/architecture/check-eval.md

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

1. 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）。
2. 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）。
3. 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。
4. 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. 下一步

1. 看 D01、D09 的漏报明细，改提示词（v3）：先核对响应格说的是不是同一个参数 / 设备。
2. 第 2 步（投标侧结构识别、规则、C12 响应方式抽取）和第 3 步（整行上下文、偏离表直取、presence 判断）按 §2.2 的顺序改，每改一轮在开发集 14 份上重跑对比。
3. 留出集（S03、S06、S09，风格 B + C，封存的词库）和真实国动投标文件，在第 3 步冻结代码后只跑一次。