灾害 Benchmark 审查台
核对「输入材料 / Gold 标签 / Agent 分数」。数据不必齐全——有多少看多少;仅
available
的题可进全流程。
数据批次
加载中…
任务列表
全部 availability
available(可跑)
not_available
not_eligible
全部审查状态
未审查
ok
wrong_label
bad_input
bad_gold
unsure
刷新
检查可跑子集
先选左侧批次
详情:输入 · Gold · 分数 · 人工核对
选择一条任务