正在加载…
全部候选记录2,772保留两批来源与原始 ID
非 Duplicate 代表493424 TP · 69 FP · 0 unsure
AI 标注 notes2,288另有 69 条 AI 机制复核说明
已有 Duplicate 标签2,279未进行新的跨集合缺陷合并
统计口径与标注来源 · 阅读前请注意
这里是两批候选记录的联合展示，不是一次运行的结果，也不是重新做的跨集合去重。下方 Replay 筛选按每条记录保留的 run metadata 区分三次运行；隐藏 Duplicate 只排除原文件中已有的 Duplicate 行。2,288 是修改后 checker 的 rerun；不包含旧版 2,358 条，也不与旧版相加。
最新 2,288 条保留原 AI notes；其中原为 unsure 的 14 条已由用户逐条看过，并于 2026-09-06 确认为 TP，详情记录本次人工确认。历史 484 条保留原标签与 notes；逐条 reviewer/origin 未编码。69 条 AI 机制复核说明独立保留。
TP 的口径包括降低 BLV 导航效率、增加定位或理解负担，不要求任务彻底失败。本次将 14 条 unsure 更新为 TP，当前 unsure 为 0；其他标签沿用已有审核结果。本页只读；下载的是本站专用 ltl-ui-combined-error-review/1。
ALL 2,772 / REPLAY BREAKDOWN
全部 484 + 2,288 条 · 三次 Replay 审核结果
每个 Replay 行合计历史 484 与最新 2,288 中属于该次 replay 的候选。Pass@3 为两批来源的 2,772 条候选并集；跨 replay 出现的同一 ID 在并集中只计一次。Correctness = Correct / (Correct + FP)，Duplicate 不进入分母。本表使用已有标签及本次人工确认：14 条 unsure 全部改为 TP。
| Run | Total | Correct | FP | Duplicate | Correctness |
|---|---|---|---|---|---|
| Replay 1 | 1641 | 274 | 35 | 1332 | 88.7% |
| Replay 2 | 1727 | 269 | 44 | 1414 | 85.9% |
| Replay 3 | 1709 | 257 | 42 | 1410 | 86.0% |
| Pass@3 | 2772 | 424 | 69 | 2279 | 86.0% |