Jev 在科学决策语义选择任务上的评测：十二种模型配置对比

研究用一套遵循 Jev 文档指引的测试框架，在十个科学案例的二十个语义选择上对比十二种模型配置，每个重复五次，分别测量语义选择、下游输出和最终结论标签。Jev 在语义完全正确率上与另外五种配置并列，并在成功响应中取得最低中位延迟和已知平均成本。在一个判断样本是否共享培养条件的问题上，三种对比模型出现七次错误选择，改变了下游计数却仍保留正确的最终标签。