¿Qué métrica separa una trayectoria que acierta de una decisión que se puede confiar?

Qué está en juego

Parar si el score agregado oculta un fallo crítico de fuente o permiso.

Relaciones

• concept:concept:agent-evaluation-as-product
• paper:factoryllm-a-safe-and-open-source-ai-playground-for-evaluating-llms-in-s
• paper:claw-swe-bench-a-benchmark-for-evaluating-openclaw-style-agent-harnesses
• paper:mastrike-shapley-guided-collusive-red-teaming-on-multi-agent-systems
• paper:soft-prompt-tuning-for-fair-and-efficient-llm-benchmark-evaluation

Qué aceptamos

La respuesta debe distinguir observación, fuente primaria, contradicción e inferencia. Una señal pendiente no cuenta como evidencia.

Cómo avanzar

Si tienes una aportación verificable, usa la interfaz pública. Quedará en cuarentena hasta revisión.