FeedLens反馈透镜

FeedLens 评测报告

本文件由 python -m feedlens.evaluate --report 根据 eval/results/ 下的实际运行结果自动生成,请勿手改数字。

计分口径见 feedlens/metrics.py。所有系统使用同一批样本、同一个解析器、同一套指标;格式不合规的输出按错误计。

参评系统

系统 说明
rules 关键词规则基线,不使用模型(feedlens/baseline_rules.py)
base-zeroshot 训练前:MiniMind 官方 full_sft 权重,使用与微调时相同的简短指令
base-detailed 训练前:同一份官方权重,提示词里写明标签集合并给一个示例
scratch-v1 对照:同结构随机初始化,只用任务数据训练,不加载任何预训练权重
ft-lora-v1 在官方 full_sft 权重上训练 LoRA 适配器(主干冻结),取验证损失最低的检查点(第 350 步)
ft-lora-v1-last 同一次 LoRA 训练在结束时(第 966 步)的权重,用来对比“按验证损失选检查点”是否合适
ft-full-v1 在官方 full_sft 权重上全参数微调(验证损失最低即训练结束时,第 483 步)
ft-full-v2 v0.2:全参数微调,训练数据换成 v2;取验证损失最低的检查点(第 150 步,不到一轮)
ft-full-v2-last v0.2:同一次训练结束时(第 789 步)的权重

同分布测试集 test(合成语法,核心表达未在训练集出现)

样本数:977

系统 格式合规 类别准确率 类别 macro-F1 情感准确率 紧急度准确率 紧急度 macro-F1 三标签全对 摘要 ROUGE-L 摘要完全一致
rules 100.0 75.2 75.4 79.6 78.9 80.5 71.9 29.3 0.0
base-zeroshot 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
base-detailed 18.8 2.9 1.9 16.6 5.9 9.0 1.3 0.9 0.1
scratch-v1 100.0 68.3 70.3 93.3 81.4 81.5 58.8 48.6 33.4
ft-lora-v1 99.6 78.3 79.7 94.7 84.6 84.5 70.3 65.4 46.6
ft-lora-v1-last 99.6 78.9 80.0 94.9 85.7 85.6 71.4 63.8 44.2
ft-full-v1 100.0 75.5 76.2 91.1 83.8 83.8 66.8 62.2 44.9
ft-full-v2 99.7 75.7 76.9 93.2 86.4 85.8 69.2 54.6 31.1
ft-full-v2-last 100.0 82.6 82.9 93.9 84.9 84.9 73.7 63.8 42.2

95% 置信区间(自助法 1000 次重采样):

系统 类别准确率 三标签全对 摘要 ROUGE-L
rules 72.3 – 78.1 69.1 – 74.6 28.0 – 30.7
base-zeroshot 0.0 – 0.0 0.0 – 0.0 0.0 – 0.0
base-detailed 1.8 – 4.0 0.7 – 2.1 0.6 – 1.3
scratch-v1 65.4 – 71.2 55.9 – 62.0 46.1 – 51.3
ft-lora-v1 75.6 – 81.0 67.5 – 73.4 63.0 – 67.8
ft-lora-v1-last 76.4 – 81.4 68.7 – 74.2 61.4 – 66.3
ft-full-v1 72.9 – 78.3 64.0 – 70.0 59.8 – 64.7
ft-full-v2 73.4 – 78.3 66.4 – 72.1 52.1 – 57.0
ft-full-v2-last 80.2 – 85.0 70.9 – 76.4 61.3 – 65.9

分布外测试集 ood_test(手写,不经过语法)

样本数:117

系统 格式合规 类别准确率 类别 macro-F1 情感准确率 紧急度准确率 紧急度 macro-F1 三标签全对 摘要 ROUGE-L 摘要完全一致
rules 100.0 65.0 66.6 69.2 72.6 66.0 58.1 32.4 0.0
base-zeroshot 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
base-detailed 17.1 2.6 2.0 12.0 5.1 11.8 1.7 1.5 0.0
scratch-v1 100.0 58.1 56.7 82.1 74.4 71.7 51.3 22.2 3.4
ft-lora-v1 99.1 69.2 67.4 87.2 80.3 77.0 60.7 38.0 10.3
ft-lora-v1-last 99.1 70.9 70.6 88.9 82.1 79.3 64.1 34.6 6.8
ft-full-v1 99.1 72.6 72.3 85.5 72.6 69.7 58.1 35.9 11.1
ft-full-v2 99.1 65.8 65.3 79.5 71.8 66.3 54.7 30.7 7.7
ft-full-v2-last 100.0 63.2 64.3 83.8 75.2 72.1 53.0 33.5 7.7

95% 置信区间(自助法 1000 次重采样):

系统 类别准确率 三标签全对 摘要 ROUGE-L
rules 56.4 – 73.5 48.7 – 67.5 28.1 – 36.4
base-zeroshot 0.0 – 0.0 0.0 – 0.0 0.0 – 0.0
base-detailed 0.0 – 5.1 0.0 – 4.3 0.5 – 2.8
scratch-v1 49.6 – 66.7 42.7 – 60.7 18.1 – 27.0
ft-lora-v1 60.7 – 77.8 52.1 – 70.1 32.6 – 44.0
ft-lora-v1-last 62.4 – 78.6 54.7 – 72.7 29.6 – 39.5
ft-full-v1 65.0 – 80.3 49.6 – 66.7 30.4 – 42.0
ft-full-v2 57.3 – 73.5 45.3 – 64.1 25.5 – 36.4
ft-full-v2-last 54.7 – 71.8 43.6 – 62.4 28.4 – 38.6

验证集 val(用于选模型,不作为最终结论)

样本数:969

系统 格式合规 类别准确率 类别 macro-F1 情感准确率 紧急度准确率 紧急度 macro-F1 三标签全对 摘要 ROUGE-L 摘要完全一致
rules 100.0 76.8 77.3 80.9 80.6 80.6 74.3 29.8 0.0
base-zeroshot 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
scratch-v1 100.0 68.3 70.4 92.7 77.1 76.4 58.7 48.4 34.0
ft-lora-v1 100.0 76.4 77.3 94.2 81.8 79.9 64.0 60.9 42.7
ft-lora-v1-last 100.0 77.2 78.3 94.0 85.4 84.9 69.0 59.4 41.2
ft-full-v1 100.0 83.8 85.5 96.8 90.1 89.8 78.9 63.6 43.8
ft-full-v2 100.0 81.0 81.4 92.1 79.5 76.9 68.3 60.4 42.1
ft-full-v2-last 99.3 86.0 85.9 98.1 86.2 85.7 75.0 68.3 47.1

95% 置信区间(自助法 1000 次重采样):

系统 类别准确率 三标签全对 摘要 ROUGE-L
rules 74.0 – 79.5 71.5 – 76.9 28.4 – 31.1
base-zeroshot 0.0 – 0.0 0.0 – 0.0 0.0 – 0.0
scratch-v1 65.3 – 71.5 55.4 – 61.9 45.9 – 51.0
ft-lora-v1 73.7 – 79.0 61.0 – 66.8 58.4 – 63.4
ft-lora-v1-last 74.4 – 79.8 66.0 – 72.0 56.9 – 61.9
ft-full-v1 81.4 – 86.1 76.4 – 81.6 61.3 – 65.9
ft-full-v2 78.3 – 83.4 65.4 – 71.2 57.9 – 62.9
ft-full-v2-last 83.8 – 88.0 72.3 – 77.6 65.9 – 70.7

分布外开发集 ood_dev(用于错误分析;v2 的语法依据它的失败案例设计,对 v2 系统不再是独立数据)

样本数:63

系统 格式合规 类别准确率 类别 macro-F1 情感准确率 紧急度准确率 紧急度 macro-F1 三标签全对 摘要 ROUGE-L 摘要完全一致
rules 100.0 54.0 52.8 57.1 60.3 58.5 41.3 28.9 0.0
base-zeroshot 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
base-detailed 17.5 0.0 0.0 14.3 1.6 2.8 0.0 0.2 0.0
scratch-v1 100.0 63.5 62.7 81.0 73.0 73.0 54.0 31.6 7.9
ft-lora-v1 100.0 76.2 75.6 85.7 74.6 72.4 63.5 41.8 11.1
ft-lora-v1-last 100.0 74.6 73.8 81.0 73.0 71.2 61.9 42.9 11.1
ft-full-v1 100.0 63.5 63.1 84.1 71.4 70.8 54.0 36.9 9.5
ft-full-v2 100.0 82.5 83.2 88.9 85.7 85.9 76.2 52.1 27.0
ft-full-v2-last 100.0 93.7 93.6 92.1 93.7 94.0 90.5 68.7 44.4

95% 置信区间(自助法 1000 次重采样):

系统 类别准确率 三标签全对 摘要 ROUGE-L
rules 41.3 – 66.7 28.6 – 54.0 24.2 – 33.7
base-zeroshot 0.0 – 0.0 0.0 – 0.0 0.0 – 0.0
base-detailed 0.0 – 0.0 0.0 – 0.0 0.0 – 0.6
scratch-v1 52.4 – 74.6 41.3 – 66.7 24.2 – 39.0
ft-lora-v1 65.1 – 85.7 52.4 – 74.6 34.3 – 49.2
ft-lora-v1-last 63.5 – 84.1 50.8 – 73.0 35.6 – 50.4
ft-full-v1 52.4 – 74.6 42.9 – 65.1 30.0 – 44.5
ft-full-v2 73.0 – 92.1 66.7 – 87.3 42.4 – 60.4
ft-full-v2-last 87.3 – 98.4 82.5 – 96.8 60.4 – 77.2

v2 新增问题类型的留出集 test_v2new(合成语法 v2,核心表达未在任何训练集出现)

样本数:381

系统 格式合规 类别准确率 类别 macro-F1 情感准确率 紧急度准确率 紧急度 macro-F1 三标签全对 摘要 ROUGE-L 摘要完全一致
rules 100.0 50.7 55.4 50.4 55.1 47.8 34.9 23.5 0.0
ft-full-v1 100.0 65.4 62.6 90.6 78.5 77.5 58.3 31.3 0.3
ft-full-v2 99.5 75.3 78.1 93.7 85.8 85.2 64.8 58.4 32.3
ft-full-v2-last 100.0 90.8 91.7 93.2 94.5 94.7 89.0 68.9 42.8

95% 置信区间(自助法 1000 次重采样):

系统 类别准确率 三标签全对 摘要 ROUGE-L
rules 45.7 – 55.9 30.2 – 40.2 21.3 – 25.8
ft-full-v1 60.9 – 69.8 53.5 – 63.2 28.5 – 33.8
ft-full-v2 70.9 – 79.5 59.8 – 69.3 54.7 – 62.0
ft-full-v2-last 87.7 – 93.7 85.8 – 92.1 65.4 – 72.1

各类别的类别准确率 · test

系统 功能故障 性能体验 功能建议 界面交互 账号登录 支付订单 广告骚扰 表扬认可 其他
rules 63.1 62.5 95.7 48.2 86.1 100.0 90.5 55.9 82.0
base-zeroshot 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
base-detailed 19.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
scratch-v1 44.0 62.5 93.6 68.4 75.7 83.2 62.9 49.0 93.4
ft-lora-v1 71.6 72.5 100.0 77.2 73.0 87.2 67.6 78.4 83.6
ft-lora-v1-last 74.5 71.7 100.0 78.9 77.4 86.4 69.5 78.4 75.4
ft-full-v1 82.3 61.7 98.9 54.4 87.8 77.6 62.9 80.4 77.0
ft-full-v2 47.5 77.5 92.6 75.4 87.0 83.2 61.9 85.3 83.6
ft-full-v2-last 88.7 79.2 100.0 55.3 75.7 91.2 86.7 84.3 85.2

各紧急度档位的紧急度准确率 · test

系统 高 中 低
rules 90.0 70.6 82.5
base-zeroshot 0.0 0.0 0.0
base-detailed 24.2 0.0 0.0
scratch-v1 81.7 82.7 79.1
ft-lora-v1 75.4 86.7 89.0
ft-lora-v1-last 81.2 86.1 88.7
ft-full-v1 84.2 80.9 88.0
ft-full-v2 72.1 91.0 91.1
ft-full-v2-last 89.2 80.9 87.3

各类别的类别准确率 · ood_test

系统 功能故障 性能体验 功能建议 界面交互 账号登录 支付订单 广告骚扰 表扬认可 其他
rules 38.5 76.9 61.5 46.2 84.6 69.2 76.9 30.8 100.0
base-zeroshot 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
base-detailed 23.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
scratch-v1 61.5 69.2 69.2 46.2 69.2 84.6 76.9 15.4 30.8
ft-lora-v1 84.6 69.2 84.6 53.8 76.9 84.6 69.2 7.7 92.3
ft-lora-v1-last 84.6 76.9 84.6 69.2 69.2 76.9 69.2 23.1 84.6
ft-full-v1 92.3 53.8 92.3 84.6 92.3 61.5 69.2 30.8 76.9
ft-full-v2 23.1 76.9 84.6 92.3 69.2 84.6 30.8 69.2 61.5
ft-full-v2-last 76.9 61.5 84.6 61.5 61.5 76.9 61.5 38.5 46.2

各紧急度档位的紧急度准确率 · ood_test

系统 高 中 低
rules 35.7 67.2 91.1
base-zeroshot 0.0 0.0 0.0
base-detailed 42.9 0.0 0.0
scratch-v1 78.6 79.3 66.7
ft-lora-v1 64.3 89.7 73.3
ft-lora-v1-last 71.4 93.1 71.1
ft-full-v1 78.6 70.7 73.3
ft-full-v2 42.9 70.7 82.2
ft-full-v2-last 78.6 72.4 77.8

未见领域词的影响 · test

训练集完全不含“学习”领域的词(课程、题库、错题本等),测试集含。

系统 见过的领域:样本数 三标签全对 摘要 ROUGE-L 未见领域:样本数 三标签全对 摘要 ROUGE-L
rules 877 72.5 29.7 100 66.0 26.0
base-zeroshot 877 0.0 0.0 100 0.0 0.0
base-detailed 877 1.4 0.9 100 1.0 1.6
scratch-v1 877 59.9 49.4 100 49.0 42.0
ft-lora-v1 877 71.8 66.0 100 57.0 59.8
ft-lora-v1-last 877 73.0 64.8 100 58.0 55.0
ft-full-v1 877 67.2 62.6 100 64.0 58.8
ft-full-v2 877 69.3 55.3 100 68.0 48.2
ft-full-v2-last 877 74.3 63.8 100 68.0 63.5

速度与资源

批量:按提示词长度分组成批的整体吞吐,在“批量评测设备”上测得。单请求:batch=1 逐条调用,固定在 CPU 上测(应用默认用 CPU 推理),对应网页上点一次按钮。进程峰值内存包含评测时同时加载的批量模型与 CPU 模型,高于应用单独运行时的占用。

系统 批量评测设备 参数量(M) 权重文件(MB) 批量 样本/秒 平均生成 token CPU 单请求 平均/P50/P95 (ms) 进程峰值内存(MB)
rules cpu 0 0 87100.3 0.0 — 1419.8
base-zeroshot mps 63.91 131.3 26.6 46.0 287.0 / 285.8 / 349.4 1211.2
base-detailed mps 63.91 131.3 14.3 47.9 391.3 / 399.4 / 408.3 1294.0
scratch-v1 mps 63.91 131.3 43.5 23.7 156.1 / 163.0 / 196.1 1419.8
ft-lora-v1 mps 64.31 132.1 45.3 24.0 130.1 / 127.6 / 147.1 1257.3
ft-lora-v1-last mps 64.31 132.1 47.7 24.1 129.6 / 126.7 / 144.9 1353.8
ft-full-v1 mps 63.91 131.3 44.2 24.0 134.2 / 127.3 / 175.8 1419.8
ft-full-v2 mps 63.91 131.3 31.5 24.5 193.7 / 191.9 / 219.4 1256.3
ft-full-v2-last mps 63.91 131.3 44.5 24.6 125.5 / 124.0 / 144.3 1254.6

环境:macOS-27.0.1-arm64-arm-64bit;上游 MiniMind 提交 f659b55。

本页由 eval/REPORT.md 生成。