Skip to content

Latest commit

 

History

History
119 lines (107 loc) · 8.75 KB

NUMEROS.md

File metadata and controls

119 lines (107 loc) · 8.75 KB

Números medidos

Generado por make report desde evals/reports/. No se edita a mano (regla R17). Hardware de referencia: MacBook Pro M4 Max, 36 GB de memoria unificada.

La puerta, medida (meta-evaluación)

evalgate meta report --check vuelve a calcular la medida oficial desde las etiquetas humanas y la matriz de ejecuciones, sin llamar a ningún modelo. La matriz se midió dos veces; antes de ejecutar la segunda quedó escrito que sus tres números sustituirían a los de la primera, salieran como salieran.

Meta Medido Umbral ¿Cumple? Detalle
G-JUDGE-KAPPA 0,47 >= 0,60 no IC95 [0,27, 0,65] · 150 etiquetas humanas · acuerdo bruto 0,86
G-GATE-FP 0,102 <= 0,05 no Wilson 95 % [0,044, 0,218] · 5 bloqueos en 49 decisiones contra base-00
G-GATE-MDE 10,50 <= 8,00 no puntos porcentuales, en answer_correct · 200 casos · 2450 pares de 50 ejecuciones
G-GATE-POWER 1,00 >= 0,90 sí mínimo sobre las degradaciones de tamaño ≥ 15,75 pp · mínimo sobre las 4: 0,02

Métricas que bloquean: answer_correct, context_recall, abstencion_incorrecta. Ruido: sistema bajo prueba con RAG_TEMPERATURE=0.7 y semilla distinta por ejecución (RAG_SEED = 1000 + nº de ejecución); sin juez: sus métricas no se miden.

Degradación Potencia Bloqueos Tamaño medido ¿Se le exige?
contexto-50 1,00 50/50 36,3 pp en abstencion_incorrecta sí
docs-aleatorios-20 1,00 50/50 23,6 pp en abstencion_incorrecta sí
modelo-pequeno 0,02 1/50 0,8 pp en answer_correct no: por debajo del tamaño exigido
temperatura-1.2 0,28 14/50 4,8 pp en answer_correct no: por debajo del tamaño exigido

Medida anterior, publicada tal cual · 60 casos · evals/reports/meta-eval-60.json

Meta Medido Umbral ¿Cumple? Detalle
G-GATE-FP 0,122 <= 0,05 no Wilson 95 % [0,057, 0,242] · 6 bloqueos en 49 decisiones contra base-00
G-GATE-MDE 15,00 <= 8,00 no puntos porcentuales, en answer_correct · 60 casos · 2450 pares de 50 ejecuciones
G-GATE-POWER 1,00 >= 0,90 sí mínimo sobre las degradaciones de tamaño ≥ 22,50 pp · mínimo sobre las 4: 0,00

Métricas que bloquean: answer_correct, context_recall, abstencion_incorrecta. Ruido: sistema bajo prueba con RAG_TEMPERATURE=0.7 y semilla distinta por ejecución (RAG_SEED = 1000 + nº de ejecución); juez llamado en vivo en cada caso, sin caché.

Degradación Potencia Bloqueos Tamaño medido ¿Se le exige?
contexto-50 1,00 50/50 31,4 pp en abstencion_incorrecta sí
docs-aleatorios-20 1,00 50/50 24,9 pp en abstencion_incorrecta sí
modelo-pequeno 0,00 0/50 3,7 pp en answer_correct no: por debajo del tamaño exigido
temperatura-1.2 0,20 10/50 4,0 pp en answer_correct no: por debajo del tamaño exigido

Cada meta en cada fase cerrada

Fase Meta Valor Cerrada Artefacto
F1 G-ADOPTION lineas_de_diff=0, n_lineas=8 2026-09-12 evals/reports/gate-F1.json
F1 G-FUNC-COV 0 2026-09-12 evals/reports/gate-F1.json
F1 G-LINE-COV 100,00 2026-09-12 evals/reports/gate-F1.json
F1 G-OPENAI-CONTRACT ratio=1,00, n=5 2026-09-12 evals/reports/gate-F1.json
F2 G-ADOPTION lineas_de_diff=0, n_lineas=8 2026-09-20 evals/reports/gate-F2.json
F2 G-DISCONNECT ratio=1, n=222 2026-09-20 evals/reports/gate-F2.json
F2 G-FUNC-COV 0 2026-09-20 evals/reports/gate-F2.json
F2 G-LINE-COV 98,70 2026-09-20 evals/reports/gate-F2.json
F2 G-OPENAI-CONTRACT ratio=1,00, n=7 2026-09-20 evals/reports/gate-F2.json
F2 G-TOKENS-EXACT ratio=1, n=5 2026-09-20 evals/reports/gate-F2.json
F2 G-TOKENS-STREAM delta_con_usage=0 2026-09-20 evals/reports/gate-F2.json
F3 G-ADOPTION lineas_de_diff=0, n_lineas=8 2026-10-06 evals/reports/gate-F3.json
F3 G-DISCONNECT ratio=1, n=198 2026-10-06 evals/reports/gate-F3.json
F3 G-FUNC-COV 0 2026-10-06 evals/reports/gate-F3.json
F3 G-LAT-PROXY 5,29 2026-10-06 evals/reports/gate-F3.json
F3 G-LAT-TTFT 3,51 2026-10-06 evals/reports/gate-F3.json
F3 G-LINE-COV 99,34 2026-10-06 evals/reports/gate-F3.json
F3 G-OPENAI-CONTRACT ratio=1,00, n=7 2026-10-06 evals/reports/gate-F3.json
F3 G-OTEL-CONTRACT ratio=1, n=25 2026-10-06 evals/reports/gate-F3.json
F3 G-TOKENS-EXACT ratio=1, n=5 2026-10-06 evals/reports/gate-F3.json
F3 G-TOKENS-STREAM delta_con_usage=0 2026-10-06 evals/reports/gate-F3.json
F3 G-TRACE-0 perdidos=0, rps=50, servidas=6000 2026-10-06 evals/reports/gate-F3.json
F3 G-TRACE-DEGRADE -0,08 2026-10-06 evals/reports/gate-F3.json
F4 G-ADOPTION lineas_de_diff=0, n_lineas=8 2026-10-08 evals/reports/gate-F4.json
F4 G-DISCONNECT ratio=1, n=209 2026-10-08 evals/reports/gate-F4.json
F4 G-FUNC-COV 0 2026-10-08 evals/reports/gate-F4.json
F4 G-LAT-PROXY 5,46 2026-10-08 evals/reports/gate-F4.json
F4 G-LAT-TTFT 3,45 2026-10-08 evals/reports/gate-F4.json
F4 G-LINE-COV 99,35 2026-10-08 evals/reports/gate-F4.json
F4 G-MUTATION 88,58 2026-10-08 evals/reports/gate-F4.json
F4 G-OPENAI-CONTRACT ratio=1,00, n=7 2026-10-08 evals/reports/gate-F4.json
F4 G-OTEL-CONTRACT ratio=1, n=25 2026-10-08 evals/reports/gate-F4.json
F4 G-PRICE-REPRO 0,00 2026-10-08 evals/reports/gate-F4.json
F4 G-TOKENS-EXACT ratio=1, n=5 2026-10-08 evals/reports/gate-F4.json
F4 G-TOKENS-STREAM delta_con_usage=0 2026-10-08 evals/reports/gate-F4.json
F4 G-TRACE-0 perdidos=0, rps=50, servidas=6000 2026-10-08 evals/reports/gate-F4.json
F4 G-TRACE-DEGRADE -0,17 2026-10-08 evals/reports/gate-F4.json
F5 G-ADOPTION lineas_de_diff=0, n_lineas=8 2026-10-08 evals/reports/gate-F5.json
F5 G-CACHE-HIT 0,00 2026-10-08 evals/reports/gate-F5.json
F5 G-CACHE-INVAL ratio=1, n=63 2026-10-08 evals/reports/gate-F5.json
F5 G-DISCONNECT ratio=1, n=212 2026-10-08 evals/reports/gate-F5.json
F5 G-FUNC-COV 0 2026-10-08 evals/reports/gate-F5.json
F5 G-LAT-PROXY 6,63 2026-10-08 evals/reports/gate-F5.json
F5 G-LAT-TTFT 3,96 2026-10-08 evals/reports/gate-F5.json
F5 G-LINE-COV 99,35 2026-10-08 evals/reports/gate-F5.json
F5 G-MUTATION 88,58 2026-10-08 evals/reports/gate-F5.json
F5 G-OPENAI-CONTRACT ratio=1,00, n=7 2026-10-08 evals/reports/gate-F5.json
F5 G-OTEL-CONTRACT ratio=1, n=25 2026-10-08 evals/reports/gate-F5.json
F5 G-PRICE-REPRO 0,00 2026-10-08 evals/reports/gate-F5.json
F5 G-TOKENS-EXACT ratio=1, n=5 2026-10-08 evals/reports/gate-F5.json
F5 G-TOKENS-STREAM delta_con_usage=0 2026-10-08 evals/reports/gate-F5.json
F5 G-TRACE-0 perdidos=0, rps=50, servidas=6000 2026-10-08 evals/reports/gate-F5.json
F5 G-TRACE-DEGRADE -0,20 2026-10-08 evals/reports/gate-F5.json
F6 G-ADOPTION lineas_de_diff=0, n_lineas=8 2026-10-08 evals/reports/gate-F6.json
F6 G-CACHE-HIT 0,00 2026-10-08 evals/reports/gate-F6.json
F6 G-CACHE-INVAL ratio=1, n=63 2026-10-08 evals/reports/gate-F6.json
F6 G-DETERMINISM ratio=1, n=3 2026-10-08 evals/reports/gate-F6.json
F6 G-DISCONNECT ratio=1, n=217 2026-10-08 evals/reports/gate-F6.json
F6 G-FUNC-COV 0 2026-10-08 evals/reports/gate-F6.json
F6 G-LAT-PROXY 6,97 2026-10-08 evals/reports/gate-F6.json
F6 G-LAT-TTFT 3,80 2026-10-08 evals/reports/gate-F6.json
F6 G-LINE-COV 99,35 2026-10-08 evals/reports/gate-F6.json
F6 G-MUTATION 88,58 2026-10-08 evals/reports/gate-F6.json
F6 G-OPENAI-CONTRACT ratio=1,00, n=7 2026-10-08 evals/reports/gate-F6.json
F6 G-OTEL-CONTRACT ratio=1, n=25 2026-10-08 evals/reports/gate-F6.json
F6 G-PRICE-REPRO 0,00 2026-10-08 evals/reports/gate-F6.json
F6 G-TOKENS-EXACT ratio=1, n=5 2026-10-08 evals/reports/gate-F6.json
F6 G-TOKENS-STREAM delta_con_usage=0 2026-10-08 evals/reports/gate-F6.json
F6 G-TRACE-0 perdidos=0, rps=50, servidas=6000 2026-10-08 evals/reports/gate-F6.json
F6 G-TRACE-DEGRADE 0,08 2026-10-08 evals/reports/gate-F6.json