如何用决策模型做自动化评估

文章实测 Jev 1.13、Perplexity Decider 1.1 27B、Liquid d1 与 d1-ultra、Cloudflare Clef Flash 和 OpenAI Decisions（GPT-6 Luna）在 100 条公寓租赁智能体对话轨迹上的失败识别表现。