Evaluation

Metrics

类别	指标	优点	缺点
准确性	Accuracy	简单直观	过于粗糙
准确性	Accuracy@K	反映潜力	需要多次采样
准确性	Numerical Error	细粒度	仅适用数值任务
效率	Avg Length	反映成本	不考虑质量
效率	Avg Steps	反映推理风格	难以量化
质量	Format Correctness	易于检测	不保证正确性
质量	Coherence	全面评估	需要人工