评分让 benchmark 从“肉眼看 JSON”变成一个客观数字。每个模型的结果都会依据黄金参考（预期输出）进行评分，得出完整性、正确性以及一个可供排序的总体质量分数。
评分需要有可供对照的对象。每个 scenario 都带有一个参考输出：其唯一固定 entity 的正确答案。可通过用强模型生成（网络搜索 + 权威来源文档）、粘贴一个已知正确的结果，再手动编辑来构建它——一旦你信任它，就将其标记为已验证。已验证的参考是对该 scenario 进行 benchmark 的必要条件，这样始终都有可供评分的对象。如果你之后编辑了参考——或更改了 scenario 的评分配置——现有分数会被标记为过时，直到你重新评分。
核心问题在于：两个正确答案的写法可能不同。将某位演员命名为“R. Downey Jr.”而非“Robert Downey Jr.”的模型并没有错。因此，每个字段都会通过分层阶梯进行比较——先用最廉价、最确定的方式，仅在需要时才升级：
完全相同的值会匹配。仅在大小写、首尾空格或数值精度上存在差异的值也会匹配（"Acme" = "ACME"，4.0 = 4）。免费且完全确定。
对于文本，候选值与参考值会被嵌入并按余弦相似度比较。高于阈值即视为相同——因此像“R. Downey Jr.”与“Robert Downey Jr.”这样有效的另一种写法算作匹配，而非错误。日期是例外：它们按日历值比较，绝不按相似度，因此接近但错误的日期（“1972-03-14”与“1972-03-24”）会是明确的不匹配，而不是具有欺骗性的高余弦值。布尔值同样要么精确匹配，要么不匹配。
对于相似度难以判定的值——例如摘要和描述等所有自由文本字段，以及每一个不完全相同的数字——都会发送给一个评判模型，由其以 0–100 分评估答案对参考含义的捕捉程度。它会奖励措辞不同或更简洁但正确的答案，并在字段允许时给予数字部分得分（如分子量 273.37 对 273.35，半衰期 12 对 15），而在精确性至关重要时仍会判其不通过（如发行年份 2020 对 2023）。若没有评判模型，自由文本会回退到连续相似度评分，而不完全相同的数字则直接视为不匹配。
严格度设置控制嵌入阈值：值越高，意味着两个写法不同的值必须更相似才会被视为相同。严格度、可选的评判模型和嵌入模型都在场景上设置——而不是每次评分时选择——因此每个模型都以相同方式评分，分数保持可比。
列表——一部电影的演员阵容、一种药物的副作用——是模型差异最大的地方：小模型可能找到 4 位演员，而强模型能找到 15 位。顺序无关紧要，找到更多正确的条目应当胜出。因此数组按集合评分，而非逐个位置比较：
展开某一结果行，即可查看哪些项被匹配、遗漏或产生了幻觉。
单个数字掩盖了太多信息，因此每个结果都附带分项得分：
可展开的行显示逐字段的明细：候选值与参考值、由阶梯的哪一级决定，以及相关时的相似度。
当某个场景多次运行同一模型（重复运行）时，每次运行都会单独评分，该行会显示平均质量以及一致性区间（各次运行的最低值–最高值）—— 这样就很容易发现平均表现正确但不稳定的模型。显示的输出是按质量取中位数的那次运行。
评分是对已保存结果的一次单独处理——它不会重新 enrichment，因此不会为被测模型重复付费。它确实会嵌入文本以比较值（如果 scenario 配有评判，还会运行评判），此过程根据用量扣除 credit。这会在每次运行结束时自动进行，并在你每次重新评分时再次进行。如果你的组织未配置嵌入模型（且 scenario 未设置覆盖项），评分仍会运行，但会退回到仅精确匹配（此时不同拼写会被算作不匹配），并会作出说明。
在模型管理 → 基准测试中，在场景编辑器里设置并验证参考（并在此选择其评判模型、嵌入模型和严格程度）。此后，每次运行都会自动为其成功的结果评分——一个可排序的质量列会自动填充，无需额外步骤。在您编辑参考或评分配置后，使用重新为结果评分（标题栏按钮或 ··· 菜单）重新评级。