概念Macro F1 / 宏平均F1
macro-F1
一种多分类评估指标，先分别计算每个类别的F1分数（精确率与召回率的调和平均），再对所有类别取等权平均，使每个类别无论样本量多少都拥有相同的投票权重
时间轴 (近 90 天)
10月18日
在300段由Qwen3-32B标注的练习考卷上，微调v3的Laya相比零样本版将11个问题的判断macro-F1从0.33提升到0.57，校准误差从0.15降至0.07，危险等级MAE从2.78降至1.56。
待验证50%
10月16日
四个类别中有一个（「明确缺失」）没有任何观测支持，其macro-F1数值贡献并不等于在该状态上测到了性能。
待验证50%
10月16日
当某个类别观测数为0时，其F1在形式上可能被定义为0或跳过，但对该类别性能的估计完全没有依据。
待验证50%
9月23日
在边界匹配的片段上 Cohen's kappa 达到 0.964，但纳入遗漏实体、边界错误和标签修正后宏观 F1 骤降至 0.753
待验证50%