用途：针对基准问题评估 Genie Space 的回答准确度，比较不同优化迭代的评估结果，在 bundle 部署后做验证，并测试 Genie SQL 生成的重复性。
主要能力：采用三层评审架构，全部 8 个评分器运行在 mlflow.genai.evaluate() 中。第一层质量评审始终运行，包括 syntax_validity（EXPLAIN 代码）、schema_accuracy、logical_accuracy、semantic_equivalence、completeness（LLM 评审）与 asset_routing（前缀匹配）；第二层 result_correctness 读取预计算的 comparison；第三层 arbiter_scorer 仅在结果不一致时触发 LLM，返回 skipped、genie_correct、ground_truth_correct、both_correct 或 neither_correct。SQL 执行集中在 genie_predict_fn，每行只运行一次，评分器不直接调用 spark.sql()。
使用方式：输入来自编排器，包括 space_id、eval_dataset_name、experiment_name、iteration、model_id、uc_schema、eval_scope 与 patched_objects。评估范围由 eval_scope 控制：full、slice、p0、held_out。作业模式使用 databricks bundle run genie_evaluation_job，适合生产、CI/CD 与不少于 10 个基准；内联模式适合快速迭代与少于 10 个基准。评估器将每个评审的 eval_{judge}_pct 记录为 MLflow 运行指标，并把 ASI 结果写入 genie_eval_asi_results UC 表。
适用场景：Genie Space 准确度评分、优化迭代对比、部署后验证与 SQL 生成重复性测试。
限制：需要 mlflow[databricks]>=3.9.0；评分器必须使用 @scorer 并调用 .register()，不可叠加 @mlflow.trace；SQL 必须先经 sanitize_sql() 与 resolve_sql()；make_judge() 仅支持 {{ inputs }}、{{ outputs }}、{{ trace }}、{{ expectations }}、{{ conversation }} 等模板变量；predict_fn 必须使用关键字参数签名；重复性检查仅在最终测试阶段运行。其余细节暂未提供。