用途：评估基于证据的判定与分类工作流，检验某段文本是否支持某主张，或区分支持、矛盾与沉默。
主要能力：定义主张与候选段落，将期望标签置于模型状态之外；用 Noul 判断段落是否完全支持主张，用 Choice 区分支持、矛盾与沉默；纳入实体、时间、限定词与范围；缺失证据不等于否认；从源码片段复制回执，逐字回执只证明来源而非正确性；将检索覆盖率与对已检索段落的判定分开度量。
测试用例：覆盖普通情形、缺失事实、矛盾、否定、不同实体、数值不匹配、条件丢失、从允许变为必需、有效推断以及文档内嵌指令。合成夹具公开，客户输入保密。
用法：在开发用例上扫描阈值，冻结策略后再测试未见用例；报告已接受用例的准确率，并给出复核率、覆盖率与各类别错误；类别不均衡时用平衡准确率。与现有工作流在相同输入上对比；LLM 基线可用 System One Adapter 接受相同 Python 请求；将升级到 LLM 作为独立分支并统计其成本与延迟；固定模型版本、交替分支，并纳入重试、格式错误输出与服务错误。使用用户现有测试框架，提供离线试运行并保存答案、返回的模型版本与用量，以便无需新调用即可重放策略变更。最终报告包含用例数、准确率、覆盖率、端到端延迟、成本与代表性失败。
限制：置信度或所选标签概率不构成准确率保证，重复调用不增加独立用例数量。其余细节暂未提供。