jev-websearch-eval

English summary. Independent, offline experiments (October 2026) on whether the hosted Bocha Jev decision model (bocha-jev-v1) is worth using inside a web-search evidence pipeline (candidate filter, evidence-block scorer, coverage judge), compared with a plain lexical rule baseline and the local Laya model. They were run while building the dsh-web-search-pro plugin: 100 tasks (60 for tuning, 40 held out), about 2.2k search candidates, LLM-draft labels. What we saw: (1) for the fast title/snippet filter, rules are about as discriminative as Jev (AUC 0.91 vs 0.92) and Jev is better calibrated; (2) Jev's real value is scoring evidence blocks (nDCG@5 0.565 vs 0.378 for rules); (3) asking relevance and constraint satisfaction as separate questions is more robust than one mixed question; (4) a hybrid that sends only borderline / cross-language pairs to Jev gave the best need-hit rate at about half the requests of full Jev scoring; (5) a Jev coverage judge removes some false "covered" claims, but modestly; (6) zero-shot Laya multilingual was near random. Caveats: labels are unreviewed DeepSeek drafts, samples are small, harvests are single snapshots (2026-10-01 / 2026-10-02), one Jev model version, independent work not affiliated with Bocha, and this is not a general benchmark. Data are metadata only (no page text is redistributed). The headline r1 numbers can be recomputed with npm run verify.

Headline (r1, 60 tasks, DeepSeek-draft labels)	Rule	Jev	Laya
S4 filter AUC, relevance question (1368 candidates)	0.909	0.915	0.555
S4 filter calibration error (ECE, lower is better)	0.220	0.050	0.504
S4 test split: positive recall / candidates dropped (threshold chosen on calibration for recall ≥ 0.95)	94.6% / 44.7%	94.2% / 50.3%	94.2% / 9.9%
S6 evidence-block scoring, nDCG@5	0.378	0.565	0.310
Task-profile accuracy	60.0%	n/a (all 422)	26.7%

Held-out v2 (36-task Jev-comparable subset)	Need hit	Claimed-coverage precision	Jev requests (cold)
Rules + cross-lingual alignment	79.8%	71.8%	0
Hybrid: language-mismatch + borderline pairs	83.0%	76.0%	74
Full Jev scoring	78.7%	76.5%	148

---

背景与问题

dsh-web-search-pro 是 DSH 宿主的搜索插件。0.2.0 的核心是一条证据管线：把多个来源的搜索结果去重、过滤、读取、分块、评分，在预算内选出带出处的证据摘录，并报告“哪些需求已覆盖、哪些还有缺口”，而不是把十条链接和全文丢给主模型。

管线里有几处需要“判断”：这个候选相关吗？它满足“只要 Node 22 以后的官方文档”这类语义约束吗？这个文本块是否直接回答了某个需求？这些摘录够回答吗？规则（词法重叠、正则、URL）能做一部分，但跨语言、同名实体、版本条件这类场景它会吃力。博查（Bocha）提供托管的决策模型 Jev（POST /v1/systemone，问题类型 noul 真值概率 / score 等级期望 / choice 选一个，输出是一次前向、不生成文字），开源的 Laya 提供了相同形状的本地版本。

本仓库回答的问题是：在这条管线里，Jev 在哪些环节比规则基线更好？好多少？花多少请求和延迟？本地的 Laya 能不能替代它？ 它是一次独立评测，与博查无隶属关系，也不是通用基准。

管线与 Jev 的位置

flowchart LR
  T[TaskSpec 与约束编译] --> R[S2 召回]
  R --> N[S3 归一化/去重/硬过滤]
  N --> S4{{S4 快速过滤<br/>标题+摘要}}
  S4 --> F[S5 读取与分块]
  F --> S6{{S6 证据评分<br/>需求×文本块}}
  S6 --> K[S7 预算内选择]
  K --> S8{{S8 覆盖判定}}
  S8 -->|缺口且有预算| R
  S8 -->|够了或达限| O[EvidencePack]

• S4 快速过滤（noul）：只看标题 + 摘要，判断相关 / 满足语义约束 / 是否导航页；只丢高置信无关项，保召回。
• S6 证据评分（score，0–3 档）：对每个（需求，文本块）对打分，决定哪些块进入证据包。
• S8 覆盖判定（noul）：对规则声称“已覆盖”的需求，问“这些摘录本身是否足以回答”，用来减少假覆盖。

规则基线始终可用；模型步骤失败或超额时回退规则。详见 docs/experiment-design.md。

实验一览

实验	问题	数据	判定器	结果
E0	Jev 的真实接口与文档一致吗？单一相关性问题会怎样？	一个样例（5 题）	jev	docs/e0-api-contract.md
r1	S4 过滤、逐条约束、导航页、S6 评分、profile 分类，谁更好？	v1（60 任务，1368 候选，237 金标块）	rule / laya / jev	results/r1-20261001/
M2b	完整证据包管线（S3–S8）比“前 8 条 + 全文”好多少？	v1	rule（+ jev 评分对照）	pack-m2b、pack-m2b-v2
M2c	摘录质量（IDF 预排序、取窗）	v1	rule / jev	pack-m2c
M3a	跨语言对齐；混合评分（只把部分对交给 Jev）	v1	rule / hybrid / jev	pack-m3a
M3b	通用标识符造成的假覆盖	v1	rule / hybrid / jev	pack-m3b
gatefix	S4 门限的跨语言修复	v1、v2	rule / hybrid / jev	v1、v2
v2 留出	冻结参数后在没见过的 40 个任务上还成立吗？	v2（40 任务，865 候选，271 金标块）	rule / hybrid / jev	pack-v2-heldout
M9	覆盖判定能不能减少“假覆盖”？	v1 + v2	jev（cover.sufficient.v1）	pack-m9-v1、pack-m9-v2
0.2.0	发布后复算；独立验收与摘录修复	v1 + v2	rule（+ 历史 Jev 缓存）	pack-020-*、independent-*、fixed-*
Laya	本地模型能替代 Jev 吗？	E0 样例 + r1	laya	docs/laya.md

每个运行目录的说明在 results/INDEX.md；全部结果表见 docs/results.md；时间线见 docs/timeline.md。

主要结论

以下全部基于未经人工复核的 LLM 初稿标注、小样本、单次采集、一个 Jev 版本；数字只用来排定开发顺序。

1. r1：S4 这一步规则已接近 Jev。 relevance 题 AUC rule 0.909 / Jev 0.915 / Laya 0.555；在 calibration 上取“召回 ≥ 0.95”的阈值，test 上规则丢弃 45–51%、Jev 丢弃 50–51%，含金标准证据的候选保留 92.5–95%（n = 40，一个候选 = 2.5 个点）。Jev 的优势是校准（ECE 0.05 对规则 0.22）。逐条约束规则 AUC 0.919 / Jev 0.908；导航页都偏弱（0.73 / 0.62）。
2. 把“相关性”和“约束满足”拆开问更稳。 E0 样例里，满足需求的替代方案（PRAGMA busy_timeout）被混合问题压到 0.033；r1 里 mixed 语言任务上，拆开问的正例召回 93.9%，混问 75.8%（总体 94.2% 对 90.8%）。但 zh 上混问略好，所以是“更稳”，不是“总是更好”。
3. Jev 的价值主要在 S6 证据块评分：nDCG@5 0.565 对规则 0.378、Laya 0.310；中文 0.689 对 0.462。
4. 混合策略（hybrid）把请求花在边界上。 只把“需求语言 ≠ 块语言”的对交给 Jev 不值得；再加上规则评分为 1 的边界对，用约一半的 Jev 请求量，需求命中追平或超过全量 Jev（v2 留出：83.0% 对 78.7%，规则 79.8%）；全量 Jev 的声称覆盖正确率最高（v2：76.5–78.7%）。
5. v2 留出集没有看到明显过拟合：规则默认需求命中 74.3% / 声称覆盖正确率 71.8%，v1 为 76.8% / 67.6%；证据包约为“前 8 条 + 全文”基线的 1/10 token，而同样大小的简单截断只有 16.8% 的需求命中。
6. 覆盖判定（M9）：有真实但有限的增益。 v2 声称覆盖正确率 72.9% → 75.8%，但区分力中等（AUC 约 0.70–0.82），在“误降级 ≤5%”下阈值只有 0.05，只挡下 17–21% 的错误声称；默认保持关闭。
7. 跨语言与假覆盖的教训。 中文需求对英文证据，词法规则会把直接答案评成 1 分；一个在每个样例块里都出现的标识符（DatabaseSync）曾让 9 个无关块评 2 分并把需求显示为“已覆盖”；一个大块支持两个需求时，摘录丢了第二个需求的支持句却仍标已覆盖（独立验收发现，现有按块 ID 的指标看不出来）。见 docs/lessons.md。
8. Laya（本地，multilingual，zero-shot）接近随机：S4 AUC 0.51–0.62，导航题反向（0.353），S6 nDCG@5 0.310；需要在自己的标注上校准，r1 之后暂停。见 docs/laya.md。

成本与延迟

r1（60 个任务，所有 S4 四套题 + S6 + S1，来自 report.md，可用 npm run verify 复核）：

判定器	请求数	输入 token	平均批量	延迟 p50 / p95
Jev（托管）	486	4,558,926	19.4	632 / 2,288 ms
Laya（本地 MPS）	484	1,771,962	19.5	564 / 1,127 ms

• Jev 的 token 按阶段差别很大：S4（标题 + 摘要）约 253 token / 问题，S6（文本块）约 1,774 token / 问题；共享 state 在每个问题里重复计费，score 问题按等级展开计费。
• 422 token_budget_exceeded：4 个请求（2 个 profile 分类批、2 个 S6 批）被拒绝，服务返回的 counted_tokens 略高于 32,768，共 84 个失败行；服务不截断。官方文档写的是“每个问题连同共享 state”的上限，而这些请求里单个问题远小于此，看起来实际按整个请求的展开量计——这是我们的推断，未向博查确认（见 docs/e0-api-contract.md）。集成时发送前必须按预算切批、裁剪 state 与块长度。
• 实际建议：S6 用 Jev 时只评每个需求的前 12 个块；混合策略的冷缓存请求约为全量 Jev 的一半（v2：74 对 148）。
• M9 覆盖判定：Jev 共 155 次请求、约 34 万输入 token，平均每任务约一次请求。
• DeepSeek 标注：v1 654,064 输入 / 657,189 输出 token，v2 466,581 / 408,143 token（data/labels.*/ledger.summary.json）。不发布任何金额或账户余额。

如何复核数字

零依赖，Node ≥ 18：

npm run verify    # node scripts/verify-metrics.mjs
npm run check     # node scripts/check-publication.mjs（发布前检查：无路径、密钥、账户数据、页面正文）

verify 用 results/r1-20261001/results.jsonl.gz（逐条判定输出）和 data/labels.v1/（标注）重新计算 r1 的：gate 的 AUC（relevance / single 两套题，rule / laya / jev）、在 calibration 上取“召回 ≥ 0.95”的阈值、test 上的召回与丢弃比例与含金标准块候选的召回、S6 的 Spearman 与 nDCG@5，以及请求数、token、批量、延迟 p50/p95，并与 report.json 逐项比较，超出容差（默认 1e-6）退出码非 0。当前 84 / 84 项一致。

能复核什么，不能复核什么：r1 的全部数字可以复核。pack-* 系列的数字依赖页面文本块（评分、选择、金标匹配），而本仓库不含页面正文，所以只能阅读报告，不能重算；块哈希（data/candidates.* 里的 hash）让你在自己重新采集后检查页面是否漂移。

如何重跑

完整的 bench（采集、标注、判定器、报告）是公开的，在插件仓库 tag v0.2.0 的 bench/：https://github.com/anweat/dsh-web-search-pro/tree/v0.2.0/bench（它的 README 有全部参数说明）。

git clone https://github.com/anweat/dsh-web-search-pro && cd dsh-web-search-pro
git checkout v0.2.0 && pnpm install          # Node 24
# 1. 采集（免费引擎，礼貌限速；搜索结果不可复现，结果会与本仓库的快照不同）
node --experimental-transform-types bench/src/harvest.ts --task-set v1 --fetch-top 4
node --experimental-transform-types bench/src/harvest.ts --task-set v2 --fetch-top 4
# 2. 标注初稿（付费，需要你自己的 DeepSeek key；设花费上限与余额下限守卫）
DEEPSEEK_API_KEY=... node --experimental-transform-types bench/src/label-llm.ts --task-set v1 --effort low --max-spend-cny <N> --min-balance-cny <M>
# 3. 判定器对照 r1（需要你自己的 Jev key；laya 需先启动本地 sidecar，见 docs/laya.md）
BOCHA_JEV_API_KEY=... node --experimental-transform-types bench/src/run-judges.ts --judges rule,laya,jev --split all --max-jev-requests 600 --run-id my-r1
node --experimental-transform-types bench/src/report.ts --run my-r1
# 4. 证据包离线评测（只读缓存；缺口才发请求，--allow-jev N 设上限）
BOCHA_JEV_API_KEY=... node --experimental-transform-types bench/src/eval-pack.ts --run-id my-pack --allow-jev 40

要点：

• 你需要自己的 Jev key，从环境变量 BOCHA_JEV_API_KEY 读取，只进 Authorization 头，不会被打印或缓存。脚本有硬性的请求次数上限和按条目缓存（重跑不重复计费）。
• 当前的 pnpm 12 会把 pnpm run ... -- --flags 里多余的 -- 传给脚本，出现 unknown argument: --；直接用上面的 node --experimental-transform-types ... 命令。
• 本仓库的题目模板在 rubrics/，任务集在 tasks/，与 tag v0.2.0 的 bench/ 里的文件一致；只想验证接口契约可以跑 BOCHA_JEV_API_KEY=... node scripts/e0-probe.mjs（约 2.5k 输入 token；--dry-run 只打印请求）。
• 想在自己的数据上复现，请重新采集并标注；本仓库的缓存（results/judge-outputs/）只含输出，不含输入，不能直接重放（见 docs/results.md §8）。
• 把新数字与本仓库对照时请记住：搜索结果会变、Jev 托管模型可能已更新。

数据说明与限制

这是什么

• tasks/：两套任务集（v1 60 个用于调参，v2 40 个留出），JSONL。
• data/candidates.v1|v2/：元数据快照——搜索结果的 URL、标题、摘要（snippet）、引擎状态与耗时，以及每个被抓取页面的抓取时间、状态、正文长度和每个文本块的 blockId / start / end / hash / length。不含任何页面正文、块文本、块标题和页面标题（scripts/strip-snapshots.mjs，脚本在 npm run check 里也被检验：没有 text 字段、没有超过 600 字符的字符串）。
• data/labels.v1|v2/：标注（候选相关度 0–3、逐约束 yes/no/unknown、导航页标记、每个需求的金标准证据块）与标注者元数据；ledger.summary.json 只有请求数与 token 总数。note 字段是标注模型写的一句话说明，规则是“≤ 80 字符才保留，否则删除”，实际最长 47 字符，没有删除任何一条。
• results/：各次运行的报告；r1 的逐条结果压缩为 results.jsonl.gz；results/judge-outputs/ 是三个判定缓存的打包（输出，按哈希键）。
• 发布前处理（data/strip-summary.json）：v1 删除页面文本约 292 万字符、块文本约 287 万字符；v2 约 258 万 / 255 万字符；搜索结果标题 / 摘要里的 2 个电子邮件地址（均在 v2）被替换为 [email]。报告里没有页面摘录，没有删除任何报告章节。

限制（请务必读）

• 标注是 DeepSeek（deepseek-flash，effort low）的未复核初稿，指标反映的是“与这份初稿的一致性”，不是与真值的一致性。标注输入与判定器同源，词法规则可能被高估。
• 小样本：60 + 40 个任务；r1 test 划分里含金标准块的候选只有 40 个；很多差异在 1–2 个需求之内。
• 单次采集：v1 采集于 2026-10-01，v2 于 2026-10-02；搜索结果不可复现；采集用的是免费引擎的前 10 条，每任务最多抓 4 页，搜索召回（搜索引擎能不能找到答案页）不在评测范围内。
• 一个 Jev 模型版本：bocha-jev-v1（E0 时 API 报告的 checkpoint id 为 bocha-jev-v03）；托管模型以后可能更新。
• v1 的 test 划分在管线调参里也被用过，偏乐观；v2 只用于检验冻结参数。
• 独立评测，与博查无隶属关系；不是通用基准，不要外推到别的任务分布、语言、模型或提示词。
• -cached 报告里的 Jev 数字是历史缓存的重放，不是新鲜测量。
• 详见 DATA-NOTICE.md（第三方内容、下架请求）。

许可与致谢

• 代码、文档、标注、任务集：MIT（见 LICENSE，版权人 anweat）。搜索结果里的 URL、标题和摘要归其来源所有，仅为研究目的简短引用；如需下架请在 GitHub 提 issue（DATA-NOTICE.md）。
• 引用请见 CITATION.cff。
• 感谢博查提供公开的 Jev 接口资料；感谢 Laya 上游（Apache-2.0）。本仓库不分发 Laya 权重；sidecar 脚本只是我们当时用的本地包装。