ProbabilityBench：用精确真值概率评测 16 个模型的不确定性校准

ProbabilityBench 提出可精确计算真实条件类别概率的评测基准，覆盖同行评审、隐蔽信息传递与信用风险三个模拟文本域。该基准显式定义完整数据生成过程，解析算出精确类别概率与 Bayes 误差，并以 KL 散度衡量模型输出概率；16 个模型的评测中，成本–质量 Pareto 前沿上多为 Jev、Perplexity Decider 等决策模型。