模型测试 20 题过了 18 题，怎样给通过率补上样本不确定性

18/20只能先写成观察通过率90%，并同时附样本数与区间。满足独立、相同成功概率的二值试验假设时，95% Wilson区间约为69.90%到97.21%；180/200也是90%，区间却收窄到约85.06%到93.43%。

先确认统计单位是什么

本文使用合成独立二值试验演示区间计算，每次结果只有通过或未通过。同一道题反复重试通常共享题目难度与上下文，不能直接当成多道独立题；来自同一任务模板的样本也可能聚簇。真实复杂题库还涉及抽样代表性与难度分布，Wilson公式不能把随意挑出的20题变成模型总体能力证明。报告应先说明测试集合及一条结果的含义，再展示百分数。

把中心与半宽保存下来

脚本使用双侧95%对应的标准正态分位数，先计算点估计p，再按Wilson公式修正区间中心和半宽。输出CSV同时保留k、n、p、center、half、low和high，便于独立复算，不只给一张“表现优秀”的结论图。18/20与180/200的区间中心并不完全相同，也不应先把中间值四舍五入再继续计算。两组只是样本量对照，不是两款真实模型的测评。

零通过与全通过仍要有区间

0/20的下限为零，上限约16.11%；20/20的上限为一，下限约83.89%。因此零错误不等于错误概率严格为零，二十次全对也不能写成“以后必然全对”。附件把这两种边界一起输出，让读者观察小样本的有限信息。区间的频率学解释关乎重复抽样程序的覆盖率，不是宣称本次参数有95%的主观概率落在某处。

不能计算时明确留白

0/0没有观察比例，失败命令会停止；成功数超过总数同样不接受。实际评测若包含部分通过、打分制或不同权重，应先定义合适的统计模型，不能把分数简单阈值化后忘记原始含义。开发集与测试集混用、反复挑选最好一轮，也会破坏报告解释。使用附件可复核公式与边界，但不能替代任务抽样方案；有关人工标注分歧也应另列，不要统统吞入一个看似精确的通过率。

评测摘要建议同时写出通过数、总数、观察比例、区间方法和适用假设。若同一批题有多个子类别，可先分别展示计数，再决定是否需要合并；不能为了让区间变窄，把高度相似的重试结果简单追加到原题库总数里。

下载与复现

下载完整样例包，解压到一个新文件夹；也可查看全部文件清单和主脚本。使用Python 3.10或更新版本，在解压目录运行。此脚本只使用标准库，无需安装额外包。

python -B run.py
python -B run.py --negative

先查看主要结果，再修改输入重跑；已有输入会保留，结果写回同目录。边界命令可能故意非零退出，也可能输出明确的不适用状态，按正文说明判断，不把所有非零退出都当成安装故障。

依据与延伸阅读

资料核对日期为2026年10月24日。一手资料1：比例区间接口支持Wilson方法；区间推断依赖统计假设。

相关参考2：评测应按任务定义标准并处理评委偏差；不提供本例合成试验的总体能力保证。

继续阅读：怎么评估一个 Agent 好不好用：六个维度和一张可执行的评测表；两位审校员给模型结果打分不一致，怎样算一致率并找出争议样本；让分类模型低把握时交给人工，怎样选择覆盖率与错误率的折中点。