From f5204277aa70e1d062e628c3372754ff25194f31 Mon Sep 17 00:00:00 2001
From: ThearchyHelios <work@thearchyhelios.com>
Date: Sat, 17 Oct 2026 11:31:05 +0800
Subject: [PATCH] =?UTF-8?q?=E8=AF=84=E6=B5=8B=E5=88=A4=E9=94=99=E6=97=B6?=
 =?UTF-8?q?=E3=80=8C=E7=AD=94=E6=A1=88=E9=87=8C=E7=9A=84=E6=95=B0=E3=80=8D?=
 =?UTF-8?q?=E7=BB=99=E9=85=8D=E5=AF=B9=E4=B8=8A=E7=9A=84=E9=82=A3=E4=B8=80?=
 =?UTF-8?q?=E6=A0=BC=EF=BC=8C=E9=85=8D=E4=B8=8D=E4=B8=8A=E7=85=A7=E5=AE=9E?=
 =?UTF-8?q?=E5=86=99=E9=85=8D=E4=B8=8D=E4=B8=8A?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

真实模型验收里，退款金额那道题判错后「答案里的数」显示成了答案里的订单数 36，还出现过显示一格问题原文的：
_score_scalar 判错时取答案引用的第一个值，不看是哪一列，也不看是不是数。现在只在数值格里找和这一项配对上的那一格——
列名（或口径卡的指标）是期望取的那一列、那个指标，或者和期望的说明同名；名字配不上时，期望写了维度、维度对得上的数
恰好只有一个也算配上。配不上就不给「答案里的数」，原因里写「答案引用的数按列名、维度都配不上这一项（引用了 单数 36）」；
答案里只有文字格、没有数的写「答案里没有对得上的数」。

算第 2 版评分规则的一部分（SCORER_VERSION 已在上一个提交升到 2）。

测试：test_eval_score.py::test_a_wrong_answer_shows_the_paired_cell（按列名、按说明、按维度配上；只有订单数、同一行
几个数都配不上、只有文字格；去掉修复回跑失败）。
---
 backend/app/eval/score.py        | 50 +++++++++++++++++++++++++++++---
 backend/tests/test_eval_score.py | 32 ++++++++++++++++++++
 2 files changed, 78 insertions(+), 4 deletions(-)

diff --git a/backend/app/eval/score.py b/backend/app/eval/score.py
index 76e78307..dd0a1f65 100644
--- a/backend/app/eval/score.py
+++ b/backend/app/eval/score.py
@@ -17,7 +17,8 @@ wrong 错、scale 量纲不同（差 10 的整数次幂，比如元和万元、
 - scalar：数值按「允许的相对误差」比（engine/tolerance.agree，和双盲复算同一个函数）；期望没写容差时，引用的原值按
   DEFAULT_TOLERANCE，裸写的数按它写出的精度（3.5 万 ±500）。维度配对：期望写了 where（或期望那一行本身有维度）时，答案
   那一格所在行的非数值列要有这个取值；答案那一格没有维度（按条件筛过、只剩一个数）不算对不上。期望值是 0–10 的小整数
-  又没有维度可配时标「弱匹配」（巧合的数：3 家门店正好等于期望的 3）。
+  又没有维度可配时标「弱匹配」（巧合的数：3 家门店正好等于期望的 3）。答错时「答案里的数」给和这一项配对上的那一格（列名、
+  指标、说明同名，或者维度对得上的只有一个数），配不上就不给、原因里照实写配不上，列出答案引用了哪几个数。
 - table：逐行按 keys 的取值配对，每个要比的值同 scalar；ordered 时按答案里各行键值出现的先后核对顺序。
 - set：名单里每一项都要在答案里出现（ordered 时按顺序）；每一项都出现在答案查过的结果里算可追溯。
 - none：期望答「没有数据」：答案里没有数，而且查过的查询里有返回 0 行的（可追溯）；没有数、但也没有一条查询返回 0 行的
@@ -67,6 +68,8 @@ DEFAULT_TOLERANCE = 1e-6
 SCALE_FACTORS = (10.0, 100.0, 1000.0, 1e4, 1e5, 1e6, 1e8)
 #: 弱匹配：期望是这么小的整数、又没有维度可配
 WEAK_MAX = 10
+#: 判错、又配不上时原因里列出答案引用的前几个数
+PAIR_SHOWN = 3
 
 #: 路径不对时给人看的原因
 WRONG_PATH = {
@@ -319,9 +322,48 @@ def _score_scalar(exp: Mapping[str, Any], gold: Mapping[str, Any], answer: Answe
     for token in answer.bare:
         if _scaled(expected, float(token["value"])):
             return {**out, "outcome": "scale", "got": token["value"], "raw": token["raw"]}
-    got = next((v.get("value") for v in clean), None)
-    return {**out, "outcome": "wrong", **({"got": got} if got is not None else {}),
-            "reason": "答案里没有对得上的数" if not answer.values and not answer.bare else "答案里的数和期望对不上"}
+    numeric = [v for v in clean if is_finite_number(v.get("value"))]
+    if not numeric and not answer.bare:
+        return {**out, "outcome": "wrong", "reason": "答案里没有对得上的数"}
+    paired = _paired(numeric, exp, gold, key)
+    if paired is not None:
+        return {**out, "outcome": "wrong", "got": paired.get("value"), "cell": _cell_ref(paired),
+                "reason": "答案里的数和期望对不上"}
+    if numeric:
+        shown = "、".join(f"{_value_name(v)} {_plain(v.get('value'))}" for v in numeric[:PAIR_SHOWN])
+        more = f" 等 {len(numeric)} 个" if len(numeric) > PAIR_SHOWN else ""
+        return {**out, "outcome": "wrong",
+                "reason": f"答案里的数和期望对不上：答案引用的数按列名、维度都配不上这一项（引用了 {shown}{more}）"}
+    return {**out, "outcome": "wrong", "reason": "答案里的数和期望对不上"}
+
+
+def _norm(name: Any) -> str:
+    return str(name).strip().strip('"`[]').lower() if name is not None else ""
+
+
+def _paired(numeric: Sequence[Mapping[str, Any]], exp: Mapping[str, Any], gold: Mapping[str, Any],
+            key: Mapping[str, Any]) -> Mapping[str, Any] | None:
+    """答错时答案里和这一项配对上的那一格（「答案里的数」给它）：按名字配——列名（或口径卡的指标）是期望取的那一列、
+    那个指标，或者和期望的说明（label）同名；名字配不上时按维度配——期望写了维度、答案里维度对得上的数恰好只有一个。
+    都配不上为 None：以前取答案引用的第一个值，退款金额那一项显示成了答案里的订单数，甚至显示成一格文字。"""
+    names = {_norm(n) for n in (exp.get("column"), gold.get("column"), exp.get("metric"), gold.get("metric"),
+                                gold.get("name"), exp.get("label")) if n not in (None, "")}
+    named = [v for v in numeric if _norm(v.get("column")) in names or _norm(v.get("metric")) in names]
+    if named:
+        return named[0]
+    if key:
+        on_dims = [v for v in numeric if v.get("dims") and _dims_ok(key, v["dims"])]
+        if len(on_dims) == 1:
+            return on_dims[0]
+    return None
+
+
+def _value_name(value: Mapping[str, Any]) -> str:
+    return str(value.get("column") or value.get("metric") or value.get("alias") or "（没有列名）")
+
+
+def _plain(value: Any) -> str:
+    return str(int(value)) if is_finite_number(value) and float(value).is_integer() else str(value)
 
 
 def _cell_ref(value: Mapping[str, Any]) -> dict[str, Any]:
diff --git a/backend/tests/test_eval_score.py b/backend/tests/test_eval_score.py
index a4946a2d..a97395f2 100644
--- a/backend/tests/test_eval_score.py
+++ b/backend/tests/test_eval_score.py
@@ -116,6 +116,38 @@ def test_tables_sets_none_and_ask():
     assert score_case(ask, {"status": "ok"}, Answer(run_id="r"), path="ran").verdict == "fail"
 
 
+def test_a_wrong_answer_shows_the_paired_cell():
+    """判错时「答案里的数」给评分时配对上的那一格（按列名、指标、维度配），不是答案引用的第一个值；配不上照实写配不上。"""
+    case = _case({**EXP, "column": "refund", "label": "退款金额"})
+    gold = _gold({"e1": _scalar(1234.5, column="refund")})
+
+    def cell(value, column, **dims):
+        return {"value": value, "kind": "cell", "artifact": "a1", "row": 0, "column": column, "dims": dims}
+
+    question = cell("上周退款金额是多少", "问题")
+    both = score_case(case, gold, Answer(run_id="r", values=[question, cell(36, "单数"), cell(1200.0, "refund")]),
+                      path="ran")
+    assert both.verdict == "fail" and both.scores[0]["got"] == 1200.0, both.scores
+    assert both.scores[0]["cell"]["column"] == "refund"
+    labelled = score_case(case, gold, Answer(run_id="r", values=[cell(36, "单数"), cell(1200.0, "退款金额")]), path="ran")
+    assert labelled.scores[0]["got"] == 1200.0, "期望的说明（label）和答案的列名一样也算配上"
+    lone = score_case(case, gold, Answer(run_id="r", values=[question, cell(36, "单数")]), path="ran")
+    [s] = lone.scores
+    assert s["outcome"] == "wrong" and "got" not in s, "单数不是退款金额：配不上就不给「答案里的数」"
+    assert "配不上" in s["reason"] and "单数 36" in s["reason"] and "上周退款" not in s["reason"], s["reason"]
+    # 按维度配：华东那一行只有一个数时就是它；同一行有几个数、列名又都配不上时不猜
+    by_dims = _case({**EXP, "column": "refund", "where": {"region": "华东"}})
+    gold = _gold({"e1": _scalar(1234.5, column="refund", where={"region": "华东"}, dims={"region": "华东"})})
+    one = score_case(by_dims, gold, Answer(run_id="r", values=[cell(1200.0, "total", region="华东")]), path="ran")
+    assert one.scores[0]["got"] == 1200.0, one.scores
+    two = score_case(by_dims, gold, Answer(run_id="r", values=[cell(36, "单数", region="华东"),
+                                                               cell(1200.0, "total", region="华东")]), path="ran")
+    assert "got" not in two.scores[0] and "配不上" in two.scores[0]["reason"], two.scores
+    text_only = score_case(case, _gold({"e1": _scalar(1234.5, column="refund")}), Answer(run_id="r", values=[question]),
+                           path="ran")
+    assert "got" not in text_only.scores[0] and text_only.scores[0]["reason"] == "答案里没有对得上的数"
+
+
 def test_none_counts_only_numbers_as_giving_data():
     """期望「没有数据」：只有引用了数值格、或叙述里写了数，才算答案给了数。引用的是文字格（地区名）、空值格（NULL）的，
     答案明说没有数据就按没有数据判对。"""