如何用决策模型做评测：调阈值、比成本、做概率校准

Hamel Husain 用 100 条公寓租赁客服 trace 实测 Jev 1.13、Perplexity Decider 1.1 27B、Liquid d1/d1-ultra、Cloudflare Clef Flash 和 OpenAI Decisions（GPT-6 Luna）五类决策模型，指出直接用默认 0.50 阈值会漏掉大量失败。