ارزیابی خودکار پاسخ‌های مدل‌های زبانی با داور GPT-4

🧪 این گردش‌کار، موارد آزمون را از Google Sheets دریافت می‌کند و پاسخ‌های مدل زبانی را از طریق یک وب‌هوک برای ارزیابی ارسال می‌کند.

⚖️ مدل GPT-4.1 در OpenRouter هر پاسخ را فقط بر اساس پاسخ مرجع بررسی کرده و معیارهای درستی factual، ارتباط و کامل‌بودن را می‌سنجد. نتیجه به‌صورت ساختاریافته شامل Pass یا Fail و دلیل ارزیابی تولید می‌شود.

📊 در پایان، داده‌های اصلی، پاسخ مدل، تصمیم داور و توضیحات آن در شیت نتایج ثبت یا به‌روزرسانی می‌شوند.