如果报告的指标意味着要透露它是基于多少个样本计算的?

一个关于报告的度量值平均值的语义问题，是在审计 eval 框架的度量值合约时发现的。 观察

使用 raise_exceptions=False（默认值），失败的度量值调用返回 np.nan（src/ragas/executor.py ~L84: return counter, np.nan），而聚合结果是对每个样本值的 safe_nanmean（src/ragas/dataset_schema.py ~L445）。EvaluationResult.__repr__ 以 4 位小数的精度打印平均值 - 但我没有在默认输出中看到成功计数或失败计数。 问题

如果有 100 个样本被评估，并且 90 个度量值调用在 API 错误中失败，则 print(result) 仍然显示了一个非常合理的忠诚度分数 - 10 个幸存样本的平均值。是否这是预期的合约（“在可用样本上的平均值”），如果是，那么是否有必要将 n_success / n_total (在 repr 中，一个警告阈值，或一个结果字段) 进行暴露？我关心的场景是：比较两个提示版本，其中失败集不同（速率限制，超时）。今天的输出无法区分“模型变得更好”和“不同的子集幸存下来”。一个分母字段将使版本比较具有可解释性，而无需重新运行 raise_exceptions=True。