[手扎] 模型评测/自动化测试UI & API : lay

做 Agent 评测，最卡人的从来不是让它跑起来，而是跑完之后谁来判。规则匹配太死板，大模型当评委又贵又慢，中间其实缺个本地离线的小裁判。

我实测了 laya，一个 322M 的本地判定器。它跑在本地，不用联网按 token 花钱，装好就能用。底层是个带分类头的网络，能直接吐出概率，还能导出纯 embedding 做对比。

拿客服场景一测，它判断“是否承诺退款”特别准，但意图识别容易混，细粒度打分信心也不够。跟纯相似度比，它的分类头准确率更高，但也不是稳赢。

把它接进自动化测试，最适合叠三层：关键词快检挡明显情况，laya 补上语义变体，置信度不够就人工兜底。它虽然能力还浅，但只要置信度诚实，就能在大模型旁边干点稳定、高频的脏活。