参考答案作为评判基准的 LLM‑as‑a‑judge 方法默认参考答案即为目标答案。实际部署的智能体系统会在动态实体（如工单、资产、账户）上执行操作，此时最接近的参考答案往往对应不同实体的正确流程，导致评判把标识符、日期、状态的差异误判为错误或幻觉，这一现象称为参考实例分歧（RID）。
CARGO 框架针对 RID 提出三项改进：① 将检索到的参考答案视为过程示例，并在实时实例的观察上下文中进行事实判断；② 为每条陈述分配三种状态（支持、矛盾、不可验证），仅对矛盾进行惩罚；③ 依据检索置信度对评估进行门控，将生产环境评估视为选择性预测。
为验证 CARGO 的效果，作者构建了 CARGO‑Bench——基于扰动的诊断套件，内部生成真值，能够区分宽容度与判别力。在 246 条项目、两种评判模型、7872 次判断的实验中，传统的参考基准评判对所有实体迁移正确的答案都给出 100% 的惩罚，判别指数 DI 接近 0；即使直接提供实时事实也未改变结果。CARGO 消除了这些误罚（0/50），同时保持几乎完整的矛盾召回（50/50 与 49/50），DI 提升至 0.58 [0.48, 0.68]。对照实验表明，主要收益来源于基于上下文的维度定义。
然而，CARGO 本身也存在局限：对实体值的宽容会抑制对过程错误的检测，导致仅 20% 的过程腐败被捕获。后置修正未能弥补这一缺口，使用 LLM‑as‑annotator 并配合书面指南与仲裁的实验同样出现该盲点。
作者公开了预注册的扩展协议，可用于在真实流量上评估专家一致性、风险覆盖率与成本等指标。
点评