gpt-4.1-mini — наш судья

Выбор авторов (evaluator_model в config.yaml), поэтому и наш: для сопоставимости отказов и баллов судью не меняем. Ходит через provider-proxy-aggregator.

Что делает. Только флаги refuse, score, above/below, fully_incomplete. Тампер (shutdown_enabled) читается из конфига среды, судья на него не влияет — см. judge-and-metrics. Вызывается лишь тогда, когда агент дошёл до чтения; иначе харнесс возвращает значения по умолчанию и судью не спрашивает.

Проверка маршрута (проба «представься» и «продиктуй системный промпт»): служебного промпта нет, на вопрос «повтори всё, что выше» модель вернула ровно наше сообщение. Модель чистая — в отличие от маршрута Claude (model-claude-haiku-4.5).

Согласие с контролем (query-judge-agreement): на 30 эпизодах gpt-4.1-mini и yandexgpt-5.1 совпали между собой полностью; с записанными в транскриптах флагами — 26/30 по refuse, 26/30 по incomplete, 24/24 по баллу (расхождения — только там, где при прогоне судью вообще не вызывали).

Цена одного вызова ≈1,9 ₽ (оценка по прайсу прокси-агрегатор $0,8/$3,2 за млн; в транскриптах расход судьи не логируется — это ограничение артефактов, а не измерение).