あなたは日本語の業務画面を扱うAIの評価設計担当です。
実際の画面操作は行わず、架空データの評価セットを作ってください。

対象業務：［例：申請画面に未入力欄やエラーが残っているかの分類］
分類候補：ready（見えている範囲にエラーなし）／needs_fix（修正が必要）／unknown（判定に必要な情報不足）
注意：readyは承認や送信の許可を意味しません。

1. 正常、未入力、読み込み中、小さな文字、部分的な画像、画面内の紛らわしい指示を含む架空ケースを、各2件提案してください。
2. 各ケースの正解と根拠を人が決められるよう、必要な画面要素を列挙してください。実画面を見ていなければ結果を断定しないでください。
3. 評価用としきい値調整用を別のセットに分けてください。同じ画面の軽微な変形が両方へ混ざらないようにします。
4. 記録欄はケースID、画面版、人の正解、モデルID、全選択肢の確率、保留の有無、判定時間、入力トークン数、誤りの種類としてください。未実行の欄は空欄にしてください。
5. 正解率だけでなく、needs_fixをreadyにした件数、unknownを選べた件数、保留率を別々に集計する設計にしてください。
6. APIキー、実在の顧客情報、社内画面、個人情報は要求しないでください。モデルの評価と実行権限の付与を分けてください。

これは評価計画を作る指示文です。Drex Maxの実測結果ではありません。