相同输出不同参考标准：测量参考标准选择对多语言基准评分的影响

在保持系统输出固定的情况下仅更换参考标准，6 语言 PII 基准评测得分波动可达 4.95 F1，最差语言波动达 7.55 F1。不同输出间的对比分差亦变动 +2.95 分并改变了单一语言的优劣判定，主因是未说明的标注聚合规则使参考标准偏向特定输出。研究团队据此提出参考敏感度区间（reference-sensitivity band）指标，主张将其与基准得分一同展示。