Я сам трассировки смотрю в langfuse, но вообще сейчас в процессе настройки LLM-as-a-Judge чтоб это за меня делала моделька

Можешь ли оценить, какой сейчас уровень некорректных ответов от модели? Какой считаешь допустимым для такого инструмента?