公司业务中有需要调用 AI 生成结果的环节，直接通过 AI 提示词总是不准确，现在领导让研发人员训练了小模型，训练数据大概 1000 多条，但是由于训练数据是由 AI 根据规则生成然后由产品人工核对确认的，但我看了下可能也有少部分结果有误未被发现的数据，可能也存在未覆盖到别的情况。目前研发已经训练完成小模型并应用于测试环境业务业务流程中，我要如何测试模型输出结果的准确程度呢？