英文：Statistical Significance 分类：eval
判断模型间性能差异是否由真实能力差异引起（而非随机波动）的统计检验方法，防止把噪声当进步。
方法：配对检验（相同样例对比：McNemar、配对 t）、Bootstrap 重采样（置信区间）、方差分析；要素：样本量（评测条数）、效应量、显著性水平（p<0.05）；报告：置信区间优于单纯 p 值。
用于模型版本对比（新模型是否真更好）、A/B 测试（线上效果）、学术论文（实验严谨性）与榜单差异判断；统计显著性让"进步"有据可依。