Anish0605/LLM-Experiment-Accuracy-Cost-Scalability：用 Streamlit 基准测试 LLM 辅助 ETL 的准确性、成本与可扩展性

该 GitHub 仓库提供一款 Streamlit 应用，在相同的受控记录上对比基于规则的 ETL 与 Groq 托管的 openai/gpt-oss-20b 模型辅助数据规范化，用于 ICITIIT 2027 受控 ETL 基准研究。实验使用 Kaggle 竞赛 "E-Commerce Returns: Who Will Send It Back?" 的 train.csv，以固定种子抽样并保留原始值作 ground truth，对比字段级准确率、整记录准确率、运行时长、吞吐、token 用量、API 错误和估算服务成本，可导出审计 JSON 与逐记录 CSV，应用可部署在 Streamlit Community Cloud。