基准BERTScore-F1
BERTScore
基于BERT预训练模型的文本生成质量评估指标，通过计算候选文本与参考文本的上下文词向量相似度来衡量语义保真度
时间轴 (近 90 天)
9月28日
BERTScore 等基于预训练向量的指标尝试引入语义相似度，但仍停留在句子粒度，难以追踪答案中具体事实主张是否与上下文一致
待验证50%
9月16日
NepKANUN 评估采用 BERTScore 作为衡量指标，并按问题难度分级测试
待验证50%
9月16日
BERTScore 通过计算候选文本与参考文本在语义嵌入空间中的余弦相似度来衡量质量，区别于基于词汇重叠的BLEU、ROUGE等指标
待验证50%
9月16日
BERTScore 衡量的是表述相似度而非事实准确性，这是研究团队额外引入专家评审的原因
待验证50%
9月15日
输出保真度评估综合了BLEU、ROUGE-1/2/L、BERTScore-F1和SentenceBERT余弦相似度多个指标
待验证50%
8月29日
对于追求智能而非逐字照搬的转写系统，可能需要引入语义相似度（如 BERTScore）、可读性评分、信息完整度等更综合的评估维度
待验证50%
全部知识事实 (6)
待验证
BERTScore 等基于预训练向量的指标尝试引入语义相似度，但仍停留在句子粒度，难以追踪答案中具体事实主张是否与上下文一致
50%待验证NepKANUN 评估采用 BERTScore 作为衡量指标，并按问题难度分级测试
50%待验证BERTScore 通过计算候选文本与参考文本在语义嵌入空间中的余弦相似度来衡量质量，区别于基于词汇重叠的BLEU、ROUGE等指标
50%待验证BERTScore 衡量的是表述相似度而非事实准确性，这是研究团队额外引入专家评审的原因
50%待验证输出保真度评估综合了BLEU、ROUGE-1/2/L、BERTScore-F1和SentenceBERT余弦相似度多个指标
50%待验证对于追求智能而非逐字照搬的转写系统，可能需要引入语义相似度（如 BERTScore）、可读性评分、信息完整度等更综合的评估维度
50%