待验证50% 置信事实精确时间
评估使用BLEU衡量词汇保真度，使用多语言余弦相似度衡量语义保真度，并单独标记拒答情况。
1
来源数
50%
置信度
长期有效
时效性
2026/11/3
首次发现
来源
开源大模型背诵圣训全翻车：3万次回答无一对得上原文
rss2026/11/2
涉及实体
相关事实
已验证BLEU是1990年代提出的自然语言生成评估指标，通过计算生成文本与参考译文之间的n-gram重叠度来衡量质量，仍是机器翻译领域的标准基准74% 相似待验证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73% 相似已验证BLEU常用于机器翻译评估，ROUGE广泛应用于摘要任务，两者均通过统计n-gram重叠程度衡量文本质量73% 相似待验证采用简单的文本相似度阈值或差异检测容易将合理的措辞修改误判为违规70% 相似待验证BLEU的核心思路是计算机器译文与参考译文之间的n-gram重叠程度，其局限性包括对词序变化不敏感、无法捕捉语义等价的同义替换、依赖参考译文质量和数量69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1130499API
curl https://kongchang.com/api/v1/knowledge/claims/1130499MCP
get_claim(id=1130499)