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)
移除记忆画像后，精确匹配下降24.7个点，重标定后的BERTScore从0.57掉到0.35。
与通用摘要基准（如ROUGE、BERTScore）不同，基于参考文献的评估指标关注信息是否被正确归因，而非词汇重叠程度
BERTScore使用预训练语言模型的上下文嵌入，计算参考句与预测句词语间的余弦相似度，汇总为precision、recall、F1。
BERTScore对事实性错误可能给出高分，因此必须与事实性评审器搭配使用。
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
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
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
NepKANUN 评估采用 BERTScore 作为衡量指标，并按问题难度分级测试
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
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
全部知识事实 (10)
移除记忆画像后，精确匹配下降24.7个点，重标定后的BERTScore从0.57掉到0.35。
50%待验证与通用摘要基准（如ROUGE、BERTScore）不同，基于参考文献的评估指标关注信息是否被正确归因，而非词汇重叠程度
50%待验证BERTScore使用预训练语言模型的上下文嵌入，计算参考句与预测句词语间的余弦相似度，汇总为precision、recall、F1。
50%待验证BERTScore对事实性错误可能给出高分，因此必须与事实性评审器搭配使用。
50%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%