AttributionBench

研究发现LLM归因指标缺乏跨数据集的可迁移性

一篇新的研究论文调查了用于评估检索增强生成（RAG）系统归因的自动指标的可靠性。研究发现，包括词汇、嵌入和BERTScore基线在内的常用归因指标在不同数据集和评估构造上表现不一致。指标排名可能显著反转，导致具体的决策成本，即基于平均性能选择指标可能比固定一个评分器更差。虽然LLM裁判提供了替代方案，但它们成本更高且不确定，将验证负担转移了，而不是消除了它。