1、挑战总结
如：会议总结等
（1）构造一个新的数据集
（2）需要设计一些新的评价标准以及指标
（3）需要一些新的模型架构设计
2、多语言、低资源场景
预训练模型的出现过拟合了英语
多语言预训练模型给多语言学习过程提供了新的机遇
任务：多语言跨语言翻译、摘要
评价：多语言的评价问题
模型：预训练模型的推广，fine-tune
3、非典型“文本生成任务”
蛋白质生成（生命语言模型）：借鉴nlp生成思想
非文本生成任务，看成文本生成任务
4、基于seq2seq（如BART，T5）的预训练语言模型成为生成任务的标配
5、非端到端系统（多步生成）表现出更好
6、通过显示引入提示信息，实现更加可控的文本生成
7、最大似然Loss和对比学习Loss联合但不同阶段使用
对生成文本进行多角度评估：鲁棒性、事实准确性、公平性（文本偏见）
9、系统的全面可靠性评估
对生成文本进行多角度评估
设计指标“通才”
10、评价的平台化、一体化、可理解化
核心思想：nlp任务评价统一化、平台化、可理解化
ExplainBoard：
