评估指标

如 F1、CEM、EM 等方式
EM：完全匹配

F1: 将预测值和标准答案都看作词语（tokens）的集合，计算两个集合的交集。

CEM(Correctness Evaluation Metric): CEM 并不是一个像 F1 那样标准的单一公式，它通常指代一种基于语义或加权的综合评估框架，在生成式 AI（AIGC）场景下应用较多。

• 使用模型（如 BERT 或 LLM）计算预测向量与答案向量的余弦相似度。
• 对关键词赋予更高权重（核心词错了扣大分，语气词错了不扣分）。