本文报告了一项实证研究，评估了多种检索增强生成（RAG）指标的相关性。该实验使用了一个由人类标注员基于业务数据创建的问题回答数据集。

  • 生成的回复和检索到的片段使用来自四个库的评估指标进行了评分：Ragas、DeepEval、RAGChecker 和 Opik。
  • 这些分数与两位人类评估者给出的评级以及标准指标（如 recall）进行了比较。
  • 本研究对自动化指标与人类评估之间的相关性进行了分析。
  • 作者强调了其方法的局限性，将其与现有文献进行比较，并提出了未来研究的途径。

这项工作是一篇最初在法语研讨会 EvalLLM（Brabant，2026）上发表的论文的英文翻译。