本研究提出了多语言端到端元评估基准（MEMERAG），旨在解决现有评估主要集中于英语的问题，并强调文化差异的重要性。实验结果表明，该基准在多语言自动评估中具有应用潜力。

本研究提出了一种双视角NLG元评估框架，解决了传统方法中人类评级和相关性度量的模糊问题。通过对16种大型语言模型的实验，验证了该框架的有效性。

本研究提出了MixEval-X，通过多模态基准混合和适应-修正流程，解决评估标准不一致和偏见问题，确保评估结果能推广到现实应用中。元评估显示其与人群评估的相关性高达0.98。

本文介绍了RAGChecker，一种用于细粒度评估增强检索生成系统的框架。通过元评估，RAGChecker在相关性方面表现优于其他评估指标，为设计更有效的RAG系统提供指导。

本文提出了一种评估预训练语言模型中偏见的方法，并在多种语言的模型上进行了元评估，证明该方法更准确。同时，本文还构建了日语和中文的自然语言推理任务评估数据集，测量了预训练语言模型的偏见倾向。