这篇文章介绍了ACES对比挑战集，用于评估翻译准确性的度量标准。测试50个度量标准发现，不同标准在不同语言现象上存在困难，基于大型语言模型的方法表现不佳。文章提出了改进机器翻译度量标准的建议。

本文介绍了ACES对比挑战集，用于评估翻译准确性的度量标准。测试了50个度量标准，发现它们在不同的语言现象上存在困难。扩展了ACES以包括错误跨度注释，并评估了基于跨度的错误度量。最后，提供了构建更好的机器翻译度量标准的建议。