该文综述自然语言处理模型评估度量研究，指出现有指标评估不足、解释性差，影响透明性与可重复性；提出广义公平度量、Markedness等无偏替代指标及推广度量；构建解释能力基准和开放式信息抽取真实评估基准，发现大模型性能最高下降23.43 F1。