本研究探讨大型语言模型在长篇故事创作中的评估挑战，提出WebNovelBench基准，利用4000多个中文网络小说数据集，从多个角度评估叙事质量，以区分人类作品与LLM生成内容。

大型语言模型在开放式主题的事实查询中常出现错误。研究提出了一种名为SAFE的方法，通过多步推理评估长篇回复的准确性。实验证明，SAFE在评估上超越人类标注者，且成本低。研究还探讨了长篇问答任务的评估挑战，并提出改进建议，以提高答案的相关性和可靠性。

该论文综述了大型语言模型在自然语言处理任务中的重要性和提示对模型性能的影响。讨论了多种提示设计方法以优化模型性能，并指出了评估提示性能所面临的挑战。强调了提示设计在充分利用大型语言模型潜力中的关键作用。