随着大模型在长文本处理中的应用增多，传统的困惑度评估方法显现出局限性。研究表明，某些模型在困惑度上表现良好，但实际效果不佳。北京大学团队提出了新的评估指标长文本困惑度（LongPPL），更准确地反映模型在长文本处理中的能力，并提出长文本交叉熵（LongCE）以优化训练效果。