1.引言经过前文对数据的校正与增强后，我们的预期生成结果中不再仅仅是分类标签，还多了欺诈者和分类原因。这样之前模型评测和批量评测两篇文章所封装的evaluate.py脚本就不再满足，需要对脚本进行改造，以支持新输出内容的评测。新的预期结果中共包含三个信息，由于三个信息的特

在开发了基于文档的问答系统之后，需要评估系统对问题回答的准确性，将系统的回答与正确答案进行比对并给出评分。我们实践了以下三类方法，最终对比发现，在评估系统回答的准确性时，用大模型来评估最有效。本文旨在给出大模型的prompt供参考，可以根据自己的需求调整。另两类方法仅作简

测试脚本PRE_SEQ_LEN=64CHECKPOINT=dsbtpg-chatglm-6b-pt-64-2e-2STEP=500CUDA_VISIBLE_DEVICES=0python3main.py\--do_predict\--validation_filedevVX.json\--test_filedevVX.json\--overwrite_cache\--prompt_columncontent\