在AI模型開發的過程中，我們不只要讓模型會說話，更要知道它說得好不好。
這就牽涉到模型的Evaluation（評估）。
而評估的核心，就是透過一系列標準化測試來驗證模型的品質，也就是所謂的Benchmark。

Benchmark是什麼？
Benchmark字面意思就是拿來比較的標準。
在AI領域，它指的是一組固定的測驗題與標準答案，用來測試模型在特定任務上的表現。

例如：
想知道模型是否懂常識 → 可以用HellaSwag測試。
想測它的邏輯推理能力 → 用MMLU。
想評估醫療領域的知識 → 可用PubMedQA或MedMCQA。

當我們想評估AI模型生成的回答是否正確，就能藉由Benchmark來驗證它的準確度與一致性。

要讓Benchmark能夠量化結果，就需要設定評分標準，
這些衡量模型輸出好壞的指標叫做Evaluation Metrics。
而模型應該產生的正確答案，我們稱為Ground Truth（標準答案）。

常見的Evaluation Metrics有：

1. Exact Match：模型回答必須與標準答案完全一致，通常用於客觀明確的題目。
2. Similarity（語義相似度）：衡量模型輸出與標準答案的相似程度。（ex.BLEU翻譯、ROUGE摘要）
3. Contextual Embedding（語境嵌入評分）：利用模型本身的語意理解能力（ex.BERTScore），根據上下文語義比較回答與標準答案之間的距離，適合評估長文本或開放式問答。