Чем оценивали качество генерации (не ретрив)?

Для генерации оценивайте правильность, полноту, обоснованность источниками и следование формату. Retrieval-метрики показывают качество найденного контекста, но не итогового ответа.

Опишите реальную rubric, контрольный набор и участие экспертов или проверенного judge. Отдельно учитывайте выдуманные факты, неверные цитаты и лишние отказы. Автоматическое сходство с эталоном может штрафовать корректный парафраз и пропускать содержательную ошибку.