长文本问答系统评估方法与基准研究

本文深入探讨了长文本问答系统的评估方法和基准，包括关键评估指标、构建评估数据集的方法、以及通过人工标注和LLM评估器评估问答性能的方法。文章还回顾了多个基准，包括叙事故事、技术学术文本和非常长的多文档情境。