法律条文即使被改写得法效完全相反，主流评测指标也往往视而不见。研究者构建了包含 373 处魁北克成文法语微调样本的评测集 LexFlip，在保留 93% 词元的同时逆转法律效力；测试显示 BERTScore 等指标仅产生约 3% 的分值波动，反而是一项纯长度特征在人类判断基准上的表现超过了所有语义指标。
最近 24 小时暂无可用热度快照。