Dialogue Evaluation on Topical-Chat turn-level benchmark leaderboard · SOTA2 Research

Dialogue Evaluation on Topical-Chat turn-level

0.444Naturalness (Pearson r)UniEval (Dial)

Evaluation Results

Method	Links
UniEval (Dial)2023.07		0.444	0.514	0.595	0.613	0.557	0.605	0.536	0.575
DecompEval2023.07		0.41	0.435	0.434	0.435	0.453	0.467	0.646	0.659
USR2023.07		0.337	0.325	0.416	0.377	0.456	0.465	0.222	0.447
CTRLEval2023.07		0.303	0.254	0.337	0.313	0.422	0.412	0.242	0.251
BARTScore2023.07		0.287	0.266	0.251	0.225	0.411	0.406	0.226	0.205
BERTScore2023.07		0.226	0.209	0.214	0.233	0.317	0.335	0.291	0.317
METEOR2023.07		0.212	0.191	0.25	0.302	0.367	0.439	0.333	0.391
BLEU-42023.07		0.18	0.175	0.131	0.235	0.232	0.316	0.213	0.31
ROUGE-L2023.07		0.176	0.146	0.193	0.203	0.295	0.3	0.31	0.327
MoverScore2023.07		0.169	0.17	0.247	0.259	0.275	0.269	0.198	0.147
BLEU-12023.07		0.161	0.133	0.21	0.223	0.314	0.334	0.289	0.303