Machine Translation Evaluation on WMT 2019 (test) benchmark leaderboard · SOTA2 Research

Machine Translation Evaluation on WMT 2019 (test)

0.327de-enDIFFSCORE-FT

Evaluation Results

Method	Links
DIFFSCORE-FT2026.05		0.327	0.335	0.357	0.326	0.411	0.279	0.458	0.356
BARTScore2026.05		0.318	0.34	0.327	0.307	0.402	0.273	0.428	0.342
BERTScore2026.05		0.315	0.333	0.283	0.345	0.446	0.232	0.445	0.343
GPTScore2026.05		0.307	0.289	0.309	0.222	0.36	0.274	0.423	0.312
DIFFSCORE2026.05		0.288	0.343	0.35	0.303	0.394	0.267	0.472	0.345
MoverScore2026.05		0.25	0.321	0.301	0.345	0.378	0.223	0.403	0.317
BARTSCORE-PROMPT2021.06		0.238	0.374	0.318	0.376	0.386	0.219	0.447	0.337
COMET2021.06		0.219	0.369	0.316	0.378	0.405	0.226	0.462	0.339
BARTSCORE-CNN-PARA2021.06		0.205	0.37	0.316	0.378	0.386	0.219	0.442	0.331
PRISM2021.06		0.199	0.366	0.32	0.362	0.382	0.22	0.434	0.326
BERTScore2021.06		0.19	0.354	0.292	0.351	0.381	0.221	0.43	0.317
BARTSCORE-CNN2021.06		0.19	0.365	0.3	0.348	0.384	0.208	0.425	0.317
G-Eval2026.05		0.18	0.12	0.32	0.44	0.24	0.52	0.32	0.306
BLEURT2021.06		0.174	0.374	0.313	0.372	0.388	0.22	0.436	0.325
BARTSCORE2021.06		0.156	0.335	0.273	0.324	0.322	0.167	0.389	0.281
UniEval2026.05		0.156	0.213	0.26	0.206	0.316	0.244	0.385	0.254
QuestEval2026.05		0.151	0.297	0.234	0.222	0.304	0.145	0.298	0.236
METEOR2026.05		0.138	0.293	0.205	0.254	0.309	0.104	0.317	0.231
AlignScore2026.05		0.128	0.153	0.165	0.277	0.288	0.228	0.111	0.193
CHRF2021.06		0.123	0.292	0.24	0.323	0.304	0.177	0.371	0.261
BLEU2026.05		0.112	0.244	0.185	0.237	0.311	0.128	0.317	0.219
ROUGE-22026.05		0.102	0.187	0.091	0.2	0.215	0.048	0.295	0.163
ROUGE-12026.05		0.101	0.217	0.183	0.286	0.233	0.082	0.314	0.202
BLEU2021.06		0.054	0.236	0.194	0.276	0.249	0.115	0.321	0.206
ROUGE-L2026.05		0.005	0.235	0.179	0.284	0.251	0.096	0.321	0.196