長篇問題回答是那些在排行榜上看起來令人印象深刻但在顯微鏡下令人不安的基準之一。這篇論文在 Jeff Dean 的 2021 Google 研究回顧中被提及，解剖 c-REALM 系統在 ELI5 風格的問題上，發現許多所謂的改進是評估、檢索雜訊和資料集重疊的人工製品，而不是真實推理的收益。

長篇評論解開具體障礙：獎勵流暢幻覺的自動指標、幾乎不影響生成答案的檢索元件，以及膨脹分數的訓練測試污染。對於構建對話代理或 RAG 驅動語音助手的語音 AI 團隊，使用者詢問凌亂、開放式問題，外帶直接重要，因為 TTS 語音閱讀似是而非但錯誤的長篇答案是獨特危險的。如果你正在對檢索增強 QA 進行基準測試，並想避免發布你稍後必須收回的數字，請在你的閱讀列表上給它一個位置。