能否用Sentence BERT评估机器翻译？文档级计算与适用性探讨

我们讨论的不是BERTScore（它采用token级词嵌入，通过词嵌入成对余弦相似度与贪心匹配计算得分），而是Sentence-BERT——它通过纯余弦相似度直接比较句子语义相似度，不涉及精确率、召回率或F1值。

核心问题 #

在文档级（多句子场景）下，是否仅需计算平均余弦相似度即可完成评估？或是Sentence-BERT本身并不适合作为BLEU的替代方案用于机器翻译评估？

单句层面表现 #

单句场景下，Sentence-BERT能有效捕捉语义相似度：对于语义相同但表述不同的句子，BLEU会因词汇匹配度不足扣分，而Sentence-BERT会给出符合语义预期的高分，这完全契合机器翻译评估的核心需求。

待解疑问 #

但在近期WMT共享度量任务的相关论文中，几乎看不到Sentence-BERT的应用案例。推测它存在一些尚未被明确察觉的缺陷，才导致该方案未被广泛采用。

内容的提问来源于stack exchange，提问作者Yuirike