---
title: "METEOR (metric) (CS)"
source: "https://systems-analysis.info/int/METEOR_(metric)_(CS)"
wiki: "systems-analysis.info/int"
article: "METEOR_(metric)_(CS)"
language: "cs"
categories:
- "Category:Czech"
- "Category:Large language models"
- "Category:LLM evaluation"
- "Category:Machine learning"
revision_id: 4017
wiki_created_at: 2026-09-06T23:29:18Z
wiki_modified_at: 2026-09-06T23:29:18Z
downloaded_at: 2026-09-07T23:00:22Z
---
# METEOR (metric) (CS)
**METEOR** — je název používaný v oblasti zpracování přirozeného jazyka (NLP) pro několik příbuzných, ale odlišných pojmů. Především jde o známou automatickou metriku pro hodnocení kvality strojového překladu. Kromě toho byly v roce 2024 pod stejným názvem představeny dva nezávislé výzkumné projekty související s velkými jazykovými modely (LLM): metoda evolučního učení a multimodální jazykový model.
## METEOR jako metrika hodnocení kvality překladu
**METEOR** (zkr. z *Metric for Evaluation of Translation with Explicit ORdering*) — je automatická metrika pro hodnocení kvality strojového překladu, navržená v roce 2005 výzkumníky Univerzity Carnegie Mellon Satandzivem Banerdzím a Alonem Lavim[\[1\]](https://systems-analysis.info/int/METEOR_(metric)_(CS)#cite_note-banerjee_2005-1). Jejím cílem bylo zvýšit soulad automatických hodnocení s lidskými úsudky, zejména na úrovni jednotlivých vět, a odstranit některé nedostatky starší metriky BLEU.
Klíčové vlastnosti metriky METEOR:
- **Zohlednění přesnosti a úplnosti**: Na rozdíl od BLEU, která se zaměřuje pouze na přesnost (precision), vypočítává METEOR harmonický průměr přesnosti a úplnosti (recall), což umožňuje penalizovat překlady za vynechání důležitých slov.
- **Flexibilní porovnávání slov**: METEOR využívá lingvistické vlastnosti pro porovnávání překladu s referenčním textem. Zohledňuje nejen přesné shody, ale i různé tvary slov (pomocí stemmingu) a synonyma (pomocí WordNet).
- **Penalizace za porušení pořadí slov**: Do metriky je zavedena penalizace, která postihuje nesprávné pořadí slov v překládaném kandidátovi, i když všechna slova odpovídají referenčnímu textu.
Tato vylepšení umožňují metrice METEOR výrazně lépe korelovat s hodnoceními lidí ve srovnání s BLEU[\[2\]](https://systems-analysis.info/int/METEOR_(metric)_(CS)#cite_note-lavie_2007-2). Metrika je široce používána ve výzkumu strojového překladu, automatického sumarizování a hodnocení popisků obrázků[\[3\]](https://systems-analysis.info/int/METEOR_(metric)_(CS)#cite_note-ds_dojo-3).
## METEOR jako metoda evolučního učení LLM
V roce 2024 skupina čínských výzkumníků představila metodu nazvanou **METEOR: Evolutionary Journey of Large Language Models from Guidance to Self-Growth**[\[4\]](https://systems-analysis.info/int/METEOR_(metric)_(CS)#cite_note-meteor_evolutionary-4). Tato metoda je určena pro efektivní trénování LLM specializovaných na úzké předmětové domény (např. finance, medicína), aniž by bylo nutné trénovat model od základu.
Autoři popisují třífázové schéma „evoluce" LLM:
1. **Destilace znalostí od silného modelu ke slabému (weak-to-strong data distillation)**: Pro generování trénovacího korpusu se používá výkonnější model-„učitel" (např. GPT-4). Přitom doménový model nejprve vygeneruje plán řešení a silný model vytvoří odpověď podle tohoto plánu. To srovnává rozložení znalostí a umožňuje cílovému modelu je efektivněji vstřebat.
2. **Iterativní učení s externí zpětnou vazbou (guided iterative training)**: Model trénovaný v první fázi samostatně řeší úlohy, přičemž silný model vystupuje jako „rozhodčí", hodnotí odpovědi a poukazuje na chyby. Tento reflexivní cyklus rozvíjí u doménového modelu schopnost sebekontroly.
3. **Samoevoluce (self-evolution)**: Model se nadále zdokonaluje již bez externího kurátora, přičemž využívá nabyté dovednosti ke generování a opravě nových dat.
Tato metoda nabízí praktický přístup k vytváření kompaktních a úsporných LLM expertů pro konkrétní odvětví[\[5\]](https://systems-analysis.info/int/METEOR_(metric)_(CS)#cite_note-meteor_evolutionary_ar5iv-5).
## METEOR jako multimodální model LLM
Také v roce 2024 tým výzkumníků z KAIST představil velký multimodální jazykový model pojmenovaný **METEOR: Mamba-based Traversal of Rationales**[\[6\]](https://systems-analysis.info/int/METEOR_(metric)_(CS)#cite_note-neurips_meteor_mamba-6). Model je určen pro komplexní porozumění vizuálním informacím a generování odpovědí na vizuální otázky.
Klíčovou vlastností METEOR je využití rozvinutých **zdůvodnění (rationales)**. Model pouze nevydává konečnou odpověď, ale generuje a opírá se o skrytý „řetězec zdůvodnění" — postupné vysvětlení, jak k této odpovědi dospět, podobně jako by uvažoval člověk.
V architektuře METEOR je použit speciální modul založený na modelu **Mamba** — efektivní architektuře pro zpracování velmi dlouhých sekvencí. Tento modul kóduje dlouhé řetězce zdůvodnění, které mohou zahrnovat popis objektů na obrázku, jejich prostorové vztahy a kroky k řešení úlohy[\[7\]](https://systems-analysis.info/int/METEOR_(metric)_(CS)#cite_note-arxiv_meteor_mamba-7).
Model byl úspěšně otestován na náročných multimodálních benchmarcích, jako jsou MME, AI2D (porozumění diagramům) a MathVista (řešení matematických úloh ve vizuálním kontextu). Dosáhl vysokých výsledků, aniž by vyžadoval dodatečné externí moduly počítačového vidění, což svědčí o efektivním využití vlastních parametrů[\[7\]](https://systems-analysis.info/int/METEOR_(metric)_(CS)#cite_note-arxiv_meteor_mamba-7).
## Poznámky
1. [↑](https://systems-analysis.info/int/METEOR_(metric)_(CS)#cite_ref-banerjee_2005_1-0) Banerjee, S., and A. Lavie. «METEOR: An Automatic Metric for MT Evaluation with Improved Correlation with Human Judgments». *ACL Workshop on Intrinsic and Extrinsic Evaluation Measures for MT*, 2005. [1]
2. [↑](https://systems-analysis.info/int/METEOR_(metric)_(CS)#cite_ref-lavie_2007_2-0) Lavie, A., and A. Agarwal. «METEOR: An Automatic Metric for MT Evaluation with High Levels of Correlation with Human Judgments». *ACL Workshop on Statistical Machine Translation*, 2007. [2]
3. [↑](https://systems-analysis.info/int/METEOR_(metric)_(CS)#cite_ref-ds_dojo_3-0) «Evaluating Large Language Models: Powerful Insights Ahead». *DataScienceDojo*. [3]
4. [↑](https://systems-analysis.info/int/METEOR_(metric)_(CS)#cite_ref-meteor_evolutionary_4-0) Li, J., X. Xu, and Y. Gao. «METEOR: Evolutionary Journey of Large Language Models from Guidance to Self-Growth». *arXiv preprint arXiv:2411.11933*, 2024. [4]
5. [↑](https://systems-analysis.info/int/METEOR_(metric)_(CS)#cite_ref-meteor_evolutionary_ar5iv_5-0) Li, J., X. Xu, and Y. Gao. «METEOR: Evolutionary Journey of Large Language Models from Guidance to Self-Growth». *ar5iv.org*. [5]
6. [↑](https://systems-analysis.info/int/METEOR_(metric)_(CS)#cite_ref-neurips_meteor_mamba_6-0) Lee, B.-K., et al. «Meteor: Mamba-based Traversal of Rationales for Large Language and Vision Models». *NeurIPS 2024 (poster)*. [6]
7. ↑ [7.0](https://systems-analysis.info/int/METEOR_(metric)_(CS)#cite_ref-arxiv_meteor_mamba_7-0) [7.1](https://systems-analysis.info/int/METEOR_(metric)_(CS)#cite_ref-arxiv_meteor_mamba_7-1) Lee, B.-K., et al. «Meteor: Mamba-based Traversal of Rationales for Large Language and Vision Models». *arXiv preprint arXiv:2405.15574*, 2024. [7]