---
title: "METEOR (metric) (HU)"
source: "https://systems-analysis.info/int/METEOR_(metric)_(HU)"
wiki: "systems-analysis.info/int"
article: "METEOR_(metric)_(HU)"
language: "hu"
categories:
  - "Category:Hungarian"
  - "Category:Large language models"
  - "Category:LLM evaluation"
  - "Category:Machine learning"
revision_id: 4023
wiki_created_at: 2026-09-06T23:29:24Z
wiki_modified_at: 2026-09-06T23:29:24Z
downloaded_at: 2026-09-07T23:00:24Z
---

# METEOR (metric) (HU)

**METEOR** — ez az elnevezés a természetes nyelvfeldolgozás (NLP) területén több egymással összefüggő, de különböző fogalomra is vonatkozik. Mindenekelőtt ez egy jól ismert automatikus metrika a gépi fordítás minőségének értékelésére. Emellett 2024-ben ugyanezen a néven két egymástól független kutatási projekt is megjelent, amelyek a nagy nyelvi modellekhez (LLM) kapcsolódnak: egy evolúciós tanítási módszer és egy multimodális nyelvi modell.

## METEOR mint fordításminőség-értékelési metrika

**METEOR** (röv. *Metric for Evaluation of Translation with Explicit ORdering*) — egy automatikus metrika a gépi fordítás minőségének értékelésére, amelyet 2005-ben a Carnegie Mellon Egyetem kutatói, Satandziv Banerdzsí és Alon Lavi javasoltak<sup>[\[1\]](https://systems-analysis.info/int/METEOR_(metric)_(HU)#cite_note-banerjee_2005-1)</sup>. Célja az volt, hogy az automatikus értékelések jobban igazodjanak az emberi ítéletekhez, különösen az egyes mondatok szintjén, kiküszöbölve a korábbi BLEU metrika egyes hiányosságait.

A METEOR metrika legfontosabb jellemzői:

- **Pontosság és teljesség figyelembevétele**: A BLEU-val ellentétben, amely csak a pontosságra (precision) összpontosít, a METEOR a pontosság és a teljesség (recall) harmonikus közepét számítja, így bünteti azokat a fordításokat, amelyek fontos szavakat kihagynak.
- **Rugalmas szóegyeztetés**: A METEOR nyelvi sajátosságokat alkalmaz a fordítás és az etalon összevetésekor. Nemcsak a pontos egyezéseket veszi figyelembe, hanem a szavak különböző alakjait is (szótövezés segítségével), valamint a szinonimákat (WordNet segítségével).
- **Szórendezési büntetés**: A metrikában büntetés szerepel, amely a jelölti fordítás helytelen szórendjét bünteti, még akkor is, ha az összes szó egyezik az etalonnal.

Ezek a fejlesztések lehetővé teszik, hogy a METEOR metrika lényegesen jobban korreláljon az emberi értékelésekkel, mint a BLEU<sup>[\[2\]](https://systems-analysis.info/int/METEOR_(metric)_(HU)#cite_note-lavie_2007-2)</sup>. A metrikát széles körben alkalmazzák a gépi fordítás, az automatikus szövegkivonat-készítés és a képfeliratozás értékelésére irányuló kutatásokban<sup>[\[3\]](https://systems-analysis.info/int/METEOR_(metric)_(HU)#cite_note-ds_dojo-3)</sup>.

## METEOR mint LLM evolúciós tanítási módszer

2024-ben egy kínai kutatócsoport bemutatott egy **METEOR: Evolutionary Journey of Large Language Models from Guidance to Self-Growth** nevű módszert<sup>[\[4\]](https://systems-analysis.info/int/METEOR_(metric)_(HU)#cite_note-meteor_evolutionary-4)</sup>. Ez a módszer szűk szakterületi doménekre (például pénzügy, orvostudomány) specializálódott LLM-ek hatékony betanítására szolgál, anélkül, hogy a modellt nulláról kellene tréningezni.

A szerzők az LLM-ek „evolúciójának" háromfázisú sémáját ismertetik:

1.  **Tudásdesztilláció erős modellből gyengébe (weak-to-strong data distillation)**: A tanítókorpusz előállításához egy erősebb „tanár" modellt (például GPT-4) alkalmaznak. Eközben a doménmodell először megoldási tervet generál, az erős modell pedig e tervet követve állítja elő a választ. Ez kiegyenlíti a tudás eloszlását, és lehetővé teszi a célmodell számára, hogy hatékonyabban sajátítsa el azt.
2.  **Iteratív tanítás külső visszajelzéssel (guided iterative training)**: Az első fázisban betanított modell önállóan old meg feladatokat, az erős modell pedig „bíróként" értékeli a válaszokat és jelzi a hibákat. Ez a reflexív ciklus kifejleszti a doménmodell önellenőrzési képességét.
3.  **Önevolúció (self-evolution)**: A modell külső kurátor nélkül folytatja a fejlődést, a felhalmozott készségeket felhasználva új adatok generálásához és javításához.

Ez a módszer praktikus megközelítést kínál kompakt és gazdaságos, iparág-specifikus LLM-szakértők létrehozásához<sup>[\[5\]](https://systems-analysis.info/int/METEOR_(metric)_(HU)#cite_note-meteor_evolutionary_ar5iv-5)</sup>.

## METEOR mint multimodális LLM modell

Szintén 2024-ben a KAIST kutatócsoportja bemutatott egy nagy multimodális nyelvi modellt **METEOR: Mamba-based Traversal of Rationales** néven<sup>[\[6\]](https://systems-analysis.info/int/METEOR_(metric)_(HU)#cite_note-neurips_meteor_mamba-6)</sup>. A modell vizuális információk komplex megértésére és vizuális kérdésekre adott válaszok generálására készült.

A METEOR legfontosabb jellemzője a részletes **érvelési láncok (rationales)** alkalmazása. A modell nem csupán a végső választ adja meg, hanem generál és felhasznál egy rejtett „érvelési láncot" — egy lépésenkénti magyarázatot arról, hogyan jutott el a válaszhoz, ahhoz hasonlóan, ahogyan egy ember gondolkodik.

A METEOR architektúrájában egy speciális, a **Mamba** modellen alapuló modul kap szerepet — ez egy hatékony architektúra nagyon hosszú szekvenciák feldolgozására. Ez a modul kódolja a hosszú érvelési láncokat, amelyek tartalmazhatják a képen látható objektumok leírását, azok térbeli viszonyait és a feladat megoldásának lépéseit<sup>[\[7\]](https://systems-analysis.info/int/METEOR_(metric)_(HU)#cite_note-arxiv_meteor_mamba-7)</sup>.

A modellt sikeresen tesztelték összetett multimodális benchmarkokon, mint például az MME, az AI2D (diagrammegértés) és a MathVista (matematikai feladatok megoldása vizuális kontextusban). Magas eredményeket ért el anélkül, hogy külső számítógépes látásmodulokra lett volna szükség, ami a saját paraméterek hatékony felhasználásáról tanúskodik<sup>[\[7\]](https://systems-analysis.info/int/METEOR_(metric)_(HU)#cite_note-arxiv_meteor_mamba-7)</sup>.

## Megjegyzések

1.  <span id="cite_note-banerjee_2005-1">[↑](https://systems-analysis.info/int/METEOR_(metric)_(HU)#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. <a href="https://aclanthology.org/W05-0909/" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-lavie_2007-2">[↑](https://systems-analysis.info/int/METEOR_(metric)_(HU)#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. <a href="https://link.springer.com/article/10.1007/s10590-009-9059-4" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-ds_dojo-3">[↑](https://systems-analysis.info/int/METEOR_(metric)_(HU)#cite_ref-ds_dojo_3-0) «Evaluating Large Language Models: Powerful Insights Ahead». *DataScienceDojo*. <a href="https://datasciencedojo.com/blog/evaluating-large-language-models-llms/" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-meteor_evolutionary-4">[↑](https://systems-analysis.info/int/METEOR_(metric)_(HU)#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. <a href="https://arxiv.org/abs/2411.11933" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-meteor_evolutionary_ar5iv-5">[↑](https://systems-analysis.info/int/METEOR_(metric)_(HU)#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*. <a href="https://ar5iv.org/html/2411.11933v2" class="external autonumber" rel="nofollow">[5]</a></span>
6.  <span id="cite_note-neurips_meteor_mamba-6">[↑](https://systems-analysis.info/int/METEOR_(metric)_(HU)#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)*. <a href="https://neurips.cc/virtual/2024/poster/95711" class="external autonumber" rel="nofollow">[6]</a></span>
7.  <span id="cite_note-arxiv_meteor_mamba-7">↑ <sup>[7.0](https://systems-analysis.info/int/METEOR_(metric)_(HU)#cite_ref-arxiv_meteor_mamba_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/METEOR_(metric)_(HU)#cite_ref-arxiv_meteor_mamba_7-1)</sup> Lee, B.-K., et al. «Meteor: Mamba-based Traversal of Rationales for Large Language and Vision Models». *arXiv preprint arXiv:2405.15574*, 2024. <a href="https://arxiv.org/html/2405.15574v1" class="external autonumber" rel="nofollow">[7]</a></span>