--- title: "METEOR (metric) (IT)" source: "https://systems-analysis.info/int/METEOR_(metric)_(IT)" wiki: "systems-analysis.info/int" article: "METEOR_(metric)_(IT)" language: "it" categories: - "Category:Italian" - "Category:Large language models" - "Category:LLM evaluation" - "Category:Machine learning" revision_id: 4025 wiki_created_at: 2026-09-06T23:29:26Z wiki_modified_at: 2026-09-06T23:29:26Z downloaded_at: 2026-09-07T23:00:25Z --- # METEOR (metric) (IT) **METEOR** — è un nome utilizzato nel campo dell'elaborazione del linguaggio naturale (NLP) per diversi concetti correlati ma distinti. Prima di tutto, è una nota metrica automatica per la valutazione della qualità della traduzione automatica. Inoltre, nel 2024 sotto questo stesso nome sono stati presentati due progetti di ricerca indipendenti legati ai grandi modelli linguistici (LLM): un metodo di apprendimento evolutivo e un modello linguistico multimodale. ## METEOR come metrica di valutazione della qualità della traduzione **METEOR** (abbreviazione di *Metric for Evaluation of Translation with Explicit ORdering*) — è una metrica automatica per la valutazione della qualità della traduzione automatica, proposta nel 2005 dai ricercatori dell'Università Carnegie Mellon Satanjiw Banerjee e Alon Lavie^{[\[1\]](https://systems-analysis.info/int/METEOR_(metric)_(IT)#cite_note-banerjee_2005-1)}. Il suo obiettivo era aumentare la concordanza delle valutazioni automatiche con i giudizi umani, specialmente a livello di singole frasi, eliminando alcuni difetti della metrica BLEU precedente. Caratteristiche principali della metrica METEOR: - **Considerazione di precision e recall**: A differenza di BLEU, che si concentra solo sulla precision, METEOR calcola la media armonica tra precision e recall, il che consente di penalizzare le traduzioni che omettono parole importanti. - **Corrispondenza flessibile delle parole**: METEOR utilizza caratteristiche linguistiche per confrontare la traduzione con il riferimento. Tiene conto non solo delle corrispondenze esatte, ma anche di diverse forme delle parole (tramite stemming) e dei sinonimi (tramite WordNet). - **Penalità per l'ordine delle parole**: Nella metrica è introdotta una penalità che punisce l'ordine errato delle parole nella traduzione candidata, anche se tutte le parole corrispondono al riferimento. Questi miglioramenti consentono alla metrica METEOR di correlare significativamente meglio con le valutazioni umane rispetto a BLEU^{[\[2\]](https://systems-analysis.info/int/METEOR_(metric)_(IT)#cite_note-lavie_2007-2)}. La metrica è ampiamente utilizzata nella ricerca sulla traduzione automatica, sul riassunto automatico e nella valutazione delle didascalie delle immagini^{[\[3\]](https://systems-analysis.info/int/METEOR_(metric)_(IT)#cite_note-ds_dojo-3)}. ## METEOR come metodo di apprendimento evolutivo degli LLM Nel 2024 un gruppo di ricercatori cinesi ha presentato un metodo denominato **METEOR: Evolutionary Journey of Large Language Models from Guidance to Self-Growth**^{[\[4\]](https://systems-analysis.info/int/METEOR_(metric)_(IT)#cite_note-meteor_evolutionary-4)}. Questo metodo è destinato all'addestramento efficiente di LLM specializzati in domini tematici ristretti (ad esempio finanza, medicina), senza la necessità di addestrare il modello da zero. Gli autori descrivono uno schema a tre fasi di «evoluzione» degli LLM: 1. **Distillazione della conoscenza da un modello forte a uno debole (weak-to-strong data distillation)**: Per generare il corpus di addestramento viene utilizzato un modello-«insegnante» più potente (ad esempio GPT-4). In questo processo il modello di dominio genera prima un piano di soluzione, mentre il modello forte crea la risposta seguendo tale piano. Questo allinea la distribuzione della conoscenza e consente al modello target di assimilarla in modo più efficace. 2. **Addestramento iterativo con feedback esterno (guided iterative training)**: Il modello addestrato nella prima fase risolve autonomamente i compiti, mentre il modello forte funge da «arbitro», valutando le risposte e indicando gli errori. Questo ciclo riflessivo sviluppa nel modello di dominio la capacità di auto-verifica. 3. **Auto-evoluzione (self-evolution)**: Il modello continua a migliorarsi senza un supervisore esterno, utilizzando le competenze accumulate per generare e correggere nuovi dati. Questo metodo offre un approccio pratico alla creazione di LLM compatti ed economici specializzati per settori specifici^{[\[5\]](https://systems-analysis.info/int/METEOR_(metric)_(IT)#cite_note-meteor_evolutionary_ar5iv-5)}. ## METEOR come modello LLM multimodale Sempre nel 2024 un team di ricercatori del KAIST ha presentato un grande modello linguistico multimodale denominato **METEOR: Mamba-based Traversal of Rationales**^{[\[6\]](https://systems-analysis.info/int/METEOR_(metric)_(IT)#cite_note-neurips_meteor_mamba-6)}. Il modello è destinato alla comprensione complessa delle informazioni visive e alla generazione di risposte a domande visive. La caratteristica chiave di METEOR è l'utilizzo di **ragionamenti (rationales)** espliciti. Il modello non si limita a fornire una risposta finale, ma genera e si basa su una «catena di ragionamenti» nascosta — una spiegazione sequenziale di come giungere a tale risposta, in modo simile a come ragionerebbe un essere umano. Nell'architettura di METEOR è impiegato uno speciale modulo basato sul modello **Mamba** — un'architettura efficiente per l'elaborazione di sequenze molto lunghe. Questo modulo codifica lunghe catene di ragionamenti, che possono includere la descrizione degli oggetti nell'immagine, le loro relazioni spaziali e i passaggi per risolvere il compito^{[\[7\]](https://systems-analysis.info/int/METEOR_(metric)_(IT)#cite_note-arxiv_meteor_mamba-7)}. Il modello è stato testato con successo su benchmark multimodali complessi come MME, AI2D (comprensione di diagrammi) e MathVista (risoluzione di problemi matematici in contesto visivo). Ha ottenuto risultati elevati senza richiedere moduli esterni aggiuntivi di computer vision, il che dimostra un utilizzo efficiente dei propri parametri^{[\[7\]](https://systems-analysis.info/int/METEOR_(metric)_(IT)#cite_note-arxiv_meteor_mamba-7)}. ## Note 1. [↑](https://systems-analysis.info/int/METEOR_(metric)_(IT)#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)_(IT)#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)_(IT)#cite_ref-ds_dojo_3-0) «Evaluating Large Language Models: Powerful Insights Ahead». *DataScienceDojo*. [3] 4. [↑](https://systems-analysis.info/int/METEOR_(metric)_(IT)#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)_(IT)#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)_(IT)#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)_(IT)#cite_ref-arxiv_meteor_mamba_7-0)} ^{[7.1](https://systems-analysis.info/int/METEOR_(metric)_(IT)#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]