为什么重要
QQP 是大规模释义检测（paraphrase detection）的标准基准。判断两个问题是否表达相同意图是搜索、问答系统的核心能力。
评测设计
400K+ Quora 问题对，标注为重复/非重复。类不平衡（约 37% 重复），因此用 F1 而非纯准确率评测。
主要发现
- 字面重叠是强基线，但语义理解显著提升表现
- 存在标注噪声，影响上限估计
- LLM 时代已接近天花板
返回评测
综合 综合-语义匹配 已饱和
模态 · 文本
任务 · 分类
QQP
判断两个 Quora 问题是否语义等价，GLUE 子任务
Quora ·
考察能力
语义相似度 文本匹配 释义检测
构建信息
- 数据规模
- 400K 问题对
- 评测方式
- 标准评测
- 核心指标
- F1 / Accuracy
资源链接
模型效果排行
🥇 GPT-4o
92.8 F1
🥈 DeBERTa-v3
92.4 F1
语义相似度 释义检测 GLUE 经典基准