词元级 F1（Token-level F1 Score）是自然语言处理领域中问答系统任务的重要评估指标。词元级 F1 以词元重叠度计算答案的精确率与召回率的调和均值，容忍部分匹配，更宽容。通常以百分比或 0–1 分数报告。该指标在相关基准和论文中被广泛使用，能有效反映模型在该维度的表现。数值越高越好。它帮助研究者和工程师量化模型在问答系统场景下的实际表现差异，便于横向比较不同方法或模型版本。