Le score F1 au niveau des jetons (Token-level F1 Score) est une métrique d'évaluation essentielle pour les tâches de systèmes de question-réponse dans le domaine du traitement du langage naturel. Le F1 au niveau des jetons calcule la moyenne harmonique de la précision et du rappel des réponses en se basant sur le chevauchement des jetons, tolérant ainsi les correspondances partielles et offrant une évaluation plus indulgente. Il est généralement exprimé en pourcentage ou sous forme d'un score compris entre 0 et 1. Cette métrique est largement utilisée dans les benchmarks et les publications scientifiques pertinents, car elle reflète efficacement les performances du modèle sur cette dimension. Une valeur plus élevée indique de meilleures performances. Elle permet aux chercheurs et aux ingénieurs de quantifier les différences de performances réelles des modèles dans les scénarios de systèmes de question-réponse, facilitant ainsi la comparaison horizontale entre différentes méthodes ou versions de modèles.