Human Evaluation（人工評価）是大模型与推理领域中文本生成任务的重要评估指标。由人类评判生成内容的连贯性、趣味性与合理性，是开放式叙事/诗歌/幽默生成最权威的指标，弥补自动化指标难以捕捉的主观感知与创意差异。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文本生成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。