ModelScope如何判断模型训练的好坏？

对于nlp_palm2.0_text-generation_chinese-base这个模型，ModelScope模型训练的好坏需要根据具体的评估指标来判断。常用的评估指标包括困惑度（Perplexity）、BLEU、ROUGE等。

关于output_best中没有rouge-l的问题，可能是因为在训练过程中没有使用ROUGE-L作为评估指标，或者在生成结果时没有计算ROUGE-L分数。请检查您的代码和配置文件，确保在训练和评估过程中使用了正确的指标。

对于nlp_palm2.0_text-generation_chinese-base这个模型，其训练的好坏取决于多个因素，包括数据集的质量、模型的架构和参数设置、训练算法的选择等等。

如果您的模型表现不佳，可能有以下原因：

1. 数据集质量不高：如果数据集存在噪声或错误标注等问题，那么即使使用最先进的模型和算法也很难取得好的效果。因此，您需要仔细检查您的数据集并尽可能消除其中的噪声和错误标注。

2. 模型架构和参数设置不合适：不同的任务需要不同的模型架构和参数设置。如果您的模型架构和参数设置不适合当前的任务，那么它的表现可能会受到影响。因此，您需要根据您的具体任务来选择合适的模型架构和参数设置。

3. 训练算法的选择不当：不同的训练算法适用于不同的任务和数据集。如果您选择了不合适的训练算法，那么您的模型表现可能会受到影响。因此，您需要根据您的具体任务和数据集来选择合适的训练算法。

模型训练好坏的话可以通过看日志里面有每轮的训练评估，在dev集上的rouge指标，越高的话，模型效果越好 请参考此图片： 微调结束后有个output_best文件夹，保存了rouge-l最高的。pipeline中model="/xxx/xxx/output_best"，就可以用微调的模型推理——此回答整理自钉群“魔搭ModelScope开发者联盟群 ①”