用途：在 OCI Data Science 上使用 AI Quick Actions 对 LLM 模型进行质量评估，适用于希望量化模型生成效果的场景。
主要能力：支持四类指标。BERTScore 基于嵌入的语义相似度，输出 precision、recall、F1，适合通用文本质量评估；ROUGE 衡量生成文本与参考文本的 n-gram 重叠，适合摘要任务，含 ROUGE-1、ROUGE-2、ROUGE-L；Perplexity 衡量模型对文本的预测能力，反映语言建模质量；Text Readability 反映生成文本的阅读难度与可访问性。评估结果会生成 Model Catalog 条目。
数据集格式：JSONL，必填 prompt 与 completion，可选 category。category 用于在报告中按类别拆分指标，省略时默认 "_"（未知）。官方提供两个样例数据集（各 10 条 prompt，math 与 logic 类别）：examples/evaluation-sample-no-sys-message.jsonl 和 examples/evaluation-sample-with-sys-message.jsonl。
使用方式：Python SDK 先导入 AquaEvaluationApp，再用 CreateAquaEvaluationDetails 构造参数并调用 create。evaluation_source_id 可传部署 OCID，也可传模型 OCID 直接评估模型；对堆叠/多模型部署，可在 model_parameters 中通过 model 指定目标模型。支持实验跟踪（experiment_name、experiment_description）。可调用 list(compartment_id=...) 列出评估、get(eval_id=...) 查看详情。CLI 命令包括 ads aqua evaluation create / list / get，create 需提供 evaluation_source_id、evaluation_name、dataset_path、report_path、model_parameters、shape_name、block_storage_size、compartment_id、project_id、metrics 等参数。
结果解读：BERTScore 分数越高越好，围绕均值聚集表示表现稳定；ROUGE 通过不同 n-gram 重叠衡量摘要质量。
限制：BERTScore 可能偏好与其自身架构相似的模型，不考量句子级语法，对习语、文化语境等词级以外的效果有限，且不适合评估编程任务上的编码模型。
关键源文件：ads/aqua/evaluation/evaluation.py、ads/aqua/evaluation/entities.py、ads/aqua/config/evaluation/evaluation_service_config.py。其余细节资料未提供。