Comprender las métricas de generación de texto

En PyBooks, el equipo acaba de evaluar el rendimiento de un modelo preentrenado usando la puntuación BLEU y obtuvo un resultado de aproximadamente 0.082 y un rouge1_fmeasure de alrededor de 0.2692. Esta métrica indica la precisión (cuántos de los elementos seleccionados son relevantes) y la exhaustividad o recall (cuántos de los elementos relevantes se seleccionan). ¿Cómo interpretarías estas puntuaciones en términos del rendimiento del modelo?