Entendendo métricas de geração de texto

Na PyBooks, a equipe acabou de avaliar o desempenho de um modelo pré-treinado usando a pontuação BLEU e obteve um resultado de aproximadamente 0,082 e um rouge1_fmeasure por volta de 0,2692. Essa métrica é um indicativo de precisão (quantos itens selecionados são relevantes) e revocação (quantos itens relevantes são selecionados). Como você interpretaria essa pontuação em termos do desempenho do modelo?