Model Evaluation سنجش عملکرد مدل روی داده و معیارهای مشخص است، از جمله دقت، کیفیت پاسخ، ایمنی، تاخیر و هزینه.
یک معیار منفرد تصویر کاملی نمی‌دهد. داده آزمون باید از آموزش مستقل باشد و معیارها با کاربرد واقعی ارتباط داشته باشند.
برای مدل استخراج داده، فقط Accuracy کافی نیست. باید تعداد فیلدهای درست، نبود شواهد، هزینه و نرخ خطای ساختاری هم سنجیده شود.
درک تفاوت این موضوع با ال‌ال‌ام به‌عنوان داور و مشارکت انسان در چرخه تصمیم‌گیری به انتخاب راهکار مناسب‌تر کمک می‌کند.
پیش از اعتماد به نتیجه، داده آزمون مستقل و معیار متناسب با مسئله تعریف کنید. خروجی ظاهراً قانع‌کننده همیشه به معنی عملکرد قابل‌اعتماد نیست.