---
term: "ROUGE"
slug: "rouge"
glossar_id: "G335"
variants: ["ROUGE-L"]
category: "evaluation-messgroessen-und-benchmark-fallen"
marker: "Technik"
short: "Metrikfamilie für Textüberlappung, unter anderem bei Zusammenfassungen."
sources:
  - label: "Lin: ROUGE, A Package for Automatic Evaluation of Summaries"
    url: "https://aclanthology.org/W04-1013/"
  - label: "Liang et al.: Holistic Evaluation of Language Models"
    url: "https://arxiv.org/abs/2211.09110"
status: "entwurf"
updated: "2026-09-21"
---

ROUGE ist eine Familie von Maßen für die Bewertung von Zusammenfassungen. Gemessen wird, wie viel einer Referenzzusammenfassung in der erzeugten wiederkehrt, also die Abdeckung. Die Sammlung wurde 2004 vorgestellt und ist seither die übliche Zahl in diesem Bereich. [Lin](https://aclanthology.org/W04-1013/)

## Mehrere Varianten für dieselbe Idee

Die bekanntesten Varianten unterscheiden sich darin, was gezählt wird: einzelne Wörter, Wortpaare oder die längste gemeinsame Folge von Wörtern, die in beiden Texten in derselben Reihenfolge vorkommt. Letzteres ist die Variante, die als ROUGE-L geführt wird.

Alle Varianten teilen dieselbe Grenze. Sie messen wörtliche Überschneidung, nicht Inhalt. Eine Zusammenfassung mit eigenen Formulierungen schneidet schlechter ab als eine, die Sätze aus dem Original übernimmt, auch wenn sie besser ist. Deshalb gehören solche Maße neben andere Kennzahlen gestellt. [Liang et al.](https://arxiv.org/abs/2211.09110)

## So kannst du dir das vorstellen

ROUGE prüft eine Zusammenfassung so, wie man eine Einkaufsliste abhakt: Welche Stichworte aus der Vorlage kommen vor? Wer die Vorlage abschreibt, hakt alles ab. Wer klug verdichtet, verliert Punkte. Das Bild erklärt die Zählweise, nicht die Qualität der Zusammenfassung.

## Was es in der Praxis bedeutet

Für die Bewertung von Zusammenfassungen aus Sprachmodellen ist ROUGE allein zu schwach. Nützlicher sind Prüflisten: Welche Kernaussagen müssen vorkommen? Welche Zahl darf nicht falsch sein? Ist die Länge eingehalten? Diese Fragen lassen sich automatisch prüfen und treffen näher, worauf es ankommt.

Wo ROUGE weiterhin auftaucht, etwa in Veröffentlichungen, hilft der Blick auf die Vergleichbarkeit: Unterschiedliche Referenzen und unterschiedliche Vorverarbeitung machen Werte zwischen Arbeiten schwer vergleichbar.

## Wo es verwechselt wird

ROUGE misst Abdeckung gegenüber einer Referenz, BLEU eher Genauigkeit gegenüber einer Referenz; beide zählen Wortfolgen. Und ein hoher Wert bedeutet nicht, dass die Zusammenfassung stimmt.

## Verwandte Begriffe

**BLEU**, **Exact Match**, **Automatic Evaluation**, **Golden Response**, **Evaluation**.