评估基于任务，而不是用于任务的模型类型。在您链接的教程中，任务将是简单的文档相似性。Afaik 一个更常见的变体是信息检索设置，其目标是根据文档与查询文档的相似性对文档进行排名。

该教程提到他们使用了一个测试集，该测试集提供了一篇论文的链接。本文解释了人工注释者对文档对之间的相似度进行评级。这将是获取注释数据的标准方式，但当然需要大量的人力。虽然教程中使用的测试集似乎没有提供基本事实信息，但我认为这就是为什么作者只建议对结果进行手动检查的原因。

一般来说，可能有许多基准数据集（带有基本事实注释）可公开用于类似的任务，但它们并不总是很容易找到，而且我对这些也不是很了解。我认为SemEval 系列竞赛是一个很好的起点，每年他们都会发布与此类任务相关的各种数据集。