为什么传统 NLP 评估指标（BLEU、ROUGE）对现代 LLM 局限性很大？  传统指标核心是比较生成文本与参考答案在 n-gram 上的表层重合度，存在以下问题：  语义缺失：只关心词汇匹配，不理解语义。如"今天天气很好"与"今天日光很灿烂"意思相近，但得分很低。 无法评估事实准确性：无法检测幻觉，流畅但包含错误事实的回答可能得高分。 忽略多样性与创造性：开放式任务没有唯一标准答案，基于固定答案的评估会惩罚优秀但不同的回答。 长文本评估能力差：无法评估长篇内容的连贯性、逻辑性和结构性。 无视推理过程：只能比较最终答案字符串，无法评估思维链步骤是否正...

牛油们求锐评，就4月美团、腾讯、字节约过几次，现在到5月底一直没约面，boss上好多已读不回或者要了简历没后续。是简历哪有问题吗

二本想去找个大三的暑假实习

小伙伴投稿一面在5.10 二面在5.15 HR面在5.17, 211本+韩硕1. 自我介绍答案：我主要做大模型应用、RAG、Agent 编排、向量检索、Prompt 工程、模型微调和后端工程化相关方向。之前做过一个 跨境商家合规审核与风险问答平台，面向国际电商平台里的商品合规、商家风控、客服质检和运营审核场景。这个系统接入了商品标题、商品详情、平台规则、违规案例、审核工单、商家申诉记录和多语言政策文档。用户可以问“这个商品为什么被判定为高风险”“某类商品在欧盟站点能不能上架”“这条申诉该怎么回复”，系统会先做 query 重写和意图识别，再通过混合检索召回规则和案例，最后由大模型生成带引用的审...