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...

兄弟们有点裂开啊，boss投出去了两千份简历了，有什么问题吗，心态炸了

入职第三天，被拉进一个十几个人的大会。我全程一句话没说，安静当背景板，心想实习生嘛，来学习的。开了俩小时，我开到一半就困了就没听了没想到散会前leader突然："小X你也说两句？"全场齐刷刷看我。脑子一片空白，憋了五秒，挤出一句："我……我比较同意大家的看法。"会议室安静了三秒。leader："嗯……可大家吵了一上午，俩方案谁也不服谁。"wocccccccccccccc我想原地飞升。

之前临时干过一个OCR的岗位，老板和人事几个领导都不懂技术一开始还只是干OCR做账本入库，后面知道我是计算机毕业的，开始问我爬虫怎么弄，因为不在职责范围内，所以只好推辞掉（本来工资给的也很低），老板也很聪明，说可以给我按商单付费做这个，我一问预算，他说一单可以给到50左右。。我还多嘴问了一句，爬什么，结果是淘宝。。。