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...

二本想去找个大三的暑假实习

双非一本，前端。 面试前我花了两周复习项目，把实习做的可视化大屏每一个细节都背下来了。数据怎么来的、怎么处理的、用了哪些库、遇到什么问题、怎么解决的。连ECharts的哪个配置项会影响性能我都查了。结果面试官看了一眼简历，说："项目先放一放，问你几个基础问题。"我：？？？然后问了四十分钟CSS和JS。BFC是什么。我答了。怎么触发。我答了。解决什么问题。清除浮动、防止margin重叠。他追问：如果子元素是absolute定位，BFC还管用吗。我想了一下说不管用，因为absolute脱离文档流了。他没表情，不知道对不对。Event Loop。给了段代码，setTimeout和...