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...

已经签了其他，释放hc了

幸亏看到这个帖子

背景：免机考，中国研究生数学建模竞赛二等奖，直接进入的面试流程，薪资涨幅1.65，完美收官。有符合条件的小伙伴欢迎私聊开启我们的对话框：“听说有免机考了？”“是的，证书发过来看看呢”资面：自我介绍离职原因能不能接受加班工作地点能不能接受期望薪资技术一面：先自我介绍，然后问项目经历，项目中最大的挑战，如何保证数据的准确性等等没有问八股手撕：滑动窗口技术二面：和一面差不多，没有问八股，问项目相关手撕：二叉树最左下方的值主管面：自我介绍之前的工作方向，有哪些技术栈，以及我的能力可以到华为做什么内容对引望的了解，对自动驾驶的了解如果让我来做智驾，如何判断自动驾驶是否类人反问：部门的主要业务等等#牛客A...