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...

幸亏看到这个帖子

有人问我每天找实习都上哪些网站。 我截了张浏览器书签栏，发现三个月前有一大排，现在常点的就剩几个。 第一个，一个每天更新的汇总表。之前我收藏了七八个公众号、三个求职群、两个论坛，每天来回切。现在早上睁眼先刷这个表，五分钟知道今天哪些公司开了、哪些快截止了。其他的？取关了。不是他们不好，是我懒得一个个翻了。第二个，我自己搭的飞书表格。很丑，但实用。公司名、岗位、投了没、到哪一步了、下次该干嘛。之前用脑子记，记到第十五家的时候彻底乱了。现在表格一打开，清清楚楚。 第三个，我的简历文件夹。里面躺着三份简历：前端偏工程版、前端偏可视化版、全栈版。投哪家用哪个，看岗位JD决定。之前一份简历投所有，挂得怀...