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...

xdm 早上喝奶茶差点喷出来。事情是这样的，我们班有个哥们儿，简称 L，去年秋招拿了字节sp，专业方向是后端。我们当时都震惊：这哥们儿平时课上从来不发言，期末小组作业基本是划水的那种，刷题平台 commit记录我点进去看过，绿格子稀稀拉拉。但他面试一路绿灯。一面二面三面 hr 面，全过，给的还是sp。当时班级群里恭喜他的、问他经验的、约饭的，热闹了一周。他说自己"运气好，准备充分"。我们都信了，直到三月初他入职。入职第二周开始，班里另一个进字节的同学W（在隔壁组的）开始跟我他的不对劲。一开始是写代码慢，后来写不出来，再后来是组里 mentor 让他fix 一个简单 bug 都搞了一下午没动静。最离谱的是上周。W 说他们大部门搞了个新人分享会，让新人讲一下自己负责模块的设计思路。L 上去讲了 20分钟，全程念稿子，问答环节别人随便问一个"那你这里为什么用 Redis 不用 Memcached"，他直接卡 30秒说"这个我回去再确认一下"。会后他 mentor 直接找 leader 谈，leader 找 hr 谈，hr调出了他面试录像，全程对比口型和回答节奏，发现他二三面有大量时长在偷偷看屏幕外（推测开了双机位 AI 答题）。（这段是 W后来转述给我的，他自己也是听他组里同事八卦来的）昨天下班前，W 告诉我L 被辞退了，让他自己走，不走就走仲裁但会发函到学校。L 现在已经回学校了，朋友圈仅三天可见。我说真的，我不是个心眼小的人，但是我看到这个消息的时候真的有种"嗯，挺好"的感觉。去年秋招我投字节后端，简历挂。我准备了八个月，背 八股 + 刷 500 题 +项目改了三版，连面试机会都没拿到。班里这哥们儿凭着一个外挂上岸，最后还是被甩出来了。不是说作弊就一定会被发现，但是当面试拿到的 offer远远超出真实能力的时候，迟早会有这一天。试用期三个月不是给你过家家的，是真的要写代码、要在会议上回答问题、要扛需求的。我现在反而有点同情他。同情他相信"上岸就是终点"。发出来不是为了嘲笑谁，就是想说给那些正在被身边作弊上岸的同学搞得很 emo 的 uu 们听——别急，回旋镖很长，但它一定会回来。你继续刷你的题，写你的项目，背你的八股。该是你的迟早是你的，不是你的早晚还得还回去。xdm 共勉。

牛客上看到好多28届双非oc大厂日常 羡慕死了  学了一年 每天6-8小时没停过基本 双非就像有案底一样 投了一段时间 中小厂没一点声音 boss上也是大部分已读不回 就几个要简历 😭😭😭

我现在在准备考研和找工作，想问问读研性价比高吗？另外这个简历那些地方需要修改一下