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...

菜鸟想找实习，这个简历能找到吗😅

就挺无语的。我大二就开始实习了，不是为了卷谁，就是很早之前听学长建议，觉得早点接触下工作没坏处。到现在暑期实习加起来第三段了，每段都是自己投简历、刷题、面试一步步拿的。昨晚寝室聊各自暑期实习找得怎么样，我说了一嘴我这边定了，然后我室友直接来一句： 就是有你这种工贼，才把行情搞成这样的“、”正常人谁大二就出去实习""你一个人占三个坑知不知道"、“拿着实习的工资干着正式的活儿，还没上班就想着帮公司美美省钱，真孝顺嗷”我昨天差点动手，被另一个室友拦着了。讲话太难听了，跟有病一样。他自己之前天天打游戏的啊？我提前准备还成我的问题了？

1. 自我介绍2. 为什么要通过微调模型来做代码生成？为什么不用纯 prompt 或 spec coding？答案：纯 prompt 和 spec coding 确实可以提升模型在单次任务上的表现，但它们更多是推理时约束，解决的是“让模型按要求做事”的问题。微调解决的是模型行为分布的问题，比如固定代码风格、内部框架 API 使用习惯、异常处理模式、日志规范、单测模板、目录结构约定，这些如果全部靠 prompt 塞进去，成本很高，也容易在长任务里被稀释。在缺陷修复 Agent 里，我选择微调不是为了让模型记住业务代码，而是让它学习稳定的工程动作：先读测试，再定位调用链，再改最小范围，再补回归测试...