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...

她只知道我"在找工作"。每次视频她都问："今天怎么样啊？"我能怎么说？"今天笔试挂了一场"？"今天面试没过"？"今天投的简历已读不回"？说了她也不懂"笔试""AI面""HR面"都是啥。她只会跟着着急。所以我每次都说："还行。"她就放心了。然后开始跟我聊家里的狗下崽了、小区门口的超市关门了、隔壁奶奶摔了一跤。这种对话我以前觉得啰嗦，现在我就想听她说这些。比什么"加油宝贝"有用多了。

还有后续，笑飞了，hr回了个👌🏻

4年前端开发经验，我是今年3月25号被裁的，被裁之后就一直在投简历面试找工作，直到现在（6月4号）终于拿到了一个还凑合的offer，来聊聊我这几个月的感想。如果用4个字来概括现在的行情，可以说是大雨倾盆，而你的伞属于是风吹了一下直接能吹断的那种。详细的数据可以以我为例：这几个月，我沟通了800+公司，80%直接未读或者已读未回，剩下的公司，大概三分之一会要你简历，其余的直接说不合适，这三分之一里要你简历的，最终能约到的面试大概又是3分之一左右，这一层层漏斗筛下来，差不多有十家多一点给了面试机会。这个体感你们可以自己掂量下，有一个非常残酷的事实是，所有给我面试机会的公司，几乎全部和AI有关，如果...