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...

项目很垃圾就是外卖加点评，想在成都找个中小厂实习（如果能去大厂更好但是我感觉我不行），实习到9月份开学，现在准备开始背八股，力扣刷了20多道，机会大不大？

之前有人催着发智元嵌入式岗的面经，趁周末把一面二面一起复盘。我没上岸（二面挂），但题是真的、坑是真的。智元不用多介绍，这两年人形机器人/具身智能里热度最高的几家之一。嵌入式岗位明显偏运动控制+底层驱动方向，所以面试重底层、重实时性，软件框架那种花架子问得反而少。一面（电话技术面，约45分钟）我按面试官问的顺序大致归了下类，方便看，实际过程是穿插着来的。自我介绍static修饰局部变量和全局变量分别有什么影响？未初始化的全局变量和局部变量的初始值是什么？函数调用的开销在哪里？什么场景该用内联函数？硬件/底层一串你MCU用的是什么芯片？主频多少？Flash多大？为什么主频会影响MCU性能？除了主频...