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...

慢🦶想要什么样的人

一本，产品，27届。为了暑期实习在北京租了个房，结果这周一天排了3家面试，从朝阳区跑到海淀区再跑回朝阳区，地铁上还在背产品分析框架。早上10点一家，下午2点一家，晚上6点还有一家视频面。中午在便利店吃了个饭，差点错过下午的签到。投简历阶段更崩溃，不同公司的系统完全不一样，有的要上传PDF，有的要在线填，有的还要重新注册。后来用网申助手先把基础信息填好，至少不用每家都从0开始敲。提醒一下要异地实习的uu：租房一定要离地铁近，面试别一天排超过2家，真的会猝死。你们面试一天最多排几家？有异地实习租房的经验吗？