工作环境：网吧连坐，在海淀区租了几层办公室福利：基本上没有，之前有水果，后面又没了加班强度：强度很大，996 产研大小周，编辑运营双休排期是很紧的，说砍就砍，不加班基本上做不完黑点：考勤很严格，必须公司门口刷脸，迟到要扣钱人员流动性大，校招社招都卡使用期，APP扣钱不提醒客户小红书上一堆避雷😓 有年假，但是请多了好绩效和你就没啥关系了绩效ABCDE， B要完成120%工作，正常完成工作只能拿Cps：研发老大不认公司的弹性工作制，加班到凌晨也必须按时上班，很离谱

写点什么缅怀一下我的一年27纯血双非本可以视做双非本的打怪升级之路吧🫠。到了现在。反而没那么感慨了。可能是麻木了，也可能是释然了。也可能是对大厂祛魅了。收到三面通过的消息的时候，我的手在抖。因为已经被横向过几次了。嗯，熟悉的横向。很有意思的事情是，hr面时问到我，你觉得你和985研究生比起来，你的优势是什么…我承认，这一刻我有点力竭，我有点词穷。是的，直到现在我也在思考，我和他们比起来，我的优势到底是什么🫠写在最后。祝我们都能有好的offer。有永不停歇的勇气，坚定的走下去

这什么意思？

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...