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...

这个电话我漏接了回拨无效 说只能等人主动拨回来想问问这个是腾讯官方的还是腾讯外包的啥的🥹 无邮件约面信息

时间：2026.2.26一面（测试组长面，线下面，15min）：1.自我介绍2.实习、工作，项目经历3.做过自动化吗4.用例是自己写的还是别人写好你执行5.怎么测多模态模型6.为什么选择做测试而不是开发7.了解我们公司的产品吗，说一下8.上一家公司离职的原因9.看你有一段时间是gap期，这段时间在做什么（雷区，千万不要答考公）10.反问 年后第一场面试，状态极差，有gap期绝对不能答考公，只能回答学习、考研下岸等之类的，面试官听到“考公”两字直接没有任何耐心，而且也对我简历上的东西不感兴趣，最后连简历都不收还给我了，15分钟秒挂#牛客AI配图神器#