背景：本双非硕9。本科有一个省三竞赛奖，其他都是学生工作经历or志愿者经历。坏消息是，目前实验室导师放养，写不出论文，九月份就研二了，导师给的创新点不实用，最近还跑出去带实习了。好消息是，导师很好说话，放实习，明年春夏都可以去实习，也支持换其他方向，允许投开源毕业。目前的烦恼有二：论文和工作方向论文的话，目前还是想继续做导师的大数据方向，苦恼于无创新点。但是做其他方向就更没人指导了工作的话，听师兄说大数据方向已经不太行了，俩师兄一个打算转后端一个打算秋招再看看。我个人的想法是转后端or手搓ai大模型，但是听说ai要顶会和竞赛。。想在今年内写好论文投出去，然后做两个项目，年底开始找明年的实习。有没有大佬现身说一下大数据、ai目前的形式？或者指点一下我现在该怎么做，有点迷茫不知道该从何下手了。师兄都出去实习了，工位经常就自己一个人，有点玉玉了。

26届单2化工硕有机会进pe岗吗？真的卡六级吗？

攻略🌈【大模型评估全攻略】！LLM七大核心评估维度保姆级拆解💯👉🏻预训练→SFT→RLHF→数据集→RAG→Agent→Prompt🔥一、预训练评估评估大型语言模型（LLM）的预训练效果需要从多个维度综合考量，涉及基础语言能力、下游任务表现、知识掌握、推理能力等。🔥二、SFT评估评估大型语言模型（LLM）在监督式微调（Supervised Fine-Tuning, SFT）后的效果，需要结合任务目标、领域特性和模型能力设计多维度的评估体系。🔥️三、RLHF评估评估大型语言模型（LLM）在通过RLHF（基于人类反馈的强化学习）后的效果需要从多个维度综合考量，包括生成质量、安全性、对齐性、任务完成度等。🔥四、数据集评估在评估数据集的质量时，可以从以下几个关键方面进行评估：1. 数据多样性2. 数据平衡性3. 数据完整性4. 数据一致性5. 数据与任务的适合性6. 标注准确性🔥五、RAG评估从召回、排序、生成、整体四个维度来评估RAG性能。使用了多种指标，如准确率（Correct）、错误率（Wrong）、失败率（Fail）、BERTScore、ROUGE Score等，以全面评估生成答案的质量。🔥六、Agent评估现如今Agent开发工具/框架不断出现，但如何全面地对Agent进行评估却很困难，本文就从介绍一些主流的Agent/LLM-as-Agent评估工作来看看是否能得到一些启发。🔥七、Prompt评估评估Prompt的好坏需要一个全面和多维度的方法，结合自动评估指标、人工评估和用户反馈等多种手段。选择合适的评估方法和技术，能够有效提升Prompt的质量和生成效果，进而提高模型的整体性能和应用体验。通过不断优化和改进Prompt设计，可以实现更自然、更准确、更有效的自然语言。