牛客新人之崩如溃

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...

 #26届春招投递记录# 

自我介绍实现时候接口自动化的框架什么样，由什么组成Agent项目内容是什么Agent项目用的模型是什么Agent评测怎么做的，效果评测有哪些维度LLM-as-Judge 怎么实现的，入参是什么。两次打分区别很大是什么问题优缺点、未来规划手撕：python+伪代码实现批量读数据集跑评测，生成评测报告vibe coding实现以上功能，只写prompt即可

最近嘉豪一词特别火，我之前也在我的朋友圈狠狠玩了一把往里豪的梗，确实很搞笑啊哈哈哈，我雷铜泥丸。那么我认为的嘉豪呢，并不是炫耀，因为我觉得在经历很久的努力之后获得成功是值得为自己骄傲的事情，在之前的文章里面我已经评价过那些喜欢膜膜膜，佬佬佬的人，那么今天我来补充一个角度，那些喜欢在实习中说自己活特别多，特别难的同学。这样说感觉有点地图炮，好像开炮了所有实习同学，难道我活干的多也不行吗？其实不是这样的，活干的多其实是你能承担的多，能力强。但是其中有一些同学，自己一被分到活，无论大小，立马分享到某某交流群里，表面显得痛苦不堪，好像已经连续加班一星期，“哎呀，又来了个大活”，转过头就开始大吹大擂，说自己负责了多么核心的模块，又承担了多么大的责任，好像整个实习的团队都在围绕着他转，他的活总是紧急，总是P0，总是领导最看重的，不知道哪个ld这么闲，天天盯着实习生看。每次看到我总是很想笑，交流群里鱼龙混杂，一个群里几百个人你顶破天认识一半，谁又是你真正的朋友，你分享你做的的工作多么核心，多么累，谁又能真正体验或者理解你的感受？更有甚者，喜欢同时复制消息发好几个群？这又是为什么呢？你的朋友们散落在这些交流群的天涯海角里来哈哈哈。其实核心思想也就是想向别人展示，你看我多核心啊？多受领导重视啊？马上就要转正了，你羡慕不？拉磨的驴为什么要炫耀自己活多啊，我想大部分真正很忙的同学是真的没时间炫耀这个的，正值暑期，要竞争转正名额，这样的“抱怨”我想会变得越来越多了哈哈哈我发现学计算机的同学都不习惯直接夸赞自己，大部分都是先自低，再由别人来称赞自己。我说的这些人也是这种情况，总是拐弯抹角的炫耀，不如直接大大方方的夸赞自己，也许会有更多的称赞呢。