字节加面

前言简单自我介绍。某双非二本，大学一直在学校实验室待着，有几个相关竞赛的国家级奖项，STM32和C语言用得比较熟。但项目全是裸机开发，FreeRTOS只在面试前系统学了点理论，没去移植实践过；Linux更惨，就知道几个指令，其他基本不会，还是秋招开始后才花几天临时补的。写这帖的目的也简单，就是回馈牛客。秋招这两个多月，牛客上各位大佬的笔经面经给了我很大帮助，所以总结一下自己的秋招经历，希望能帮到更多人。也顺便给大家鼓鼓劲——我这种双非二本虽然没拿到华为、大疆那种顶级offer，但也能拿到几家还可以的大公司offer，那你们努力一下也行。这里再简单提几句考研和就业。拿我自己举例：大学期间在实验室...

但是事业顺利了😎

投了好多了，基本没有实习的😓😓，本人大三，之前有两个面试还是全职的，一听我是实习就不要了，感觉只有大厂有，但是大厂的投了，都没有回应，到底是因为啥啊？难道是我简历有问题，有没有大佬指点一下

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...