我的暑期结束的很晚很晚

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...

想在大四找实习，但是石沉大海，是简历有问题，还是我的简历根本不足以应聘前端啊#

今天面试个实习生，真是给我气到了！你的作弊痕迹不要太明显，要不是为了公司形象忍着气面了20分钟，真想当场戳穿你。作为92的学生，这样做真的好吗？作为面试官我已经给足了面子第一，你的眼神出卖了你。AI 生成答案的时候，会习惯性瞟向屏幕（不是电脑就是手机）侧边，停 1-2 秒再说话——读字呢这是。正常思考的人眼神不会这样飘且说话不会卡顿（如果不想这么容易被发现，最好不要戴眼镜😄毕竟会反光）第二，答得"太完整"。讲一个项目时从"目标-策略-执行-数据-反思"五段全列出来，会停顿、会改口、会补一句"这个数我记不太清了"等等。AI出来的答案像念机器一样，丝毫没有停顿，反而更假。第三，追问就崩。我问了一句：面对xxx情况，你会怎么做？你的AI挂了，没听清我说什么，又问了我一遍：没听清，可以再说一遍吗？于是我又复述了一遍问题，这次你的AI接收到了，你又停顿了两秒再等答案，你的回答跟我的提问一点关系没有奉劝每一位面试的同学，失去我们一家公司的机会不可怕，可怕的是你早已没有了道德底线