待验证50% 置信权衡取舍精确时间
通用语言模型基准（如MMLU、HellaSwag）对创意写作能力几乎是盲区，BLEU、ROUGE等n-gram重叠指标在创意场景效度存疑
1
来源数
50%
置信度
长期有效
时效性
2026/7/9
首次发现
来源
Fable 5向付费用户全面开放：AI叙事创作工具如何重塑内容生产
hackernewshackernews2026/7/7
相关事实
待验证困惑度（Perplexity）、BLEU分数、ROUGE分数等自动化指标最初为机器翻译等任务设计，在衡量创意性方面存在天然缺陷68% 相似待验证大语言模型在符号操作、模式识别、定义比对等任务上表现较强，但在需要深层数学直觉和构造性证明的创造性工作上仍相当薄弱67% 相似待验证大语言模型的自然倾向是生成流畅文本，而Agent工作流需要严格、可预测、机器可读的结构化输出，两者存在冲突66% 相似待验证研究者在分析多语言BERT（mBERT）内部表示时发现，即便没有平行语料的明确监督，模型也能自发学到不同语言相同概念在向量空间中高度相似的对齐结构65% 相似待验证BLEU的核心思路是计算机器译文与参考译文之间的n-gram重叠程度，其局限性包括对词序变化不敏感、无法捕捉语义等价的同义替换、依赖参考译文质量和数量65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/353897API
curl https://kongchang.com/api/v1/knowledge/claims/353897MCP
get_claim(id=353897)