待验证50% 置信事实精确时间

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

1

来源数

50%

置信度

长期有效

时效性

2026/8/19

首次发现

来源

创意写作AI排名引热议：基准测试真的可信吗

相关事实

待验证自动评估指标如BLEU、ROUGE、困惑度主要衡量表面统计特征，难以捕捉语言的地道性问题73% 相似待验证通用语言模型基准（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68% 相似待验证LLM输出的困惑度（Perplexity）通常低于人类写作，可用于检测AI生成内容67% 相似待验证提示工程已从早期的关键词拼接演进为包含角色设定、思维链、少样本示例等技术的完整体系62% 相似待验证少样本提示中精心挑选的3-5个示例在格式化输出、风格迁移和复杂分类任务上往往能显著超越冗长文字说明62% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/772774

API

curl https://kongchang.com/api/v1/knowledge/claims/772774

MCP

get_claim(id=772774)