BLEU
由IBM研究人员于2002年提出的机器翻译自动评估指标，通过计算机器译文与参考译文之间的n-gram重叠程度来衡量翻译质量，是最早被广泛采用的MT评估工具
核心事实
时间轴 (近 90 天)
评估机器翻译质量通常采用人工评分（如充分性、流畅性）和自动指标（如BLEU、COMET）相结合的方式，但自动指标与人类判断的相关性有限。
该研究的生成侧评估采用DeepEval的claim-level指标，由deepseek-v4-pro担任LLM评判员，并辅以BLEU/ROUGE传统指标。
基于参考的指标（如BLEU、ROUGE、METEOR）通过计算n-gram重叠度或语义相似度评分，但奖励表面模仿，无法判断内容是否忠实于输入图谱。
评估语音翻译质量通常使用BLEU、COMET等指标，与ASR的WER属于不同评价体系。
在印地语到乌尔都语的翻译任务上，TITAN相比最强的多语言基线模型取得了33.75%的BLEU提升。
BLEU对词形变化敏感，而印地语、乌尔都语和信德语都存在丰富的形态屈折，同一语义可有多种词形实现。
BLEU通过统计模型输出与参考译文之间n-gram（通常为1至4元词组）的重合率来衡量翻译质量，并对过短输出施加长度惩罚，其取值区间为0到100，但并非线性刻度。
BLEU和ROUGE等自动指标只做表面匹配，无法识别语义错误，也无法区分错误严重程度。
BLEU和ROUGE等自动指标要求存在一条高质量参考译文，而许多真实场景中并不具备这一条件。
ROUGE基于召回率统计n-gram重合度，BLEU基于精确率并加入长度惩罚，两者都只看字面重叠，对同义替换敏感。
还有 23 条时间轴事件
全部知识事实 (20)
智能体评估的主流方案包括LLM-as-Judge、轨迹匹配和结果验证
90%已验证BLEU常用于机器翻译评估，ROUGE广泛应用于摘要任务，两者均通过统计n-gram重叠程度衡量文本质量
75%已验证BLEU是1990年代提出的自然语言生成评估指标，通过计算生成文本与参考译文之间的n-gram重叠度来衡量质量，仍是机器翻译领域的标准基准
75%待验证当前主流的LLM评估方法包括基于参考答案的指标（如BLEU、ROUGE）、基于模型的评估（LLM-as-a-Judge）和基于人类偏好的评估（如Chatbot Arena的ELO评分）
70%待验证评估机器翻译质量通常采用人工评分（如充分性、流畅性）和自动指标（如BLEU、COMET）相结合的方式，但自动指标与人类判断的相关性有限。
50%待验证该研究的生成侧评估采用DeepEval的claim-level指标，由deepseek-v4-pro担任LLM评判员，并辅以BLEU/ROUGE传统指标。
50%待验证基于参考的指标（如BLEU、ROUGE、METEOR）通过计算n-gram重叠度或语义相似度评分，但奖励表面模仿，无法判断内容是否忠实于输入图谱。
50%待验证评估语音翻译质量通常使用BLEU、COMET等指标，与ASR的WER属于不同评价体系。
50%待验证BLEU对词形变化敏感，而印地语、乌尔都语和信德语都存在丰富的形态屈折，同一语义可有多种词形实现。
50%待验证在印地语到乌尔都语的翻译任务上，TITAN相比最强的多语言基线模型取得了33.75%的BLEU提升。
50%待验证BLEU通过统计模型输出与参考译文之间n-gram（通常为1至4元词组）的重合率来衡量翻译质量，并对过短输出施加长度惩罚，其取值区间为0到100，但并非线性刻度。
50%待验证BLEU和ROUGE等自动指标要求存在一条高质量参考译文，而许多真实场景中并不具备这一条件。
50%待验证BLEU和ROUGE等自动指标只做表面匹配，无法识别语义错误，也无法区分错误严重程度。
50%待验证ROUGE基于召回率统计n-gram重合度，BLEU基于精确率并加入长度惩罚，两者都只看字面重叠，对同义替换敏感。
50%待验证传统文档解析评测常用 CER（字符错误率）或 BLEU 分数，这类指标在统计上合理却难以映射到业务关心的问题
50%待验证BLEU、ROUGE 是基于参考答案的自动化评估指标，主要用于翻译或摘要任务
50%待验证该研究采用双轨评估方式：使用BLEU衡量表面相似度，使用基于大语言模型的裁判（LLM-based judge）衡量语义相似度
50%待验证衡量SimulST系统性能通常用翻译质量（BLEU分数）和延迟（平均滞后AL、差分AL）两个维度，两者构成质量—延迟前沿曲线
50%待验证在DoGBench之前，评估AI生成文档的质量大多依赖主观判断或通用文本指标如BLEU、ROUGE
50%待验证BLEU、ROUGE等通用文本指标只关注字面词语匹配，无法衡量用户按文档操作后能否真正完成任务
50%