原推转译：你正在参加 Perplexity 的机器学习工程师面试，面试官问你：“你的大语言模型每天要生成数百万条回复，如何在不进行人工审阅的情况下评估这些回复的质量？”该怎么回答呢？目前，大语言模型（LLM）的大规模质量评估方式其实存在根本问题。传统的评估方法，比如 BLEU 和 ROUGE 指标，原本是 ...
