页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「人工评估」找到 18 条内容
按专题浏览 →匹配正文：…程度 Context Relevance：检索上下文与问题的相关程度 Context Recall：上下文包含答案所需信息的比例 人工评估维度 维度 说明 适用场景 相关性 检索片段是否回答用户问题 检索质量调优 忠实性 生成内容是否 hallucination 医疗、法律等高风险场景 有用性 是否满足用户真实意图 对话类产品 连贯性 多轮场景下的上下文一致性 复杂多轮问答 选型建议 迭代开发期：RAGAS + 少量人工抽检，快速迭代 上线前：完整人工评估，建立bad cas…
匹配标题与标签：…评价怎么选? 大模型评估中 BLEU、ROUGE 等自动指标与人工标准的优劣对比 评估 BLEU ROUGE BERTScore 人工评估 评测指标对比 大模型评测体系 2026真题 大模型评估指标 自动评价 vs 人工评价 BLEU ROUGE 优缺点 大模型评测 百度
匹配正文：…业务闭环，如订机票场景是否成功出票 对比指标 与Gold Answer的ROUGE/BLEU、轨迹相似度 有标准答案的基准测试集 人工评估指标 维度设计：意图理解准确性、推理逻辑合理性、工具选择恰当性、回复自然度、安全合规性 适用场景：创意生成、复杂多轮对话、边界case、自动指标失效时（如"正确但无用"的回答） 评估框架设计 对照实验设计： ├── 控制组：基线Prompt + 固定模型版本 + 固定工具集 ├── 实验组：优化后Prompt（单一变量） ├── 样本量：按…
学习内容与项目面试，在同一条路上。