ROUGE 和 BLEU 是用来评测大模型（尤其是自然语言处理模型）文本生成质量的两个常见指标，主要用于衡量模型生成的文本与参考答案（ground truth）的相似度。
1. ROUGE（Recall-Oriented Understudy for Gisting Evaluation）
适用场景：常用于 文本摘要任务，衡量模型生成的文本与参考摘要的覆盖程度。
核心概念：基于 n-gram（短语片段）匹配，主要关注 召回率（Recall），即生成的文本能多大程度上覆盖参考文本的关键内容。
常见的 ROUGE 变体：
- ROUGE-N：计算 n-gram 的匹配率（常用 ROUGE-1、ROUGE-2）
- ROUGE-L：基于最长公共子序列（LCS），更关注语序
- ROUGE-W：对 LCS 加权，考虑更长的匹配
- ROUGE-S：跳跃 n-gram 匹配，不要求连续出现
示例： 假设参考文本是：
"人工智能正在改变世界。"
模型生成：
"AI 正在改变整个世界。"
如果用 ROUGE-1（即按单词匹配），那么匹配到的词有："正在"、"改变"、"世界"，匹配率是 3/4 = 0.75。
2. BLEU（Bilingual Evaluation Understudy）
适用场景：主要用于 机器翻译任务，衡量模型输出与标准翻译的相似度。
核心概念：基于 n-gram 精确匹配，主要关注 精确度（Precision），即生成文本中有多少 n-gram 片段出现在参考文本里。
计算方式：
- 统计 n-gram 的匹配率（常用 BLEU-1、BLEU-2、BLEU-4）
- 引入 BP（Brevity Penalty，长度惩罚），防止模型只输出短文本拿高分
示例： 参考翻译：
"The cat is on the mat."
模型翻译：
"The cat is on mat."
如果用 BLEU-1（即按单词匹配），匹配到的单词有："The"、"cat"、"is"、"on"、"mat"，匹配率 5/5 = 1。
