评估指标（BLEU、ROUGE、METEOR、BERTScore）
分类任务常用指标（Accuracy / Recall / Precision）见 1.2.4 评估指标与交叉验证。
rouge
主要用于对比一个文本和多个文本之间相似度的指标
bleu
主要用于机器翻译的任务当中
从上述的 show case 中可以 看出，是根据输入文本中的 n-gram 匹配长度来计算的，同时还具有顺序信息
LLM Alignment 中的评估
Truthfulness
Helpfulness
Effectiveness
Creativity
Safety
参考资料
https://research.aimultiple.com/large-language-model-evaluation/