概述
ROUGE 和 BLEU 是將機器產生的文字與人類參考進行比較的主要自動指標。 BLEU 專為翻譯而設計，注重精確度； ROUGE 是為總結而構建的，並且依賴回憶。
ROUGE 和 BLEU 評估指標是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。
深入探討
這兩個指標都測量候選文本和一個或多個參考文本之間的 n 元語法重疊，但它們強調不同的方向。 BLEU（雙語評估研究）計算修改後的 n 元語法精度（通常為 1 到 4 元語法），將它們進行幾何乘法，並應用簡潔性懲罰，以便系統無法透過產生非常短的輸出來欺騙分數。 ROUGE（Recall-Oriented Understudy for Gistingvaluation）更傾向於回想：ROUGE-N 計算重疊的 n-gram，ROUGE-L 使用最長的公共子序列來獎勵有序匹配，而不需要連續性。 BLEU 問「系統所說的有多少是正確的？」而 ROUGE 則詢問「系統捕捉了多少參考？」。兩者都很便宜且可複製，但只能看到表面的單字重疊，缺少釋義和含義。
技術洞察
BLEU 的改進精度將每個候選 n-gram 計數限制為其在任何參考中的最大計數，從而防止重複遊戲；當輸出短於參考時，簡潔性懲罰就會開始。 ROUGE-L 的最長公共子序列捕捉句子級結構和詞序，同時允許間隙，而 ROUGE 經常報告結合精確度和召回率的 F1。
掌握 ROUGE 和 BLEU 評估指標
ROUGE 和 BLEU 是將機器產生的文字與人類參考進行比較的主要自動指標。 BLEU 專為翻譯而設計，注重精確度； ROUGE 是為總結而構建的，並且依賴回憶。 ROUGE 和 BLEU 評估指標是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。為了建立深入的理解，請將 ROUGE 和 BLEU 評估指標視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，強大的團隊使用 ROUGE 和 BLEU 評估指標根據可靠性和成本優化架構、資料和基礎設施選擇。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
多年來，架構決策決定著效能和營運成本。同時，優化一個基準測試可以隱藏更廣泛的系統弱點。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
多年來，架構決策決定著效能和營運成本。
多年來，架構決策決定著效能和營運成本。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
更好的工程選擇可以減少生產中的可靠性事故。
更好的工程選擇可以減少生產中的可靠性事故。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
機器翻譯研究人員報告 WMT 基準上的 BLEU 分數，以比較系統質量
總結論文報告了 CNN/DailyMail 資料集上的 ROUGE-1、ROUGE-2 和 ROUGE-L
工程團隊在 CI 中追蹤 BLEU，以在微調翻譯模型時檢測回歸
摘要產品在運行成本較高的人工評估之前使用 ROUGE-L 作為廉價的自動檢查
實施模式
ROUGE 和 BLEU 評估指標的實踐
機器翻譯研究人員報告 WMT 基準上的 BLEU 分數，以比較系統品質。
機器翻譯研究人員報告 WMT 基準上的 BLEU 分數以比較系統品質。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
ROUGE 和 BLEU 評估指標的實踐
摘要論文報告了 CNN/DailyMail 資料集上的 ROUGE-1、ROUGE-2 和 ROUGE-L。
總結論文在 CNN/DailyMail 資料集上報告了 ROUGE-1、ROUGE-2 和 ROUGE-L。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
ROUGE 和 BLEU 評估指標的實踐
工程團隊在 CI 中追蹤 BLEU，以在微調翻譯模型時檢測回歸。
工程團隊在 CI 中追蹤 BLEU，以在微調翻譯模型時檢測回歸。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
ROUGE 和 BLEU 評估指標的實踐
摘要產品在運行成本較高的人工評估之前使用 ROUGE-L 作為廉價的自動檢查。
總結產品在運行成本較高的人工評估之前使用 ROUGE-L 作為廉價的自動檢查。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
風險與防護欄
優化一項基準測試可以隱藏更廣泛的系統弱點。
基礎設施和維護成本常常被低估。
隨著系統變得更加複雜，安全性和可觀察性差距可能會擴大。
實施路線圖
在實施之前定義延遲、品質和成本目標。
在實施之前定義延遲、品質和成本目標。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在實際負載和資料條件下進行基準測試。
在實際負載和資料條件下進行基準測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
儀器監控錯誤、漂移和使用者影響。
儀器監控錯誤、漂移和使用者影響。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在擴展之前準備回滾和事件回應路徑。
在擴展之前準備回滾和事件回應路徑。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。