BLEU 能替代人工评估吗？

BLEU 侧重于表层词汇相似性，忽略了语义准确性、流畅度、连贯性和上下文适当性等关键方面。它需要高质量的多个参考译文才能可靠，且对特定领域敏感。其分数需要相对于基线系统和人工判断进行仔细解读，因为相关性可能差异显著。

BLEU 在开发过程中为快速系统迭代提供了宝贵的效率，并提供了模型之间的初步客观基准比较，尤其是大规模情况下。它是一种有用的补充，而非全面人工评估的替代品。人工评估捕获了远超 n-gram 的细微语言质量和语用效果。人工判断仍然是评估整体翻译质量的最终标准。