BLEU 分数是如何计算的？

BLEU（双语评估替补）计算机器生成译文与一个或多个高质量人工参考译文之间的相似度。它生成一个 0 到 1 之间的分数，其中 1 表示完全匹配。

它计算候选译文与参考译文之间匹配 n-gram 的精度（通常 n=1 到 4）。这种"修正精度"惩罚重复的候选 n-gram。为解决非常短的输出可能导致分数虚高的问题，引入了简短惩罚。最后，将各 n-gram 精度通过几何平均进行组合，通常使用等权重。

BLEU 作为评估机器翻译系统输出质量的快速、一致且可扩展的自动化指标，有助于跟踪模型开发过程中的进展，高效比较不同系统。虽然有价值，但它主要测量表层 n-gram 重叠，与人工对流畅度和含义的判断相关性不完全；通常应与人工评估结合使用。