【AI面试准备】语言模型、语音、多模态等模型能力评估指标和能力边界

面试岗位提出这个要求：掌握语言模型、语音、多模态等模型能力评估指标和能力边界。

以下是针对语言模型、语音模型、多模态模型能力评估指标与能力边界的结构化总结，结合高频面试考点和实际应用场景：

---

一、语言模型（LLM）评估与边界

1. 核心评估指标

• 通用能力：
  • 困惑度（Perplexity）：衡量模型对文本概率分布的预测能力（越低越好）。
  • 任务特定指标：
    • 文本分类：准确率、F1-score
    • 文本生成：BLEU（基于n-gram匹配）、ROUGE（侧重召回率）、METEOR（结合同义词对齐）
    • 问答任务：EM（完全匹配率）、F1（模糊匹配）
• 高阶能力：
  • 常识推理：基于数据集（如CommonsenseQA）的准确率
  • 逻辑推理：数学问题（GSM8K）、代码生成（HumanEval pass@k）
  • 安全性：有害内容生成率（通过对抗性测试）

2. 能力边界

• 输入限制：
  • 上下文长度（如GPT-4 Turbo支持128k tokens，超长文本可能丢失中间信息）
  • 多语言能力差异（低资源语言表现显著下降）
• 输出风险：
  • 幻觉（Hallucination）：生成与事实不符的内容
  • 逻辑一致性：长文本生成中前后矛盾
• 计算成本：
  • 推理延迟（大模型实时性差）
  • 微调成本（需千亿级token数据）

---

二、语音模型评估与边界