你在比較兩個翻譯系統誰比較像參考答案時，你會怎麼判斷它真正的作用？
你可以把它想成 BLEU分數是一種評估機器翻譯文本品質的指標，通過比較候選譯文與參考譯文的n-gram重疊程度來計算，數值越高表示翻譯品質越好。
在 你在比較兩個翻譯系統誰比較像參考答案時 這種情境裡，這個概念會直接影響你怎麼設計、怎麼評估、怎麼上線。
容易混淆
BLEU vs ROUGE BLEU 重點看翻譯的精準重疊，ROUGE 常拿來看摘要的召回覆蓋。
BLEU vs 人工評估 BLEU 很快，但人工評估更能看自然度、語氣和文化感。
BLEU vs perplexity BLEU 看輸出和參考答案重疊多少，perplexity 看模型對語料的預測難度。
記住這句就好
先看它要解決的是什麼問題，再看它是不是最合適的方法。
實際案例
案例 1：翻譯回歸測試 系統升版後 BLEU 掉分，團隊就知道可能有詞序或詞彙對應問題。
案例 2：多模型比較 兩個翻譯系統都看起來順，但 BLEU 先幫你做一個快速量化比較。
深入了解
面向 重點 核心 用 n-gram 重疊衡量候選譯文和參考譯文的相似度。 限制 太依賴參考答案，對同義改寫和自然表達不夠友善。 補充 實務上常搭配人工評估一起看。
情境判斷
Q1（判斷題）： 一個譯文很自然但 BLEU 不高，這代表什麼？ → 可能代表它和參考譯文寫法不同，但不一定真的差。
Q2（判斷題）： 短句的 BLEU 很容易飄，這時該怎麼想？ → 要更小心解讀，因為短句的 n-gram 太少，分數變動會很大。
常見問題
BLEU 分數高就代表翻譯一定好嗎？
不一定，它只能代表和參考答案的重疊高，不保證自然度和忠實度都好。
BLEU 適合拿來評估摘要嗎？
不太適合，摘要更常看 ROUGE 或人工評估。
怎麼提升 BLEU？
可以增加資料、改善模型、調整解碼策略，但也要避免只追分數不追品質。