米哈游
大模型评测与VLA面经 2026-08-08，收到 2 条米哈游/ 如下： 本批面经集中在「生成式模型评估」与「具身智能架构」两个方向，体现工业界从拼模型能力转向拼系统落地。 **生成式评估：指标怎么选，打分模型怎么校准？** 米哈游评测岗连追 5 题，核心痛点是缺乏 ground truth 时如何建立可信度量。评估体系分四层：n-gram 重叠类（BLEU/ROUGE）适合有参考答案的短文本；语义相似度（BERTScore）缓解 n-gram 僵化；基于 LLM 的评估（GPT-4 as Judge）适合开放式生成，但需警惕位置偏差、长度偏差和自我增强偏差，可通过细化 rubric、多轮投票和引入参考回答来缓解。若训练 Reward Model，需用高质量 pairwise 对比数据，并对奖励分布做正则 / 加 KL 约束，防止 reward hacking。 **RAG 测评不能只看生成，检索端也要解耦** RAG 系统评估需分三层：检索端看 Recall@K、命中率；生成端看忠实度（Faithfulness）、答案相关性；端到端看任务成功率。关键要区分「检索-生成」耦合评估与解耦评估，避免把召回不足误判为生成幻觉。 **VLA 架构：从零设计的关键是动作表示与实时性**
第 1 轮
生成式评估：指标怎么选，打分模型怎么校准？
米哈游评测岗连追 5 题，核心痛点是缺乏 ground truth 时如何建立可信度量。评估体系分四层：n-gram 重叠类（BLEU/ROUGE）适合有参考答案的短文本；语义相似度（BERTScore）缓解 n-gram 僵化；基于 LLM 的评估（GPT-4 as Judge）适合开放式生成，但需警惕位置偏差、长度偏差和自我增强偏差，可通过细化 rubric、多轮投票和引入参考回答来缓解。若训练 Reward Model，需用高质量 pairwise 对比数据，并对奖励分布做正则 / 加 KL 约束，防止 reward hacking。
“RAG 测评不能只看生成，检索端也要解耦”这一部分的核心要点是什么？
RAG 系统评估需分三层：检索端看 Recall@K、命中率；生成端看忠实度（Faithfulness）、答案相关性；端到端看任务成功率。关键要区分「检索-生成」耦合评估与解耦评估，避免把召回不足误判为生成幻觉。
根据公司、岗位、季节和元数据确定性匹配。