一句话定义：BLEU（Bilingual Evaluation Understudy）和 ROUGE（Recall-Oriented Understudy for Gisting Evaluation）都是靠“n-gram 重叠”给机器生成的文本打分的自动评测指标——BLEU 主要用在机器翻译，ROUGE 主要用在摘要。
原理：像老师拿着标准答案数采分点
n-gram 就是“连续的 n 个词（中文里常按字或词切）”。比如“今天天气很好”里，“今天天气”是一个 3-gram，“天气很好”是另一个。切得越细，匹配越宽松；切到 4-gram，一点语序变动就对不上。
BLEU 的算法很直白：把系统译文切成 1-gram 到 4-gram，看这些片段有多少在参考译文里出现过，算出一个精确率，再乘一个“长度惩罚”（brevity penalty）。惩罚的理由很实际：如果译文只写最有把握的三五个词，精确率会虚高，所以要按长度扣回来。
ROUGE 反着来，盯的是召回率：参考译文（或参考摘要）里该有的内容，系统产出覆盖了多少。常见形式有 ROUGE-N（数 n-gram 的召回）和 ROUGE-L（用最长公共子序列衡量句子级的顺序相似度）。
| BLEU | ROUGE | |
|---|---|---|
| 主战场 | 机器翻译 | 摘要（有时也用于翻译） |
| 关注点 | 精确率：你写的有多少是对的 | 召回率：该写的你写了多少 |
| 常见形式 | 1–4 gram 匹配 + 长度惩罚 | ROUGE-N、ROUGE-L |
| 典型粒度 | 多在语料级别统计 | 句级、语料级都可以 |
局限：它匹配字面，不判断意思
最要命的问题就是“同义不同形”。参考是“他昨天到了北京”，译文是“他于昨日抵达北京”，人看是满分，n-gram 几乎不重叠，分数很难看。反过来，用词碰巧撞上但语序乱、逻辑错的输出，也可能拿到不错的分。所以它是“参考答案匹配器”，不是“理解器”。抽象式摘要（自己组织语言重写）在 ROUGE 下尤其吃亏，抽取式摘要天然占便宜。
这也解释了它和相邻概念的分工：BLEU/ROUGE 属于基于字面重叠的指标，便宜、快、可复现；AI 词典：BERTScore">BERTScore、COMET 这类属于基于语义或模型的指标，更贴近人的判断但更重、也更依赖模型本身。人工评估则是最终的裁判。
对从业者的实际意义
第一，把它当迭代期的体温计：改一版跑一次，看趋势涨跌。它有噪声，别对小数点后两位斤斤计较。
第二，别把它当验收标准，更别拿它对外宣称质量。尤其在翻译和多语言场景，分数差距往往来自分词方式和语言特性，而不是质量。
第三，做对比实验时，参考译文/参考摘要的数量和写法会显著影响分数，最好固定一套并写清楚，同时搭配一个语义型指标和抽样人工检查。
一句话总结：BLEU 和 ROUGE 是“又快又笨”的老朋友——适合快速自查，不适合替你下结论。具体工具的用法和默认参数，以官方页面为准。