这是一个"没有标准答案"的评估问题
在大模型项目里，评估往往被认为是一个"技术收尾"的环节：
- 跑几个指标
- 对比一下 loss
- 看看示例输出
但一旦你进入创意生成类任务，比如春节祝福、文案创作、风格写作，这套方法几乎立刻失效。
因为你会发现：
- loss 在降，但输出没变好
- BLEU 在升，但读起来更像模板
- 指标很好，但用户说"没感觉"
于是问题变成了：
"走心"这种东西，
到底能不能被评估？
如果能，该怎么评？
「码上拜年」这个祝福 AI 的案例，恰好提供了一个非常真实、也非常典型的评估样本。
一、先承认现实：创意生成不存在"客观最优解"
在进入方法之前，必须先把一个前提说清楚：
春节祝福这种任务，
不存在唯一正确答案。
这意味着几件事：
- 不存在"标准参考文本"
- 不存在"绝对错误"的输出
- 很多输出在语法和逻辑上都没问题，但情感效果差异巨大
所以如果你还在问：
"我们能不能用一个分数，判断祝福好不好？"
那答案是：几乎不可能。
评估的目标，必须从"是否正确"，转向：
是否符合我们期待的表达方式。
这也决定了后面的评估，一定是主观为主，但不能随意。
二、为什么传统指标在祝福场景里几乎没用
我们先快速把常见指标"判死刑"，不是因为它们没价值，而是因为用错了地方。
1. loss：只能告诉你"模型更像训练数据了"
在祝福微调中，loss 的下降通常意味着：
- 模型更擅长复现训练语料的风格
- 对模板化表达更熟练
但它无法告诉你：
- 表达是否自然
- 是否过于用力
- 是否真的贴合关系
在「码上拜年」的实验中，你会看到一个很典型的现象：
loss 下降很平滑，
但"人味"的提升，
是跳跃式、主观感知很强的。
这说明 loss 在这里最多只能作为训练稳定性的参考。
2. BLEU / ROUGE：奖励"像"，而不是"合适"
BLEU、ROUGE 本质上是在做一件事：
奖励和参考文本"像"的程度。
但在祝福这种任务里：
- 两句都很走心的祝福，可能完全不共享 n-gram
- 一句很模板的祝福，反而和训练语料高度相似
所以你会遇到一个非常尴尬的情况：
越模板，分数越高；
越自然，反而分数下降。
这不是指标的问题，而是任务不适配。
三、那我们到底在评估什么？
在创意生成类任务中，评估的目标，必须被重新定义。
在「码上拜年」这个案例中，一个"走心"的祝福，至少要满足三类条件：
- 没有事实错误
- 风格和关系是对的
- 读起来像"人说的"，而不是"模型写的"
这三点，构成了后续评估维度的基础。
四、维度一：事实准确性（最低门槛，而不是亮点）
事实准确性在祝福任务中，并不是最重要的，但是最低门槛。
它主要检查的是：
- 是否捏造不存在的经历
- 是否错误理解用户提供的关系
- 是否把"客户"写成"朋友"
- 是否胡乱添加敏感或不合适的信息
在 Before / After 对比中，这个维度往往不是区分度最大的，但一旦出错，体验直接归零。
五、维度二：风格契合度（微调最容易体现价值的地方）
这是微调前后差异最明显、也最稳定的一个维度。
微调前常见问题
在未微调的通用模型中，祝福语常出现：
- 不管选什么风格，最后都变得"正式"
- 科技梗用得很生硬
- 商务祝福过于像公告
微调后变化
在「码上拜年」的 After 输出中，可以明显看到：
- 不同风格之间边界更清晰
- 轻松自然风不再"假装活泼"
- 科技风的梗更贴近真实技术语境
这类变化，很难用指标描述，但人一眼就能看出来。
六、维度三：表达自然度（最"玄"，但最重要）
表达自然度，是最难定义、但用户最敏感的维度。
它通常体现在：
- 是否有明显的套话痕迹
- 句子长度是否自然
- 是否像真实聊天，而不是作文
- 情绪起伏是否合理
一个非常典型的评估方法是：
你愿不愿意不改一个字，直接发给对方？
在微调前，很多输出需要"人工润色"；
而在微调后，很多输出已经可以直接用。
这正是"走心"的关键体现。
七、Before / After：用具体样例说话
以「码上拜年」中的一类场景为例（简化描述）：
- 关系：多年同事
- 场合：微信拜年
- 风格：轻松自然
Before（通用模型）
"值此新春佳节之际，祝你新的一年身体健康、工作顺利、万事如意。"
问题不在对错，而在于：
- 谁都可以用
- 谁用都一样
- 完全感受不到"你们的关系"
After（微调模型）
"又一年了，想起去年一起熬夜改方案的那些天，真是又累又好笑。新的一年，祝你继续状态在线，少加班多快乐，项目顺顺利利！"
差异并不在"写得更漂亮"，而在于：
- 具体
- 克制
- 像真实的人在说话
这正是评估要捕捉的东西。
八、如何把"主观评估"变得不那么随意
很多人一听"主观评估"就会担心：
"那不就很随意吗？"
其实不然。
在工程实践中，主观评估是可以被结构化的。
在祝福 AI 的评估中，一个可行的方法是：
- 固定一组输入场景
- 对比 base model 与微调模型
- 针对以下维度打分或打标签：
- 风格是否匹配
- 是否自然
- 是否具体
- 是否愿意直接发送
哪怕不做数值平均，这种结构化评估也能稳定反映趋势。
九、为什么"用户感受"才是最终评估标准
在「码上拜年」这个项目中，有一句总结非常重要：
祝福这件事，本质上不是"写得多好"，
而是"有没有被感受到在用心"。
这意味着：
- 评估的终点不是模型
- 而是人
一个祝福 AI 是否成功，不取决于它写了多少漂亮句子，而取决于：
- 用户是否愿意用
- 是否愿意反复用
- 是否愿意把结果直接发出去
这些行为信号，往往比任何指标都真实。
在像「码上拜年」这样的创意生成任务中，效果评估往往比训练本身更难。用LLaMA-Factory Online进行微调前后的输出对照，更容易从风格一致性、自然度等维度判断：模型究竟是"更像数据"，还是"更像人"。
总结：评估创意生成，评的不是模型，而是"人是否愿意用"
用一句话收尾这篇文章：
在创意生成类任务里，
最好的评估指标，
往往不是分数，
而是你愿不愿意相信这段话。
春节祝福 AI 这个案例，清楚地展示了一点：
- 微调是否成功
- 不在于模型变了多少
- 而在于输出是否开始承担"情绪责任"
当你开始用这样的标准去看模型效果，很多技术选择，反而会变得清晰起来。