困惑度(Perplexity)的含义与计算
哪些公司问过
答案要点
- 含义:衡量语言模型预测下一个 token 的不确定性,越低越好
- 公式:PPL = exp(−(1/N)·Σ log p(x_i | x_<i)),即平均交叉熵的指数
- 等价形式:各 token 条件概率乘积的 N 次方根的倒数;底数需与交叉熵一致
- 直观解释:有效分支数,在词表 V 上均匀猜测时 PPL = V
- 注意:不同分词器之间不可直接比较,长文本用滑动窗口,低 PPL 不等于下游效果好
易错点
- 跨不同分词器的模型直接比较困惑度
- 把困惑度低等同于生成质量或对话能力强
- 计算时指数的底数与交叉熵的对数底数不一致
面试官常见追问
- 为什么不同模型的困惑度不能直接比?
- 困惑度在实际中有什么用途?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。