原始论文“BLEU: a Method for Automatic Evaluation of Machine Translation”包含几个数字：

BLEU 指标的范围从 0 到 1。除非它们与参考翻译相同，否则很少有翻译会获得 1 分。出于这个原因，即使是人工翻译也不一定会得分 1。需要注意的是，每个句子的参考翻译越多，得分越高。因此，必须谨慎地对使用不同数量的参考翻译的评估进行“粗略”比较：在大约 500 个句子（40 个一般新闻报道）的测试语料库中，人工翻译对四个参考的得分为 0.3468，对两个参考的得分为 0.2571 .

但正如他们的表 1（提供与两个参考文献相比的数字，H2 是上面提到的那个）显示人类 BLEU 分数之间存在差异：

不幸的是，这篇论文不符合译者的技能水平。

BLEU 分数基于将翻译与黄金标准翻译进行比较来评估。一般来说，黄金标准翻译是由专业翻译人员翻译的同一个源语句，因此理论上专业的人工翻译应始终获得最高分 1（BLEU 分数在 0 和 1 之间标准化）。

然而，重要的是要记住：

• 即使是专业的翻译人员也不一定就什么是“正确”的翻译达成一致，因此没有完美的评价方法。
• 同一个句子可以有多个有效的翻译。这可以在 BLEU 分数中考虑，但大多数时候 BLEU 分数是使用单个翻译计算的。因此，完美的翻译可能会得到低分。
• BLEU 分数基于计算预测翻译和黄金标准之间共有的 n-gram 数量。它是翻译质量的一个很好的代表，但它也是非常基本的。特别是它不能考虑含义。