BLEU (Bilingual Evaluation Understudy) a été proposé en 2002 par Kishore Papineni et ses collègues d'IBM Research. Il s'agit de l'une des métriques d'évaluation automatique les plus classiques dans les domaines de la traduction automatique et de la génération de texte. Elle calcule la précision des n-grams (généralement de 1 à 4) entre la candidate et la référence, puis multiplie cette valeur par un facteur de pénalité de longueur pour obtenir un score global. BLEU-4 prend en compte les n-grams jusqu'à 4. La plage de scores est de 0 à 100, généralement rapportée en pourcentage ou sous forme de score entre 0 et 1 ; une valeur plus élevée indique une meilleure performance, reflétant un chevauchement plus important au niveau des phrases avec la référence. Elle est souvent utilisée en conjonction avec des métriques sémantiques pour compenser son insensibilité aux expressions synonymes.