BLEU, presentado por Papineni et al. (2002), compara una traducción automática con una o varias referencias humanas mediante n-gramas de palabras coincidentes, con una penalización para los resultados demasiado cortos. Fue la primera métrica automática con una correlación razonable con el juicio humano sobre la calidad de la traducción y se convirtió en un estándar del campo.
BLEU es rápido y reproducible, pero no capta el significado ni las paráfrasis, por lo que se usa junto con la evaluación humana, no en su lugar.