评测脚本自己写错了，结论全是错的

跑了一周评测，发现脚本里的字符串匹配写错了，把所有包含关键词的回答都算成正确。

结果：所有模型准确率都是 90% 以上，没区分度。

教训：

1. 评测脚本要先在人工标注的小样本上验证
2. 抽样看原始输出，不只看分数
3. 有人工基线做参照

第 2 条最关键。只看汇总数字，永远发现不了这种错误。

现在我的习惯：任何评测结果，先抽 20 条看原文，确认判定逻辑对。