代码贴出来看看，我帮你瞅瞅

试试加 --verbose 看详细输出

这个模型我也在用，确实不错

现在各种模型跑分满天飞，但真用起来和榜单差距挺大。我觉得几个原因：

1. 刷榜：有些厂商对着榜单优化，换个题就露馅
2. 题目泄露：训练数据里可能混进了评测题
3. 场景不对：榜单是通用题，你的场景可能是垂直的

所以我一直建议：别迷信榜单，拿你自己的真实任务，小样本测一下，比看一万个跑分都准。

我的评测方法：

1. 准备 10 个真实任务
2. 每个模型跑一遍
3. 人工评分（1-10 分）
4. 取平均分

比看榜单靠谱多了。

你们怎么看？