仅看通过/失败分数难解读 evals，benchmark 失败多因隐藏测试过严

如今仅凭通过/失败分数，基本上已经无法解读 evals 了。

我在 benchmark 中看到的许多失败，都是由于过于严格的隐藏测试造成的；在某些情况下，模型的答案比预期的 eval 结果更合理。