主分支eval评估脚本或许有问题

[chesser-y]

对Qwen3-4B-instruct-2507模型在数学上的评估分数与Qwen官方指导的评分有较大的差距（超过 10%），或许评估性能脚本有问题。

[chesser-y]

对Qwen3-4B-instruct-2507模型在数学上的评估分数与Qwen官方指导的评分有较大的差距（超过 10%），或许评估性能脚本有问题。

具体评估数据集为AIME25，Mean@32为0.3，与官方给出性能分数0.4+有较大差距；（在AIME24上也有相同的结果)