使用自定义多模态标准messages格式数据 可以正常训练推理，评测无法跑起来

自定义 多模态 数据类似如下（训练和测试数据格式一致）：
{"messages": [{"role": "user", "content": "<image><image>两张图片有什么区别"}, {"role": "assistant", "content": "前一张是小猫，后一张是小狗"}], "images": ["/xxx/x.jpg", "/xxx/x.png"]}

使用swift sft 训练正常；
使用swift infer 可以正常推理并存储结果
想计算 blue rough ，使用 swift eval 一直无法正常调用起来
老师，能否提供一个例子，