23k 全参 → LoRA 1k → 最终评测

1k 采用 50 任务补测的 166 个实际完成回合；这里只显示 6.5k 已有完成回合的任务。同任务、同场景，种子和指令并非逐回合相同。

普通场景

随机场景

差值为 6.5k 样本成功率减去 1k，单位为百分点。1k 每项仅有 1–2 回合，差异不代表确定收益或退化；缺少对照不会按 0% 计算。

各轮任务、种子和回合数不同。这里并排展示实际成绩作为背景，不能直接用总成功率判断哪版更好。

推理权重和 adapter 全部放持久盘，最近两份合并权重在新模型校验后轮换；1.5k 和每 2k 的 adapter、审计记录继续保留。完整续训断点与原始 23k 断点留在实例盘，依赖当前实例保留。

全参和 LoRA 1k 各测 200 回合：50 个任务 × 普通 / 随机 × 各 2 回合。先跑全参，再用相同种子和原文指令评测 LoRA。只计实际完成回合；当前部分成绩不用于判断胜负，这轮也不替代最终评测。

每组 10 个任务 × 普通 / 随机 × 各 5 回合，共 100 个实际完成回合。无效初始场景单独计数。结果用于选模型；部分结果与小样本差异需谨慎解释。