D3.5 评估（如何知道微调有效？）

1. Loss 曲线：train_loss 和 eval_loss 都应下降，差距小。差距大→过拟合。
2. Human eval：让 5-10 个真人盲评 A/B，看偏好率。
3. 自动 benchmark：

# 中文常用评测
from datasets import load_dataset
mmlu = load_dataset("cais/mmlu", "all")
ceval = load_dataset("ceval/ceval-exam")

• 只看 Loss：Loss 降但生成质量反而差（reward hacking）
• 不评估：以为训练完就好用，实际上可能回答变差
• 用同一批数据 eval：等于作弊