为什么用同一模型生成和评测答案，评估时发现了哪些问题？

行业里用模型做评测是很常见的技术，但同模同样的模型去做评测比较少见，你们的设计考虑是什么？（追问）你们在评估的过程当中发现了有哪些问题？