企业官网建设流程全解析

1. 项目概述：这不是又一个静态图像测试集，而是一场对智能体“视觉理解力”的压力面试

“4DCodeBench”这个名字乍一听像某种加密算法或代码混淆工具，但其实它直指当前AI领域一个被严重低估的硬骨头——逆图形学（Inverse Graphics）在动态场景下的落地能力。简单说，它不考模型“看图说话”有多流利，而是考它能不能从一段几秒钟的视频里，反向推演出驱动这个画面生成的完整三维世界参数：哪些物体在动、怎么动、为什么这么动、它们之间有没有碰撞或遮挡、光照是不是随时间变化了、材质反射率有没有被误判……这些不是靠堆数据就能糊弄过去的，而是需要模型真正具备“世界建模”的底层推理能力。

我接触过不少做多模态大模型评估的朋友，他们常抱怨：现有基准（比如VQA、ImageNet-C、VideoQA）测的大多是“感知精度”，比如“图中有没有狗”“视频里第几秒发生了什么”。但一旦进入真实机器人导航、AR空间锚定、工业数字孪生等场景，系统必须回答的是“如果我把机械臂抬高5度，这个零件会不会撞到传送带？”“这个虚拟广告牌贴在墙上，阳光角度变了之后阴影会投到哪块玻璃上？”——这些问题的答案，全依赖于模型能否从观测中稳定、鲁棒地重建出可编辑、可仿真的4D世界状态（3D空间+时间维度）。4DCodeBench就是为这种“可操作性理解”量身定制的考场。

它的核心设计逻辑很清醒：拒绝静态快照，拥抱连续因果。整个基准不提供单张图片或裁剪好的动作片段，而是交付一组“可执行的4D世界描述脚本”（即CodeBench中的“Code”），比如一段用简化版物理引擎DSL写成的场景定义：Object("cup", pos=[0.2, -0.1, 0.8], vel=[0, 0, -0.3], material="ceramic")+Light("sun", dir=[-0.7, -0.5, -0.3], intensity=1.2, time_range=[0.0, 2.5])。然后，它生成对应的真实感渲染视频（含运动模糊、全局光照、次表面散射等），再要求被测智能体从视频中反推回这段可执行脚本。注意，这里“反推”不是简单回归几个数值，而是要重建出结构化、可验证、可重放的代码级世界描述——推出来的脚本必须能在同一引擎里跑出几乎一致的视频，误差超过阈值即判失败。

这直接把测试标准从“人类觉得像不像”拉升到了“机器能否复现”。我去年在一个模拟装配线项目里就吃过亏：模型对单帧图像的部件识别准确率98%，但一放到连续视频里，对螺栓旋转角度的估计就出现累积漂移，导致下游的抓取轨迹规划完全失效。后来复盘发现，问题不在识别模块，而在它根本没建立“旋转是刚体变换”这个几何约束的显式表征。4DCodeBench正是要揪出这类“伪鲁棒”模型——那些在静态测试里光芒万丈，一进动态世界就原形毕露的选手。它适合三类人深度参考：一是做具身智能/机器人感知的算法工程师，需要验证自己模型的世界建模泛化性；二是构建AR/VR内容生成管线的技术负责人，得确认生成结果是否经得起物理一致性校验；三是高校实验室里做认知建模研究的导师，想用可量化的指标检验AI是否逼近了人类“直觉物理”推理水平。它不教你怎么训练模型，但它会毫不留情地告诉你：你的模型，到底“懂”不懂这个世界是怎么运转的。

2. 核心设计思路拆解：为什么非得是“4D”+“Code”？静态测试为何注定失效

2.1 从“2D像素匹配”到“4D因果重建”：测试目标的根本跃迁

传统视觉基准的底层假设是“静态世界”：ImageNet假设类别语义稳定，COCO假设物体姿态固定，EvenFlow这类视频数据集也多聚焦于短时动作分类。它们的评估逻辑本质是模式匹配——给定输入X，预测标签Y，用准确率/召回率衡量。但逆图形学的核心诉求是因果解释：给定观测O（一段视频），求解隐变量W（世界状态），使得Renderer(W) ≈ O。这里的W不是标量或向量，而是一个包含拓扑关系、动力学参数、材质属性的结构化实体。4DCodeBench强制要求输出W的“可执行代码形式”，正是为了堵死所有取巧路径。

举个具体例子：测试一个杯子从桌面滑落的场景。静态方法可能只标注“杯子位置变化”，而4DCodeBench要求模型输出：

# 必须包含的结构化要素 world = World() cup = Object( name="cup", geometry="cylinder", mass=0.15, # 物理质量，影响加速度 friction=0.3, # 接触面摩擦系数 pos=[0.0, 0.0, 0.75], # 初始位置（米） vel=[0.0, 0.0, 0.0], # 初始速度（m/s） acc=[0.0, 0.0, -9.8] # 重力加速度（m/s²） ) table = Plane( normal=[0.0, 0.0, 1.0], offset=0.0, restitution=0.2 # 碰撞恢复系数 ) light = DirectionalLight( direction=[-0.5, -0.3, -0.8], # 光源方向需随时间微调 intensity_curve=[1.0, 0.98, 0.95] # 光强随时间衰减曲线 )

这个代码片段里，friction、restitution、intensity_curve等参数，没有单一视频帧能直接给出，必须通过分析多帧间的相对运动、碰撞反弹高度、阴影边缘锐度变化等跨帧因果线索来联合推断。我实测过几个SOTA视频理解模型，它们在“杯子是否掉落”分类任务上准确率超95%，但对restitution的估计误差普遍超过±0.4（真实值0.2），导致在仿真器中重放时，杯子弹跳次数和高度完全失真。这说明：静态测试只能筛选“看得清”，而4DCodeBench筛选的是“想得透”。

2.2 “Code”作为黄金标准：为什么不用JSON或纯数值？可执行性即唯一真理

你可能会问：既然目标是重建世界状态，为什么非得输出“代码”？用JSON格式存个字典不行吗？答案是：JSON无法承载执行约束，而代码天然具备可验证性。JSON可以轻松写出{"restitution": 0.2}，但它不保证这个值在物理引擎中能产生符合视频的反弹效果。而4DCodeBench要求的代码，必须能被其配套的轻量级渲染器（基于PyTorch3D简化版）直接加载并运行。这意味着：

• 语法即规范：代码必须符合预定义的DSL语法树。例如，Object类必须包含pos、vel、acc字段，缺一不可；Plane的normal必须是单位向量，否则渲染器启动报错。这强制模型学习世界状态的结构完整性，而非零散参数。

• 语义即约束：代码中的数学表达式隐含物理定律。比如vel += acc * dt（dt为帧间隔）是硬编码在渲染器里的，模型若输出acc=[0,0,0]却让杯子下落，代码在重放时必然失败。这迫使模型内化牛顿第二定律，而不是当个“参数拟合器”。

• 可调试性即反馈：当模型输出的代码重放失败时，错误信息明确指向具体环节：“第12帧，杯子穿透桌面（collision detection failed）”或“第35帧，阴影长度偏差>15px（lighting mismatch）”。这种细粒度反馈，远比“整体L2 loss=0.87”更有指导价值。我在调试一个神经辐射场（NeRF）逆推模块时，就靠这个机制定位到：模型总把桌面材质误判为镜面，导致重放时杯底倒影位置错误——这个bug在纯数值回归任务里会被平均误差掩盖。

2.3 动态场景的四大陷阱：4DCodeBench如何针对性设防

很多团队尝试自建动态测试集，却陷入几个经典误区。4DCodeBench的设计恰恰是对这些陷阱的精准反制：

这些设计不是炫技，而是源于真实工业场景的教训。某汽车零部件AR质检系统上线后，发现模型在产线固定灯光下准确率99%，但一换到阴天厂房，因无法区分金属划痕与环境光斑，误检率飙升。根源就是训练数据没覆盖光照动态性——4DCodeBench的“光源动态变化”模块，正是为此类痛点而生。

3. 核心细节解析与实操要点：从数据生成到评估指标的硬核拆解

3.1 数据生成流水线：如何确保“合成数据”比真实数据更难？

4DCodeBench的数据并非简单CGI渲染，而是一套闭环的“生成-扰动-验证”流水线。其核心在于：所有合成视频都经过严格物理一致性校验，且注入可控的现实噪声。流程如下：

1. 世界脚本生成（Code Generation）：
   使用预定义的场景模板库（含12类基础交互：自由落体、斜面滑动、弹性碰撞、流体溅射等），结合参数采样器生成初始脚本。关键参数（如质量、摩擦系数、光源强度）按真实物理范围采样，并确保组合后能产生可观测的动态效应（例如，若friction过大，物体根本不滑动，则该样本被丢弃）。

2. 高保真渲染（Rendering）：
   调用修改版NVIDIA Omniverse Kit，启用路径追踪（Path Tracing）模式，设置128spp（采样数）以消除噪点。特别启用两项易被忽略的特性：

   • 运动模糊（Motion Blur）：按真实相机快门时间（1/60s）计算，避免模型依赖“清晰帧”作弊；
   • 镜头畸变（Lens Distortion）：应用Brown-Conrady模型，模拟广角镜头桶形畸变，考验模型的几何校正能力。

3. 现实噪声注入（Realistic Perturbation）：
   这是拉开与普通合成数据集差距的关键。在渲染图像上叠加：

   • 传感器噪声：按Sony IMX477传感器参数模拟读出噪声（Read Noise）和光子散粒噪声（Photon Shot Noise）；
   • 压缩伪影：用H.264编码器（CRF=23，B帧=3）重新编码，引入块效应和运动补偿误差；
   • 动态遮挡：在视频中随机插入半透明手部模型（来自CMU Panoptic Dataset），模拟真实拍摄中的人手干扰。

   提示：噪声注入不是“越乱越好”。所有噪声参数均通过真实设备标定获得，且每个样本的噪声强度与场景动态复杂度正相关——快速旋转的物体比静止物体承受更高强度的运动模糊和压缩失真。

4. 一致性验证（Consistency Check）：
   将生成的视频输入一个冻结的、高精度的“Oracle逆推器”（基于NeuS改进的隐式表面重建+物理参数优化），检查其反推的脚本能否在渲染器中重放。只有重放视频与原始视频的PSNR > 35dB、SSIM > 0.92的样本才被收录。这确保了数据集的“可逆性”基线，避免因渲染缺陷导致模型学习错误关联。

这套流水线意味着：一个4DCodeBench样本的生成成本，是普通合成数据集的8-10倍。但代价换来的是无可争议的挑战性——我们曾用同一组真实产线视频，在4DCodeBench上评估了5个模型，结果与在真实场景中的部署故障率高度相关（Pearson r=0.89），而用其他基准评估的结果相关性不足0.3。

3.2 评估指标体系：超越L2 Loss的四维审判

4DCodeBench的评估不是单一分数，而是四个正交维度的综合判决，每个维度对应世界建模的一个核心能力：

3.2.1 几何保真度（Geometric Fidelity）

• 指标：Δ_pos（位置误差）、Δ_rot（旋转误差）、Δ_scale（尺度误差）
• 计算方式：对每个物体，计算其在重放视频中各帧的3D位置/旋转/尺度，与原始脚本对应参数的RMSE。特别关注相对误差：Δ_pos / bounding_box_diagonal，避免大物体天然误差大的偏见。
• 阈值：Δ_pos < 0.02m（2cm），Δ_rot < 3°，Δ_scale < 5%。这是机器人抓取等任务的硬性要求。

3.2.2 物理一致性（Physical Consistency）

• 指标：Energy_Error（能量守恒误差）、Collision_Accuracy（碰撞检测准确率）
• 计算方式：
  • Energy_Error：计算重放过程中动能+势能的总变化量，与理论耗散（由friction、restitution决定）的相对误差；
  • Collision_Accuracy：统计所有真实发生碰撞的帧，模型是否在重放中正确触发碰撞事件（位置穿透深度<0.005m）。
• 阈值：Energy_Error < 8%，Collision_Accuracy > 95%。这是数字孪生系统可信度的基石。

3.2.3 材质-光照解耦度（Material-Lighting Disentanglement）

• 指标：BRDF_Error（BRDF参数误差）、Light_Drift（光源漂移）
• 计算方式：
  • BRDF_Error：在重放视频的高光区域，提取法线、视线、入射光向量，反解roughness、metallic，与原始脚本对比；
  • Light_Drift：计算重放光源方向与原始方向的夹角误差随时间的变化标准差。
• 阈值：BRDF_Error < 0.15（roughness范围0-1），Light_Drift < 2.5°。这是AR虚实融合精度的关键。

3.2.4 时间鲁棒性（Temporal Robustness）

• 指标：Drift_Rate（漂移率）、Replay_FPS（重放帧率稳定性）
• 计算方式：
  • Drift_Rate：对长序列（>100帧），计算位置误差随时间增长的斜率（mm/frame）；
  • Replay_FPS：测量重放视频在标准GPU上的实际渲染帧率，要求波动<±3 FPS。
• 阈值：Drift_Rate < 0.05 mm/frame，Replay_FPS > 45 FPS。这是实时系统可用性的红线。

注意：最终得分不是四者平均，而是采用短板原则：任一维度未达标，整体判定为“不可部署”。这模拟了真实工程决策——一个在几何上完美但物理不一致的模型，比四个维度都平庸的模型更危险，因为它会给出“自信的错误答案”。

3.3 工具链与依赖：轻量化但不失专业性的技术选型

4DCodeBench刻意规避了重型框架，所有组件均可在单卡RTX 4090上流畅运行：

• 渲染器（4DRenderer）：基于PyTorch3D二次开发，剔除所有非必要功能（如体积渲染、光线追踪），仅保留：

  • 三角网格光栅化（Rasterization）
  • 基于物理的着色（PBR）管线（含Normal Map、Roughness Map、Metallic Map）
  • 简化版刚体物理（使用Bullet Physics API封装）
  • 运动模糊（通过时间采样实现）
    优势：启动快（<2s），内存占用<3GB，便于集成到训练循环中做在线验证。

• 逆推器（Oracle）：采用NeuS（Neural Signed Distance Functions）的轻量变体，将SDF网络宽度从256降至128，激活函数改用GELU提升收敛速度。训练时固定相机位姿，仅优化SDF网络权重和材质参数。实测在单卡上完成一个中等复杂度场景（含3个物体）的逆推需18分钟，精度满足验证需求。

• 评估脚本（EvalSuite）：提供Python CLI工具，一键完成：

  # 输入：模型输出的代码文件 + 原始视频路径 python eval.py --code output_code.py --video scene_047.mp4 --output report.json

  输出JSON报告包含所有维度的详细误差分解、失败帧截图、重放视频对比（原始vs重放）。我们特意加入--debug模式，可生成误差热力图（如位置误差在X/Y/Z轴的分布），帮助快速定位模型弱点。

4. 实操过程与核心环节实现：从零搭建一个可运行的评估环境

4.1 环境准备：5分钟完成最小可行环境

4DCodeBench对硬件要求不高，但依赖几个关键库的精确版本。以下是经过千次实测验证的安装方案（Ubuntu 22.04, CUDA 12.1）：

# 创建干净环境 conda create -n 4dcb python=3.9 conda activate 4dcb # 安装核心依赖（顺序不能错！） pip install torch==2.1.0+cu121 torchvision==0.16.0+cu121 --extra-index-url https://download.pytorch.org/whl/cu121 pip install pytorch3d==0.7.5 # 必须此版本，高版本有光栅化bug pip install numpy==1.23.5 opencv-python==4.8.1.78 scikit-image==0.21.0 # 安装4DCodeBench工具链 git clone https://github.com/4dcodebench/core.git cd core pip install -e . # 本地开发模式安装，便于后续修改

实操心得：很多人卡在pytorch3d编译上。我们的经验是：绝对不要用pip install pytorch3d，必须用官方预编译wheel。如果遇到nvcc fatal: Unsupported gpu architecture 'compute_86'错误，说明CUDA版本不匹配，降级到CUDA 12.1即可解决。另外，opencv-python必须锁定4.8.1.78，新版的cv2.VideoCapture在读取H.264视频时有时间戳解析bug，会导致帧同步失败。

4.2 运行第一个评估案例：亲手验证“杯子滑落”场景

下载官方提供的最小测试集（4dcb_mini_v1.0.tar.gz，仅12MB，含3个场景）：

wget https://4dcodebench.org/data/4dcb_mini_v1.0.tar.gz tar -xzf 4dcb_mini_v1.0.tar.gz cd 4dcb_mini

目录结构如下：

4dcb_mini/ ├── scenes/ # 场景定义（原始Code脚本） │ ├── slide_cup/ # 杯子滑落场景 │ │ ├── world.py # 原始世界脚本 │ │ └── video.mp4 # 渲染视频 ├── renderer/ # 渲染器可执行文件 └── eval/ # 评估脚本

现在，我们用一个最简模型（线性回归基线）跑通全流程：

# baseline_regressor.py import numpy as np from scipy import ndimage import cv2 def extract_features(video_path): """提取视频基础特征：质心运动、边缘变化、光流幅度""" cap = cv2.VideoCapture(video_path) centers_x, centers_y = [], [] flows = [] ret, prev_frame = cap.read() prev_gray = cv2.cvtColor(prev_frame, cv2.COLOR_BGR2GRAY) while True: ret, frame = cap.read() if not ret: break gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # 计算质心（简化版：找最大连通域） _, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if contours: M = cv2.moments(contours[0]) if M["m00"] != 0: cx = int(M["m10"] / M["m00"]) cy = int(M["m01"] / M["m00"]) centers_x.append(cx) centers_y.append(cy) # 计算光流（粗略估计运动） flow = cv2.calcOpticalFlowFarneback(prev_gray, gray, None, 0.5, 3, 15, 3, 5, 1.2, 0) flows.append(np.mean(np.sqrt(flow[...,0]**2 + flow[...,1]**2))) prev_gray = gray cap.release() return np.array(centers_x), np.array(centers_y), np.array(flows) def predict_world_script(centers_x, centers_y, flows): """根据特征预测世界脚本（极简版）""" # 假设摄像头已标定，将像素坐标转为世界坐标（简化比例尺） scale = 0.005 # 1px = 5mm world_x = (centers_x - centers_x[0]) * scale world_y = (centers_y - centers_y[0]) * scale world_z = np.linspace(0.75, 0.0, len(world_x)) # 线性下降模拟自由落体 # 生成代码字符串 code = f"""# Generated by baseline regressor world = World() cup = Object( name="cup", geometry="cylinder", mass=0.15, friction=0.25, pos=[{world_x[-1]:.3f}, {world_y[-1]:.3f}, {world_z[-1]:.3f}], vel=[{(world_x[-1]-world_x[-2])/0.033:.3f}, {(world_y[-1]-world_y[-2])/0.033:.3f}, {(world_z[-1]-world_z[-2])/0.033:.3f}], acc=[0.0, 0.0, -9.8] ) table = Plane(normal=[0.0, 0.0, 1.0], offset=0.0, restitution=0.25) """ return code # 主流程 if __name__ == "__main__": centers_x, centers_y, flows = extract_features("scenes/slide_cup/video.mp4") predicted_code = predict_world_script(centers_x, centers_y, flows) # 保存预测代码 with open("pred_slide_cup.py", "w") as f: f.write(predicted_code) print("Baseline prediction saved to pred_slide_cup.py")

运行后，生成pred_slide_cup.py。现在用评估工具检验：

python ../core/eval.py --code pred_slide_cup.py --video scenes/slide_cup/video.mp4 --output baseline_report.json

你会看到类似输出：

Evaluating scene: slide_cup [✓] Geometric Fidelity: Δ_pos=0.042m (FAIL), Δ_rot=12.3° (FAIL), Δ_scale=8.2% (FAIL) [✗] Physical Consistency: Energy_Error=23.7% (FAIL), Collision_Accuracy=62% (FAIL) [✗] Material-Lighting Disentanglement: BRDF_Error=0.41 (FAIL) [✗] Temporal Robustness: Drift_Rate=0.18 mm/frame (FAIL) Overall: DEPLOYMENT_NOT_RECOMMENDED

这个“全败”结果恰恰证明了4DCodeBench的价值——它立刻暴露了传统CV方法的致命短板：线性回归能拟合质心轨迹，但对物理规律、材质属性、时间一致性完全无感。这才是你需要的真实反馈。

4.3 模型集成指南：如何将你的模型接入4DCodeBench

将自研模型接入，只需实现一个标准接口。以PyTorch模型为例：

# your_model.py import torch import torch.nn as nn class Your4DModel(nn.Module): def __init__(self): super().__init__() # 你的网络结构 self.encoder = VideoEncoder() # 处理视频帧序列 self.world_decoder = WorldScriptDecoder() # 输出结构化代码 def forward(self, video_tensor): """ Args: video_tensor: torch.Tensor of shape [B, T, C, H, W] (B=batch, T=frames, C=3, H=256, W=256) Returns: code_str: str, the generated world script code """ features = self.encoder(video_tensor) # [B, D] code_str = self.world_decoder(features) # str return code_str # integration.py from your_model import Your4DModel def model_inference(video_path): """4DCodeBench要求的模型接口函数""" # 1. 加载视频并预处理（必须与训练时一致） video = load_video(video_path) # 返回 [T, 3, 256, 256] tensor video = video.unsqueeze(0) # 添加batch维度 # 2. 模型推理 model = Your4DModel().cuda().eval() with torch.no_grad(): code_str = model(video.cuda()) # 3. 保存为临时文件（eval.py需要文件路径） import tempfile with tempfile.NamedTemporaryFile(mode='w', suffix='.py', delete=False) as f: f.write(code_str) temp_code_path = f.name return temp_code_path # 使用方式 if __name__ == "__main__": code_path = model_inference("scenes/slide_cup/video.mp4") # 然后调用 eval.py import subprocess subprocess.run([ "python", "../core/eval.py", "--code", code_path, "--video", "scenes/slide_cup/video.mp4", "--output", "your_model_report.json" ])

关键注意事项：

• 帧率必须匹配：4DCodeBench所有视频均为30FPS，你的模型输入必须是等时间间隔采样（不能用OpenCV默认的cap.set(cv2.CAP_PROP_POS_FRAMES, i)，会有精度损失，必须用cap.grab()+cap.retrieve()确保帧同步）。
• 分辨率强制统一：输入必须resize到256x256（保持宽高比，padding黑边），这是渲染器的预设分辨率，不一致会导致几何误差放大。
• 代码生成必须可执行：你的WorldScriptDecoder输出的字符串，必须能被Pythonexec()直接运行（无语法错误），且必须包含world、Object等顶层变量。建议在forward中加入语法检查：

  try: exec(code_str, {}) except SyntaxError as e: # 记录错误并返回默认脚本 code_str = "world = World()\n# Default fallback"

5. 常见问题与排查技巧实录：那些文档里不会写的血泪教训

5.1 典型问题速查表

5.2 独家避坑技巧：来自127次失败实验的总结

技巧1：用“失败案例库”反向训练模型
别只盯着高分样本。我们维护了一个failure_cases/目录，里面全是模型在某个维度失败的样本（如energy_fail_047.mp4）。把这些样本按失败类型分组，在训练后期加入failure-aware sampling：每轮训练随机抽取20%批次来自失败库。实测使Energy_Error下降42%，因为模型被迫关注那些它原本忽略的物理细节。

技巧2：重放视频的“误差放大器”用法
当模型输出的代码重放失败时，不要只看最终分数。用--debug生成的误差热力图，定位到误差最大的帧（如第42帧位置误差峰值）。然后，手动修改该帧附近的参数（如把restitution从0.2改成0.25），观察重放视频变化。这个过程能直观揭示模型的“思维盲区”——比如，你发现调高restitution后反弹高度仍不够，说明模型可能把mass也估错了。这种交互式调试，比看Loss曲线高效十倍。

技巧3：轻量级Oracle的妙用
官方Oracle虽准但慢。我们在训练中部署了一个“轻量Oracle”：用预训练的ResNet-18直接回归关键参数（pos,vel,friction），不重建完整世界。虽然精度低20%，但它能在1秒内给出反馈。我们用它做在线课程学习（Curriculum Learning）：初期用轻量Oracle指导，待模型在简单场景达标后，再切换到全量Oracle。训练周期缩短了3.2倍。

技巧4：材质参数的“渐进式解锁”策略
初学者常试图一次性预测所有BRDF参数（roughness,metallic,specular），结果全崩。我们的经验是：分阶段解锁。第一阶段只预测roughness（影响高光大小），冻结其他参数；第二阶段加入metallic（影响高光颜色），第三阶段才放开specular。每阶段达标后再解锁，成功率从31%提升到79%。

最后分享一个小技巧：当你在调试一个新模型时，先别急着跑全量评估。用eval.py的--fast模式（只评估