提交相同的评测文件，在线评测的结果差异很大

[FeipengMa6]

您好，我尝试复现 Shikra的结果，按照MMBench的评测代码进行评测。

1. 本地评测结果为36.6，与榜单差异巨大。
2. 于是我将结果文件提交给在线评测，第一次评测得到的结果为54.9(这次评测的结果ID为 [id: 349e8db4-cef5-465b-90c7-93d686584021] )
3. 此时，我发现提交的文件中预测结果的 </s> token未去掉，为了更准确的评测结果，我将</s>去掉后重新评测，得到的结果却为 40.2 （id: 2875c570-d291-49b-a62b-65801b419039），反而不如第2步的评测结果
4. 于是，我重新提交第2步中的文件，此时得到的结果为0.3818 （id: 68bfa698-3ea9-4be1-953b-5bddb312ef76）与之前不符。

请问这是什么原因？期待您的回复！