题目太单一：都是选择题，应该加点开放式或主观题，测试更全面。 难度分级不够：难度划分可以更细，增加挑战性。 缺人类反馈：可以用专家反馈，评估更准确。 题库更新慢：题目固定，跟不上技术进步，需要动态更新。 分析不深入：除了看对错，也要分析模型的推理和理解过程。