用同一套题，比较训练前后

前三行比较学习进步，最后一行检查保留材料。loss 越低，接字预测越好。

从四份实际评估 JSON 提取，不重新计算或改写数值

训练前 / 验证            loss=8.867300  batches=60
6000 步 / 验证         loss=4.319532  batches=60
18000 步 / 验证        loss=4.091435  batches=60
18000 步 / 测试        loss=4.078784  batches=60

评估口径

每次 60 批 × 每批 32 条 = 1920 条抽样题目
抽样可能重复；按需要预测的字数加权
前三行使用相同验证抽样；最后一行使用保留测试材料
训练日志使用 12 批 × 48 条，不能把两组数值当成同一口径