lm-eval 多选题评测踩坑：强指令模型不按格式回答，regex 抓错字母

使用 lm-eval 进行领域多选题基准测试时，明确要求“只回答字母”仍可能无法约束重度指令微调模型，模型会返回完整解释。随后 `([A-F])` regex 可能从无关单词中抓取第一个字母，评测结果因此偏向字母位置而非模型领域知识，发帖人向社区寻求成熟解决方案。