在论文表 1 的 Search-QA 实验结果中，相较于 AgentOCR，Skill0 在 Bamboogle 子任务上的成功率呈现出异常偏高的现象（63.7 vs 24.0）。
通过对代码实现逻辑的分析可知，当前子任务成功率的计算方式为：先逐批次计算各子任务的单批次成功率，再对所有批次的成功率取算术平均值，作为该子任务的最终成功率。
常规的正确计算方式应为子任务总成功样本数 / 子任务总样本数；在多数场景下，两种计算方式的结果差异较小。但在代码设定的batch size=512配置下，追踪 Bamboogle 的批次划分结果可发现：该子任务共包含 125 条数据，会被拆分为两个批次 —— 一个批次含 124 条数据，另一个批次仅含 1 条数据。仅含 1 条数据的批次，其成功率只能取 0 或 1，对该类极端小批次直接取算术平均，会显著偏离真实值，最终导致计算出的成功率出现明显偏差。
由于该异常分片情形仅在该 batch size 配置下产生，因此想向作者确认，表 1 所展示的 Bamboogle 成功率指标是否存在上述计算带来的数值偏移。
在论文表 1 的 Search-QA 实验结果中，相较于 AgentOCR，Skill0 在 Bamboogle 子任务上的成功率呈现出异常偏高的现象（63.7 vs 24.0）。
通过对代码实现逻辑的分析可知，当前子任务成功率的计算方式为：先逐批次计算各子任务的单批次成功率，再对所有批次的成功率取算术平均值，作为该子任务的最终成功率。
常规的正确计算方式应为子任务总成功样本数 / 子任务总样本数；在多数场景下，两种计算方式的结果差异较小。但在代码设定的batch size=512配置下，追踪 Bamboogle 的批次划分结果可发现：该子任务共包含 125 条数据，会被拆分为两个批次 —— 一个批次含 124 条数据，另一个批次仅含 1 条数据。仅含 1 条数据的批次，其成功率只能取 0 或 1，对该类极端小批次直接取算术平均，会显著偏离真实值，最终导致计算出的成功率出现明显偏差。
由于该异常分片情形仅在该 batch size 配置下产生，因此想向作者确认，表 1 所展示的 Bamboogle 成功率指标是否存在上述计算带来的数值偏移。