测试Qwen3-Base: 在CRUX-O上 0.6B和1.7B分数接近,但是4B官方报55.00,我们只能测到48; 8B报62,我们只能测到55 在BBH上: 0.6B报41.47,我们测38.44; 4B报72.59,我们只能测到63.26; 8B报78.40,我们测68.52