Qwen2.5VL-3B-instruct在GEOQA上的评测复现数据不一致

[RavenCaffeine]

GRPO训练后
评测准确率为Accuracy: 24. 01%，还有一次23.47%
重新直接使用Qwen2.5VL-3B-instruct的评测准确率为13.53%

但是仓库中

Qwen2.5VL-3B-Instruct: 35.41%

Qwen2.5VL-3B-Instruct-GRPO-1epochs: 47.48%