对评估的结果有些疑问

[qizheyanger]

在尝试复现论文中的DeepSeekMath-7B-RL的基线时，评测出的结果和论文中有较大的出入，想知道可能是哪个环节需要特别注意，导致我无法复现到文中的结果，非常感谢！
生成指令：CUDA_VISIBLE_DEVICES=6 python evaluate_all.py --model_name /data2/wuzhuoyang/grade-school-math-master/model/deepseek --dataset_path /data2/wuzhuoyang/OlympiadBench-main/data/OE_TO_maths_en_COMP/data2/data2/OE_TO_maths_zh_CEE.json --cuda_device 6
python judge.py
计算结果指令： python calculate_accuracy.py --ref_dir /data2/wuzhuoyang/OlympiadBench-main/data/reference --text_only
但是复现出的结果如下，和文中结果22.42相差较大，多次检查未找到问题所在，可能是什么地方没有注意到。