该测试的局限性包括：任务规模有限（50个任务、每个提示词3次试验）、风格版本由单一作者撰写、华丽版本与正常版本存在长度混淆、仅测试英语和14B以下本地模型、困惑度检查仅覆盖三个较小Qwen模型且使用全精度权重而实际推理用4位量化。