Eval score 与 Elo 排名并不同步，原因是 Eval score 由自动化评估管道生成，擅长捕捉硬性违规，但难以量化应用是否真正理解用户意图或交互体验是否自然；而 Elo 来自两两对战，更接近人类并排比较时的真实偏好。