另一方面：今天很多评测往往针对模型的单一能力，或者若干常见的通用能力。这就像高考考数学、语文、英语；但这些科考完，放到自己的业务里会发现，成绩好并不等于能力强。回到实际业务场景，我该怎么综合评估他的能力？