- 在GPT-2风格模型的评估代码中发现了一个bug：`model.state_dict()`返回的是对活跃参数的引用而非副本，导致在早停过程中`model.load_state_dict()`无效。
- 该bug通过使用`deepcopy(model.state_dict())`在验证损失下降时存储参数快照得以修复。
- 此外，评估代码更新为使用所有验证批次而非仅前五个，提高了早停的准确性。
- 修复bug后，通过在所有模型上重新运行指令遵循评估生成了新基线，结果显示OpenAI的GPT-2权重仍优于作者的模型。
- 排名变化总体较小，但某些模型（如无MHA偏置的JAX）显著提升，而其他模型（如1xrtx3090-stacked-interventions）下降，可能是由之前的bug优势导致。
- 作者总结认为，bug修复确保评估按预期运作，且不改变为何OpenAI模型更优的核心谜题。
- 未来实验将专注于修改训练方式以缩小与OpenAI模型的性能差距。