[Chatllama] 评估函数和带有指标的循环

说明

目前每个训练循环都有一个评估循环,但它尚未调试也未被使用。需要将其泛化,以便在训练活动之外也能启动,并支持特定的语言模型指标。如果能生成一份报告,突出显示模型的性能,并与其他模型进行比较,那就太好了。