LM Evaluation Harness：修复评测泄漏与统计错误

LM Evaluation Harness 是语言模型评测工具，统一任务运行和评分，便于比较模型结果。 修复影响模型评测分数的数据泄漏与统计问题，并扩展评测任务。 本次修复会影响评测结果的数据泄漏与统计错误，并扩展评测任务。已有结果在与新版本对比前，应记录原评测版本和配置，必要时重新运行同一批样本。