自定义 metric 报错：UnpicklingError

Describe the bug

SFT 训练评分模型（分数范围是 1, 1.5, 2, 2.5, 3），需要自定义 metric 计算 ACC 和 QWK。
数据格式（train valid test 格式相同）：

{
    # LLM request messages
    "messages": [
        {"role": "system", "content": "..."},
        {"role": "user", "content": "..."},
        {"role": "assistant", "content": "..."}
    ],
    # Task-related info
    "UID": "...",
    "Score": "...",
    ...
}

复现步骤：

1. 参考 示例代码 编写自定义 metric 如下：

from swift.plugin.metric import METRIC_MAPPING 

def compute_scoring_metrics(prediction) -> Dict[str, float]:
    preds, labels = prediction[0], prediction[1]
    new_preds, new_labels = [], []
    for i in range(preds.shape[0]):
        new_preds.append(Serializer.from_tensor(preds[i]))
        new_labels.append(Serializer.from_tensor(labels[i]))

    # ... 其他代码
    metric = get_scoring_metrics(new_preds, new_labels)
    return {"scoring": metric}

METRIC_MAPPING["scoring_metrics"] = (compute_scoring_metrics, None)

2. swift sft 设置 --metric scoring_metrics 并运行

3. ！！报错：代码在 Serializer.from_tensor(preds[i]) 报错：_pickle.UnpicklingError: invalid load key '\x00'
   该错误来源于 swift.utils.torch_utils:Serializer.from_tensor(obj) 的 pickle.loads(res[:buffer_size])

Your hardware and system info

• H20 Ubuntu, CUDA 12
• 使用两张卡微调

Additional context
出现上述报错后，尝试了一个 workaround：将 MODEL_ID_OR_PATH 存进环境变量，在 metric.py 中动态加载 tokenizer 将 token ids 还原成字符串。这个方法不会报错，但是出现另一个问题：模型训练时 eval 指标的值很高，acc 和 qwk 大于 0.9，但离线使用 vLLM 测试时这两个指标只有 0.2-0.3。推测是模型看到了 validation dataset 中 messages 的全部信息（不确定是不是），包括 assistant 字段信息，导致标签泄露？如果把 assistant 包含的分数改成一个不在有效分数区间的分数，eval 指标就会接近 0。

我的问题：

1. 使用 repo 样例代码自定义 metric 为什么会报错？
2. 自定义 metric 的 best practice 是什么？

Start with swift/plugin/metric.py and the referenced custom metric example, then inspect Serializer.from_tensor in swift/utils/torch_utils.py, especially its pickle.loads path. Reproduce the failure with the reported scoring metric and tensor inputs, and compare the training-time evaluation data with the offline vLLM inputs. Done means the cause of the unpickling error and the correct custom-metric usage are documented or fixed, with validation against the reported leakage behavior.