要解决BERT的真/假评分似乎有问题的情况，需要进行以下步骤：

1. 确定问题：首先需要确定问题出现的具体情况和原因。可能的问题包括数据质量问题、模型训练问题或评分计算问题。

2. 数据质量问题：检查输入数据是否准确且具有代表性。确保数据中包含真实的正面和负面样本，并且标签准确。

3. 模型训练问题：检查模型训练过程是否正确。确保使用了适当的数据预处理和模型架构。可能需要重新训练模型并进行调参。

4. 评分计算问题：检查评分计算的代码是否正确。确保使用了正确的评分计算公式和参数。

下面是一个使用Python示例代码来解决这个问题的简单流程：

# 导入必要的库
from transformers import BertTokenizer, BertForSequenceClassification
import torch

# 加载BERT模型和tokenizer
model_name = 'bert-base-uncased'
model = BertForSequenceClassification.from_pretrained(model_name)
tokenizer = BertTokenizer.from_pretrained(model_name)

# 准备输入文本
text = "BERT的真/假评分似乎有问题。"
encoded_input = tokenizer(text, return_tensors='pt')

# 使用BERT模型进行预测
output = model(**encoded_input)

# 获取预测结果
scores = output.logits
predicted_label = torch.argmax(scores).item()

# 输出预测结果
labels = ['真', '假']
print(f"预测标签：{labels[predicted_label]}")

在这个示例中，我们使用了Hugging Face的transformers库，它提供了方便的BERT模型和tokenizer加载功能。我们首先加载了预训练的BERT模型和tokenizer，并准备了输入文本。然后，我们使用加载的BERT模型对输入进行预测，并获取到预测结果。最后，我们将预测结果输出到控制台。

需要注意的是，这只是一个简单的示例，实际情况可能更加复杂。具体解决方法需要根据实际情况进行调整和优化。