-
日期: 2025-06-12 | 来源: 腾讯科技 | 有0人参与评论 | 字体: 小 中 大
二、高考题适合测试AI吗？
那么，让AI做高考题究竟有意义吗？
智源研究院技术平台智能评测组负责人杨熙对腾讯科技说：“用高考题评测大模型的单科能力具有一定的客观性和参考意义，因为高考题标准化强、覆盖知识面广，能初步反映模型在各学科的基本表现。
不过，高考题主要针对人类设计，模型可能利用大规模语料或答题技巧获得高分，实际能力未必与分数严格对应，特别是在主观题或知识应用方面。“
上面两个对比不同的评分，主要的分数差别，就在主观题。高考题目为人类设计，为了衡量学生在特定的阶段（高中）对规定知识点的掌握与延展迁移能力。
主观题的解答过程中会设置多个得分点，如果在解题过程中没有覆盖得分点，即使仅仅是答案正确，也不能得满分。人类老师在点评AI数学试卷的时候，把大模型遗漏的得分点全部扣了分。
人类在考试的时候，不仅要考做得对，还要考思考路径。虽然目前的推理大模型有看起来与人类类似的思考过程，但是“大模型“与”人脑“的思维本质完全不同。
因此，人类教师扣分标准也不适用于AI（如步骤分）。
LLM 在构建“知识结构”时，会同时吸收课本语料、学术论文、软件代码、网页表格甚至带字幕的图像说明等多模态数据，因此它的“知识网”天然跨越小学算术到研究生数学的所有层级，并不是针对于高考的“高中”阶段。
这种高度杂糅的语料库带来了一种被称作“逆向（inverse）或 U-形缩放”现象：当模型规模增加、在预训练目标上损失降低时，部分看似简单的任务成绩反而先下降后上升，或者长期停留在低位。用通俗但不是很严密的语言来解释，就是在高难度任务上表现好，在低难度任务上反而出错。
比如，早期 GPT-3 系列便曾在"如果一个数的平方是16，这个数是多少？"这样的简单问题上犯错，它一般会只回答"4"而忽略"-4"，但它当时却能够正确处理更复杂的二次方程。
进一步分析这些错误，研究人员也发现大模型的数学能力常呈“岛状分布”：在单一技能上得分特别高，而难以解决多个概念串联的综合题。比如，当同时给出图形与文字叙述时，多模态大模型的整体正确率显着低于纯文字的同等难度的题。
此外，大模型答题，有时体现的未必是“答题能力”，而是OCR 带来的“识题能力”差异。
即便换成原生多模态大模型直接看图答题，也难以彻底解决成像缺陷的问题。视觉编码器首先要在特征空间“看懂”图形，再交给语言解码器推理；若圆因拍摄角度被拉成椭圆，或光照不均让局部对比度骤降，模型就可能误把曲线、关键点甚至题目文字识别错位，随后整条推理链都会被带偏，导致整题全错。
图：经过不同程度的高斯噪声、高斯模糊和低光照处理后的CIFAR-100示例图像，同一张 CIFAR-100 里的图片，分别施加三种常见失真——高斯噪声、模糊和低光照——并按强度分成三级。直观可见，当图像被模糊（第二行）或整体变暗（第三行）时，轮廓与细节迅速消失，这正是导致视觉-语言模型识别与后续推理出错的典型场景。
对比之下，人类凭多年生物进化的感官经验，能轻易识别这些视觉偏差，这正是当前AI 尚未弥合的感知-推理协同差距。
所以，人类的难题并不是大模型的难题，人类一眼就能解决的问题，对于大模型反而比“获得博士学位”还难。所以，就如杨熙所说，“大模型”赶考能够一定程度反映大模型在各个学科的基本表现，但是，人类的“高考题”可能并不适用于客观评测AI的强弱。- 新闻来源于其它媒体，内容不代表本站立场！
-
原文链接
原文链接:
目前还没有人发表评论, 大家都在期待您的高见