# 刘秀祥主题写作评分测试报告 ## 声明 [AI智能体是我们的工具，是张良、萧何和陈平，而我们是刘邦。](https://sayings.wantsong.life/post/2025-08-04-what-can-we-do/) 希望老师们看完具体的评分报告后，与我们联系，看如何升级调节这个智能体，让它能更好地为我们服务。 ## 说明 **两轮评分说明：** 第一轮评分用的是“降智”版AI，昨天发现这个问题后立即通知白老师。 第二轮智力提上来了。所以从智力角度出发，我们更采信第二轮的评分结果。同时文末附上了两轮评分的具体分析。 **未处理错别字：** 由于AI目前“大脑”发育很好，而“六感”发育不健全，可以较好的思考评判但是对真实世界信息的采集有问题，所以本次评分中的错别字都按照不扣分计，AI无法判断是识别错误还是学生写错。 **报告结构：** 现在开发的智能体是为了封装进将来的程序中，所以评分结果都是程序需要的结构，而不是人阅读的结构，稍微有些复杂，见谅。 **关键字段说明：** * `weighted_total_score_100`，以100分计的话，作文内容质量得分； * `quality_score`，换算成满分60分，作文内容质量实际得分； * `deductions`，形式扣分项目，按照评分细则中分解出来的。 * `deduction_value`，具体扣分项目的扣分；由于本次评分可以加分，所以"1"，表示扣1分；"-1"，则负负得正，表示加1分。 ## 第一轮评分 本次共测试了6份征文（点击链接打开评分报告）： * [高瑜萱，54分。指导教师：马双君；班级：2025级24班](https://wantsong.cn/report/2025-11-26-highcollege-essay/1.html) * [刘子玉，41分。指导教师：黄泓杰；班级：202508班](https://wantsong.cn/report/2025-11-26-highcollege-essay/2.html) * [孙荣轩，32分。指导教师：陈苗苗；班级：202514班](https://wantsong.cn/report/2025-11-26-highcollege-essay/3.html) * [王欣悦，51分。指导教师：袁龙；班级：202509](https://wantsong.cn/report/2025-11-26-highcollege-essay/4.html) * [张焮樾，47分。指导教师：石勇；班级：202505](https://wantsong.cn/report/2025-11-26-highcollege-essay/5.html) * [朱可欣，40分。指导教师：祝心诚；班级：202521](https://wantsong.cn/report/2025-11-26-highcollege-essay/6.html) ## 第二轮评分 * [高瑜萱，54分。指导教师：马双君；班级：2025级24班](https://wantsong.cn/report/2025-11-26-highcollege-essay/1.1.html) * [刘子玉，36分。指导教师：黄泓杰；班级：202508班](https://wantsong.cn/report/2025-11-26-highcollege-essay/1.2.html) * [孙荣轩，25分。指导教师：陈苗苗；班级：202514班](https://wantsong.cn/report/2025-11-26-highcollege-essay/1.3.html) * [王欣悦，49分。指导教师：袁龙；班级：202509](https://wantsong.cn/report/2025-11-26-highcollege-essay/1.4.html) * [张焮樾，44分。指导教师：石勇；班级：202505](https://wantsong.cn/report/2025-11-26-highcollege-essay/1.5.html) * [朱可欣，44分。指导教师：祝心诚；班级：202521](https://wantsong.cn/report/2025-11-26-highcollege-essay/1.6.html) ## 评分差异说明 ### **第一篇：《以奋斗为光 照亮生命中的黑暗》** - **第一次评分：54分** - **第二次评分：54分** 虽然最终分数相同，但这纯属巧合。两次评分的内在逻辑和质量分（Quality Score）是不同的。 #### **核心差异概览** - **评分标准更严格 vs 更宽松**：第二次评分在多个维度上给出了更高的“A”级评价，认为文章在论据关联、结构范式、语体得当性上都达到了“卓越”水平，而第一次评分则认为这些方面是“良好(B)”。 - **质量分与扣分项的平衡**： - 第一次评分的质量分较低（`quality_score`: 52.34），但因为有 **+2分的“卷面整洁度”奖励**，最终拉高到了54分。 - 第二次评分的质量分更高（`quality_score`: 53.79），但没有卷面加分，最终凑巧也是54分。 #### **差异点逐一分析** 1. **论据与论点的逻辑关联性 (content_2)** - **第一次 (B-良好)**: 认为文章扎实地使用了论据，表现可靠。 - **第二次 (A-卓越)**: 评价更高，称之为“典范”。它特别指出了作者将刘秀祥拆解为“背骨少年”和“最美教师”两个意象的精巧构思。 - **差异原因**: 第二次评分更注重**论据处理的技巧性**，而不仅仅是关联性。它捕捉到了作者将人物符号化、意象化的写作手法，并给予了高度评价。 2. **结构范式的匹配度 (structure_1)** - **第一次 (B-良好)**: 认为文章完全符合“听后感”范式，扎实达标。 - **第二次 (A-卓越)**: 评价为“典范”。理由是文章以“感”统领，结构设计服务于深刻的立意。 - **差异原因**: 第二次评分对“感”与“听”的关系有更深层次的理解，认为该文不仅是符合范式，更是**利用范式来深化主题**的典范。 3. **过渡的连贯性 (structure_3)** - **第一次 (A-卓越)**: 高度赞扬了过渡的精巧，尤其是“然而”一句。 - **第二次 (B-良好)**: 认为过渡自然流畅，但评价回归到“良好”水平。 - **差异原因**: 这反映了模型在评判“卓越”标准上的摇摆。第一次评分可能更看重某个“亮点句”的作用，而第二次评分则从整体连贯性出发，认为整体稳定但未到惊艳的程度。 #### **分值差异原因总结** 这篇高分作文的两次评分虽然分数相同，但揭示了**不同模型对“卓越”等级的定义和敏感度不同**。第二次评分模型似乎对文章的**文学性、思辨性和结构巧思**更为敏感，因此给出了更多的“A”级评价。最终分数相同，主要是因为第一次评分的“卷面奖励”抵消了其较低的质量分。这说明，**即使是同一个大模型，不同的版本或微调策略也会导致评分尺度的松紧变化。** --- ### **第二篇：《观刘秀祥励志大会后感》** - **第一次评分：41分** - **第二次评分：36分** 这是一次显著的分数下降（-5分），反映了两次评分在标准上的巨大差异。 #### **核心差异概览** - **容忍度降低，标准更严苛**: 第二次评分对文章的缺点批判得更严厉，将第一次评分中的多个“C-合格”项降级为“D-待发展”。 - **从“基本达成”到“未能达成”**: 第一次评分认为文章虽然问题多，但基本完成了任务（多为C）；第二次评分则认为文章在多个核心任务上是失败的（多为D）。 #### **差异点逐一分析** 1. **论证分析 (content_3)** - **第一次 (C-合格)**: 认为分析浅显，但“初步达成要求”。 - **第二次 (D-待发展)**: 认为**“几乎没有进行分析”**，仅为一句感叹，属于“空泛议论”，“未能有效达成”任务。 - **差异原因**: 第二次评分对“分析”的定义更严格，要求必须有对事迹精神价值的阐述过程，而不能仅仅是感叹+口号。 2. **结构范式 (structure_1) & 过渡连贯性 (structure_3)** - **第一次 (均为C-合格)**: 承认“听多感少”和过渡生硬是问题，但认为结构“基本清晰”。 - **第二次 (均为D-待发展)**: 认为结构**“严重失衡”**，过渡**“明显断裂”**，是“生硬拼接”，核心任务完成度低。 - **差异原因**: 第二次评分对“听后感”文体特征的要求更高，认为大篇幅复述事迹是结构上的根本性失败，而不仅仅是瑕疵。 3. **句式规范度 (language_2)** - **第一次 (B-良好)**: 认为语句“基本通顺流畅”。 - **第二次 (C-合格)**: 指出了多处语病，如“句式杂糅”、“表达不完整”，认为能力“有待提升”。 - **差异原因**: 第二次评分对语病的敏感度更高，能更准确地识别出影响表达的句子结构问题。 #### **分值差异原因总结** 这次分差的核心在于**第二次评分模型对议论文的核心要求（论证分析、结构平衡）更为严格**。它不再满足于“有观点、有材料”，而是要求“材料能有效论证观点”。对于“听多感少”、缺乏分析、过渡生硬等议论文常见病，第二次评分给予了更严厉的降级处理。此外，它在语言细节（语病）上的审查也更严格。这说明**第二次评分的模型更贴近一个严谨的语文老师的思维模式。** --- ### **第三篇：《坚持知根，奋斗生花》** - **第一次评分：32分** - **第二次评分：25分** 这是全场分差最大的一次（-7分），问题非常突出。 #### **核心差异概览** - **全面降级**: 第二次评分几乎在所有维度上都给出了比第一次更低的评价，尤其是从“C-合格”到“D-待发展”的降级非常普遍。 - **问题定性更严重**: 第二次评分将文章的语言问题（用词、句式、语体）从“存在瑕疵”定性为“大量不准确”、“严重影响表达”，是根本性的能力短板。 #### **差异点逐一分析** 1. **思想内容与结构逻辑**: - **第一次 (多为C/D)**: 已经指出了论据脱节、结构失衡、段落冗长等问题。 - **第二次 (几乎全为D)**: 评价更为尖锐，使用了“完全没有进行分析”、“内容重叠，缺乏清晰的功能区分”、“严重问题”等措辞。它不仅指出了问题，还强调了这些问题的**严重性**。 - **差异原因**: 第二次评分对文章的整体逻辑混乱和内容冗余问题“零容忍”。它认为文章不仅是“听多感少”，而且叙述部分本身也是无序和重复的，这比上一篇的问题更严重。 2. **语言表达 (language_1, language_2, language_3)** - **第一次 (C/D/C)**: 指出了用词瑕疵和“逗号句”，但仍有保留。 - **第二次 (D/D/D)**: **全面评为“待发展”**。理由是“大量不准确”、“大量语病，严重影响传达”、“语体非常不成熟”。 - **差异原因**: 这是分差的关键。第二次评分模型对语言基本功的要求非常高。它认为这篇文章的语言问题已经超出了“瑕疵”范畴，达到了**“影响核心表达”**的程度，因此直接评为最低等级。这说明第二次评分模型在评估基础能力上更具“一票否决”的倾向。 #### **分值差异原因总结** 这篇作文的巨大分差，源于**第二次评分模型对基础写作能力的严格把关**。它认为这篇文章在**逻辑、结构、语言**这三个写作的基石上都存在根本性的、系统性的问题。当基础能力不过关时，即使有论点、有材料，也会被判定为一篇失败的作文。第一次评分虽然也看到了问题，但处理上相对“温和”，而第二次评分则展现了更强的“诊断性”和“批判性”，评分尺度也因此更低。 --- ### **第四篇：《把自己活成一束光》** - **第一次评分：51分** - **第二次评分：49分** 分数接近，但内在评价略有差异，且都给予了很高评价。 #### **核心差异概览** - **评价基调高度一致**: 两次评分都高度赞扬了本文“以感为主”、“真诚”、“结合自身”的优点。这是所有作文中，两次评价最相似的一篇。 - **细微的等级差异**: 第一次评分在“语体得当性(A)”上评价更高，但第二次在“卷面分”上没有加分，导致最终分数略低。 #### **差异点逐一分析** 1. **语体得当性 (language_3)** - **第一次 (A-卓越)**: 认为语言风格是最大亮点，“充满了个人化的思考和感悟”，感染力强。 - **第二次 (A-卓越)**: 同样给予A，理由相似，称其“语体堪称典范”，“情感真挚，极具说服力和感染力”。（注意：此项两次均为A，但可能是最终计算的小数点差异导致整体分数波动）。 2. **扣分项差异**: - **第一次**: 给了+2分的“卷面整洁度”奖励。 - **第二次**: 没有给卷面分。 - **差异原因**: 这是最终分数差2分的主要原因。两次评分对文章的质量分 (`quality_score`) 判断几乎一致（49.35 vs 49.29），但扣分项的不同导致了最终结果的差异。 #### **分值差异原因总结** 这篇文章的两次评分高度一致，说明它**准确地切中了议论文写作的核心优点**：立意真诚、感悟深刻、结构清晰、详略得当。它的优点非常突出，以至于两个不同标准的大模型都给出了极高的评价。微小的分差主要源于非核心的“卷面分”设置，而非对文章质量判断的本质分歧。**这表明一篇真正优秀的文章，更容易在不同评分模型下获得共识。** --- ### **第五篇：《在逆境中成长，追求卓越的力量》** - **第一次评分：47分** - **第二次评分：44分** 分数略有下降（-3分），主要源于第二次评分对文章的论点和结构提出了更高的要求。 #### **核心差异概览** - **从“观点明确”到“观点分散”**: 第二次评分对文章的中心论点提出了批评，认为不够集中。 - **从“结构良好”到“结构有瑕疵”**: 第二次评分指出了段落划分的问题。 #### **差异点逐一分析** 1. **中心论点的明确性与集中度 (content_1)** - **第一次 (C-合格)**: 认为论点“明确”，但“相对宽泛”。 - **第二次 (C-合格)**: 评级相同，但理由变为**“较为分散，未能形成一个集中、统一的核心‘感’”**。 - **差异原因**: 第二次评分对“集中度”的要求更高。它发现文章中同时存在“实现人生价值”、“选择、努力、坚持”、“逆境成长”等多个观点，而未能将它们有机统一，因此判定为“分散”。 2. **段落的功能性与划分 (structure_2)** - **第一次 (B-良好)**: 认为段落清晰，特别是第五段拆解三点增强了条理性。 - **第二次 (C-合格)**: 认为将三点放在一个段落中**“显得拥挤”**，论述不充分，是结构瑕疵。 - **差异原因**: 两次评分对“分点论述”的看法完全相反。第一次认为这是优点（条理清晰），第二次则认为这是缺点（论述不充分）。这反映了模型在评判“形式”与“内容”时的权衡不同。第二次评分更看重**每个论点是否得到充分展开**，而不仅仅是形式上的清晰。 #### **分值差异原因总结** 这次的分差主要在于**第二次评分模型对论证的“深度”和“饱满度”要求更高**。它不仅要求有观点，还要求观点集中；不仅要求分点，还要求每一点都有充分的阐述空间。第一次评分更侧重于文章的“骨架”（结构清晰、有结合自身），而第二次评分则更关注“血肉”（论点是否集中、论述是否饱含满）。这种从“形式”到“内容”的更高要求，导致了分数的下降。 --- ### **第六篇：《学无止境 勇攀高峰》** - **第一次评分：40分** - **第二次评分：44分** 这是一次罕见的分数上升（+4分），主要原因是第二次评分对文章的**结构设计和逻辑关系**给予了极高评价。 #### **核心差异概览** - **结构评价天差地别**: 第二次评分将文章的“结构范式”和“段落功能”从“合格(C)”直接提升到了“卓越(A)”。 - **思想内容评价提升**: “论据与论点关联性”也从“良好(B)”提升到“卓越(A)”。 - **视野素养评价降低**: 第二次评分对“视野与素养”的要求更严，将两项都降级了。 #### **差异点逐一分析** 1. **论据与论点关联性 (content_2) & 结构范式/段落功能 (structure_1/structure_2)** - **第一次 (B/C/B)**: 认为关联清晰，但结构是“听多感少”，段落划分尚可。 - **第二次 (A/A/A)**: **给予了三项“卓越”的最高评价！**理由是作者“极具巧思”地将事迹拆解论证三个分论点，结构“堪称典范”，完全避免了“听多感少”的弊病。 - **差异原因**: 这是一个典型的“仁者见仁，智者见智”的案例。 - 第一次评分模型看到的是：全文大部分是复述事迹 → 这是“听多感少”。 - 第二次评分模型看到的是：作者**有意识地将复述的事迹组织成服务于三个分论点的论据** → 这是高超的“以感统叙”的结构设计。 第二次评分模型显然更“聪明”，它看透了形式（复述多）背后的构思（为论点服务），因此给予了极高的赞誉。 2. **视野与素养 (literacy_1/literacy_2)** - **第一次 (D/C)**: 认为论据单一，但有引用关键词的意识。 - **第二次 (D/D)**: 认为论据单一，且**没有任何外部材料引用**，缺乏引用意识。 - **差异原因**: 第二次评分对“引用”的定义更狭窄，它特指引用“名言警句等外部材料”，而将引用演讲关键词视为文章内部逻辑，不计入“素养”分。 #### **分值差异原因总结** 这次分数上升，是因为**第二次评分模型展现了更高的“结构洞察力”**。它没有被“复述事迹多”的表象迷惑，而是识别并高度赞赏了作者将材料有机重组、服务于论点的谋篇布局能力。这导致了结构和内容关联性上的评分飙升，完全抵消了其在视野素养和语言上被扣的分数。这个案例说明，**一个更智能的评分模型，能够更好地识别学生在写作构思层面的闪光点。** ### **差异总分析与结论** 1. **评分标准的演进**：从两次评分对比看，第二次评分模型显然经过了更精细的“训练”。它对**议论文的核心要素（论证、结构、逻辑）要求更高、判断更准**，对常见的写作弊病（如听多感少、空喊口号）也更“过敏”。 2. **“卓越(A)”的定义更为苛刻**：第二次评分模型对“A”的授予更为谨慎，也更看重**思辨深度和结构巧思**。如第一篇和第六篇，都因结构上的巧妙设计而获得高分。 3. **对基础能力的“一票否决”倾向**：对于语言、逻辑存在根本性问题的作文（如第三篇），第二次评分会给予断崖式的低分，显示出其对写作基本功的重视。 4. **模型“性格”差异**： - **第一次评分模型**：更像一个宽容的老师，注重发现优点，对常见问题容忍度较高，评分相对“圆润”。 - **第二次评分模型**：更像一个经验丰富、标准严格的资深教师。它**洞察力强**（能看透第六篇的结构），**标准严苛**（严厉批评第二、三篇），**评语精准**，更具“诊断性”。 5. **为何分值差异高？** - **对于差生文**（如第二、三篇），是因为第二次模型对基础能力和核心写作任务的要求陡然增高，导致了分数的大幅下跌。 - **对于中等偏上文**（如第五篇），是因为第二次模型对论证的“饱满度”和“集中度”等提出了更高的要求。 - **对于优等生文**（如第一、四、六篇），分差则取决于模型对“闪光点”的捕捉能力。第六篇就是一个典型的例子，第二次模型捕捉到了第一次模型忽略的结构优点，导致分数逆势上扬。 总而言之，这两次评分的差异，生动地展示了AI作文评分模型从“能用”到“好用”的进化过程。第二次评分模型显然是一个更成熟、更接近人类专家思维的版本。