同一份试卷，AI 做选择题常常接近全对，做大题却会漏点、跑题甚至一本正经地编造细节。这种落差真实存在，根源在任务性质：选择题是判别任务，答案就在选项里；大题是生成任务，要从零组织内容。理解这个差别，才能给 AI 排对活儿：选择题放心用，大题当草稿用，这是本篇全部策略的出发点。
判别与生成的差别
判别任务给定了候选集合，模型只需要比较与排除，错误空间被选项框住；生成任务没有候选，每个字都要模型自己预测，错的机会分布在整段输出里。反映到结果上：选择题的错通常是明显的，一眼能看出来；大题的错藏在细节里，漏一个答题要点、编一个不存在的数据，不对照材料根本发现不了。用 AI 答题，风险主要在后者，监管注意力也应该主要放在后者。
选择题上 AI 的优势来源
选项约束之外，选择题还有两个有利因素：单题信息量小，模型可以在窗口内完整兼顾题干与所有选项；验证成本低，排除法天然适配语言模型的比较能力。做多选题与组合选择题时表现会打折扣，因为组合增加了推理链条长度。让 AI 做选择题时，要求它先给答案再逐项说明排除理由，答题过程可检查，准确率也更稳。理由说不圆的题，答案多半靠蒙，这一步能把蒙对的题揪出来。讲解环节也方便复盘错题，把理由存下来就是现成的复习材料。
大题失分的典型位置
三类位置最容易失分：要点覆盖不全，评分标准里的若干要点漏掉其一；细节编造，引用原文时改字、举例时虚构数据；答非所问，问区别答成定义。让 AI 先把评分要点列出来再作答，能有效压低第一类错误；要求引用原文并标注出处，编造会明显收敛；答题后让它自查是否逐点回应了问题，又能筛掉一批跑题。三道工序加上去，大题质量与裸答完全不是一个档次，代价只是多两轮对话。
按题型搭配的使用策略
策略分三档：客观题直接交给 AI，人工抽查即可；半开放题让 AI 出初稿，人工对照评分点补漏；全开放的大作文，AI 只用来列提纲与找思路，成文与润色把人留在环节里。考前自查也可以分层：选择题让 AI 批改并讲错因，大题让 AI 按要点给分再加人工复核。题型越开放，人的参与越要前置。这套分档同样适用于工作场景：有标准答案的核对类任务放心交给 AI，需要判断的表述类任务人来主导。
准确率数字要看清口径
评测里 AI 的答题准确率数字，与你的实际体验可能有出入：题目难度、学科领域、语言都会影响结果，宣传数字对应的是特定测试集。自己验证的办法很朴素：拿二十道同类型题试一轮，统计正确率，比看任何榜单都直观。不同模型在不同题型上的强项有差异，选型时以自己题目的实测为准。数字与口径对不上的宣传，参考价值有限，这个判断习惯比记住任何一个具体数字都管用。
AI 做选择题接近全对、大题却拿不满分，落差出在哪？
- 可以让 AI 做完选择题再讲一遍理由吗？：可以，先答后讲能暴露蒙对的题，讲解里出现循环论证或自相矛盾时，该题答案要重新核实。
- 大题给 AI 评分标准会更准吗？：会，把要点清单发给它对照作答与自评，是提升大题质量最有效的一步，成本只是一次粘贴。
- 图片版试卷 AI 能直接做吗？：多数多模态模型可以读图答题，但印刷体识别偶有错漏，关键题目建议转录成文字再提问，避免识别误差混进答案。
