数学答案是怎么自动判的？机制细节全梳理

拿大模型做数学卷子，写完答案只是前半程，真正决定分数的是后面那道判分工序。所谓数学自动判分，是在模型提交回答之后，由一条「抽取、比对、给分」的流水线接力完成，任何一环卡住，正确答案也会被记零分。这篇文章把这条流水线拆开，看每一步进来什么、发生什么、出去什么。

判分链路从提交到分数

整条链路分四步：先从回答里抽出最终答案，再按题型选判分方式，接着执行比对，末了汇总成分数。进来的是一段自然语言长文，出去的是一个数值。难点全在中间：回答里既有推理过程又有结论，抽取器要先把「所以答案是 42」这样的尾巴找出来，找错了位置，后面比对再精确也白搭。不少团队会让模型按固定格式作答，比如要求最后一行以「最终答案：」开头，把结论逼到固定位置，抽取成功率立刻上去。DeepSeek、Kimi 这类模型在评测时通常也会被套上统一的作答模板，保证抽取口径一致。

四类判分方式各管一段，分工和失手点在这：

规则判分：精确匹配与数值容差

规则判分是第一道闸。选择题、整数题走字符串精确匹配，进来两段文本，出去一个布尔值；小数题给数值容差，比如允许千分之一的偏差，常见做法是按题型分级设定容差带，并在技术报告里公开。容差定太严会把等价答案误杀，定太松会把只凑近的答案放进来，两种偏差都会让分数失真。要判断判分方式适不适合你的题目，可以先抽几十道人工核对一遍，再决定是否扩量。

等价表达式怎么认定

表达式题麻烦得多：1/2、0.5、分数写法看着不同，数学上是同一个东西。这一步通常借助符号计算工具做等价判定，把两边表达式都化成标准形再比较，化简不出来就转入人工复核队列兜底。和代码评测要隔离环境一个道理，判分环节同样要防止被回答里的干扰内容带偏，具体隔离做法可以参考代码评测沙箱的搭建思路。

模型判分员什么时候上场

开放性证明题、文字应用题，规则覆盖不了，就轮到模型判分员：让一个更强的模型对照评分细则逐条核对，先复述依据再下结论，输出分项得分。为压住判分员自身的波动，通常同一题判多次、结果不一致时转人工。通义千问、智谱清言这类长文本模型常被用作判分底座，但判分表现同样要抽样校准。长文本类任务更看重检索能力，测法完全不同，可看大海捞针测试的做法；对齐类主观题又是另一套，见对齐评测方法；涉及多轮操作的题目则要先把Agent评测环境搭稳再谈判分。

落地时还要注意判分与题目版本的配套关系：题目改了一个数字，容差带和标准答案都要同步更新，否则判分口径与题面脱节，错判会成批出现。工程上常见的做法，是把题目、标准答案、容差参数、抽取规则放进同一份配置文件里做版本管理，改题必须连带改判分配置，评审时一眼就能看出两者是否匹配。这套机制本身不难实现，难在执行纪律：临时改题忘了改配置导致的事故，几乎每个做评测的团队都至少经历过一次。

另一个容易被忽略的点是判分结果的留痕。每次判分都把抽取到的答案、比对过程、给出的分数一并存下来，事后有争议时能逐题回放，快速定位是模型答错、抽取出错，还是容差设置不当。留痕数据积累多了，还能反过来统计各环节的错误率，找出流水线里最薄弱的一环，指导下一轮改进方向。判分系统的成熟度，往往就体现在这些读者看不见的日志细节上，榜单上的最终数字反倒只是表层产出。

数学判分自查清单

• 答案抽取有没有固定格式约束？
• 数值容差是否按题型公开？
• 等价判定失败后的人工兜底在哪一步？
• 模型判分员的一致性测过没有？

聊聊数学自动判分的常见疑问

• 模型答对了却没分，最可能卡在哪？：多半卡在答案抽取，结论没落在约定位置，后面的比对根本没拿到输入。
• 数值题为什么允许一点点误差？：小数运算存在写法与舍入差异，公开一个容差带，等价答案才不会被误杀。
• 模型判分员自己会出错吗？：会，所以要同题多判、不一致转人工，把它的波动压进可接受的范围里。