开放题的参考答案是怎么定的？每一步都讲透

开放题没有唯一答案，参考答案承担的角色是给判分立一把标尺，它的制定过程远比想象中讲究。标尺立得正，AI 大模型的主观题分数才有意义；立歪了，整份评测跟着跑偏。

参考答案从哪里来

三条路子。专家撰写：领域里最有发言权的人直接写满分回答，质量高但人力贵，适合核心题目。真人回答精选：先收集大量真人对此题的回答，挑出公认优秀的一批做底稿，再修整成标准版本，多用于写作、沟通这类偏体验的题。多模型合成再人工定稿：让几个模型分别作答，人工挑优点合并，效率最高，但要防把模型常见的空话套话也合了进去。预算允许时，两条路子结合效果更稳：先合成后精修，再请专家终审拍板。无论哪条路，成稿都要回答一个问题：这份答案好在哪里，好到什么程度算满分。

三条路子成本与适用题型不同，并排看更清楚。

把笼统要求拆成评分点

「回答得好」没法判分，得拆成可核对的点。比如「给新手解释什么是缓存」这道题，可拆成：是否用了生活类比、是否讲清了缓存与原始数据的区别、有没有提到失效场景、语言是否避免行话。每个评分点配上分值与等级描述：满分、部分达成、未达成各是什么样。拆得越细，判分越稳，但过细也会碎，经验值是每题三到八个评分点。输入是一份笼统的满分答案，输出是一张带分值的评分点清单，这一步是整个流程里技术含量最高的环节。

怎么压低评分分歧

分歧主要来自理解不一致和宽严不一致。压分歧的三个手段：多人独立评，评前不交流，评后再对分；分歧大的回答拿到会上集中讨论，讨论产出反过来修订评分点清单；用历史分歧率监控评分点本身，常年吵不清的点说明写得含糊，该改的是标尺而不是评委。Kimi 和腾讯元宝的团队在公开材料里都提到过用多人标注加一致性校验来管理主观题质量，做法大同小异。

参考答案制定清单

• 满分答案先写出来，再倒推评分点
• 每个评分点配三档描述：满分、部分、未达成
• 两人以上独立试评，一致性达标才启用
• 分歧率高的评分点优先修订

参考答案也需要更新

语言习惯在变，好答案的标准也在变，三年前的高分回答今天可能显得啰嗦。定期抽样重评，发现整批题目分数普遍偏高或偏低，就到标尺里找原因；题目公开后要盯泄露风险，配合污染检测定期排查。参考答案与评分点的成文规范，可以进一步参考评分细则的写法；标尺定好后由谁来执行，涉及人工评测流程的排班与盲评设计；若想让裁判模型替人打分，先要经过裁判模型校准，让它对齐这份标尺再上岗。而这一切的前提是题目本身出得科学，回溯源头可看基准题设计。

参考答案的粒度也要和题目难度匹配。简单事实题用短答案加关键词即可；中等复杂的方案题，参考答案其实是「优秀回答的共同骨架」，而不是某篇标准文章；真正开放的战略题，评分点退到更高层面——方向对不对、风险有没有识别、取舍有没有讲清，具体措辞反而不苛求。写参考答案的人要先想清楚这道题测什么，再决定标尺刻度画在哪里，这个先后顺序颠倒了，答案写得再漂亮也是白费。

关于开放题参考答案再多问三句

• 参考答案只有一个会不会太死板？：参考答案不只一份标准回答，而是评分点清单，允许千姿百态的表达，只要踩中要点。
• 文采好的回答会占便宜吗？：若评分点里没有文采项，辞藻再华丽也不加分，这正是拆评分点的意义。
• 评分点拆得越细越好吗？：不是，过细会让评委机械找关键词，经验上限是每题八个点左右，宁缺毋滥。