任务理解先于规模扩张
某教育模型需要区分知识点掌握、推理错误和表达缺失，而不是只判断答案对错。学科教师依据课程标准构建知识图谱与原创题目，提交参考解、步骤级量规和典型误区；另一名教师独立作答并校准难度，评测研究人员通过模型试跑和项目反应分析检查区分度、偏差与评分一致性。
01
课程标准、知识点依赖与题目能力目标对齐
02
参考解、步骤量规与典型误区成套交付
03
教师复算、模型试跑与难度偏差校准
02 / 采购评估结构
同一套结构用于对齐算法、数据、采购和安全团队的评估问题。
把课程标准、知识点依赖、原创题目和可解释评分组织成可靠的教育模型数据。
课程标准、知识图谱、原创题目、学生型答案与步骤评分量规
教师出题、独立作答、误区建模、模型试跑和项目反应分析
代表批次 1,600+ 个任务，覆盖六个难度层级与多学科单元
课程对齐 × 原创题目 × 难度校准；教师复算、模型试跑与难度偏差校准
课程标准、知识点依赖与题目能力目标对齐；参考解、步骤量规与典型误区成套交付；步骤量规一致率高于 93%；低区分度和存在群体偏差的题目在发布前返修
客户身份、原始材料及部分规模已移除或区间化；本页用于说明交付方法，不构成未来结果承诺。
下一步
核对样例，再确定任务范围。
将这个方向带入沟通，确认交付结构、验证方式与可提供的样例范围。
让下一批数据，针对你的能力目标
从任务目标与样例开始，共同确定材料、专家、验证方法与交付范围。