昨晚十一点,我把 2025 年重庆中考数学卷的第 1 到第 10 题切成图,一张一张喂给大模型,也就是那种能看图、能写字、能自己推理的通用模型。第一张图发过去,它回我一句:「图中的文字是:试题的答案书写在答题卡上。」
那是我切图时带进去的卷头注意事项。它没看错字。它压根没看题。这一刻我意识到,我们平时讨论「AI 解题准不准」,讨论的方向可能从一开始就偏了——准不准是第二步,第一步是它到底看见没有。
一、公开数据说 92%,我信一半
先看公开的说法。DeepSeek 在 2026 年 6 月全量上线识图,有测评文章称它在 2024 年高考数学真题集上准确率 92.7%;某拍照搜题产品宣称搜题命中率 98% 以上,题库三十亿条,拍照识别只要 0.3 秒。
这些数字大概是真的,但它们有一个共同前提:题目是干净的、排版规整的、没有干扰的。而真实的卷子不是这样——中考卷是 A4 双栏、有图、有公式、有页眉说明,扫描件还带阴影;我切出来的十张图,每一张只有半栏宽,旁边可能还粘着上一题的尾巴。
大模型在「干净输入」上的能力和在「脏输入」上的能力,是两件事,中间那道坎叫读图。
斯坦福有项研究说得更直接:题干一改,模型成绩集体下滑,原本的高分里有相当一部分靠的是见过原题,不是真会推;这条结论放到今天依然成立——题库里有的题,它答得又快又好;题库外的题,它就开始露底,这种落差在真实卷子上特别明显。
二、我把流程拆成两段,结果才稳下来
第一轮失败之后,我改了做法。不再让模型直接读图,而是我先读图,把题干和四个选项完整转成文字,再交给模型去解。道理很朴素——看图这件事人比模型稳,解题这件事模型比人快。两件事分开做,各自的短板都补上了,流程就这么简单,难的是肯不肯多做这一步。笨办法,说出来一点都不高级,可它管用。
改完之后还有一步:同一个模型跑两遍,温度一次 0、一次 0.7。温度 0 是让它走最稳的路,温度 0.7 是让它稍微发散;两遍答案一致,我当它「想清楚了」;两遍不一致,说明这题它自己也没底,这种题我一道都不留,直接剔除。
十道题,两遍一致的有八道,不一致的一道是第 4 题圆内接角,还有一道是纯图形题——第 2 题四个轴对称图案,转成文字就没有作答依据了,也剔除。最后入库八道,答案是 1.A、3.D、5.C、6.D、7.C、8.B、9.A、10.B。
八道里我还单独标了一道:第 5 题题干写的是 8、12、16 递增,按规律第 9 个应该是 40,可选项里只有 32、28、44、48。这说明我要么读错了图,要么原文的规律另有说法;模型选了 44,更像是照着选项反推的,不是推出来的,所以这道题的答案我在库里标了「依据选项反推」,没敢当成硬答案。
三、这套方法值多少钱
说回生意。
我做的是企业知识库和 AI 客服,这个行业里最常见的一句话是「我们有 AI,什么都能答」,可真到交付,客户问的第一句永远是「它答错了怎么办」。
我这次的经历恰好是这个问题的缩小版:模型会答错,而且答错的时候语气和答对时一模一样;想让它少错,靠的不是换个更大的模型,而是把输入弄干净、把答案交叉验证、把没把握的剔出去。最后一条最反直觉——能承认「这题我不确定」的系统,比号称 98% 准确的系统更值钱。
企业知识库是同一个道理。
客户的资料是脏的,微信群聊、三年前的 Word、老员工脑子里的判断,和这张中考卷一样双栏、带页眉、有干扰;你直接把脏资料丢给模型,它给你的答案会很漂亮。
漂亮到你不敢用。我们在做的第一件事不是接模型,是把资料收拾成模型能读的样子,第二件事是给每个答案留出处,答不上来就说不知道——这两件事听起来不性感。真的不性感。可它们决定了这套东西能不能进业务流程。
四、三个可以直接抄走的做法
第一,把「读」和「解」分开:图片、扫描件、PDF 先转成结构清晰的文字,再交给模型,多这一步,准确率的提升比换模型明显。第二,同一个问题问两遍,温度不同、问法不同,答案一致才采信,这一步几乎不花钱,却能筛掉大部分「它其实没把握」的题。第三,给答案留一个「不确定」的出口——题库里没有、资料里没写,就明说没有;让系统学会说「不知道」,比让它多答对一道题更重要。
五、几个常被问到的问题
问:那 AI 到底能不能用来给孩子讲题? 答:能,但你要把它当「讲思路的助手」,不是「对答案的机器」;它的推导过程值得看,它的最终答案必须核。
问:为什么不用那些宣称 98% 的搜题产品? 答:题库覆盖的题,它们确实快;可你孩子错的题,往往不在题库里。那正是他需要被讲明白的地方。
问:企业知识库也会这样吗? 答:一模一样,资料脏答案就飘,资料干净小模型也够用;所以我们做项目,前一半时间都在收拾资料,不在调模型。
问:那大模型还有什么用? 答:它把整理、归纳、改写、追问这些活的成本降了一个数量级,但它不负责「事实正确」,那件事得靠你的资料和你的验证流程。
写在最后
我不觉得「AI 解题 92%」是假的,我只是发现那个 92% 是在实验室条件下测出来的,而我们手上的卷子从来不是实验室条件。真正决定成败的不是模型有多聪明,是你愿不愿意在它前面多做那一步笨功夫:把图读准、把答案对两遍、把没把握的剔掉——这一步没人愿意做。所以它才值钱。
我们专注小微企业知识库与 AI 客服落地。如果你手上也有一堆「模型读不懂」的资料,可以先想想:它们是脏在格式,还是脏在没人整理。
你最近一次被 AI 的答案坑到,是在什么场景?