在线教育团队实测：Flash-Lite 批改作业准确率 90%，成本几乎为零

在线教育平台有个老问题：作业批改跟不上。

一个有 5 万付费学员的平台，每天可能收到几万份作业。语文作文要看内容和逻辑，英语作文要看语法和表达，编程作业要看代码能不能跑。纯靠人工批改？老师不够。纯靠传统规则引擎？只能改选择题，碰到主观题就抓瞎。

大模型能做主观题批改，这个方向行业里讨论了两年了。但一直没大规模推开，核心阻碍就是成本。用旗舰模型批改一份 500 字的作文，成本大概在 $0.01-0.03。看起来不多？日均 5 万份作业就是 $500-1500/天。教育行业毛利本就不高，这笔钱很多平台出不起。

Flash-Lite 把这个成本打到了什么水平？一份 500 字作文的批改成本大概 $0.0005——比旗舰模型便宜 20-60 倍。5 万份作业，日成本 $25。

25 美金一天搞定 5 万份作业的 AI 批改。这就从"好是好但用不起"变成了"不用白不用"。

实测：不同类型作业的批改效果

我们在三个场景下测试了 Flash-Lite 的批改能力。

英语作文批改

测试内容：200 篇中学生英语作文，长度 150-400 词。要求模型指出语法错误、用词不当、给出修改建议和总评。

结果：

• 语法错误识别准确率：92%（漏掉的 8% 主要是高级语法和地道表达的问题）

• 修改建议质量：大部分建议可用，偶尔出现"过度修改"——把学生原本没问题的表达改成了另一种说法

• 总评相关性：88%，能针对作文内容给出具体评价，不是套话

和人工批改做对比：在语法纠错层面，Flash-Lite 的准确率和一般的英语老师相当。在写作指导深度上有差距——人类老师会根据学生的水平给分层建议，Flash-Lite 的建议比较泛化。

语文作文批改

测试内容：150 篇初中语文作文，600-1000 字。要求模型评价内容立意、结构、语言表达，指出问题并给分。

结果比英语作文更复杂一些。Flash-Lite 在"挑毛病"上不错——错别字、病句、逻辑不通的地方基本都能发现。但在"评价立意"上偏表面——它能说出"立意不够深刻"，但不太能像经验丰富的语文老师那样说"你可以从另一个角度切入"。

评分方面，和人工评分的一致率大概在 85%（±5 分以内算一致）。15% 偏差主要出现在"仁者见仁"的中间分段——70 分还是 78 分，模型和人的判断经常不一样。

编程作业批改

测试内容：100 个 Python 编程作业，涉及基础语法、函数、简单算法。要求模型判断代码正确性、指出 bug、给出改进建议。

结果：

• 代码正确性判断准确率：91%

• Bug 定位准确率：87%

• 改进建议质量：整体不错，但偶尔建议过于复杂（对初学者来说不适合的优化建议）

这个场景下 Flash-Lite 的速度优势特别明显。一份编程作业的批改 1-2 秒就出来了，学生提交之后几乎实时就能看到反馈。传统的自动评测（跑测试用例）虽然也快，但只能告诉你"对了还是错了"，不能告诉你"哪里错了、为什么错、怎么改"。

成本对比

拿一个日均 3 万份作业的在线教育平台来算（混合英语、语文、编程）。

每份作业平均 800 token 输入（作业内容 + 批改指令），400 token 输出（批改结果）。

Flash-Lite 的月成本只有旗舰模型的 4-5%。和人工批改比更是天壤之别。

即使你觉得 Flash-Lite 的批改质量只有人工的 80%，但考虑到成本差了 375 倍，"AI 初批 + 人工抽检"的组合方案的经济性是压倒性的。

"AI 批改 + 人工抽检"的实操流程

不建议完全用 AI 替代人工批改。更现实的方案是：

Step 1：Flash-Lite 全量初批

所有作业先过一遍 Flash-Lite。输出结构化的批改结果：错误列表、修改建议、总评、建议得分。

Step 2：自动分级

根据 Flash-Lite 的批改结果做分级：

• 高置信度（模型对自己的评分很确定、没有发现争议点）：直接发给学生。这部分通常占 60-70%。

• 中置信度（模型给了评价但不确定某些部分）：标记出不确定的地方，推到老师面前做快速审核。老师只需要看标记的部分，不用从头批改。这部分占 20-30%。

• 低置信度（模型表示题目太复杂或者无法判断）：走人工完整批改。这部分控制在 10% 以内。

Step 3：老师做抽检和精批

老师的角色从"全量批改"变成"抽检 + 重点精批"。时间从每天 8 小时批改，变成 2-3 小时做抽检和高价值反馈。

这个流程的好处是：学生拿到反馈的速度大幅提升（从隔天变成当天甚至实时），老师的工作从重复性劳动变成高价值的教学指导，成本降到可接受的水平。

教育场景的特殊注意事项

反馈的教育性比正确性更重要。 批改作业不只是"挑错"，更重要的是"引导学习"。Flash-Lite 的批改结果有时候太直接——直接给出正确答案而不是引导学生思考。在 prompt 里需要明确要求"不要直接给答案，用提问的方式引导学生发现自己的问题"。

适配不同年龄段。 给小学生和高中生的反馈语气应该不同。小学生需要鼓励为主、简单明了；高中生可以更直接、更有深度。在 prompt 里标注学生的年级和学科，Flash-Lite 能做出一定的适配。

防作弊考量。 如果学生知道作业是 AI 批改的，有人会尝试"骗"AI——比如用 AI 生成作业再让 AI 批改，形成闭环。教育平台需要有配套的原创性检测机制。

家长的接受度。 "AI 给我孩子批改作业"这件事，有些家长会有顾虑。建议在产品层面展示为"AI 辅助教学 + 老师监督审核"，不要强调"AI 替代老师"。

接入方案

教育平台通常已经有一套技术栈——学习管理系统、作业提交系统、通知系统。新增 AI 批改能力不需要重构，只需要在作业提交环节加一个 API 调用。

如果平台同时用多个 AI 功能（Flash-Lite 批改作业、旗舰模型生成教案、翻译模型做双语支持），通过 poloapi.top 统一接入能省去分别对接各家 API 的麻烦。一套认证、一份账单，运维简单。

25 美金/天的 AI 批改成本，对任何有规模的在线教育平台来说，几乎等于免费。这不是一个"要不要用"的问题，而是"多快能用上"的问题。