高考实验：迈向人类水平的 AI
该研究收集了 10 份高考英语试卷，包括 2018 年国考 I/III、2019 年国考 I/II/III、2020 年国考 I/II/III、2021 年全国卷 A/B。这些试卷遵循相同的题型，他们将所有考试题型分为以下七个子类别，如表 7 所示：
每篇高考英语试卷满分 150 分。听力、完形填空、阅读、写作分别占 30、45、40、35。通常，写作部分是主观的，需要人工评估，而其他部分是客观的，可以自动评分。如表 8 所示：
使用表 1 中所示的重构工程循环来构建高考英语 AI 系统，即 Qin。整个过程如图 14 所示：
该研究使用以下 prompt 将原始信号元组转换为 prompt 样本，如表 9 所示：
实验结果如表 10-11 所示，我们可以得出以下结论：在每一份英语试卷中，RST 在两套听力考试中取得了最高的总分，平均分数为 130.6 分；与 T0pp 相比，RST 的性能要远远优于相同模型大小下的 T0pp。在所有设置中，RST 获得的总分平均比 T0pp 高出 54.5 分，最高差距为 69 分(占总分的 46%)；与 GPT3 相比，RST 可以在模型大小小 16 倍的情况下取得明显更好的结果。在所有考虑的设置中，RST 获得的总分平均比 T0pp 高 14.0 分，最高为 26 分（占总分的 17%）；对于 T0pp，使用黄金和语音转文本成绩单获得的听力分数差异很大，平均为 4.2 分。相比之下，GPT3 和 RST 分别为 0.6 和 0.45，表明 T0pp 的性能对文本质量很敏感。
该研究进行了细粒度分析，以了解不同模型在不同问题子类别上的表现。在图 15-(a) 中，很明显 RST 和 GPT3 在每个问题子类别上都优于 T0pp。
图 15-(b)为近年来模型的表现和学生在全国试卷上的平均表现。很明显，T0pp 在 9/10 试卷上的总分低于学生的平均水平，而 RST 和 GPT3 的表现则超过了学生的平均水平。尤其是这十份试卷中有五份，RST 的总分超过了 130（通常被认为是学生争取的目标分数）。
2022 年高考 - 英语考试（2022.06.08）刚刚结束，了解到模型在最近一年的高考试卷中的表现。该研究用 GPT3 和 RST 进行实验。结果显示 RST 总分达到 134，远高于 GPT3 达到的 108 分。
论文最后还有三个彩蛋，更多详细内容，请查看原论文。
