数学出题实验室

数字代表什么

最低影子覆盖证明每个登记范围已有最低验证证据，不承诺任意种子、任意数量都能生成合格题，也不等于生产发布资格。这里运行独立引擎快照，并保留每次尝试。

生成口径

• 设置 N 分配为 N 个题位，按所选组合及范围轮转；每个题位最多交付一题。
• 最终新增合格率 = 新增合格题数 ÷ 题位 N；运行时只是产出进度。首次通过率 = 首次尝试通过数 ÷ 已结束的首次尝试数。
• 尝试产出率 = 合格题数 ÷ 已结束的全部尝试数；构造率 = 已构造题数 ÷ 已结束尝试数。
• 质量门禁通过率按历史去重前的完整质量检查计数；最终门禁通过率还要求实验库精确去重通过。两者分母均为实际完成门禁判断数。工作线程错误、超时、构造失败分别保留。
• 总生成耗时从首次调度到最后题位结束，包含门禁、重试及中间等待；排队时间和 AI 审计不混入。
• 合格题/分钟使用整批墙钟时间；单次耗时的 P50/P95 使用已测量样本。超时或中断的未知分段不伪造为零。
• 取消只取消未开始的题位，已经执行的尝试照常记账。重启打断的尝试计为失败，恢复不增加重试额度。

实验门禁边界

使用原引擎的精确计划、Solver、独立 Oracle、中英文解析验证、画像与质量审核、内容检查。实验策略保守地拦截所有 needs_review，并增加实验库历史精确去重。它不调用原站点的数据库、发布服务、人工覆盖或原始来源库。由于原站点的发布路由有专用策略，本实验通过率不应冒充原站点发布通过率。

历史去重按规范化题干和排序后的选项计算；不把“原来源库未接入”宣称为已通过来源新颖性验证。跨来源语义复制、真实教学难度仍需进一步评估。

审计口径

只发送已通过实验门禁且内容哈希一致的题。每题独立作答与质量审查分别调用一次模型。各维度评分 1–5 分，展示均值、标准差及低于 4 分的比例；新颖性维度仅表示模型对结构重复的判断。

审计疑似漏放率 = 明确指出问题或答案分歧的题 ÷ 有明确审计结论的题。它不是门禁的误杀率或整体召回率，因为被门禁拦截的题没有送审。模型不确定、响应格式错误、接口失败和费用未知单独显示。

费用按配置价格与服务返回 token 用量估算，实际账单以服务商为准。每次调用前预留保守预算；未知费用不当作零，不自动重试可能已经计费的请求。批次审计完成与生成完成独立。

复现与比较

JSON 导出包含配置、种子、引擎快照 SHA、环境、全部尝试及证据。相同种子可复现数学内容，但实验历史去重会让重复内容被拦下。做对照实验应使用独立的测试数据库，保留原实验数据，不清除失败记录来提高指标。