GPT-OSS数学评分

OpenAI 发布的开源模型 GPT-OSS 在数学证明自动评分任务中，展现出与前沿闭源模型相当的能力，但成本大幅降低。2025年8月，OpenAI 发布 gpt-oss-120b 和 gpt-oss-20b，作为其自 GPT-2 以来首批开源权重模型，主打推理能力与低部署成本【背景】。2026年10月，研究论文 arXiv:2608.00004 指出，在 IMO-GradingBench 基准测试中，GPT-OSS-120B 等廉价开源模型在判断人类评分一致性上，统计上不劣于 Claude Opus 4.7 等前沿模型，且成本低 4-100 倍。该研究强调，采用“全票通过”的共识规则可最大化精确率（0.855），适合对误判零容忍的场景。

争议在于：尽管开源模型在纯文本证明评分上表现强劲，但在处理手写数学试卷时，多模态模型（如 GPT-4o）仍显著低于人类评分员准确率，存在视觉解析瓶颈【存疑】。此外，独立评估显示 GPT-OSS-20B 在某些基准上优于 120B 版本，提示稀疏架构的性能增益并非线性。未来需观察该评分方法在 Gradescope 等主流教学平台的大规模落地效果，以及不同共识规则对教育公平性的实际影响。