做了几天AI阅卷调研，我发现真正限制AI的不是模型，而是数据

这几天一直在看AI阅卷相关的产品和方案。

最开始的时候，我一直觉得决定一个产品好不好用的核心应该是模型。

模型越大。

效果越好。

后来真正看了一些产品，也踩了一些坑之后，我发现自己的关注点可能错了。

对于教育场景来说，模型当然重要。

但真正决定产品能不能落地的，很多时候反而是数据。

一开始，我把注意力都放在了模型上

前段时间大家讨论最多的是：

GPT。

Claude。

Gemini。

DeepSeek。

几乎每隔几天，就会有新的模型刷新排行榜。

所以我最开始也很自然地认为：

AI阅卷的能力，主要取决于模型能力。

直到真正开始测试一些教育场景之后，我发现事情没有这么简单。

一个很简单的问题：模型再强，也得先“看懂”试卷

举个例子。

给模型一份已经整理好的文本，它分析题目、判断答案、生成反馈，其实已经不是特别困难。

但现实中的试卷并不是一份规整的文本。

它可能是：

手机拍照
扫描件
手写内容
有折痕、有阴影
数学公式密集
化学方程式复杂

模型首先要面对的问题不是推理，而是输入。

如果第一步的数据质量不过关，后面的分析能力再强，也很难发挥出来。

真正让我改观的是一次公式识别测试

我拿了几份高中数学试卷做测试。

一开始只是想看看OCR效果。

结果发现，很多错误并不是因为模型不会，而是因为输入已经错了。

比如：

x²

如果被识别成：

x2

模型接下来所有的推理都会建立在错误的数据上。

还有一些分数、根号、积分符号，看起来只是一个小小的位置变化，但对于数学表达式来说，含义已经完全不同。

那一刻我突然意识到：

模型没有错。

它只是拿到了一份错误的数据。

数据质量，决定了AI能力的上限

后来继续查资料的时候，我看到一句话印象很深：

Garbage In, Garbage Out.

输入什么，输出就是什么。

这句话在教育场景体现得尤其明显。

如果OCR识别结果有偏差，那么：

自动评分会受到影响。

知识点分析会受到影响。

学习报告也会受到影响。

所以很多时候，并不是AI不会做，而是AI拿到的信息已经不准确了。

为什么越来越多产品开始强调“公式识别”？

以前我总觉得这是营销宣传。

后来真正做了几次测试之后，发现它确实是一个关键指标。

因为普通文字识别和数学公式识别，完全不是一个难度。

尤其是在高中、大学以及理工科考试中，公式几乎贯穿整张试卷。

这也是为什么越来越多教育AI产品开始单独强调公式识别能力，而不是只宣传OCR准确率。

调研过程中，一个产品让我印象比较深

查资料的时候，我顺便体验了一些教育AI产品。

其中有一个叫闪阅的平台。

官网是：

https://shanyue.jotoai.com/

它给我的第一印象不是"AI阅卷"，而是一直在强调公式识别和教育场景优化。

后来想想，这个定位其实挺合理。

因为真正困扰教育行业的，并不是普通文字，而是各种复杂公式和结构化内容。

如果第一步的数据质量足够高，后面的自动评分、数据分析才能真正发挥价值。

背后的技术路线也挺有意思

继续往下看资料时，我发现闪阅背后的研发团队是聚托科技（JOTO）。

如果平时关注AI Agent或者Dify，可能会听过这个名字。

聚托科技本身长期做企业级AI应用，也是Dify企业版服务商和Dify钻石合作伙伴。

官网给大家放在这里：

www.jotoai.com

从技术路线来看，他们把教育产品放在大模型工作流体系里，而不是单独做一个OCR工具，这一点让我印象比较深。

因为现在越来越多产品已经开始从"单点能力"转向"完整流程"。

我后来重新理解了AI阅卷

以前我觉得：

AI阅卷 = OCR + 大模型。

现在我更倾向于认为：

AI阅卷 = 数据质量 + 场景理解 + 工作流。

模型只是其中的一部分。

真正决定体验的，是整个链路。

从试卷采集，到内容识别，再到自动评分和结果分析，每一步都会影响最终效果。

写在最后

做了几天调研之后，我最大的收获反而不是发现了哪个模型更强。

而是开始重新理解AI落地这件事。

很多时候，我们喜欢讨论模型参数、排行榜和推理能力。

但真正进入业务场景后，会发现那些看起来不那么“酷”的问题——比如数据质量、公式识别、流程设计——反而决定了产品是否真正好用。

AI阅卷只是一个例子。

我猜，很多行业都会经历类似的过程：真正限制AI发挥的，不一定是模型本身，而是模型拿到的数据，以及整个业务流程是否足够完善。