GeoBench REVIEW L1–L3
REVIEW SYSTEM · BUILT, NOT YET RUN

审核体系：题型审定、检查器审阅、分层抽查

加载中…

流程

层级频率做什么状态
L0 自动核验每个实例独立检查器重算、四项唯一、答案键一致、无泄漏、来源哈希已运行
L1 题型审定每个题型一次人工读题型卡片（考点、题干、物理条件、干扰机制、限制）与两个样例，结论为通过或修改；记录绑定生成代码与注册表行的哈希，任一改变即失效工具已建，未运行
L2 检查器审阅每个题型一次人工读独立检查器代码（可附一次模型代码审阅）；记录绑定检查器代码哈希工具已建，未运行
L3 分层抽查每批按 题型 × 来源 × 尺度格 分层；新题型或新来源首批全检，稳定后每层 max(2, 10%)；轻量模型答固定四问，被标记的全部转人工，另抽模型判“通过”的题给人工校准工具已建，未运行
L4 难度测试每批（不属于审核）模型实际作答学生包，得到正确率未建（用户决定暂缓）

实例状态：生成 → L0（可暂计配额）→ L1 + L2（题型已审定）→ L3 抽查通过 → 正式计入。抽查不合格：改题型模板，整个题型重新生成一批，不逐题手工修补。

审核表（Excel）

L1 / L2 可以离线审：下载审核表，每个审核单元一行，含题型卡片、两个样例、代码链接，只填黄色四列（决定、审核人姓名、日期、意见）。交回后运行 python tools/review_sheet.py import --file 文件名.xlsx --dry-run 检查，再去掉 --dry-run 写入。导入会核对每行的绑定哈希：导出后代码或注册表改过的行会被拒收，需要重新导出；审核人必须是作出判断的本人，AI 助手不能代填。

160 道原型挑选（提议，待教授确认）

加载中…

    格感知 / 推断 / 设计选中（* 待教授决定类别；† 旧模板题；‡ 旧题的四选一版本）备用说明

    L3 固定四问

      L1 / L2 待审单元

      单元能力实例L1L2检查器

      下一批 L3 抽样计划

      层（单元 | 来源 | 尺度格）层内抽取规则抽中