EDU-CIRCUIT-HW: Evaluating Multimodal Large Language Models on Real-World University-Level STEM Student Handwritten Solutions¶

会议: ACL 2026
arXiv: 2602.00095
代码: 项目站点 + GitHub（论文给出 Project Website / GitHub Repository 链接）
领域: 多模态 VLM / 教育评测
关键词: STEM 手写理解、MLLM 评测、auto-grading、识别误差传播、human-in-the-loop

一句话总结¶

作者发布 1,334 条真实大学电路课手写作业的 EDU-CIRCUIT-HW 数据集，并提出"upstream 识别 + downstream 评分"双层评测协议，发现即便最强 MLLM（GPT-5.1 / Gemini-3-Preview）也有 37–85% 样本含识别错误，但仅 7–20% 会传播到评分；通过 LLM-judge 错误模式 + 仅 3.3% 人工兜底的 regrading 模块，可把 point-agreement 从 70 %提升到 76 %。

研究背景与动机¶

领域现状：把 MLLM 用作"自动批改助教"已成 AI 教育的新风口：先让 Gemini/GPT/Claude 识别手写作业，再让 LLM 按 rubric 打分（Kortemeyer 2024、Liu 2024、Yang 2025 等）。但绝大多数评测要么用 K-12 简单数学（DrawEduMath），要么只评孤立公式（CROHME、MathWriting），无法反映大学 STEM 那种"公式 + 推导 + 手画电路图"交织的复杂手写文本。

现有痛点：作者点出两个根本问题——(1) 数据稀缺：缺少"图文混杂 + 大学难度 + 真实学生书写"的 benchmark；(2) 评测范式错位：现有工作只看下游（多为粗粒度 binary 自动评分），导致 rubric 外的识别错误被"屏蔽"，开发者会高估 MLLM 的视觉理解能力。例如图 1 中 ① ② 识别出错但因不在评分点而被掩盖。

核心矛盾：识别错误的"潜伏率"远高于"显化率"——一旦 rubric 收紧或要做电路→网表等下游任务，这些潜在错误就会爆雷；但传统的"只看 grading agreement"评测协议根本看不到它们。

本文目标：搭起"upstream 识别 fidelity + downstream grading"双指标体系，定量回答 (i) 识别错误有多少，(ii) 哪些类型最致命，(iii) 能否用错误模式做防御。

切入角度：分出 "observation set"（513 张专家逐字校核的解答，做训练/分析用）和 "test set"（821 张仅有 ground-truth 分数，做泛化部署模拟用）的双拆分；用 LLM-as-a-judge 把识别误差自动列项后再分类。

核心 idea：先用"专家逐字 transcription"作为 oracle 计算识别错误，再定义 Error Impact Rate (EIR) 把识别错误与评分错误一一对应，最后用"错误模式 → 低置信路由 → 人工兜底"的 regrading pipeline 把识别脆弱性变成可控成本。

方法详解¶

整体框架¶

整个 benchmark + 诊断链路如下：(1) 数据收集：2025 春季某美国研究型大学本科电路课，29 名学生、62 道教材题，共 1,334 份手写解答，分别由专家给出 5 维 rubric 分数（E / M / U / C / NC）；observation set（11 学生、513 张）还额外提供专家逐字 markdown 转录与图示自然语言描述；test set（18 学生、821 张）只有 ground-truth 分数。(2) 识别评测：6 个 MLLM（Gemini-3-Pro-Preview、Gemini-2.5-Pro、GPT-5.1、Claude-4.5-Sonnet、Qwen3-VL-Plus/8B-Thinking）做识别，Gemini-2.5-Pro 当 LLM-judge 对照 oracle 列出 discrepant items；再用另一个 LLM 把每个 item 按四类（Symbolic & Character / Structural & Notational / Diagrammatic / Textual & Logical）打标。(3) 下游评分：固定 GPT-5.1 作 grader，给定 problem + reference + rubric，输出 5 类扣分；与专家报告比对得 Binary / Type / Point agreement。(4) 影响分析：定义 EIR = 引起评分差异的识别错误 / 总识别错误。(5) Regrading 案例：把 observation set 总结的错误模式注入 prompt，让 LLM 在 test set 上检测潜在识别错误并给出 high/low 置信；低置信样本走人工，其余 LLM regrade。

关键设计¶

双层评测协议（SER / AEC + EIR + Binary/Type/Point Agreement）:
- 功能：把"识别"和"评分"两个原本被混在一起的能力解耦评估，并量化错误传播。
- 核心思路：识别端用 Sample Error Rate \(\text{SER}=\frac{\#\{s: \text{errors}(s)>0\}}{|S|}\) 和 Average Error Count \(\text{AEC}=\frac{1}{|S|}\sum_s \#\text{errors}(s)\)；评分端用三级递进 Binary \(\to\) Type \(\to\) Point agreement，越严格越能暴露细粒度错误；二者通过 \(\text{EIR}=\frac{\text{识别错误中引起评分差异的数量}}{\text{识别错误总数}}\) 桥接。
- 设计动机：单靠 "auto-grading accuracy" 这种 task-centric 指标会让大量"沉默错误"逃逸；引入 EIR 后才能定量回答"识别能力差到什么程度才会真伤到下游"，这是教育以外的所有 vision→reasoning pipeline 都缺的指标。
LLM-as-a-Judge 识别误差自动列项 + 四类 taxonomy:
- 功能：自动找出 MLLM 识别结果与专家转录之间的语义差异条目，并按"surface→deep"四级归类。
- 核心思路：把 oracle markdown 和待测 markdown 喂给 Gemini-2.5-Pro，要求列出所有 discrepant items（句/式级别）；语义等价的小写法差异（如 KCL: out ≡ KCL: @ out）算对齐；随后再用 LLM 按 Symbolic & Character（字符/操作符/单位）、Structural & Notational（公式版面/变量一致性）、Diagrammatic（电路拓扑/标注误读）、Textual & Logical（语境/推导步骤）四类做归档。在 186 份样本、5000+ items 的人工验证中，sample-level accuracy ≥ 0.95、item-level F1 ≥ 0.90。
- 设计动机：手工标注每条 item 不可扩展；把 judge 任务定义为"列差异 + 分类"两步，配合 oracle 让 LLM 只做"对照检查"而非"开放评分"，从而把幻觉误差压到最低；taxonomy 让后续 EIR 分类分析成为可能。
错误模式驱动的 human-in-the-loop Regrading 模块:
- 功能：用 observation set 总结的错误模式当作"风险特征"扫描 test set，把识别可疑样本拦截后再决定 LLM regrade 或人工兜底。
- 核心思路：从 observation set 抽出常见 confusion 模式（如 \(-V\to V\)、\(\frac{1/8}{1/8+1/16}\to \frac{8}{8+16}\)、KCL 节点错连等）并塞进 detector prompt；detector 在被首轮扣分的样本上扫描识别可疑项并打 high/low 置信；low 置信 → TA 手批，high 置信 → LLM 按 detector 报告 regrade；首轮无扣分的样本直接放过（因为识别错误主要造成 false-positive 扣分）。
- 设计动机：完全自动化在高利害教育场景不可接受；完全人工又太贵；本设计利用"识别错误模式可统计、人工成本可控"这一假设，把人工占比压到 ≤5% 同时把 point-agreement 拉到逼近"专家做 OCR"的天花板。

损失函数 / 训练策略¶

本工作没有模型训练，只是 prompt-only 评测 + LLM-judge pipeline。Grader 统一用 GPT-5.1；识别端覆盖 5 个商业模型 + 1 个开源 8B；regrading 中 detector / regrader / grader 也全部用 GPT-5.1 以排除模型异构干扰。LLM-judge 阈值上把"语义等价"判定交给同一模型并保留人工反向核查。

实验关键数据¶

主实验¶

observation set 上六个 MLLM 的识别质量与对下游 5 维 rubric 评分的影响（GPT-5.1 当 grader；Graduate 行为助教 baseline；Human Expert 行表示用专家转录当输入的 oracle grader）：

识别器	SER ↓	AEC ↓	Binary ↑	Type ↑	Point ↑	EIR ↓
Graduate（人工）	–	–	83.63	82.46	81.29	–
Human Expert（oracle）	–	–	89.47	78.36	74.46	–
Gemini-3-Preview	37.62	0.61	87.91	78.17	74.27	7.60
Gemini-2.5-Pro	53.52	1.23	85.58	73.68	69.40	14.72
Qwen3-VL-Plus	61.72	1.38	80.90	68.62	65.11	16.67
GPT-5.1	71.54	2.05	77.78	65.50	61.99	17.89
Claude-4.5-Sonnet	80.70	2.76	77.58	63.16	59.84	18.05
Qwen3-VL-8B-Thinking	85.43	2.79	75.05	61.01	56.92	19.60

要点：(1) 即便最强 Gemini-3-Preview 也有 37.6% 样本含识别错误，但 EIR 仅 7.6%，说明下游评分掩盖了大量识别错误；(2) 从 Gemini-3-Preview 到 Qwen3-VL-8B-Thinking，rubric 越严，性能差距越大（Binary 差 12.86%，Point 差 17.35%）——证实"rubric 收紧 → 识别错误显化"的核心论点；(3) MLLM 在 Binary 上能超过 graduate 助教，但在 Type / Point 上仍落后，说明 LLM 偏宽松，人类更精细。

消融实验 / Regrading 模块对比¶

test set 上分别用 vanilla pipeline 与 regrading 模块对比（agreement 越高越好；LLM/Human 列为 regrading 占比）：

Workflow	Visual Recognizer	Binary	Type	Point	LLM regrade	Human regrade
Vanilla	Gemini-2.5-Pro	85.02	74.91	69.91	–	–
Vanilla	GPT-5.1	82.34	72.23	66.87	–	–
+ Regrading	Gemini-2.5-Pro	86.48	77.34	74.42	20.6%	3.3%
+ Regrading	GPT-5.1	86.60	78.93	75.76	25.1%	4.4%

要点：在 ≤5% 人工兜底下，Point agreement 从 ~70% 提升到 76%，接近"专家做识别"的上限 74.46%（甚至略超，是因为 detector 帮 grader 主动避坑）。

关键发现¶

识别错误最常见的是 Symbolic & Character，但其 EIR 也最高（≈20%），因为 grader 高度依赖符号匹配；Diagrammatic 与 Textual & Logical 错误虽然认知层级更高，但当前 rubric 几乎不 cover，EIR 反而 <10%——这是 auto-grading 一种"幸存者偏差"。
越细 rubric 越能区分模型：Binary→Type→Point 三档下，模型间差距从 ~13% 拉大到 ~17%，说明今后 AI 教育评测必须用 Point 级 rubric 才有诊断价值。
小模型在 diagram 上反而不差：Qwen3-VL-8B-Thinking 在 Diagrammatic 错误数 98 反优于 Gemini-2.5-Pro 的 103，反映了商业模型主要赢在文字推理而非图形理解。
Regrading 不靠强 MLLM 也能提升：即便 Gemini-2.5-Pro 作识别器，单靠 detector + 3.3% 人工就把 Point 提升 +4.5%，证明"识别错误模式 + 人机协作"的 ROI 极高。

亮点与洞察¶

真正在'高利害'场景跑通的双层评测：先前手写理解评测多停在 OCR 数字上，本文把"识别 fidelity"重新定位为下游可靠性的瓶颈，并用 EIR 量化"沉默错误"，这种"先解耦、再桥接"的评测哲学可以照搬到任何 perception→reasoning 流水线（医学影像→诊断、文档→合规判断等）。
Observation/Test 双切分的数据设计：把"专家逐字校核"的成本压在 ~40% 数据上做诊断与模式学习，剩余 60% 数据靠分数 oracle 评测部署效果，是一种成本 / 信息密度平衡得很好的 benchmark 构造范式。
LLM-as-a-Judge "列差异"模式：作者把 judge 任务定义为"差异点列举 + 分类"而非"打分"，从源头限制了 LLM 的自由度，使 F1 稳定在 0.9 以上——这一点对所有想用 LLM 做大规模标注的工作都有借鉴价值。
错误模式 → 路由 → 兜底的三段式 deployment 框架：把"识别可靠性"问题转化为"可控人工比例"问题，给真正想部署 AI 批改的学校一份直接可抄的工程蓝图。

局限与展望¶

数据集只覆盖电路分析一门课，diagram 形态偏电路；几何 / 化学结构 / 流程图等仍未覆盖，因此结论对其他 STEM 学科推广需谨慎。
下游任务仅做 auto-grading；VQA、circuit-to-netlist、tutoring 等不同任务对识别错误的敏感度可能完全不同，EIR 数值也会变化。
rubric 与 ground-truth 由少量博士专家给出，开放式 STEM 评分本身具有一定主观性，可能存在系统性偏差。
Regrading 的 detector / regrader / grader 都用 GPT-5.1，可能存在"同一模型既出题又当裁判"的隐性循环，需在未来用异构模型验证。
未来可扩展到多学科、多下游任务，并加入"错误模式持续学习"模块，让 detector 随新错误进化。

评分¶

新颖性: ⭐⭐⭐⭐ 双层评测协议 + EIR + 错误模式路由的组合是新的；单项技术不算特别炫，但合起来切中真痛点。
实验充分度: ⭐⭐⭐⭐⭐ 6 个 MLLM × 4 类错误 × 3 档 rubric + 真实部署 case study，覆盖很全面。
写作质量: ⭐⭐⭐⭐ 论点—证据—对策三段推进清晰，图 1 + 表 5 + 表 6 是论文骨架；少量段落偏冗长。
价值: ⭐⭐⭐⭐⭐ 直接对应 AI 教育"批改可靠性"工业痛点，并提供可落地工程方案。