Xiuqi｜高三学AI&Bio

深圳高三生｜用AI学习，关注大模型与AI for Biology 🧬 记录AI学习方法、自制学习看板和学生视角的AI新闻 | HS senior in Shenzhen, learning WITH AI · AI x Bio 🇨🇳🇬🇧

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

大家好，我是Xiuqi，来自深圳的一名高三学生。
目标是将来做AI研究，最感兴趣的是大模型。
这个号会记录：
· 我怎么用AI学习，而不是让AI替我学
· 用GPT+Claude从零开发自己的「高三学习看板」
· 学生视角的AI新闻
中英双语，也是在练英语。欢迎关注🙌

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

我是不是被灰测到6.2sol和6.2astra了

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@VeknQAQ 我今天被灰测到6.2sol和astra了

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@niumage888 真的呀，我还不像真的吗

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

蓝V验证通过了 ✅ 大家快来交朋友！会回关的

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@XiaotiaoWang 就是让我通过前一天列得计划，到了第二天可以很直观的展示我需要做什么

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@BaiBtw 就是展示当日规划，想一个黑板一样

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@easontoom 可以可以，等我cd好了就回关

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@RockTheWind 可以可以，等我cd好了就回关

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

高三学习看板开发日志｜11.8

今天没加新模块。从「AI 为什么命制不出像样的高考数学题」，一路扯到一个更硬的问题：一个系统能不能发现自己的能力缺陷、找对原因，并靠改自己持续变强？

我这边做的是数学命题 Skill：失败归因跑了一轮，又对上一轮报告做对抗性审查，改方向有了，真实出题效果还没验。过程里最扎人的一点是——模型能写出很像那么回事的失败分析，不等于它真懂失败。逻辑顺 ≠ 因果对；自我审查也不能替外部证据。

于是想到 RSI。未必是一个全能模型自己改自己，更可能是审查、规划、编码、独立评测拆开协作：发现缺陷 → 提假设 → 改方案 → 用对照实验验有没有真进步 → 反馈回去。关键不在模型个数，而在独立评价和反馈能不能卡住「看起来有效」的假改进。

三层别混：
• 任务优化：同一模型靠更好工作流把命题做好一点
• 系统自我改进：改自己的流程，并证明改完真更好
• 递归自我改进：连「怎么发现有效改进」这件事本身也在变强

今天停在假设和提示词。下一刀不做更多理论，拿现有 Skill 跑一次小规模对照实验。

一句话：AI 的进步不只取决于它能提出多少改进方案，更取决于它能否可靠地区分真正有效的改进和看起来有效的改进。

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@ykissyou ？

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@MaxForAI @lobehub 收到，你们那条不是 DeepSeek。我那组 5 倍差只在 DeepSeek Flash 的数学题上成立，不能直接推到你们测的 Agent 任务。

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

高二在深圳大学实验室拍的荧光图，顺手发一张。

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@AzrianoY1 高二在深圳大学实验室拍过的荧光图，顺手贴一张。看板和评测现在还是验证方法用的。

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

高三生物视角看 BioSimBench：

不是默写「什么是转录」，而是预测：药物 / 基因敲低 / 免疫信号后，哪些基因会上调或下调——对照真实实验。

最好的通用大模型总分大约 0.18（满分 1），远低于实验重复之间的一致性（约 0.46）。刷题能满分，细胞还远。

来源：CellType BioSimBench（公司自评，当方向看）

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@AzrianoY1 对，现在主线还是先把该拿的分稳住。看板和评测我拿来验证方法，真要跟细胞较劲，得等以后进了实验室。

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@AndyL5cc 开到 Max 值不值，得看它比低档多换来多少分。我现在会把推理档写进评测记录，不然额度烧了，都不知道换来的是分还是配置差。

DeepSeek 上我跑一轮不到 1 美元，16 组并发大约 10 分钟，所以还能承受把档位当成变量测一遍。

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@Orange_leoLI 所以我逼自己先把复测成本压下来：16 组模型并发盲测大约 10 分钟，主控自动阅卷拉表整套大约 20 分钟，DeepSeek 跑一轮不到 1 美元。

模型可以慢慢换，题集和评分方式先锁死。不然每次「升级」其实是在重买一遍评测。

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

This matches what I see on a smaller scale. I ran the same probability problem across 8 configs × two setups: A was only the student’s marked-wrong draft; B added a reference solution the controller had already solved and checked. The answers shifted.

Same model, same problem — change the wrapper, and the score is no longer comparable. I’d ask the same extra question before trusting a leaderboard.

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@MelindaBChu1 From a high-school bio view, this is the right test: not “define a gel,” but read raw gels and say when the evidence isn’t enough.

Astra ~66.7% vs Sol ~43.8% is a real jump, but it still misreads controls. Exam scores don’t measure that — it’s closer to a gate before wet lab.

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@dotey 这句话对做学习工具特别实在。我在写高三学习看板，真正拉开差距的不是换模型，是学生的错误草稿和我自己的题集。

同一道概率题，只给带批注的错题图，和再附上主控先解出并核验过的参考解答，模型表现就不一样。别人没有的上下文，比追一个更聪明的模型值钱。