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]

Anthropic 发布了 Claude Fable 5.2，和 Mythos 5.2 是同一底层模型。Fable 对所有人开放，Mythos 要过生命科学或网络安全验证计划。 价格降到输入 $8 / 百万 token，输出 $40，比 5.1 便宜一档；输出最多快约 30%。官方建议日常编程和知识工作仍先用 Opus 5.5，Fable 留给更长、更开放的高难度任务。 几个官方分数：FrontierCode 2.0 在 Xhigh 上 49.1%，Humanity’s Last Exam（带工具）74.2%，Remote Labor Index 在 High 上 41.3%。Anthropic 还写，High effort 大约能打到和 Opus 5.5 Max 持平，单任务成本大约一半。 更醒目的是他们自己的演示：约 1000 个 agent 用 30 小时把费马大定理证明形式化进 Lean；还完成了两个和黑洞、全息对偶相关的理论物理计算，并放出了预印本。https://t.co/o8cSzfRl4O

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

今天花了 $24.52，确认了一件事：会解题，不等于会出题。
高三，一边学习一边跑一点小实验。最近在想，大语言模型能不能从数学题生成器，往前走一步：自己设计、验证、审查并改进高考压轴题。不是已经做出了一个自主数学研究 Agent，只是开始把实验、审查和架构判断分开看。
我从三个跨学科方向出发——反馈与稳定性、有限资源���的最优化、决定性与拉普拉斯妖——让模型设计了六道完整压轴题，每个方向两道。结果很清楚：模型很会制造数学复杂性，但不一定会设计出好题。有的题直接搬进高等数学的辅助对象和研究框架，学生还没建立起相应的语言和工具，设问却已经开始了。
对照 2026 年新高考一卷第 19 题之后，原则变得很简单：高等数学可以提供命题灵感，但不能直接替代高中数学的思维过程。优秀的新定义压轴题，不是把高等内容降低难度，而是用前几问逐步建立语言、操作和推理工具，让后面的解法被学生自己发现。
然后做了一次命题模型对照。
Sol：146 秒，$3.590，数学审查 6/6
Astra：186 秒，$20.931，数学审查 6/6
两次合计 $24.521。Astra 大约是 Sol 的 5.83 倍成本，本轮六项数学审查却都过了。所以必须把话说死：数学审查通过，不等于题目质量相同，更不能证明两者在原创性、自然性和真实考试区分度上等价。
现阶段的工程判断是：让便宜模型承担主要命题，把贵模型用在关键节点复核，比默认全程使用最贵的模型更值得测试。这是判断，不是已经验证过的结论。
审查方式也改了。不再只问「答案对不对」，而是让 Astra、Sol、Terra 做多模型盲审，已完成两轮，共 12 份审查报告，分别看证明是否正确、设问是否递进、是否反套路、是否守住高中知识边界、证明能不能更简洁，以及模型自己改题有没有效。
会解题、会证明、会设计一道好题、会发现自己出的题有什么缺陷，是四种不同的能力。模型做对它自己生成的题目，只说明它���了其中一关。
现有的高中数学命题 Skill 已经有规则、难度控制和脚本。静态审查看了 18 个 Skill 文件、73 个源文件、55 份 Python 脚本：规则和生产工具比较完整，但还没有统一的 Agent 执行层，现有脚本也不能独立完成探索、审查、失败诊断和修订调度。这是架构审查，没有完成 Agent 的正式开发或部署。
下一步不推倒重建。先做「数学结构设计」模块和最小可运行 Agent，再用大约 10—20 道题对照三种路径：单次命题、命题加审查修订、多阶段 Agent 最多三轮迭代。之后做原创性核验，并请真实学生限时试测。难度、区分度和题目自然性，模型评审替代不了高中生限时作答。
过去用 AI，是提问然后等答案。现在开始试着把它组织成能生成候选、检查错误、提出改进再重新执行的系统。但也更能看��一个难点：系统能多跑几轮，不代表它知道该往哪改。评价标准不可靠的话，增加模型、推理时间和迭代次数，只是更高效地生产复杂但低质量的结果。
真正要解决的，是让系统识别自身缺陷，并把识别结果转化成有效改进。这不是已经完成的事，只是今天把问题看清楚了。

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

花了 $24.521，让两个模型各出高考压轴题。 Sol：146 秒，$3.590 Astra：186 秒，$20.931 数学审查都是 6/6。 审查通过 ≠ 好题。模型很会制造复杂性，但不一定会设计出好题。会解题、会证明、会出好题、会发现自己出的题有缺陷，是四种能力。 评价标准不可靠的话，加模型、加时间、加迭代，只是更高效地生产复杂但低质量的结果。

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@bloom_engineer 我给学习看板的 Agent 规范里写死了两条：1）错题只能我本人确认，AI 不许凭推断标；2）“已保存”必须带回执、ID 或回读，否则一律当没存。行为边界之外，数据边界也得写进规范。

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@OmkarRay9 The no-answer-key problem is where I'm stuck. I'm building a math problem-generation Skill for my exam prep, and there's no gold set for "a good problem". Adversarial review catches broken ones, not whether one is worth doing. Is a small golden set of my own ratings enough?

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@0xlelouch_ #1 applies to tiny projects too. High school senior here, building a math problem-generation Skill for my study dashboard. Before rewriting it I ran failure attribution + adversarial review. I haven't yet measured whether the new version writes better problems. That gap is #1.

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@UPing123zzz 高三在做学习看板，规划了 9 个模块。我的做法跟这个思路很像：给 AI coding ��具的 prompt 只写通用功能和架构，先定数据模型和验收标准，再按模块一个个做，不让 Agent 一次碰太多。

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@LanLance24 补一个我在用的变体：先归因再改。我给数学命题 Skill 迭代时，先让模型做失败归因，再单独跑一轮对抗式审查 prompt 专门挑错，最后才定改动方向。不过改完的命题效果我还没实测，闭环还差最后一步。

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@xulijian1994 很认同。我学习看板里的错题就是个小状态机：只有我本人确认才能进“错题”，测验记录单独标成 test，AI 不许凭推断改状态。目的就是让 AI 迭代别的模块时，不会顺手把错题判定改掉。

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@shao__meng 从“被做 App 的人”那一侧说一句：���高三，自己用 GPT + Claude 给自己做学习看板。体感是小工具确实半小时能跑，但一碰到成绩、错题这种数据，就得慢下来先把规则定死。打字游戏随便迭代，带数据的别这么快。

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@ycombinator @divnori @garykbrixi @FrancoisChauba1 @yusufroohani @Omantahealth Bio-elective high school senior here. Last year I got to visit a university lab and came home with fluorescence microscopy photos of cells. Made me wonder: for virtual-cell models, is the bigger bottleneck labeled imaging data or perturbation/sequencing data?

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@leo114119 收入差十倍，但寴学生开发者来说，影响力不只看收入。我跑数学 eval 主要用 DeepSeek，一轮不到 1 美元，很多个人小实验就是靠这个价格才跑得起来

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@yupi996 模型越来越多，我反而更想看同配置下的复测。想问下这个站的评测会标注思考档位和温度吗？我自己测过，同一个模型档位不同，数学题结果能差 5 倍以上

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

OpenAI's new BioBasicsBench: 100 routine wet-lab tasks. Top model GPT-6 Astra scored 66.7%, up from 43.8%.

What still trips it up? Misreading controls.

That's the first rule high school bio drills into us: no control group, no conclusion. AI needs that lesson too 🧬

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

Anthropic CEO Amodei 说，AI 正从「聪明的高中生」走向「有才华的大学生」，建议年轻人学会用 AI、围绕它去做事，而不是跟它比。

作为一个真高三生的体感：AI 解题早比我快，但它不会替我检查。我测过，同一个模型思考档位不同，数学题集结果能差 5 倍以上。

会验证，才是我想练的能力。

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@aimusheng day1的就是，今天主要是开发自己的命题skill

[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]

@KeKeYa88 感觉脾气有点好

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@VeknQAQ @laopai1990 感觉昨天测了一天

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@EveryDevAi @allen_ai This is the eval I care about as a student building toward research. My question: does SUPER check that the experiment's result is correct, or only that it ran?

[Xiuqi｜高三学AI&Bio @Xiuqi_AIbuilds]

@zhouyijia2009 作为学生开发者最有体感：我跑数学 eval 主要靠 DeepSeek，一轮不到 1 美元，16 个并发十分钟左右跑完。没有这个价位，我这种个人小实验基本不会存在