深夜十一點，李老師揉了揉發酸的眼睛，面前還有三十多篇作文等待批改。

這是無數語文教師的日常寫照——繁重的批改負擔、難以完全統一的標準、反饋到達學生手中時已失去時效性。

而在AI技術日新月異的今天，我們能否讓機器真正“理解”一篇作文的優劣？

答案是肯定的。基於Qwen3-VL-30B-A3B-Instruct大模型，我們成功打造了一款能夠深度理解中文作文的智能閲卷助手，讓作文批改走向自動化、標準化、即時化。

在這個項目中，我們對同一篇《知之·行之·思之》進行評分，兩者都能讀懂文章、給出評價，但風格和“老師味兒”差異非常明顯：

基線模型更偏向概括性、理論化的評析風格。雖然也提及“結構嚴謹、論證充分”，但表述較為籠統，未針對具體內容展開細析，整體語言偏向正式，結構較為平鋪直敍，更像一個概括性的“評審意見”。

微調後模型則呈現出清晰、結構化的語文教師批改風格。評語嚴格遵循“總評—分項分析—總結”的結構，從“結構”“立意”“語言”三個維度展開，每部分都結合原文內容進行具體説明，並引用文中實例（如“春暖花開”“秋高氣爽”的比喻），語言自然流暢，建議具體，貼近教學實際。

下面這張表就是兩者在關鍵維度上的對比，可以非常直觀地看到差別：

對比維度	基線模型效果	微調後模型效果
分形式	百分制，給出具體分數（如58分）	百分制，給出具體分數（如95分）
評語結構	整體概括為主，結構較鬆散，分點不明確	結構清晰，常按“結構—立意—語言”等維度展開，層次分明
語言風格	語言正式、概括，偏向書面評審	語言自然、具體，貼近教師日常用語，有親和力
關注重點	側重整體印象與理論判斷，較少展開細節	注重結合原文內容進行細部分析，舉例説明，指向明確
學生閲讀門檻	表述抽象，對學生的直接指導性較弱	表述具體，學生能清楚理解優點與可改進之處
教學適配度	適用於需要快速總體評價的場景	適用於日常批改、反饋指導，符合實際教學互動習慣

傳統自動化作文評分系統多基於規則和淺層特徵，而大模型帶來了根本性變革——它不再只是“檢查”，而是真正“理解”。我們選用的Qwen3-VL-30B-A3B-Instruct模型，通過300篇精選高中作文數據的指令在LLaMA-Factory Online上進行微調，深度對齊了中文作文的評分標準。模型不僅能評估語言表達的規範性，更能理解文章的邏輯結構、思想深度和情感價值——這些正是優秀作文的靈魂所在。

實戰路徑：從數據到智能的蜕變

數據準備和清洗

本項目選用了面向中國高中階段的中文作文數據集：AES-Dataset。這個數據集小而精，聚焦高中場景。

● 學生羣體：全部來自中國高中生，話題接近高考/模擬考作文

● 文體類型：以議論文、記敍文為主，需要一定邏輯推理與表達能力

● 數據規模：共300篇精選作文樣本，編號從A-0001至A-0300

雖然數量不大，卻非常適合做：小樣本微調、LoRA/QLoRA輕量化實驗、驗證教育垂直領域精調的“效果上限”。

數據結構：標準化設計，方便工程介入

● 元數據文件 scores.txt：記錄作文ID、標題、人工評分

● 作文文本 /essays 文件夾：每篇作文一個txt文件，天然保留文章結構信息

不同於常規文本處理，我們將作文轉化為圖片格式輸入模型。這一看似額外的步驟實則暗含深意：它完整保留了作文的版面結構、修改痕跡、書寫特色，讓模型能夠像人類教師一樣“看到”作文的全貌。

高效微調全流程

在LLaMA-Factory Online平台上，我們採用LoRA微調方法，僅用單張H800A GPU、45分鐘就完成了模型訓練，顯著降低了計算成本。關鍵配置參數如下：

配置參數	參數説明	參數
基礎配置
model	訓練用的基模型	Qwen3-VL-30B-A3B-Instruct
dataset	訓練使用的數據集名稱	aes_data
stage	訓練方式	sft
finetuning_type	微調方法	lora
進階配置
LR Scheduling Type	動態調整學習率的方式	cosine
Max Gradient Norm	梯度裁剪的最大範數，用於防止梯度爆炸	1.0
訓練配置
Learning Rate	學習率	5e-05
Epochs	訓練輪數	3
per_device_train_batch_size	單GPU批處理大小。	2
Gradient Accumulation	梯度累計，將一個完整批次的梯度計算拆分為多個小批次，逐步累積梯度，最後統一更新模型參數	4
Save steps	訓練過程中每隔多少個訓練步保存一次模型	200
Warmup Ratio	將學習率從零增加到初始值的訓練步數比例	0
Chat Template	基模型的對話模版，訓練和推理時構造prompt的模版	qwen3
效率與性能配置
Mixed Precision Train	混合精度訓練，模型在訓練或推理時所使用的數據精度格式，如 FP32、FP16 或 BF16	bf16
數據參數配置
Max Sample Size	每個數據集的最大樣本數：設置後，每個數據集的樣本數將被截斷至指定的 max_samples	100000
Cutoff Length	輸入的最大 token 數，超過該長度會被截斷	2048
Preprocess Workers	預處理時使用的進程數量	32
日誌配置
Logging Steps	日誌打印步數。	5
LoRA配置
Lora Rank	LoRA 微調的本徵維數 r，r 越大可訓練的參數越多	8
LoRA Scalling Factor	LoRA 縮放係數。一般情況下為 lora_rank * 2	16
Random dropout	LoRA 微調中的 dropout 率	0
LoRA Modules	Lora作用模塊	all

開始進行模型訓練，通過任務中心可以查看任務的詳細信息、超參數、訓練追蹤和日誌。

通過Loss曲線可以看出訓練有效且逐步收斂，但存在一定波動，可通過調整訓練策略（如增大 batch_size、微調學習率）進一步優化穩定性。

效果驗證：不只是打分更是理解

模型訓練完成後，我們進行模型評估，評估結果令人振奮：

● ROUGE-1/ROUGE-2指標表現不錯：説明生成內容在 “字詞、短語層面” 與參考文本的覆蓋度、匹配度較高

● BLEU-4處於中等水平：意味着生成文本與參考文本的長短語重合度還有提升空間

我們進行模型對話，模型生成的評語不再模板化，而是針對每篇作文的特點提供個性化反饋。

在實際對話測試中，模型展現了令人驚喜的“教學敏感度”。它生成的評語不再模板化，而是針對每篇作文的特點提供個性化反饋——既肯定優點，也指出不足，其給出的得分與作文的實際質量匹配度較高。這樣的反饋，已經接近資深教師的指導水平。

未來已來：智能閲卷的可實現性

基於Qwen3-VL大模型的智能閲卷助手，正悄然改變着一線教學的真實場景。它讓教師得以從深夜的案頭批改中抽身，將心力轉向更具創造性的教學設計；它讓學生的作文在提交後便能即刻獲得結構清晰、建議具體的專業點評，將漫長的反饋週期轉化為即時的成長對話。這一切，都依託於LLaMA-Factory Online平台所提供的“高效微調”與“即時對話”能力——複雜的大模型技術，由此變得簡單、可用、可落地。

這不僅僅是一個評分工具。它更是一個開始，一個以技術彌合教育資源差異、以智能放大教師專業價值的起點。未來，在LLaMA-Factory Online的持續迭代與賦能下，它可以從“評分”走向“診斷”與“個性化輔導”，更重要的是，隨着數據的不斷積累，模型將越來越“懂”教育，越來越“理解”每一篇文字背後的思考與情感，成為助力師生共同成長的可信賴夥伴。