小模型也能答中学科学题，题目本身还得有人把关

研究者建立一个对应美国NGSS标准的初高中科学题基准，比较9个开源模型在不同科学领域和题型上的表现。结果显示，模型规模并不能稳定预测准确率，一些体量较小、可本地运行的模型也表现不错。

不过，人工检查发现合成题并非都与课程标准完全一致。基准的答案分数因此不能简单等同于教学可用性：如果题目本身偏离目标，测出来的能力也会偏。文章评估的是模型在合成题上的表现，没有学生学习结果；它强调标准对齐和人工审题仍不可少。