We’ve trained a system that solves grade school math problems with nearly twice the accuracy of a fine-tuned GPT-3 model. It solves about 90% as many problems as real kids: a small sample of 9-12 year olds scored 60% on a test from our dataset, while our system scored 55% on those same problems.
标题“Solving math word problems”非常克制，直接点出能力场景，适合借势改写成“AI能解小学应用题了”“AI做数学题到底接近几岁孩子”等更有传播感的标题。它的吸引力来自“看似简单、实则考验推理”的反差，也天然带有测评和对比意味。若用于中文传播，最适合往“AI能力边界”“和人类孩子相比如何”这类角度改写。
文章最核心的信息是：作者训练了一个系统，在小学数学文字题上的表现比微调版 GPT-3 约高出近一倍。更值得注意的是，它在同一批题目上的得分达到 55%，而样本中 9-12 岁孩子的得分是 60%，说明系统已经接近人类儿童，但仍未超过。需要注意的是，这个结论只基于摘要提供的测试样本和特定题库，不能直接外推到更广泛的数学能力。
可以做成“AI 和孩子谁更会做应用题”的短文或短视频，用对比数据引出“机器在结构化题目上进步很快，但离稳定理解仍有差距”。也可以从教育视角切入，讨论“为什么应用题比计算题更能暴露推理能力”和“AI 是否能辅助孩子练习审题”。如果做播客或长文，还可以延展到“评测指标真的能代表智能吗”，把“55% 对 60%”作为讨论 AI 能力边界的切入口。