生产排程：评分冲突与后代的实际变化

原模板要求把每天的机器用时向上取整，评分中却有一项要求它与未取整的工时完全相等。GPT 初代按模板取整，在这一项得到 0 分，满分为 2 分。

这道题要求根据五份材料填写生产计划。原模板的机器用时汇总标题是“Press Total Per Day (Minutes Rounded Up Whole)”，即每天的机器用时按整分钟向上取整。标题位于“One Week Test Plan”工作表的 I46。

实际记录

第一次重复中，GPT 初代交出的工作簿按每天取整后再汇总：

原评分第34项要求每台机器各次运行的用时之和与汇总中的数值完全相等。评语明确指出，模型采用向上取整，符合模板标题，但不满足该项要求的精确相等，因此给了零分。

已从提交文件中的需求量、线材数量、生产速度和换线时间重新计算上述分数，并核对实际汇总公式确实使用向上取整。源模板、提交文件和原评分记录均保留。查看核对结果，或打开原题与各模型成果。

对改进实验意味着什么

后代拿到的反馈不一定与原任务完全一致。它可能为了增加原分而改变本来符合要求的做法，也可能继续遵守原任务而承受扣分。这两种处理会影响后续改进和训练样本的判断。

GPT 在第一次改进说明中已经指出，部分取整要求与模板有冲突，并要求后代优先遵守原任务。接下来可以检查它是否保住这一做法、是否改好其他真正的漏项，以及新任务表现是否提高。

第一代已经交出了什么

11月1日，GPT第一代完成这道题，原分由初代的 57/71（80.3%）降到44/71（62.0%）。两份已提交文件都已保存，可以从原题与成果页下载。

初代在原模板之外增加了一张“Schedule & Basis”附表，其中有作业开始时刻等信息。第一代只保留模板原有的两张表。已直接读取两份工作簿，核对工作表名称与初代的开始时刻字段。

这些变化合计少13分，与总分变化一致。第一代满足了“两张表”的检查，同时失去了初代附表里的一部分排程信息；原评审还指出打印页面分割和文字截断。后续可以看第二代能否保住必要的排程信息，同时满足表格要求。

这条链在另一道计算机开发题也从答对变成答错。按本轮固定权重，即使第一代余下两道开发题都拿满分，五题总分最高也只有43.7%，低于初代的67.4%。因此，这次开发成绩下降已经可以确定；它在新任务上的表现将由独立测试回答。

本轮继续使用已固定的任务和反馈。扩大实验前，应统一这项评分与原模板的取整口径，并对其他疑似冲突逐项复核。团队讨论清单中保留这项决定。