這項由上海財經大學的陸雨晨、楊潤、張藝晨、俞曙光等多位研究者領導的研究團隊發表於2025年10月的arXiv預印本平台（論文編號：arXiv:2510.09517v1），感興趣的讀者可以通過該編號查詢完整論文。這個研究團隊創造了一個全新的評測體系，專門用來檢驗AI模型在統計學方面的推理能力，就像為AI設計了一場統計學的"聯考"。
當我們談論AI的智能程度時，通常會關注它們在數學計算或邏輯推理方面的表現。然而，有一個重要領域一直被忽視了：統計學。要知道，統計學可是現代數據科學的基石，從預測股市走勢到分析疫情傳播，從評估藥物療效到理解社會趨勢，統計推理無處不在。
但問題來了：當前的AI評測系統就像一個偏科嚴重的老師，它們會考察AI的數學能力、語言理解能力，甚至編程能力，但對統計推理能力的考察少得可憐。現有的推理評測中，統計學問題占比不到3%，而且大多是一些簡單的概率計算題，根本無法反映AI在真實統計推理場景中的表現。
這就好比我們想知道一個學生的綜合學術能力，卻只考了語文和數學，完全忽略了同樣重要的物理、化學和生物。上海財經大學的研究團隊敏銳地察覺到了這個問題，決定填補這一空白。
他們的解決方案是創建StatEval——這個名字聽起來很學術，但其實可以理解為"統計評價系統"。這個系統包含了近20000道精心設計的統計問題，覆蓋了從本科基礎課程到博士級研究的各個層次，從簡單的概率計算到複雜的理論證明，可以說是目前最全面、最嚴格的AI統計推理能力測試。
更令人印象深刻的是，研究團隊不滿足於僅僅收集現有的題目，而是開發了一套創新的自動化生成系統。這個系統就像一個超級智能的出題機器，能夠從大量學術論文和教科書中自動提取和改寫問題，同時保證題目的質量和學術嚴謹性。
當研究團隊用這套評測系統測試目前最先進的AI模型時，結果令人深思。即使是表現最好的商業AI模型，在面對研究級別的統計問題時，準確率也只有57%左右，而開源模型的表現更是顯著落後。這個發現揭示了一個重要事實：儘管AI在很多領域表現出色，但在需要深度統計推理的場景中，它們的能力仍然有很大提升空間。
這項研究的意義遠不止於創建了一個新的評測工具。它為我們理解AI的真實能力提供了新的視角，也為未來AI在數據科學、科學研究和統計分析領域的應用指明了改進方向。隨著我們進入一個越來越依賴數據和統計分析的時代，這種全面的統計推理能力評估將變得愈發重要。
一、統計推理：AI智能拼圖中的缺失板塊
當我們觀察當前AI評測領域的現狀時，會發現一個有趣的現象：就像一個營養不均衡的飲食搭配，現有的評測系統過分偏重於某些能力，而嚴重忽視了其他同樣重要的智能維度。
目前主流的AI評測就像一個只關注語文和數學成績的老師。MMLU這類廣泛使用的評測系統雖然聲稱涵蓋多個學科，但統計學內容少得可憐，而且大多停留在高中水平的基礎概念。MATH評測系統主要關注競賽類數學問題，對統計推理的涉及也僅限於簡單的概率和計數問題。
這種狀況就好比我們想全面了解一個學生的學術能力，卻只看他的語文和數學成績，完全忽略了物理、化學、生物等其他重要學科。統計學作為現代科學研究和數據分析的核心工具，其重要性不言而喻，但在AI能力評估中卻長期處於邊緣地位。
統計學與傳統的數學推理有著根本性的差異。如果說數學推理更像是在一個確定的世界裡尋找唯一的正確答案，那麼統計推理則是在充滿不確定性的現實世界中尋找最合理的解釋和預測。統計學需要我們在概率理論、推斷方法、回歸分析、貝葉斯分析、多元統計方法和漸近理論之間建立聯繫，形成一個統一的推理框架。
這種推理方式的複雜性遠超簡單的符號操作或固定模式的計算。它要求AI不僅要掌握數學工具，更要理解不確定性的本質，學會在有限資訊下做出合理推斷，這正是現代科學研究和數據驅動決策的核心能力。
現實世界中，統計推理無處不在。當醫生根據症狀和檢測結果判斷疾病時，當經濟學家根據歷史數據預測市場趨勢時，當工程師根據質量控制數據優化生產流程時，他們都在進行複雜的統計推理。如果AI要真正成為科學研究和數據分析的有力助手，具備強大的統計推理能力是必不可少的。
然而，當前AI模型在統計推理方面的能力評估幾乎是一片空白。我們對AI在圖像識別、語言理解、甚至詩歌創作方面的能力了如指掌，但對它們處理統計問題的真實水平卻知之甚少。這種知識盲區可能會導致我們過度依賴AI進行統計分析，或者在需要統計推理的場景中低估AI的潛在風險。
正是在這樣的背景下，StatEval的出現顯得格外重要。它不僅填補了評測領域的一個重要空白，更為我們全面理解AI的智能水平提供了一個新的維度。通過系統性地評估AI在統計推理方面的能力，我們可以更準確地了解AI的真實智能邊界，也能為未來的AI改進指明方向。
二、StatEval：一個前所未有的統計智能評測體系
要創建一個全面的統計推理能力評測系統，就像要建造一座涵蓋所有統計知識領域的圖書館。StatEval正是這樣一個龐大而精密的知識體系，它包含了近20000道精心設計的問題，覆蓋了統計學的方方面面。
整個評測體系就像一座兩層建築。第一層是"基礎知識數據集"，包含了13817道問題，這些問題就像統計學習的階梯，從大學生需要掌握的基礎概念一直延伸到博士研究生水平的高深理論。這些問題來源豐富多樣，包括45本經典統計學教科書、上千道經過仔細驗證的研究生入學考試題目，以及來自世界知名大學公開課程的推薦練習題。
第二層是"統計研究數據集"，包含2374道基於真實研究論文的證明題。這些問題的特別之處在於，它們不是憑空想像出來的理論練習，而是從2020年到2025年間發表在18個頂級學術期刊上的2719篇研究論文中提取出來的真實問題。這些期刊包括統計學領域的權威刊物如《統計年鑑》、《生物統計學》，以及相關領域如計量經濟學、概率論和機器學習的重要期刊。
StatEval的組織結構體現了研究團隊的深思熟慮。整個系統沿著兩個軸線展開：難度軸和學科軸。難度軸將問題分為基礎知識和前沿研究兩個層次，確保了評測的全面性。學科軸則將統計學細分為三大領域：概率論、統計學和機器學習，每個領域又進一步細分為具體的子學科。
在概率論領域，基礎課程包括初等概率、隨機過程和初等時間序列，而研究生課程則擴展到高等概率論、高等時間序列分析和資訊論。統計學領域涵蓋了從基礎統計、線性模型、多元統計分析到因果推斷、統計計算等多個分支。機器學習領域包括一般機器學習、深度學習、強化學習和凸優化等現代熱門方向。
對於研究級別的問題，研究團隊設計了更加精細的分類體系。除了按照研究主題分類外，還按照理論結果的類型進行了二級分類。比如，根據理論性質，問題被分為漸近性質、可識別性和一致性、分布性質、泛化和誤差界限、最優性結果、檢驗有效性、收斂性和穩定性、結構保證等多個類別。
這種精細的分類不僅有助於全面評估AI模型的不同能力維度，也為研究人員提供了深入分析模型優勢和劣勢的工具。通過觀察AI在不同類別問題上的表現差異，我們可以更準確地理解其統計推理的內在機制。
StatEval的另一個創新之處在於問題格式的多樣性。基礎知識部分既包含1517道選擇題，也包含12300道開放性問答題。選擇題主要測試概念理解和事實性知識，而開放性問答題則需要AI提供詳細的推導過程、正式證明或結構化的問題求解過程，這種格式能夠更全面地評估AI的推理能力。
研究級別的問題則全部採用證明題的形式，每個問題都圍繞一個具體的定量目標展開，比如找到一個確切的常數、閉式表達式、分布形式、收斂速率或帶有常數的顯式界限。這種設計確保了問題的客觀性和可驗證性，避免了開放性問題可能帶來的評價主觀性。
更重要的是，StatEval中的所有問題都以純文本形式呈現，不依賴任何計算工具或軟體。這種設計確保評測直接針對推理能力本身，而不是AI使用外部工具的熟練程度。這就像考察學生的數學思維能力時不允許使用計算器一樣，能夠更純粹地反映AI的內在推理水平。
三、智能化問題生成：讓機器學會出題的藝術
創建如此龐大的問題庫，如果完全依靠人工編寫，無疑是一項幾乎不可能完成的任務。研究團隊的解決方案是開發一個創新的多智能體流水線系統，這個系統就像一個超級智能的出題工廠，能夠自動從學術資源中提取和生成高質量的統計問題。
這個自動化系統的工作過程就像一個精密的工藝生產線，由四個專門的智能代理協同工作。每個代理都有自己的專長，共同完成從原始文檔到標準化評測題目的完整轉換過程。
第一個代理是"文檔轉換專家"，它的任務是處理各種格式的原始文檔。這些文檔可能是PDF格式的教科書、掃描的紙質資料，或者LaTeX格式的學術論文。這個代理就像一個多才多藝的翻譯員，能夠識別不同格式中的文字和數學公式，並將它們統一轉換為清晰的LaTeX格式文本。研究團隊使用了名為MinerU的多模態大語言模型來實現這一功能，確保數學表達式和符號記號得到準確保留。
第二個代理是"內容分割大師"，專門負責從轉換後的文本中識別和提取重要的理論元素。這個代理運用基於大語言模型的正則表達式框架，能夠動態生成和應用自定義的識別規則，準確找到文檔中的定理、引理和例題等關鍵內容。更重要的是，它不僅能找到這些內容，還能夠提取相關的背景資訊，如前面的定義、假設和其他語義相關的章節，確保每個提取的片段都是自包含的完整單元。
第三個代理是"問題生成藝術家"，這是整個系統中最核心的組件。它接收前一個代理提取的定理和背景資訊，將它們轉換為標準的問答格式。這個轉換過程必須遵循嚴格的標準：生成的問題必須具有適當的難度，既不能過於簡單也不能過於開放；每個問題必須是自包含的，包含解題所需的所有背景資訊；問題不能泄露解題的中間步驟或最終答案；每個問題必須有唯一明確的解答；答案必須是可以客觀驗證的定量結果。
第四個代理是"質量控制檢察官"，負責對生成的問題進行嚴格的質量檢驗。這個代理會重新評估每個問題是否符合生成標準，檢查問題與答案之間的內在一致性，確保只有理論上正確、結構上完整的問題才能通過自動篩選。
這個自動化系統最巧妙的地方在於引入了人工專家的反饋循環。通過自動檢驗的問題樣本會提交給領域專家進行人工驗證，專家會確認問題的語義正確性、難度適宜性和分類準確性。更重要的是，專家提供的反饋，特別是對系統失敗案例的分析，會被整合為少量示例，用於後續疊代中改進分割和生成代理的性能。
這種人機結合的方法就像培養一個學徒的過程：機器系統通過大量練習掌握基本技能，而人類專家則提供關鍵的經驗指導和質量把關。隨著時間的推移，系統在專家反饋的指導下不斷改進，生成問題的質量和準確性持續提升。
整個流水線系統不僅解決了大規模問題生成的挑戰，更重要的是保證了生成問題的學術嚴謹性。它能夠將學術資料轉換為標準化、可驗證的評測數據，為科學領域的基準測試建設提供了一個可擴展的框架。這種方法的成功不僅體現在StatEval的構建中，也為未來其他專業領域的評測系統開發提供了寶貴的經驗和方法論指導。
通過這個智能化系統，研究團隊成功地將人類專家的知識和判斷能力與機器的處理能力結合起來，創建了一個既保持高質量又具備可擴展性的問題生成機制。這種創新不僅推動了AI評測技術的發展，也為學術資源的自動化處理和知識提取開闢了新的可能性。
四、精準評分：如何公正地評判AI的統計推理能力
設計一個公平、準確的評分系統，就像為奧運會制定公正的評分標準一樣重要。StatEval採用了一個精心設計的分層評分框架，能夠全面而客觀地評估AI在不同類型統計問題上的表現。
對於選擇題，評分標準相對直接：答案正確得1分，錯誤得0分，沒有中間分數。這種嚴格的二元評分方式雖然看似簡單，卻能有效避免評分的主觀性，確保評測結果的可重複性和一致性。
然而，開放性問答題的評分要複雜得多。這些問題需要AI提供詳細的推理過程和最終答案，簡單的對錯判斷無法充分反映AI的推理質量。為此，研究團隊開發了一個創新的四步評分流程，就像一個經驗豐富的老師批改學生作業的過程。
第一步是"推理步驟提取"。系統會仔細分析AI的回答，識別出其中的關鍵推理步驟，包括假設條件、邏輯轉換和中間推導等。這個過程就像老師閱讀學生解題過程時，會逐步跟蹤學生的思路發展，理解每一步推理的意圖和邏輯。
第二步是"結果提取"。對每個推理步驟，系統會進一步分析並提取其定量或符號化的結果，比如計算得出的數值、推導出的表達式或識別出的分布類型。這確保了對推理過程中邏輯結構和具體結果的全面把握。
第三步是"智能判斷"。一個專門的大語言模型評判員會將提取出的推理步驟和結果與標準答案進行比較，驗證推理的正確性，檢查每個步驟是否必要和充分，發現任何邏輯不一致或缺失的論證。
第四步是"綜合評分"。基於評判員的分析，每個推理步驟會在三個維度上獲得二元分數：推理準確性（邏輯是否正確）、步驟完整性（是否遺漏關鍵步驟）和最終答案正確性（結果是否準確）。
這個評分系統最精妙的地方在於它的加權機制。單次評估的最終分數通過公式計算：最終分數 = 0.4×推理準確性 0.3×步驟完整性 0.3×最終答案正確性。這個權重分配體現了對推理過程的重視：即使最終答案錯誤，如果推理思路正確，AI仍然可以獲得相當的分數。
為了確保評分的穩定性和可靠性，系統還採用了保守的多輪評估策略。每個問題會用不同的隨機種子進行三次獨立評估，最終分數取三次評估中的最低分。這種"取最低分"的策略雖然嚴格，但能有效避免偶然因素對評分結果的影響，確保評測結果的可靠性。
對於研究級別的證明題，評分標準更加嚴格和專業。系統採用了專門針對統計證明的評分準則，特別關注兩類不同的結果成分。
對於非常數成分（如依賴於維數、樣本大小或變量的表達式），評分的核心是主導項的階次一致性。這就像評估一個數學公式的增長趨勢：只要主導項的階次與標準答案完全一致，就認為答案正確，而那些低階項的存在與否不會影響評分結果。非關鍵常數係數的微小差異也不會被扣分，但主導項階次的任何不一致都會導致答案被判定為錯誤。
對於常數成分（如固定數值、常數項或確定性係數），評分要求預測答案與標準答案完全一致，不允許任何偏差。
這種分層評分策略確保了對不同類型統計結果的公平評估。它既認可了複雜統計問題中主要趨勢的重要性，又保持了對精確結果的嚴格要求。同時，系統還考慮了純格式差異（如空格、括號位置、LaTeX符號變體等）不會影響評分，只要數學含義相同。
整個評分系統的設計哲學體現了統計學教育和評估的最佳實踐：既要關註解題的思維過程，又要確保結果的準確性；既要公平對待不同的表達方式，又要保持評分標準的嚴格性和一致性。通過這個精心設計的評分框架，StatEval能夠為AI的統計推理能力提供全面、客觀、可靠的評估結果。
五、令人深思的測試結果：AI統計推理能力的真實畫像
當研究團隊用StatEval對目前最先進的AI模型進行測試時，結果既令人印象深刻，又引人深思。這些測試結果就像一面鏡子，清晰地反映出當前AI在統計推理方面的真實能力水平和限制。
為了確保測試的公正性和可操作性，研究團隊構建了一個精簡版的StatEval-mini，從完整的評測集中策略性地選取了3300道具有代表性的問題。這個精簡版就像一個濃縮的樣本，既保持了原有評測的全面性和平衡性，又使得大規模AI模型測試變得切實可行。
在基礎知識測試中，不同AI模型的表現呈現出明顯的層次分化。商業模型普遍優於開源模型，其中GPT-5表現最為出色，總體平均分達到82.85分，展現了強大的綜合統計知識掌握能力。有趣的是，這些模型在本科水平問題上的表現通常優於研究生水平問題，這反映了訓練數據中基礎內容的相對豐富性。
然而，當我們深入分析各個子領域的表現時，發現了一些值得注意的模式。AI模型在機器學習相關的統計問題上表現較好，這可能是因為這些內容在訓練數據中更常見。相比之下，它們在一些更基礎但更傳統的領域，如概率論和線性模型，表現卻不夠突出。這種不平衡反映了當前AI訓練中可能存在的數據偏向性：熱門主題得到了更多關注，而基礎理論的覆蓋相對不足。
更引人注目的是研究級別問題的測試結果。即使是目前最先進的商業AI模型，在面對真正的研究級統計證明題時，表現也相當有限。GPT-5-mini的準確率僅為57.62%，Gemini-2.5-flash為51.14%，而最好的開源模型也只達到51.10%。這些數字清楚地表明，當前AI在處理需要深度理論推理的統計問題時仍有很大改進空間。
研究團隊進一步分析了不同類型理論問題的表現差異，發現AI模型在某些類別上相對擅長，而在其他類別上明顯不足。比如，GPT-5系列模型在"可識別性與一致性"以及"檢驗有效性"問題上表現較好，準確率分別達到74-77%和64-72%，顯示出它們在嚴格統計推理和假設檢驗方面的相對優勢。
相比之下，Gemini系列模型在"分布性質"和"結構保證"方面表現相對較好，準確率達到約59%和60%，但在更複雜的推理類別如"最優性結果"和"泛化誤差界限"上表現較弱，準確率只有42-50%。
開源模型雖然總體表現落後，但也顯示出一些有趣的特點。Qwen系列模型在概率相關推理上表現不錯，準確率達到50-62%，但在優化和生成相關推理上明顯不足，準確率僅為16-21%。這種差異表明，針對性的微調可能會顯著改善開源模型在特定理論推導技能上的表現。
按學科領域分析的結果也很有啟發性。在基礎知識和研究級別的任務中，AI模型都顯示出相似的表現模式：概率論和統計學的表現相對穩定和均衡，而機器學習領域的問題對所有模型來說都更具挑戰性。即使是表現最好的GPT-5模型，在機器學習領域的研究級問題上也只能達到48.56%的準確率，遠低於其在概率論（66.54%）和統計學（59.46%）上的表現。
這些結果揭示了幾個重要問題。首先，當前AI模型在統計推理方面的能力發展不均衡，熱門領域的表現優於基礎理論領域。其次，所有模型在研究級別的理論推導和證明任務上都存在顯著不足，這限制了它們在高級統計研究中的應用潛力。第三，不同模型在不同類型的統計推理上各有所長，沒有一個模型在所有方面都表現優異。
這些發現對AI的發展和應用都有重要意義。它們表明，雖然AI在一些統計應用場景中可能表現不錯，但在需要深度理論推理的場合，我們仍需謹慎對待AI的建議和結果。同時，這些結果也為未來AI模型的改進指明了方向：平衡不同統計領域的訓練，加強理論推導能力，提高在複雜推理任務上的表現。
六、StatEval的深遠意義：重新定義AI智能評估的標準
StatEval的創建不僅僅是增加了一個新的AI評測工具，它的意義要深遠得多。這項研究為我們重新思考AI智能評估提供了全新的視角，也為未來AI在科學研究和數據分析領域的發展奠定了重要基礎。
從評測方法論的角度來看，StatEval開創了幾個重要的先河。首先，它是第一個專門針對統計推理能力的大規模評測系統，填補了AI評估領域的一個重要空白。以往的評測要麼過於寬泛缺乏深度，要麼過於狹窄無法全面反映能力水平，而StatEval在保持全面性的同時實現了前所未有的深度和專業性。
更重要的是，StatEval引入了一種全新的評測理念：從真實學術研究中提取評測問題。傳統的AI評測往往依賴人工構造的問題或者簡化的學術練習，而StatEval的研究級問題直接來源於頂級期刊的最新研究成果。這種方法確保了評測問題的真實性和前沿性，能夠更準確地反映AI在實際研究場景中的應用潛力。
StatEval創新的多智能體問題生成流水線也具有重要的方法論價值。這個系統展示了如何將機器學習技術與人類專業知識有機結合，實現大規模、高質量的專業內容自動生成。這種人機協作的模式不僅解決了傳統人工生成方法的規模限制，也避免了純機器生成可能存在的質量問題。
從AI能力認知的角度來看，StatEval的測試結果揭示了當前AI發展中的一些重要盲區。過去我們可能因為AI在某些領域的出色表現而高估了其整體智能水平，StatEval的結果提醒我們，AI的能力發展是不平衡的，在某些關鍵的推理能力上仍有很大不足。
這種認知上的調整對AI的實際應用具有重要意義。在數據科學、醫學研究、經濟分析等依賴統計推理的領域，我們需要更加謹慎地評估AI的可靠性。StatEval提供的詳細能力分析幫助我們了解AI在哪些類型的統計問題上可以信賴，在哪些問題上還需要人類專家的介入。
從教育和人才培養的角度來看，StatEval也具有重要價值。它不僅可以用於評估AI，也可以作為評估人類學習者統計能力的工具。學生、研究人員和從業者可以通過StatEval了解自己在不同統計領域的掌握程度，發現知識盲區，制定針對性的學習計劃。
StatEval的分層設計和詳細分類為統計教育提供了有價值的參考框架。教育工作者可以根據StatEval的分類體系設計課程內容，確保學生能夠全面掌握統計推理的各個方面。同時，StatEval中的問題也可以作為高質量的教學素材和練習題庫。
從科學研究的角度來看，StatEval為統計方法論的發展提供了新的研究工具。研究人員可以通過分析AI在不同類型統計問題上的表現模式，深入理解統計推理的內在結構和複雜性。這種分析可能會啟發新的統計理論發展，也可能會為改進現有統計方法提供洞察。
StatEval還為跨學科研究提供了橋樑。統計學作為現代科學研究的核心工具，StatEval的應用可以幫助其他領域的研究人員評估AI在其特定領域統計應用中的可靠性，從而做出更明智的技術選擇決策。
從技術發展的角度來看，StatEval為AI模型的改進指明了具體方向。通過詳細分析模型在不同統計推理任務上的表現差異，AI研究人員可以識別當前模型的弱點，設計針對性的改進策略。這種精準的診斷能力對於推動AI技術的快速發展具有重要價值。
StatEval的開源性質也值得特別關注。研究團隊選擇將完整的數據集、評測代碼和實驗結果公開發布，這種開放的態度促進了學術社區的共同進步。其他研究人員可以基於StatEval進行擴展研究，驗證和改進評測方法，或者開發新的AI訓練策略。
展望未來，StatEval可能會成為AI統計推理能力的標準評測基準，就像ImageNet對電腦視覺、GLUE對自然語言處理的意義一樣。隨著更多研究團隊採用StatEval進行AI評估，我們將能夠更客觀地追蹤AI在統計推理方面的進步，也能夠更好地比較不同技術路線的優缺點。
說到底，StatEval不僅是一個評測工具，更是一面鏡子，幫助我們更清晰地認識AI的真實能力邊界。在我們邁向更加智能化的未來時，這種清晰的認識將幫助我們更好地發揮AI的優勢，規避其不足，最終實現人機協作的最佳效果。隨著AI在科學研究和數據分析中的應用越來越廣泛，StatEval這樣的專業評測工具將變得愈發重要，它們不僅指引著AI技術的發展方向，也保障著AI應用的可靠性和安全性。
Q&A
Q1：StatEval評測系統包含哪些類型的統計問題？
A：StatEval包含近20000道統計問題，分為兩個層次：基礎知識數據集有13817道問題，涵蓋本科到博士水平，包括選擇題和開放問答題；統計研究數據集有2374道研究級證明題，直接來源於頂級學術期刊的真實研究論文。問題覆蓋概率論、統計學和機器學習三大領域的30多個子學科。
Q2：目前最先進的AI模型在StatEval上表現如何？
A：測試結果顯示AI模型表現不夠理想。在基礎知識測試中，最好的商業模型GPT-5達到82.85分。但在研究級問題上，即使是最先進的GPT-5-mini準確率也只有57.62%，開源模型表現更差，最好的只有51.10%。這表明AI在統計推理方面仍有很大提升空間。
Q3：StatEval如何自動生成大量高質量的統計問題？
A：研究團隊開發了創新的四代理自動化流水線：文檔轉換代理處理各種格式文檔，內容分割代理提取定理和背景資訊，問題生成代理將理論轉換為標準問答格式，質量控制代理驗證問題質量。整個過程結合人工專家反饋循環，確保生成問題的學術嚴謹性和高質量。
