一、导读

本试卷严格按照三级人工智能训练师考试大纲设计，题型分布、难度比例、考点覆盖均参考历年真题规律。建议在120分钟内独立完成，然后对照答案解析自评。文末提供 AutoGrader 自动评分工具，输入答案即可生成薄弱点分析报告。

---

二、试卷结构

┌─────────────────────────────────────────────────────────────┐
│            模拟试卷（一）结构概览                             │
├───────────┬──────┬──────┬──────────────────────────────────┤
│  题型     │ 题量 │ 分值 │  考点覆盖                         │
├───────────┼──────┼──────┼──────────────────────────────────┤
│  单选题   │  30  │ 30分 │ 基础知识、概念理解、规范流程       │
│  多选题   │  10  │ 20分 │ 综合分析、对比判断、多维度理解     │
│  判断题   │  20  │ 20分 │ 细节辨析、概念边界、常见误区       │
│  简答题   │   5  │ 30分 │ 场景分析、方案设计、综合应用       │
├───────────┼──────┼──────┼──────────────────────────────────┤
│  合计     │  65  │100分 │ 及格线: 60分                      │
└───────────┴──────┴──────┴──────────────────────────────────┘

---

三、核心速记表：考点分布

知识领域	单选题号	多选题号	判断题号	简答题号	分值占比
人工智能基础	1-5	31	41-44	—	13%
机器学习	6-10	32-33	45-48	61	18%
深度学习	11-13	34	49-51	—	10%
NLP	14-16	35	52-53	62	12%
数据标注	17-20	36	54-55	—	12%
模型训练与评估	21-24	37-38	56-57	63	15%
部署与运维	25-28	39	58-59	64	12%
伦理与安全	29-30	40	60	65	8%

---

四、模拟试卷（一）

一、单项选择题（共30题，每题1分）

题号	题目	A	B	C	D
1	人工智能训练师的核心职责不包括以下哪项？	数据处理与标注	模型架构原创性研究	模型训练与调优	模型部署与监控
2	下列哪种学习范式属于监督学习？	聚类分析	关联规则挖掘	文本分类	降维分析
3	在AI项目中，数据标注的主要目的是什么？	提高模型运行速度	为模型提供训练所需的标签	减少数据存储空间	美化数据格式
4	以下哪个不是模型评估的常用指标？	准确率(Accuracy)	CPU使用率	F1-Score	召回率(Recall)
5	大语言模型(LLM)中的"涌现能力"指的是？	模型代码的自动生成	参数达到一定规模后出现的预料之外的能力	模型训练过程中的梯度爆炸	模型部署后的性能提升
6	在二分类问题中，混淆矩阵的FN表示什么？	正确预测为正类的样本	正确预测为负类的样本	错误预测为负类的正类样本	错误预测为正类的负类样本
7	逻辑回归模型属于哪种类型的算法？	聚类算法	回归算法（本质为分类）	降维算法	生成式模型
8	交叉验证(CV)最主要的目的是什么？	增加训练数据量	提高模型训练速度	更可靠地评估模型泛化能力	减少模型参数数量
9	以下哪种方法适合处理样本不均衡问题？	增加训练轮数	SMOTE过采样	降低学习率	增加batch大小
10	决策树算法中"剪枝"的目的是什么？	增加模型复杂度	防止过拟合	提高训练速度	增加特征数量
11	深度学习中的反向传播(Backpropagation)主要用于？	初始化网络权重	计算损失函数的梯度并更新参数	增加网络层数	数据预处理
12	ReLU激活函数的数学表达式是？	f(x)=1/(1+e⁻ˣ)	f(x)=tanh(x)	f(x)=max(0,x)	f(x)=x
13	CNN（卷积神经网络）中，卷积层的主要作用是？	降低特征维度	提取局部特征	全连接映射	归一化数据
14	在NLP中，TF-IDF的TF代表什么？	词频(Term Frequency)	传输频率(Transfer Frequency)	训练特征(Training Feature)	测试函数(Test Function)
15	BERT模型的核心架构基于以下哪种？	CNN	RNN	Transformer编码器	Transformer解码器
16	命名实体识别(NER)的目标是？	生成文本摘要	识别文本中的实体及其类别	翻译文本	判断文本情感
17	数据标注中，标注一致性的衡量指标通常使用？	准确率	召回率	Cohen’s Kappa	MSE
18	以下关于数据清洗的说法，哪个是正确的？	所有缺失值都应删除	异常值一定等于错误数据	数据清洗是AI训练师的基础工作之一	数据清洗只需在训练前做一次
19	图像标注中，语义分割与实例分割的主要区别是？	没有区别	语义分割区分不同类别，实例分割还区分同类不同个体	实例分割只标注边界框	语义分割比实例分割更精细
20	标注项目中"黄金标准"数据集的作用是？	作为训练数据	评估标注质量和标注者水平	作为模型输入特征	存储元数据
21	模型训练中，Early Stopping的作用是？	提前结束数据加载	在验证集性能不再提升时停止训练	减少模型层数	降低学习率
22	训练集准确率99%、验证集准确率78%，最可能的原因是？	欠拟合	过拟合	数据量不足	学习率过低
23	Fine-tuning时，学习率通常如何设置？	与预训练阶段相同	比预训练阶段降低1-2个数量级	比预训练阶段提高1-2个数量级	随机设置
24	模型评估中，ROC-AUC的值越接近1表示什么？	模型越差	模型区分正负样本的能力越强	数据量越少	训练速度越快
25	灰度发布中，"金丝雀部署"指什么？	一次性全量上线	逐步将小比例流量导向新版本	同时运行多个模型版本投票	仅内部测试
26	模型上线后准确率持续下降，首先应该做什么？	立即回滚	重新训练模型	检查数据漂移和特征分布	增加服务器
27	AB测试中，何时可以停止实验？	看到实验组优于对照组立即停止	达到预定的样本量和统计显著性	运行满一周自动停止	产品经理决定时
28	以下哪个不是模型运维的关键监控指标？	推理延迟(P99)	模型准确率	开发者代码行数	错误率
29	AI伦理中的"可解释性"指的是？	模型代码开源	模型决策过程可被理解	模型训练速度快	模型参数少
30	数据隐私保护中，"数据最小化"原则的含义是？	使用最小的数据集训练	只收集和处理必要的个人数据	把数据压缩到最小	删除所有个人信息

---

二、多项选择题（共10题，每题2分，多选/错选/漏选均不得分）

题号	题目	A	B	C	D
31	以下属于监督学习算法的有？	线性回归	K-Means	随机森林	PCA
32	处理过拟合的常用方法包括？	增加训练数据	增加模型层数	添加Dropout	Early Stopping
33	以下哪些是特征工程的常用方法？	特征标准化	特征交叉	直接删除所有特征	特征选择
34	Transformer架构的核心组件包括？	自注意力机制	递归连接	位置编码	残差连接
35	NER标注常用的标注模式有？	BIO标注	BMEO标注	BIOES标注	JSON标注
36	数据标注质量管理的关键环节包括？	标注规范制定	标注培训	质量抽检	所有数据由单人标注不需要复核
37	以下哪些是合理的模型评估指标选择？	风控模型用AUC	医疗筛查模型用Recall	垃圾邮件过滤用Precision	所有任务都用Accuracy
38	关于数据划分，以下做法正确的有？	时序数据按时序划分	分类任务做分层抽样	训练/验证/测试=6:2:2	用测试集做超参数选择
39	以下属于模型运维工作内容的是？	监控推理延迟	跟踪特征漂移	管理模型版本	吃饭时间也要盯着Dashboard
40	AI伦理的核心原则包括？	公平性	透明性	只考虑技术指标	隐私保护

---

三、判断题（共20题，每题1分。正确打✓，错误打✗）

题号	题目	答案
41	人工智能训练师不需要了解机器学习算法原理。
42	无监督学习需要标注好的标签数据。
43	强化学习通过与环境交互获得奖励信号来学习。
44	过拟合是指模型对训练数据学得太少。
45	K折交叉验证可以更有效地利用有限的数据。
46	F1-Score是Precision和Recall的调和平均值。
47	L1正则化可以产生稀疏特征选择效果。
48	梯度下降算法中，学习率越大越好。
49	RNN天然适合处理序列数据。
50	CNN只能用于图像处理，不能用于NLP。
51	Layer Normalization是Transformer中的重要组件。
52	Word2Vec可以生成词向量表示。
53	情感分析属于序列标注任务。
54	标注质量与模型最终效果没有必然关系。
55	图像分类标注比目标检测标注更复杂。
56	Fine-tuning时冻结全部层是最优策略。
57	混淆矩阵可以可视化分类模型的预测结果。
58	模型上线后就不再需要监控了。
59	数据漂移是指特征统计分布随时间发生变化。
60	AI训练师需要了解GDPR等数据保护相关法规。

---

四、简答题（共5题，每题6分）

题号	题目	分值
61	请简述机器学习三大范式（监督学习、无监督学习、强化学习）的核心区别，并各举一个应用场景。	6
62	某NLP项目中，模型线下准确率92%，线上准确率仅68%。请分析可能的原因（至少3点），并给出排查方案。	6
63	请设计一套针对文本分类模型的完整评估方案，包括评估指标选择、测试集设计、边界测试。	6
64	请设计一个新人脸识别模型的灰度发布方案，包含流量分配策略、监控指标、回滚条件。	6
65	某标注项目中涉及用户地址和手机号，请说明数据安全保护措施（至少4点）。	6

---

五、答案解析与考点索引

一、单选题答案与解析

题号	答案	解析	考点
1	B	三级AI训练师侧重应用层面，模型架构原创研究属于研究员/算法科学家的职责。	岗位职责
2	C	文本分类需要带标签的训练数据，属于监督学习。A/B/D均为无监督学习。	学习范式
3	B	数据标注的核心目的是为监督学习模型提供训练所需的标签(Ground Truth)。	标注目的
4	B	CPU使用率是系统性能指标，不是模型评估指标。	评估指标
5	B	涌现能力(Emergent Ability)指模型参数达到一定规模后，突然表现出训练时未明确设定的能力。	LLM特性
6	C	FN(False Negative)表示实际为正类但被预测为负类的样本，即"漏报"。	混淆矩阵
7	B	逻辑回归虽然名字有"回归"，但其输出经Sigmoid映射到概率空间，本质上是分类算法。	算法类型
8	C	交叉验证通过多次划分训练/验证集来获得更稳定可靠的泛化能力评估。	交叉验证
9	B	SMOTE通过合成少数类样本实现过采样，是处理样本不均衡的经典方法。	样本均衡
10	B	剪枝通过减少树的深度/节点数来降低复杂度，从而防止过拟合。	决策树
11	B	反向传播将损失函数的梯度从输出层逐层回传至输入层，用于更新网络参数。	训练机制
12	C	ReLU定义为f(x)=max(0,x)，小于0时输出0，大于0时输出原值。	激活函数
13	B	卷积核在输入上滑动提取局部特征（边缘、纹理等），是CNN的核心思想。	CNN原理
14	A	TF-IDF = Term Frequency × Inverse Document Frequency。TF即词频。	NLP术语
15	C	BERT(Bidirectional Encoder Representations from Transformers)基于Transformer的编码器部分。	BERT架构
16	B	NER的任务是从文本中识别出人名、地名、组织名等实体并标注其类别。	NER定义
17	C	Cohen’s Kappa衡量标注者之间的一致性，排除了随机一致的影响。	标注质量
18	C	数据清洗是AI训练师的基础工作。A错因缺失值可填充；B错因异常值可能反映业务异常；D错因清洗是持续的。	数据清洗
19	B	语义分割只区分"车"vs"路"等类别；实例分割还区分"车A"vs"车B"。	图像标注
20	B	黄金标准(Gold Standard)是专家标注的高质量数据集，用于评估标注者/团队的准确率。	标注管理
21	B	Early Stopping监控验证集性能，在不再提升时停止训练，防止过拟合。	训练技巧
22	B	训练集和验证集准确率差距大是过拟合的经典表现。	过拟合诊断
23	B	Fine-tuning时模型已具备较好初始权重，需降低学习率1-2个数量级以避免破坏预训练知识。	Fine-tuning
24	B	AUC越接近1表示模型的排序能力越强，区分正负样本的能力越好。	模型评估
25	B	金丝雀部署(Canary Deployment)即逐步将小比例流量引入新版本，验证后再全量。	部署策略
26	C	准确率下降先查数据漂移（特征分布是否变化），再查概念漂移，最后才考虑回滚/重训。	运维流程
27	B	AB实验必须达到预设样本量和统计显著性才能停止，提前停止会导致错误结论。	AB测试
28	C	开发者代码行数不是运维指标，属于开发过程度量。	运维指标
29	B	可解释性(Explainability)指模型的决策过程和结果能够被人类理解。	AI伦理
30	B	数据最小化原则要求只收集和处理为实现目的所必需的最少个人数据。	隐私保护

---

二、多选题答案与解析

题号	答案	解析
31	AC	线性回归和随机森林需要标签数据，属于监督学习。K-Means和PCA是无监督学习。
32	ACD	增加训练数据(数据增强)、Dropout、Early Stopping均可缓解过拟合。B增加模型层数会加剧过拟合。
33	ABD	特征标准化、特征交叉、特征选择都是特征工程方法。C显然错误。
34	ACD	Transformer核心组件：自注意力机制、位置编码(Positional Encoding)、残差连接。B递归连接是RNN的特性。
35	AC	BIO和BIOES是NER常用标注模式。BMEO不规范，JSON是格式不是标注模式。
36	ABC	标注质量管理包括规范制定、培训、抽检。D"单人标注不复核"是错误的。
37	ABC	不同业务场景需不同指标。风控→AUC、医疗筛查→Recall(减少漏诊)、垃圾邮件→Precision(减少误判)。D绝对错误。
38	ABC	时序数据按时序划分、分类分层抽样、6:2:2划分均正确。D用测试集调参会造成数据泄露。
39	ABC	推理延迟监控、漂移跟踪、版本管理均为运维工作。D不严肃。
40	ABD	AI伦理核心原则包括公平性、透明性、隐私保护。C只考虑技术指标违背伦理。

---

三、判断题答案与解析

题号	答案	解析
41	✗	三级AI训练师需要了解算法原理，才能有效调优和诊断问题。
42	✗	无监督学习不需要标签数据，监督学习才需要。
43	✓	强化学习通过与环境的交互，根据奖励/惩罚信号优化策略。
44	✗	过拟合是对训练数据学得"过多"而非"太少"，导致泛化能力差。
45	✓	K折交叉验证轮流使用不同部分作为验证集，提高数据利用率。
46	✓	F1 = 2×(P×R)/(P+R)，是Precision和Recall的调和平均。
47	✓	L1正则化会使部分权重变为0，产生稀疏解，相当于自动特征选择。
48	✗	学习率过大会导致loss震荡不收敛，过小会导致训练过慢，需合理选择。
49	✓	RNN的循环结构使其天然适合处理时序/序列数据。
50	✗	CNN也可用于NLP（如TextCNN），通过一维卷积提取n-gram特征。
51	✓	Layer Normalization是Transformer中稳定训练的关键组件。
52	✓	Word2Vec通过CBOW或Skip-gram学习单词的稠密向量表示。
53	✗	情感分析属于文本分类任务，序列标注典型如NER。
54	✗	标注质量直接影响模型效果，“garbage in, garbage out”。
55	✗	目标检测比分类更复杂，需要标注边界框坐标+类别。
56	✗	Fine-tuning通常冻结底层、微调顶层，具体策略因任务而定。
57	✓	混淆矩阵展示TP/TN/FP/FN，直观展示分类结果。
58	✗	模型上线后需持续监控，及时发现衰退、漂移等问题。
59	✓	数据漂移(Data Drift)指输入特征的概率分布随时间发生变化。
60	✓	AI训练师处理数据需了解数据保护法规(GDPR/个人信息保护法等)。

---

四、简答题参考答案

61. 机器学习三大范式核心区别

范式	核心特点	数据类型	应用场景
监督学习	有标签数据，学习X→Y映射	带标签数据	文本分类、图像识别、风控模型
无监督学习	无标签数据，发现隐藏结构	无标签数据	用户聚类、异常检测、主题建模
强化学习	通过试错和环境交互学习	交互数据(状态-动作-奖励)	游戏AI、推荐系统、机器人控制

62. 线上线下准确率差异原因及排查方案

可能原因：

1. 数据漂移：线上数据分布与训练集不同
2. 特征不一致：在线/离线特征计算逻辑有差异
3. 标注质量问题：线下评估用的测试集标注不准
4. 模型过拟合：训练集评估虚高
5. 反馈循环：线上推荐影响用户行为，改变数据分布

排查方案：①抽样对比线上线下同一样本的预测结果 ②检查特征分布(PSI/KL散度) ③在线下复现线上环境做对比测试 ④检查推理服务和训练时的预处理是否一致。

63. 文本分类评估方案

1. 评估指标：准确率(整体) + Precision/Recall/F1(各类别) + 混淆矩阵
2. 测试集设计：按时间切分(近期数据)、分层抽样(类别均衡)、覆盖各类别≥100条
3. 边界测试：短文本(<5字)、超长文本(>500字)、含特殊符号、多语言混杂、含反讽/双关

64. 人脸识别灰度发布方案

阶段	流量	持续时间	监控重点	回滚条件
阶段一	5%	24h	识别准确率、P99延迟、错误率	准确率下降>3%
阶段二	20%	48h	各分辨率/光照条件准确率	P99延迟>200ms
阶段三	50%	72h	全维度指标、用户反馈	错误率>1%
阶段四	100%	持续监控	长期稳定性	连续3天指标下降

65. 数据安全保护措施

1. 数据脱敏：手机号脱敏为"138****1234"，地址脱敏到区/县级
2. 访问控制：最小权限原则，按角色分配数据访问权限
3. 传输加密：HTTPS/TLS加密传输，禁止明文传输敏感数据
4. 日志审计：记录所有数据访问行为，定期审查异常访问
5. 签署保密协议：所有接触数据的标注人员签署NDA
6. 数据隔离：不同项目的数据物理/逻辑隔离

---

六、AutoGrader 自动评分与薄弱点分析

"""
模拟试卷自动评分系统
支持答案录入、自动评分、薄弱知识点分析、学习建议生成
"""
from dataclasses import dataclass, field
from typing import List, Dict, Set, Tuple
import json

@dataclass
class ExamResult:
    """考试成绩与诊断结果"""
    total_score: float
    max_score: float
    passed: bool
    section_scores: Dict[str, float]
    weak_areas: List[str]           # 薄弱知识点
    suggestion: str                 # 学习建议
    correct_count: Dict[str, int]   # 各题型正确数
    time_spent: float = 0.0         # 用时（分钟）

class AutoGrader:
    """模拟试卷自动评分引擎"""
    
    # 标准答案
    SINGLE_ANSWERS = {
        1:"B",2:"C",3:"B",4:"B",5:"B",6:"C",7:"B",8:"C",9:"B",10:"B",
        11:"B",12:"C",13:"B",14:"A",15:"C",16:"B",17:"C",18:"C",19:"B",20:"B",
        21:"B",22:"B",23:"B",24:"B",25:"B",26:"C",27:"B",28:"C",29:"B",30:"B"
    }
    
    MULTI_ANSWERS = {
        31: {"A","C"}, 32: {"A","C","D"}, 33: {"A","B","D"}, 
        34: {"A","C","D"}, 35: {"A","C"}, 36: {"A","B","C"},
        37: {"A","B","C"}, 38: {"A","B","C"}, 39: {"A","B","C"},
        40: {"A","B","D"}
    }
    
    TRUE_FALSE_ANSWERS = {
        41:False,42:False,43:True,44:False,45:True,
        46:True,47:True,48:False,49:True,50:False,
        51:True,52:True,53:False,54:False,55:False,
        56:False,57:True,58:False,59:True,60:True
    }
    
    # 知识点映射
    TOPIC_MAP = {
        "人工智能基础": list(range(1,6)) + [31] + list(range(41,45)),
        "机器学习": list(range(6,11)) + [32,33] + list(range(45,49)),
        "深度学习": list(range(11,14)) + [34] + list(range(49,52)),
        "NLP": list(range(14,17)) + [35] + list(range(52,54)),
        "数据标注": list(range(17,21)) + [36] + list(range(54,56)),
        "训练与评估": list(range(21,25)) + [37,38] + list(range(56,58)),
        "部署与运维": list(range(25,29)) + [39] + list(range(58,60)),
        "伦理与安全": list(range(29,31)) + [40] + [60]
    }
    
    def __init__(self):
        self.max_score = 100.0
    
    def grade(self, 
              single_answers: Dict[int, str],
              multi_answers: Dict[int, Set[str]], 
              true_false_answers: Dict[int, bool],
              short_answer_scores: Dict[int, float] = None,
              time_spent: float = 0.0) -> ExamResult:
        """
        评分主函数
        single_answers: {题号: 答案字母} 如 {1:"B", 2:"C"}
        multi_answers: {题号: {答案集合}} 如 {31: {"A","C"}}
        true_false_answers: {题号: True/False}
        short_answer_scores: {61:5.5, 62:4.0} 等，每题满分6分
        """
        total = 0.0
        section_scores = {}
        topic_correct = {t: 0 for t in self.TOPIC_MAP}
        topic_total = {t: 0 for t in self.TOPIC_MAP}
        
        # 评单选（每题1分）
        single_correct = 0
        for qid, ans in self.SINGLE_ANSWERS.items():
            if qid in single_answers and single_answers[qid] == ans:
                total += 1
                single_correct += 1
                for topic, qids in self.TOPIC_MAP.items():
                    if qid in qids:
                        topic_correct[topic] += 1
        section_scores["单选题"] = single_correct
        
        # 评多选（每题2分，完全正确才得分）
        multi_correct = 0
        for qid, ans_set in self.MULTI_ANSWERS.items():
            if qid in multi_answers and multi_answers[qid] == ans_set:
                total += 2
                multi_correct += 2
                for topic, qids in self.TOPIC_MAP.items():
                    if qid in qids:
                        topic_correct[topic] += 1
        section_scores["多选题"] = multi_correct
        
        # 评判断（每题1分）
        tf_correct = 0
        for qid, ans in self.TRUE_FALSE_ANSWERS.items():
            if qid in true_false_answers and true_false_answers[qid] == ans:
                total += 1
                tf_correct += 1
                for topic, qids in self.TOPIC_MAP.items():
                    if qid in qids:
                        topic_correct[topic] += 1
        section_scores["判断题"] = tf_correct
        
        # 评简答（每题6分）
        short_score = 0
        if short_answer_scores:
            for qid in range(61, 66):
                s = short_answer_scores.get(qid, 0)
                total += s
                short_score += s
        section_scores["简答题"] = short_score
        
        # 计算各知识点正确率
        for topic in self.TOPIC_MAP:
            topic_total[topic] = len(self.TOPIC_MAP[topic])
        
        # 识别薄弱知识点（正确率<60%）
        weak_areas = []
        for topic in self.TOPIC_MAP:
            total_qs = topic_total[topic]
            correct_qs = topic_correct[topic]
            rate = correct_qs / total_qs if total_qs > 0 else 0
            if rate < 0.6:
                weak_areas.append(f"{topic}({correct_qs}/{total_qs}, {rate:.0%})")
        
        suggestion = self._generate_suggestion(total, weak_areas)
        
        return ExamResult(
            total_score=total,
            max_score=self.max_score,
            passed=total >= 60,
            section_scores=section_scores,
            weak_areas=weak_areas,
            suggestion=suggestion,
            correct_count={"单选": single_correct, "多选": multi_correct,
                          "判断": tf_correct, "简答": short_score},
            time_spent=time_spent
        )
    
    def _generate_suggestion(self, score: float, 
                             weak_areas: List[str]) -> str:
        """生成个性化学习建议"""
        if score >= 90:
            return "优秀！知识掌握扎实，建议重点保持+挑战高难度进阶题。"
        elif score >= 80:
            msg = "良好！离高分只差一步。"
            if weak_areas:
                msg += f" 需加强：{'、'.join(w for w in weak_areas)}。"
            return msg
        elif score >= 70:
            msg = "中等偏上，知识体系基本完整但有明显短板。"
            if weak_areas:
                msg += f" 重点突破：{'、'.join(w for w in weak_areas)}。"
            return msg
        elif score >= 60:
            msg = "刚好及格，知识点掌握不够扎实。"
            if weak_areas:
                msg += f" 薄弱环节：{'、'.join(w for w in weak_areas)}。建议系统重学相关章节。"
            return msg
        else:
            return "暂未通过，建议全面复习卷四全部章节后重新测试。重点学习薄弱模块。"


# ============ 使用示例 ============
if __name__ == "__main__":
    grader = AutoGrader()
    
    # 模拟考生答案
    single = {i: "B" for i in range(1,31)}  # 全选B
    multi = {31:{"A","C"}, 32:{"A","C","D"}, 33:{"A","D"},
             34:{"A","D"}, 35:{"A","C"}, 36:{"A","B","C"},
             37:{"A","B","C"}, 38:{"A","B"}, 39:{"A","B","C"},
             40:{"A","B","D"}}
    tf = {i: True for i in range(41,61)}  # 全选对
    short = {61:5, 62:4, 63:5, 64:4, 65:5}
    
    result = grader.grade(single, multi, tf, short, time_spent=105)
    
    print(f"{'='*50}")
    print(f"  模拟试卷（一）成绩报告")
    print(f"{'='*50}")
    print(f"  总分: {result.total_score}/{result.max_score}")
    print(f"  结果: {'✓ 通过' if result.passed else '✗ 未通过'}")
    print(f"  用时: {result.time_spent}分钟")
    print(f"\n  各题型得分:")
    for section, score in result.section_scores.items():
        print(f"    {section}: {score}分")
    
    if result.weak_areas:
        print(f"\n  ⚠ 薄弱知识点:")
        for area in result.weak_areas:
            print(f"    · {area}")
    
    print(f"\n  📋 学习建议:\n    {result.suggestion}")
    
    # 导出成绩单
    report = {
        "exam": "模拟试卷（一）",
        "total_score": result.total_score,
        "passed": result.passed,
        "weak_areas": result.weak_areas,
        "suggestion": result.suggestion
    }
    print(f"\n[JSON成绩单] {json.dumps(report, ensure_ascii=False, indent=2)}")

---

七、得分自评表

得分区间	评级	下一步行动
90-100	优秀	保持手感，挑战模拟试卷二
80-89	良好	复习错题，针对性补强
70-79	中等	重点突破薄弱知识点
60-69	及格	系统复习后做模拟试卷二
<60	未通过	全面复习卷四全部章节

---

八、Mermaid 知识点图谱

---