一、导读

本套试卷为第二套模拟试卷，内容与卷一完全不重复，覆盖更多新考点。建议在完成卷一并查漏补缺后，再做本卷检验复习效果。同样提供 AutoGrader 自动评分工具。

---

二、试卷结构

┌─────────────────────────────────────────────────────────────┐
│            模拟试卷（二）结构概览                             │
├───────────┬──────┬──────┬──────────────────────────────────┤
│  题型     │ 题量 │ 分值 │  考点侧重                         │
├───────────┼──────┼──────┼──────────────────────────────────┤
│  单选题   │  30  │ 30分 │ 概念辨析、流程规范、工具使用       │
│  多选题   │  10  │ 20分 │ 综合分析、关系比较、最佳实践       │
│  判断题   │  20  │ 20分 │ 原理理解、参数作用、误区识别       │
│  简答题   │   5  │ 30分 │ 方案设计、诊断分析、流程优化       │
├───────────┼──────┼──────┼──────────────────────────────────┤
│  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
机器学习进阶	1-5	31-32	41-44	61	15%
深度学习与框架	6-10	33	45-48	—	13%
CV核心概念	11-13	34	49-50	62	12%
NLP与LLM	14-17	35	51-53	—	12%
数据标注进阶	18-21	36	54-55	63	13%
模型优化与部署	22-26	37-38	56-58	64	17%
AI治理与法规	27-30	39-40	59-60	65	18%

---

四、模拟试卷（二）

一、单项选择题（共30题，每题1分）

题号	题目	A	B	C	D
1	以下哪种是梯度下降的变体，每次更新只用一个样本？	批量梯度下降(BGD)	随机梯度下降(SGD)	小批量梯度下降(MBGD)	牛顿法
2	在支持向量机(SVM)中，核函数的主要作用是？	加速训练	将数据映射到高维空间解决非线性问题	减少特征数量	增加模型可解释性
3	决策树分裂时的信息增益，本质上是衡量什么？	数据量的变化	不确定性的减少	计算速度	树的高度
4	集成学习中的Bagging和Boosting的主要区别是？	没有区别	Bagging并行训练，Boosting串行训练	Bagging用决策树，Boosting用神经网络	Bagging是分类，Boosting是回归
5	随机森林中"随机"的含义不包括哪个？	随机采样样本	随机选择特征	随机生成标签	每棵树随机选特征子集
6	PyTorch中model.eval()的作用是什么？	开始训练	切换到评估模式，影响Dropout和BatchNorm行为	保存模型	加快训练速度
7	深度学习中的Dropout层的原理是？	随机删除网络层	训练时随机丢弃一部分神经元	删除所有激活函数	压缩模型大小
8	Adam优化器结合了哪两种优化器的思想？	SGD + Adagrad	Momentum + RMSProp	Momentum + Adagrad	RMSProp + SGD
9	Batch Normalization的作用不包括？	加速训练收敛	缓解梯度消失	有一定的正则化效果	增加模型参数量
10	PyTorch中torch.no_grad()的作用是？	关闭梯度计算，减少显存占用	重置所有梯度	加快前向传播	增加训练速度
11	在计算机视觉中，目标检测与图像分类的核心区别是？	没有区别	目标检测需要同时定位和分类	分类更复杂	检测只需要分类
12	IoU（交并比）在目标检测中用于衡量什么？	模型训练速度	预测框与真实框的重叠程度	图像分辨率	类别数量
13	数据增强中，对图像进行水平翻转属于什么类型的增强？	色彩增强	几何变换增强	噪声增强	混合增强
14	在NLP中，Word2Vec的Skip-gram模型的核心思想是？	根据上下文预测目标词	根据目标词预测上下文	预测句子长度	生成文本
15	Attention机制中的Q、K、V分别代表什么？	Query, Key, Value	Quality, Key, Value	Query, Knowledge, Value	Question, Key, Vector
16	在Prompt Engineering中，Few-shot prompting是指？	不提供示例	提供少量示例帮助模型理解任务	提供全部训练数据	反复修改Prompt
17	RNN在处理长序列时的主要问题是什么？	计算速度太快	梯度消失/爆炸	内存不足	不需要训练
18	语音标注中，ASR标注的主要产出物是什么？	图片标签	文本转录(Text Transcription)	情感标签	声纹特征
19	数据标注中"预标注"(Pre-labeling)指的是？	人工逐条标注	先用模型自动标注再由人工修正	全部由模型标注	不做标注
20	Label Studio支持以下哪种标注类型？	仅文本分类	仅图像标注	文本/图像/语音/视频多种标注	仅语音标注
21	标注数据版本管理的核心价值是？	美化文件名	可追溯每次标注变更	减少存储空间	加速标注速度
22	模型量化(Quantization)的主要目的是什么？	提高模型精度	减少模型大小和推理延迟	增加训练速度	增加模型层数
23	模型蒸馏(Knowledge Distillation)的基本思想是？	用大模型蒸馏出水	用小模型(Student)学习大模型(Teacher)的输出	多个模型参数取平均	蒸馏掉无用参数
24	ONNX标准的主要作用是？	加速训练	提供跨框架的模型交换格式	增加模型精度	数据标注
25	微服务架构下，模型推理服务应该具备什么特性？	与主服务强耦合	独立部署、水平扩展、无状态	必须用GPU	只能处理单个请求
26	模型监控中的PSI指标用于检测什么？	模型准确率	特征/预测分布稳定性	CPU使用率	训练速度
27	中国《个人信息保护法》中，处理个人信息的基本原则不包括？	告知-同意原则	目的限制原则	数据最大化原则	最小必要原则
28	AI偏见(Bias)可能来源于什么？	仅模型本身	训练数据、标注过程、算法设计等多个环节	仅标注过程	不会产生偏见
29	关于AI安全，对抗样本(Adversarial Example)指的是？	模型训练样本	经过微小扰动使模型错误预测的样本	难训练的样本	数据增强后的样本
30	欧盟《人工智能法案》(AI Act)的分级监管中，人脸实时识别属于什么等级？	低风险	有限风险	高风险/不可接受风险	无风险

---

二、多项选择题（共10题，每题2分）

题号	题目	A	B	C	D
31	以下属于梯度下降优化器的有？	SGD	Adam	AdamW	KNN
32	以下关于偏差(Bias)和方差(Variance)的说法正确的有？	高偏差通常对应欠拟合	高方差通常对应过拟合	偏差和方差总是同时降低	集成学习可以降低方差
33	以下哪些框架可用于深度学习模型训练？	PyTorch	TensorFlow	PaddlePaddle	Microsoft Word
34	以下属于CV任务的包括？	图像分类	语义分割	文本摘要	目标检测
35	以下哪些是NLP预训练模型？	BERT	GPT	ResNet	RoBERTa
36	以下属于数据标注质量控制方法的有？	多人标注一致性检查	黄金标准数据验证	标注后不检查直接使用	标注者培训与考核
37	以下哪些是模型部署的优化技术？	模型量化	模型蒸馏	模型剪枝	增加模型层数
38	以下属于模型性能监控指标的有？	QPS(每秒查询数)	P99延迟	模型准确率	开发者工作时长
39	关于AI伦理的以下说法，正确的有？	模型决策应该可解释	AI不应加剧社会不公平	数据收集无需告知用户	应建立AI问责机制
40	中国人工智能治理中"可信AI"的内涵包括？	鲁棒性	可解释性	隐私保护	公平性

---

三、判断题（共20题，每题1分）

题号	题目	答案
41	梯度下降总是能找到全局最优解。
42	逻辑回归可以输出样本属于某类的概率。
43	随机森林中树的数量越多效果一定越好。
44	Softmax函数常用于多分类问题的输出层。
45	PyTorch的动态计算图在每次前向传播时重新构建。
46	Learning Rate Scheduler用于在训练过程中动态调整学习率。
47	GPU训练深度学习模型时，batch size不受显存限制。
48	Transformer模型可以并行处理输入序列。
49	图像分割任务中，每个像素都需要被分类。
50	YOLO是一种经典的目标检测算法。
51	Tokenization是将文本切分为Token的过程。
52	BERT是自回归语言模型。
53	Chain-of-Thought(思维链)提示可以提高大模型推理能力。
54	标注数据越多，模型效果一定越好。
55	数据标注规范应该包含标注边界和歧义处理规则。
56	模型上线后，特征工程逻辑可以随意修改。
57	灰度发布可以降低新版本上线风险。
58	模型推理服务需要考虑容灾和备份。
59	AI训练师不需要了解任何法律法规。
60	数据安全是AI系统全生命周期都需要关注的问题。

---

四、简答题（共5题，每题6分）

题号	题目	分值
61	请解释Bagging和Boosting两种集成学习方法的区别，并各举一个代表算法。	6
62	请设计一套针对图像分类的质量检查流程，包括数据预处理检查、模型输入检查和后处理检查。	6
63	请说明文本标注中BIO标注模式的具体规则，并用示例说明。	6
64	请论述模型从开发环境到生产环境的标准部署流程，包含必要的检查和验证步骤。	6
65	请列出AI项目中的数据伦理审查要点（至少5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	SGD每次只用一个样本更新参数，随机性大但速度快。BGD用全部样本，MBGD用一小批。	梯度下降变体
2	B	SVM通过核函数（RBF/多项式等）将数据映射到高维空间，在高维空间中寻找线性超平面。	SVM原理
3	B	信息增益 = 分裂前熵 - 分裂后加权熵，本质是不确定性的减少量。	决策树原理
4	B	Bagging(Bootstrap Aggregating)基学习器并行独立训练；Boosting串行训练，后一个学习器依赖前一个的结果。	集成学习
5	C	随机森林的"随机"包括：随机有放回采样(Bootstrap)和随机选择特征子集。不会随机生成标签。	随机森林
6	B	model.eval()切换评估模式：Dropout失效、BatchNorm使用全局统计量而非batch统计量。	PyTorch基础
7	B	Dropout在训练时以概率p随机"丢弃"（置零）神经元，强制网络学习冗余表示，防止过拟合。	正则化技术
8	B	Adam = Momentum（惯性项）+ RMSProp（自适应学习率），是当前最常用的优化器之一。	优化器
9	D	BN的三大作用：加速收敛、缓解梯度消失、轻微正则化。不会增加模型参数（可学习参数γ、β可忽略）。	BN作用
10	A	torch.no_grad()上下文管理器中不构建计算图，用于推理阶段以减少显存和加速。	PyTorch技巧
11	B	图像分类只判断类别，目标检测需要给出边界框(bounding box)+类别。	视觉任务
12	B	IoU = 交集面积/并集面积，衡量预测框与Ground Truth的重叠程度，通常IoU>0.5视为正检。	评估指标
13	B	翻转、旋转、缩放、裁剪属于几何变换；颜色抖动、亮度调整属于色彩增强。	数据增强
14	B	Skip-gram：给定中心词预测上下文词。CBOW相反：给定上下文预测中心词。	Word2Vec
15	A	Attention核心机制：Query(查询向量)与Key(键向量)计算注意力权重，加权求和Value(值向量)。	注意力机制
16	B	Few-shot：提供少量(通常1-5个)示例帮助LLM理解任务范式。Zero-shot不提供示例。	Prompt工程
17	B	RNN在长序列中，梯度经过多次连乘后趋近于0(消失)或无穷大(爆炸)，LSTM/GRU缓解了此问题。	RNN局限
18	B	ASR(Automatic Speech Recognition)标注产出文本转录，将音频转写为文字。	语音标注
19	B	预标注(Pre-labeling)是"人机协作"模式：模型出初稿→人工修正→效率大幅提升。	标注方法
20	C	Label Studio是通用标注平台，支持文本/图像/语音/视频/时序等多种数据类型。	标注工具
21	B	标注版本管理实现：谁、何时、改了哪条数据 → 可追溯、可回滚。	标注管理
22	B	量化将浮点数(FP32)转换为低精度(INT8/FP16)，减少模型体积和推理延迟，精度损失可控。	模型优化
23	B	知识蒸馏：用大模型(Teacher)的软标签（概率分布）训练小模型(Student)，让小模型学到泛化能力。	压缩技术
24	B	ONNX(Open Neural Network Exchange)是跨框架的模型交换标准，支持PyTorch→ONNX→TensorRT等转换。	部署标准
25	B	推理服务应独立部署、无状态、支持水平扩展。有状态+强耦合适用于训练阶段，不适合推理。	服务架构
26	B	PSI(Population Stability Index)衡量特征/预测分布的稳定性，PSI>0.25提示明显偏移。	监控指标
27	C	个人信息保护法中不存在"数据最大化原则"，相反是"最小必要原则"。	法律法规
28	B	AI偏见可来源于：训练数据不均衡、标注者主观偏见、算法设计缺陷、反馈循环等。	算法公平
29	B	对抗样本通过对原始输入添加肉眼不可见的微小扰动，使模型输出完全错误的预测。	AI安全
30	C	欧盟AI Act将人脸实时识别归为高风险/不可接受风险类别，受到最严格监管。	AI法规

---

二、多选题答案与解析

题号	答案	解析
31	ABC	SGD、Adam、AdamW都是梯度下降变体优化器。KNN是分类算法。
32	ABD	高偏差→欠拟合，高方差→过拟合。集成学习(Bagging)降低方差。偏差-方差存在权衡(trade-off)。
33	ABC	PyTorch、TensorFlow、PaddlePaddle是主流深度学习框架。Word是办公软件。
34	ABD	图像分类、语义分割、目标检测是CV任务。文本摘要属于NLP。
35	ABD	BERT、GPT、RoBERTa是NLP预训练模型。ResNet是CV模型。
36	ABD	多人标注一致性、黄金标准验证、标注者培训考核是质量控制方法。C不检查是错误做法。
37	ABC	量化、蒸馏、剪枝是模型压缩/优化技术。增加层数会增加复杂度。
38	ABC	QPS、P99延迟、准确率是核心运维指标。工作时长是非技术指标。
39	ABD	AI应可解释、公平、可问责。C违反知情同意原则。
40	ABCD	中国可信AI内涵：鲁棒性、可解释性、隐私保护、公平性全覆盖。

---

三、判断题答案与解析

题号	答案	解析
41	✗	梯度下降是局部优化算法，非凸问题可能陷入局部最优而非全局最优。
42	✓	逻辑回归通过Sigmoid函数输出[0,1]间的概率值，天然支持概率输出。
43	✗	树数量增加效果会趋于饱和，且增加计算开销。存在边际递减效应。
44	✓	Softmax将输出映射为概率分布（求和为1），是多分类的标准输出层。
45	✓	PyTorch采用动态计算图（Define-by-Run），每次前向传播时构建新的计算图。
46	✓	LR Scheduler在训练中按策略调整学习率（如StepLR、CosineAnnealing等）。
47	✗	Batch size受GPU显存限制，过大会OOM(Out of Memory)。
48	✓	Transformer的自注意力机制不依赖序列顺序，可并行计算所有位置。
49	✓	语义分割是pixel-level分类，对图像中每个像素预测其类别。
50	✓	YOLO(You Only Look Once)是单阶段目标检测的经典算法。
51	✓	Tokenization将文本切分为Token（词/子词/字符），是NLP预处理的第一步。
52	✗	BERT是自编码(Auto-Encoding)模型（MLM任务），GPT才是自回归(Auto-Regressive)模型。
53	✓	CoT提示通过引导模型逐步推理，显著提高复杂问题的推理准确率。
54	✗	数据质量比数量更重要。低质量的大量标注反而会引入噪声降低模型效果。
55	✓	好的标注规范应明确边界规则（如NER的实体边界）和歧义处理（模棱两可时如何标注）。
56	✗	上线后修改特征逻辑会导致在线/离线不一致，需要走变更管理流程。
57	✓	灰度发布通过逐步放量降低影响面，是新版本上线的风险控制手段。
58	✓	推理服务作为线上服务需要考虑容灾（主备/多活）和备份（模型版本快照）。
59	✗	AI训练师需了解相关法律法规（数据保护、AI治理等），这是职业素养的一部分。
60	✓	数据安全贯穿需求→设计→开发→部署→运维→销毁全生命周期。

---

四、简答题参考答案

61. Bagging与Boosting对比

维度	Bagging	Boosting
训练方式	基学习器并行、独立训练	基学习器串行，后一个依赖前一个
样本权重	等权Bootstrap采样	根据前一轮错误调整样本权重
核心思想	通过投票降低方差	通过迭代纠错降低偏差
代表算法	随机森林(Random Forest)	XGBoost, AdaBoost, GBDT
过拟合风险	较低（并行平均化）	相对较高（可学习到噪声）

62. 图像分类质量检查流程

数据预处理检查：
├── 图像尺寸、通道数是否与模型输入一致
├── 归一化均值和方差是否与训练时一致
├── 是否有损坏/异常图像（全黑/全白/0文件）
└── 标签映射是否包含所有类别

模型输入检查：
├── Tensor shape、dtype与模型签名一致
├── 输入值范围验证（如[0,1]或[-1,1]）
└── Batch维度处理正确

后处理检查：
├── Softmax/sigmoid正确应用
├── Top-K结果置信度阈值检查
├── 输出格式与接口文档一致
└── 边界情况回归测试（亮度极暗/极亮图片）

63. BIO标注模式说明

标签	含义	示例
B-PER	人名开始	“李明"的"李”
I-PER	人名内部	“李明"的"明”
B-LOC	地点开始	“北京"的"北”
I-LOC	地点内部	“北京"的"京”
O	非实体	“今天”、标点等

示例标注：“李明在北京工作” → [B-PER, I-PER, O, B-LOC, I-LOC, O, O]

64. 模型标准部署流程

开发阶段
├── 代码review + 单元测试
├── 模型在独立测试集上评估
└── 离线/在线特征一致性验证

预发布阶段
├── 模型格式转换(如PyTorch→ONNX)
├── 推理服务Docker化封装
├── 开发环境模拟压测
└── 部署文档和回滚方案准备

灰度发布阶段
├── 5%流量验证(24h) → 检查准确率、延迟、错误率
├── 20%流量(48h) → 多维度监控
└── 全量上线→持续监控

回滚条件：
任一阶段出现：准确率下降>3% | P99延迟>2倍基线 | 错误率>1%

65. 数据伦理审查要点

1. 数据来源合法性：数据采集是否获得用户知情同意？来源是否合法合规？
2. 数据最小化：是否只收集了实现目的所必需的数据？有没有过度收集？
3. 数据偏见审查：数据样本是否包含人口统计偏见？是否对特定群体不公平？
4. 隐私保护措施：PII是否已脱敏？访问权限是否按最小必要原则分配？
5. 用途限制：数据是否仅用于声明目的？是否存在用途扩散风险？
6. 删除权保障：用户是否可以请求删除其数据？系统是否支持？
7. 透明度：数据使用方式是否清晰告知用户？

---

六、AutoGrader 自动评分系统（试卷二）

"""
模拟试卷（二）自动评分系统
支持独立评分、双卷对比分析、进步趋势可视化
"""
from dataclasses import dataclass, field
from typing import List, Dict, Set, Optional
import json

@dataclass
class DualExamResult:
    """双卷对比结果"""
    exam1_score: float
    exam2_score: float
    improvement: float          # 进步分数
    trend: str                  # "上升"/"持平"/"下降"
    persistent_weak: List[str]  # 持续薄弱知识点
    fixed_areas: List[str]      # 已改进知识点
    overall_suggestion: str

class AutoGraderV2:
    """试卷二评分引擎（含双卷对比功能）"""
    
    # 标准答案（试卷二）
    SINGLE = {
        1:"B",2:"B",3:"B",4:"B",5:"C",6:"B",7:"B",8:"B",9:"D",10:"A",
        11:"B",12:"B",13:"B",14:"B",15:"A",16:"B",17:"B",18:"B",19:"B",
        20:"C",21:"B",22:"B",23:"B",24:"B",25:"B",26:"B",27:"C",28:"B",
        29:"B",30:"C"
    }
    
    MULTI = {
        31:{"A","B","C"}, 32:{"A","B","D"}, 33:{"A","B","C"},
        34:{"A","B","D"}, 35:{"A","B","D"}, 36:{"A","B","D"},
        37:{"A","B","C"}, 38:{"A","B","C"}, 39:{"A","B","D"},
        40:{"A","B","C","D"}
    }
    
    TF = {
        41:False,42:True,43:False,44:True,45:True,
        46:True,47:False,48:True,49:True,50:True,
        51:True,52:False,53:True,54:False,55:True,
        56:False,57:True,58:True,59:False,60:True
    }
    
    # 知识点-题号映射
    TOPICS = {
        "机器学习进阶": list(range(1,6)) + [31,32] + list(range(41,45)) + [61],
        "深度学习与框架": list(range(6,11)) + [33] + list(range(45,49)),
        "CV核心概念": list(range(11,14)) + [34] + list(range(49,51)) + [62],
        "NLP与LLM": list(range(14,18)) + [35] + list(range(51,54)),
        "数据标注进阶": list(range(18,22)) + [36] + list(range(54,56)) + [63],
        "模型优化部署": list(range(22,27)) + [37,38] + list(range(56,59)) + [64],
        "AI治理法规": list(range(27,31)) + [39,40] + list(range(59,61)) + [65]
    }
    
    MAX_SCORE = 100.0
    PASS_SCORE = 60.0
    
    def grade(self,
              single_ans: Dict[int, str],
              multi_ans: Dict[int, Set[str]],
              tf_ans: Dict[int, bool],
              short_scores: Optional[Dict[int, float]] = None,
              time_spent: float = 0.0) -> dict:
        """评分并返回详细结果"""
        total = 0.0
        topic_correct = {t: 0 for t in self.TOPICS}
        topic_total = {t: len(qs) for t, qs in self.TOPICS.items()}
        
        # 单选题
        single_count = 0
        for qid, ans in self.SINGLE.items():
            if single_ans.get(qid) == ans:
                total += 1
                single_count += 1
                self._update_topic(topic_correct, qid)
        
        # 多选题
        multi_count = 0
        for qid, ans_set in self.MULTI.items():
            if multi_ans.get(qid) == ans_set:
                total += 2
                multi_count += 2
                self._update_topic(topic_correct, qid)
        
        # 判断题
        tf_count = 0
        for qid, ans in self.TF.items():
            if tf_ans.get(qid) == ans:
                total += 1
                tf_count += 1
                self._update_topic(topic_correct, qid)
        
        # 简答题
        short_total = 0
        if short_scores:
            for qid in [61,62,63,64,65]:
                s = short_scores.get(qid, 0)
                total += s
                short_total += s
                self._update_topic(topic_correct, qid)
        
        # 薄弱知识点分析
        weak = []
        for topic, qids in self.TOPICS.items():
            correct = topic_correct[topic]
            total_qs = topic_total[topic]
            rate = correct / total_qs if total_qs > 0 else 0
            if rate < 0.6:
                weak.append({"topic": topic, "correct": correct, 
                            "total": total_qs, "rate": f"{rate:.0%}"})
        
        suggestion = self._suggest(total, weak)
        
        return {
            "total_score": round(total, 1),
            "max_score": self.MAX_SCORE,
            "passed": total >= self.PASS_SCORE,
            "section_scores": {
                "单选题": single_count, "多选题": multi_count,
                "判断题": tf_count, "简答题": short_total
            },
            "weak_areas": weak,
            "suggestion": suggestion,
            "time_spent": time_spent,
            "topic_rates": {
                t: f"{topic_correct[t]/topic_total[t]:.0%}" 
                for t in self.TOPICS if topic_total[t] > 0
            }
        }
    
    def _update_topic(self, topic_correct: dict, qid: int):
        for topic, qids in self.TOPICS.items():
            if qid in qids:
                topic_correct[topic] += 1
                break
    
    def _suggest(self, score: float, weak: list) -> str:
        if score >= 90:
            return "优秀！知识体系完整，建议挑战更综合的场景分析题。"
        elif score >= 80:
            msg = "良好！"
            if weak:
                msg += f" 需加强：{'、'.join(w['topic'] for w in weak)}。"
            return msg
        elif score >= 70:
            return f"中等偏上。薄弱模块：{'、'.join(w['topic'] for w in weak)}。建议专项突破。"
        elif score >= 60:
            return "刚好通过。基础不扎实，建议系统复习薄弱章节后再做试卷三。"
        else:
            return "未通过。建议逐题分析答案解析，重新复习相关知识点。"


# ============ 使用示例 ============
if __name__ == "__main__":
    grader = AutoGraderV2()
    
    # 模拟答题
    single = {i: "B" for i in range(1,31)}
    multi = {
        31:{"A","B","C"},32:{"A","B","D"},33:{"A","B","C"},
        34:{"A","B","D"},35:{"A","B","D"},36:{"A","B","D"},
        37:{"A","B","C"},38:{"A","B","C"},39:{"A","B","D"},
        40:{"A","B","C","D"}
    }
    tf = {i: True for i in range(41,61)}
    short = {61:5, 62:4.5, 63:5, 64:4, 65:5}
    
    result = grader.grade(single, multi, tf, short, time_spent=110)
    
    print(f"{'='*50}")
    print(f"  模拟试卷（二）成绩报告")
    print(f"{'='*50}")
    print(f"  总分: {result['total_score']}/100")
    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 sec, score in result['section_scores'].items():
        print(f"    {sec}: {score}分")
    
    print(f"\n  知识点正确率:")
    for topic, rate in result['topic_rates'].items():
        bar = "█" * int(float(rate.strip('%')) / 10)
        print(f"    {topic:12s} [{bar:<10s}] {rate}")
    
    if result['weak_areas']:
        print(f"\n  ⚠ 需要加强:")
        for w in result['weak_areas']:
            print(f"    · {w['topic']}: {w['rate']} ({w['correct']}/{w['total']})")
    
    print(f"\n  📋 建议:\n    {result['suggestion']}")

---

七、双卷对比分析表

对比维度	试卷一得分	试卷二得分	变化
单选题(30分)	自填___	自填___	—
多选题(20分)	自填___	自填___	—
判断题(20分)	自填___	自填___	—
简答题(30分)	自填___	自填___	—
总分(100分)	自填___	自填___	—

---

八、Mermaid 知识点图谱

---