无效答卷不再占用批改预算：Jev 帮老师把精力留给真实作答

批改主观题时我发现一个浪费：不少答卷是空白的、或者答非所问，可我还是把它们和有效作答一起送进大模型评分，白白烧 token。这一周我在评分前加了一层 Jev 初筛，把无效作答挡在门外，批改预算立刻省了下来。这篇讲清楚这个场景应用前后的差别：初筛怎么做、送入大模型的评分量降了多少、老师的精力怎么被解放。文中对比为基于实测口径的方案性测算，非某校真实数据，Jev 仍处早期访问阶段。

一、原来的链路：无效答卷也占评分预算

应用前，学生作业作答文本进来后，我不加区分地全部送进大模型评分。

问题是，一批作业里总有相当比例是空白、乱写或答非所问的。这些无效答卷根本不需要精细评分，却和有效作答一样消耗大模型的 token 和时间，批改延迟也被拉长。老师那边同样被无效内容分散精力，得从一堆没作答的卷子里翻找真正写了东西的。

二、改造后的链路：先判有效性，再决定要不要评分

应用后，我在评分前加了一道 Jev 判断。

作答文本先过 Jev：判断它属于空白作答、答非所问、部分回答还是完整回答。无效作答（空白、答非所问）直接标记出来，不再送评分；只有有效作答才进入大模型做精细评分。这一步用 Choice 就能完成，毫秒级、成本极低。

下面这张图是应用前后的对照：

作业主观题初筛：应用前后对比

三、价值对比：token 开销与老师精力

收益体现在两处。

成本上，无效答卷被前置过滤，送进大模型的评分量随之减少，token 开销明显下降。评分的钱只花在真正需要评分的有效作答上。

精力上，老师不再从无效卷子里大海捞针。Jev 把有效作答筛出来，老师优先处理真实写了内容的答卷，教学反馈更聚焦、更及时。

四、这套方案的边界

Jev 在这里只做"有效性初筛"，不做评分本身。给一份作答打出有理有据的分数和评语，仍然是大模型和老师的活。有效性判断也可能有误，比如把一份表达特别的有效作答误判为答非所问，所以对被标记为无效的答卷，我会保留一次人工或模型复核，避免误伤学生。收益为测算口径，真实过滤比例要以自己的题目和学生数据为准。

五、最终效益

这套初筛下来，效益是"评分预算只花在有效作答上"。送入大模型的评分量随无效答卷被过滤而下降，token 开销随之减少，老师的精力也从翻找无效卷子转向真正的教学反馈。把"这份卷子有没有认真作答"这个判断交给 Jev，让批改链路既省成本又更聚焦。