推理模型進校園：思維鏈、自適應思考與評卷數理教學的新常態

星期三第七節，中五物理科陳老師在教員室用 AI 初批一份實驗報告。模型逐條對照評分準則，甚至引用了學生原文裡「控制變項」那一句，評語寫得比上學期細緻得多；但她還是在「數據處理」一項扣了分——模型把學生抄錯的電阻單位當成合理，並用流暢的文字把錯誤合理化。陳老師對著螢幕說：「它現在會寫報告評語，但不會做實驗。」

推理模型把 AI 從「搶答型選手」變成「會在紙上打草稿再交卷的人」，這對評卷與多步驟講解是實質進步；但草稿寫得再工整，事實錯了仍然是錯，教師覆核這一關不能省。

---

三代思考方式

第一代語言模型像口試：問完就答，邊講邊想，多步驟題目容易在中途走偏。教師後來在提示加「逐步思考」，模型會先把中間步驟寫出來再給結論，這就是思維鏈(chain-of-thought) 的 classroom 版——不是新理論，而是給模型一張可見的演算紙。

2024 至 2025 年，演算紙移到幕後：OpenAI 的 o1、o3、o4-mini 在輸出前先產生內部思考；2025 年 1 月 20 日 DeepSeek-R1 以開源權重公開同類能力；2025 年 2 月 24 日 Anthropic 的 Claude 3.7 Sonnet 把延伸思考做成可切換功能。使用者多半只看得到答案，或極短摘要。

2026 年進入自適應思考(adaptive thinking)：模型自行判斷題目值不值得想、想多久。Anthropic 稱 adaptive thinking,Google 預設 dynamic thinking。供應商文件一致強調：力度參數是行為指引，不是硬性上限——設為最低，遇到夠難的題目仍可能深度思考。

四家供應商的力度掣

以下依 2026 年 9 月官方文件，描述設計而非效能排名。

OpenAI 用 reasoning.effort，層級由 low 至 max(GPT-6 Astra 不支援 none);GPT-5.6 預設 medium，另有 standard 與 pro 兩種推理模式可獨立設定，分檔最細。

Anthropic 以 thinking 配合 effort，層級含 low、medium、high、xhigh、max;Claude Fable 5.1 的 adaptive thinking 永久開啟，effort 預設 high，適合需要判斷的評語類任務。

Google 用 thinking_level(low / medium / high)，預設啟用動態思考；官方建議以降低 thinking_level 控制成本，而不是縮短 max_output_tokens。

xAI 的 reasoning_effort 有 low、medium、high、xhigh 四檔，預設 high，設定較簡單。

力度不是成本保證

Anthropic 文件寫得很直接：較低力度下，夠難的問題模型仍會思考；真正硬上限是 max_tokens。學校若自己接 API 而沒有分流，一次批量評卷就可能燒掉整月預算。

思考 token 的帳單

思考產生的 token 按輸出價計算。旗艦輸出價通常是輸入價的五倍。把力度由 medium 升到 xhigh，輸出 token 可能倍增——2026 年最容易失控的成本項，往往不是多用了幾次對話，而是每個對話「想太久」。

教員室裡的三種變化

評卷回饋

2024 年 AI 評語常見空泛套話，像「內容尚可，結構可改善」，其實沒有逐條對照準則。推理模型在作答前會比對準則、在原文找對應句，同一份準則跑三次，分數一致性明顯提高，評語開始引用學生自己的字句。這是把 AI 評卷 從示範推進到可日常使用的關鍵。

但評分結果仍須教師覆核才可發放。模型不知道你這班上星期課堂強調了甚麼，也不知道某位 SEN 學生的個別安排。

數理課堂

多步驟計算可靠度提升，中間步驟可以排版成直接貼進工作紙的格式；同一條題目要求三個難度層級的示範，對差異化教學尤其有用。

風險也在這裡：完整而有條理的步驟，仍可能推導到錯誤結論，而且比以前更難被發現。建議具體到一句話——任何會發給學生的解題步驟，逐步核對，不要只核對最終答案。

科學解釋

因果鏈、假設改變後的推論，是推理模型最明顯的得益場景。但要分清楚兩件事：推理提升的是「由已知推出未知」，不是「知道得更多」。模型仍會記錯實驗數據、記錯教科書版本、記錯香港課程單元編排，語氣一樣肯定。

推理讓錯誤變得更像對的——這比雜亂的錯誤更危險，因為教師可能少看兩眼就放行。

推理填不滿的四個洞

知識截止日期 各家不同：GPT-6 Astra 至 2026 年 4 月 30 日，Grok 4.6 至 2026 年 2 月 1 日，Claude Sonnet 5 至 2026 年 1 月。想得再久，也想不出截止日之後的事；需要現行資料的場景，答案應來自 校本知識庫(RAG)。

本地知識空白 香港課程代碼、EDB 通函編號、學校全名在訓練語料中本來就稀薄，推理只會讓錯誤內容更有條理。

課堂延遲 模型思考時，學生在等。十五秒足以讓一班中三學生分心；學生即時對話介面不應一律使用高推理力度。

稽核可見度 思考內容通常不可見或只有摘要。稽核紀錄應保存輸入、輸出與模型設定，而不是假設可以事後重現完整內部推演。

平台分流與提示重寫

學校不必自己調參，但應知道平台在做甚麼：分類、標記、格式轉換、通告草稿用最低力度；備課、出題、摘要用低至中；作文回饋、準則對照用中至高；跨文件政策交叉引用、多步驟數理講解才值得用高力度；學生即時對話維持低至中，延遲比深度重要。

提示寫法也要換：與其寫「請逐步思考」，不如把任務、輸出欄位、語言與用語、不確定就註明不要自行填補寫清楚。OpenAI 推理最佳實踐明確指出，教模型怎樣想對推理型號未必有幫助，有時反而有害；詳見 提示工程課程。

實務上可以這樣開頭：「你是香港中學物理科教師，對象是中五學生。就以下實驗報告，逐條對照評分準則寫回饋；輸出：準則編號、引用學生原句、建議各一句；限制：繁體中文香港用語，數據與單位有疑問就標『待核實』，不要自行修正。」最後一句把覆核成本由「重做」降到「逐行掃一次」。

常見誤解

• 誤解：推理模型等於不會答錯。 實情：推理降低跳步與粗心，不是修正事實。完整步驟推到錯結論仍然可能，而且更難被發現。

• 誤解：同一條問題有時快有時慢，代表系統不穩定。 實情:2026 年模型自行決定想多久。力度是指引不是上限，難題仍可能深度思考，這是預期行為。

• 誤解：把 reasoning effort 全開，品質一定最好、學校也付得起。 實情：輸出 token（含思考）按輸出價計，旗艦約為輸入價五倍。沒有分流的整合，成本曲線是非線性的。

星期一可以做的三件事

1. 挑一份已有評分準則的作業，用 AI 初批一次，核對評語有否引用學生原句；若只有套話，檢查準則是否已上載至平台。
2. 找一條多步驟數學或科學題，要求 AI 輸出「每一步可獨立驗算」的示範，逐步核對而不只看最終答案。
3. 與 ICT 協調員確認：學生對話介面是否已設定較低推理力度，批量評卷是否有任務分流，避免課堂等待與帳單失控。