Phi-4-mini-reasoning代码实例：Python调用API实现批量逻辑题自动批改

Phi-4-mini-reasoning代码实例：Python调用API实现批量逻辑题自动批改

1. 模型简介与使用场景

Phi-4-mini-reasoning 是一个专注于推理任务的文本生成模型，特别适合处理数学题、逻辑题等需要多步分析和简洁结论输出的场景。与通用聊天模型不同，它更擅长"题目输入->最终答案"的直线型推理流程。

1.1 核心优势

• 精准推理：专为数学推导、逻辑分析等任务优化
• 简洁输出：直接给出最终答案，避免冗余对话
• 批量处理：支持API调用，适合自动化批改场景
• 稳定可靠：低温度参数(0.2)确保答案一致性

1.2 典型应用场景

• 教育领域：自动批改数学作业、逻辑题
• 在线考试：即时验证客观题答案
• 数据分析：自动化报表结论生成
• 知识管理：快速提取文档核心观点

2. 环境准备与API基础

2.1 获取API访问权限

首先确保您已经部署了Phi-4-mini-reasoning服务，并获取了以下信息：

• API端点地址（如：http://your-server-address:7860/api/generate）
• 可用端口号（默认7860）

2.2 安装必要Python库

pip install requests pandas tqdm

2.3 基础API调用示例

import requests def single_question_query(question, api_url, max_length=1024, temperature=0.2): headers = {"Content-Type": "application/json"} payload = { "inputs": question, "parameters": { "max_new_tokens": max_length, "temperature": temperature } } try: response = requests.post(api_url, json=payload, headers=headers) response.raise_for_status() return response.json()[0]["generated_text"] except Exception as e: print(f"API请求失败: {e}") return None # 使用示例 api_url = "http://your-server-address:7860/api/generate" question = "请用中文解答 3x^2 + 4x + 5 = 1" answer = single_question_query(question, api_url) print(f"问题: {question}\n答案: {answer}")

3. 批量批改系统实现

3.1 准备题目数据集

建议使用CSV格式存储题目和参考答案：

题目,参考答案 "解方程: 2x + 5 = 15","x = 5" "如果A比B大3岁，B比C大2岁，A今年10岁，C几岁？","5岁" "鸡兔同笼，头共10，脚共28，问鸡兔各几只？","鸡6只，兔4只"

3.2 完整批改代码实现

import pandas as pd from tqdm import tqdm def batch_correction(input_csv, output_csv, api_url, max_length=1024, temperature=0.2): # 读取题目文件 try: df = pd.read_csv(input_csv) if '题目' not in df.columns or '参考答案' not in df.columns: raise ValueError("CSV文件必须包含'题目'和'参考答案'列") except Exception as e: print(f"文件读取失败: {e}") return False results = [] # 进度条显示处理过程 for _, row in tqdm(df.iterrows(), total=len(df), desc="批改进度"): question = row['题目'] correct_answer = str(row['参考答案']).strip() # 调用API获取模型答案 model_answer = single_question_query(question, api_url, max_length, temperature) if not model_answer: results.append({ '题目': question, '参考答案': correct_answer, '模型答案': '获取失败', '是否正确': '错误' }) continue # 简单答案比对逻辑 is_correct = "正确" if correct_answer in model_answer else "错误" results.append({ '题目': question, '参考答案': correct_answer, '模型答案': model_answer, '是否正确': is_correct }) # 保存结果 result_df = pd.DataFrame(results) result_df.to_csv(output_csv, index=False, encoding='utf-8-sig') return True # 使用示例 input_file = "questions.csv" output_file = "correction_results.csv" api_url = "http://your-server-address:7860/api/generate" if batch_correction(input_file, output_file, api_url): print(f"批改完成，结果已保存到 {output_file}") else: print("批改过程中出现错误")

3.3 批改结果分析

生成的CSV结果文件包含以下列：

• 题目：原始问题
• 参考答案：预设正确答案
• 模型答案：Phi-4-mini-reasoning生成的答案
• 是否正确：简单比对结果

进阶建议：对于复杂题型，可以：

1. 实现更智能的答案比对算法
2. 添加置信度评分
3. 记录响应时间等性能指标

4. 高级功能与优化建议

4.1 并发处理实现

使用concurrent.futures实现并行请求，显著提升批量处理速度：

from concurrent.futures import ThreadPoolExecutor, as_completed def concurrent_batch_correction(input_csv, output_csv, api_url, max_workers=5): df = pd.read_csv(input_csv) results = [] with ThreadPoolExecutor(max_workers=max_workers) as executor: futures = { executor.submit( single_question_query, row['题目'], api_url ): row for _, row in df.iterrows() } for future in tqdm(as_completed(futures), total=len(futures), desc="并发批改"): row = futures[future] try: model_answer = future.result() correct_answer = str(row['参考答案']).strip() is_correct = "正确" if correct_answer in model_answer else "错误" results.append({ '题目': row['题目'], '参考答案': correct_answer, '模型答案': model_answer, '是否正确': is_correct }) except Exception as e: print(f"处理题目失败: {row['题目']}, 错误: {e}") pd.DataFrame(results).to_csv(output_csv, index=False, encoding='utf-8-sig')

4.2 答案后处理技巧

为提高批改准确率，可添加答案清洗逻辑：

def clean_answer(answer): # 统一全角半角 answer = answer.replace("，", ",").replace("。", ".") # 去除多余空白 answer = " ".join(answer.split()) # 提取数值结果 numbers = re.findall(r"\d+\.?\d*", answer) return numbers[0] if numbers else answer # 在比对环节使用 cleaned_model_answer = clean_answer(model_answer) cleaned_correct_answer = clean_answer(correct_answer) is_correct = "正确" if cleaned_correct_answer in cleaned_model_answer else "错误"

4.3 性能优化参数

根据实际场景调整API参数：

参数	推荐值	适用场景
max_new_tokens	512-1024	常规数学题
temperature	0.1-0.3	需要高准确率时
top_p	0.9	平衡多样性与准确性
repetition_penalty	1.1	避免重复内容

5. 实际应用案例

5.1 数学题批量批改

输入题目示例：

解方程: 2(x+3) = 16 计算: 15 ÷ (2 + 3) × 4 求解: x² - 5x + 6 = 0

处理流程：

1. 将题目列表存入CSV
2. 运行批改脚本
3. 生成包含模型答案和批改结果的文件

5.2 逻辑题自动评分

特点处理：

• 对"是/否"类问题，提取结论关键词
• 对排序类问题，检查元素顺序
• 对推理类问题，验证关键步骤

def check_logical_question(model_answer, correct_answer): # 提取结论性语句 conclusion_keywords = ["因此", "所以", "结论是", "答案是"] for keyword in conclusion_keywords: if keyword in model_answer: conclusion = model_answer.split(keyword)[-1].strip() return correct_answer in conclusion return correct_answer in model_answer

6. 总结与最佳实践

6.1 核心价值总结

通过本文介绍的Python API调用方案，您可以实现：

• 自动化批改：节省教师90%以上的批改时间
• 即时反馈：学生提交后立即获得批改结果
• 规模扩展：轻松处理数千道题目的批量批改
• 质量可控：通过参数调节保证批改准确性

6.2 推荐实践方案

1. 分题型处理：为不同题型编写特定的答案验证逻辑
2. 结果复核：对关键题目保留人工复核机制
3. 性能监控：记录API响应时间和成功率
4. 渐进式部署：从小规模测试开始，逐步扩大应用范围

6.3 后续优化方向

• 集成到在线学习平台
• 添加错题分析功能
• 实现多模型答案比对
• 开发可视化批改报告

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。