Pangu-ACE：EduBench 上用于生成教育响应的自适应级联专家

教育助理只有在任务需要时才应该花费更多的计算。本文重写了我们围绕实际实现并存档在存储库中的系统的早期草案：用于共享 8 EduBench 基准的示例级别 1B 到 7B 级联。最终系统 Pangu-ACE 使用 1B 辅导路由器生成草稿答案和路由信号，然后接受草稿或将样本升级为 7B 专家提示。我们还纠正了一个主要的离线评估错误：早期的摘要过度认可了一些仅满足表面格式检查的开放形式输出。在对保存的预测 JSONL 进行 CPU 端重新评分后，完整的中文测试存档（7013 个样本）显示，与旧版 Rule_v2 系统相比，cascade_final 将确定性质量从 0.457 提高到 0.538，将格式有效性从 0.707 提高到 0.866，同时在 1B 直接接受 19.7% 的请求。路由在很大程度上依赖于任务：IP 在 78.0% 的时间内被 1B 接受，而 QG 和 EC 几乎总是会升级。当前存档的部署尚未显示延迟增益，因此可辩护的效率故事是路由选择性而不是挂钟加速。我们还打包了一个可重复的工件优先的论文工作流程，并澄清了剩余的外部基线差距：GPT-5.4 重新判断是在本地实现的，但配置的提供者端点和密钥无效，因此与 GPT-5.4 的最终采样基线对齐仍然悬而未决的基础设施修复。