BRE 布林代數・考卷自動批改系統
結合 YOLO 區域偵測、視覺語言模型 OCR 與 LLM 推理式評分,自動批改手寫作業與紙本考卷的多代理系統。
簡介
一套為教學現場設計的自動改卷系統,串接 YOLO 版面偵測、視覺語言模型 OCR 與具推理能力的 LLM,將老師從大量重複的批改工作中解放出來。系統可處理布林代數手寫作業、紙本考卷與心得報告三種截然不同的評分情境,並各自搭配對應的辨識與判分流程。
主要功能
- 布林代數作業:OCR 統一交給同一個視覺模型,受測 LLM 只負責結構化與評分,讓不同批改模型在相同條件下比較
- 紙本考卷:YOLO 擷取學號區與作答區 → 視覺 LLM OCR → 思考型 LLM 逐題給分;可選三模型兩輪交叉互評
- 心得報告:依關鍵概念覆蓋率與論述細節評分
- 多 LLM 後端(OpenAI、Gemini、本地 vLLM)可切換
- 多代理架構,各評分代理獨立註冊,依任務類型指定調用
技術棧
- Python / YOLO(Ultralytics)區域偵測,mAP50 約 99%
- 視覺語言模型 OCR + 思考型 LLM 評分
- 本地 vLLM 多端點切換,依模型 context 上限自動配置 thinking budget
- 另有模組化重構版(
modular/),以 69 份真實批改紀錄重播驗證與部署版輸出一致,尚未實際部署
成果
完整流程涵蓋 PDF 前處理、學號擷取、依名單配對學生、批改到 CSV 成績匯出,支援 Moodle 作業與紙本考試兩種流程。部署版實際批出過課程成績,也是論文實驗採用的版本。
開發角色與挑戰
獨立開發,一人包辦需求分析、模型整合、推論優化到部署的完整流程。過程中花最多時間的是效能優化——在 YOLO 與 LLM 的模型尺寸與參數之間找準確率與速度的平衡點,並持續調校加快整體推論速度,同時盡量不犧牲評分準確度。