In the US, Claude will also power educational tools that provide evidence-based tutoring to K-12 students
值得和 Claude for Teachers 那页对照：那边宣称仅面向 18 岁以上教育者、不做学生端；这边明确说在美国 Claude 会为面向 K-12 学生的辅导工具供能。两者不矛盾——自营产品不碰学生，学生端通过合作伙伴间接进入。第 4 题若论证「Anthropic 不做学生端」，必须把这句排除掉，否则会被反驳。
commit $200 million in grant funding, Claude usage credits, and technical support
口径：2 亿美元不是现金拨款，是「拨款 + Claude 使用额度 + 技术支持」三项合计，分摊四年，横跨全球健康、生命科学、教育、经济流动性四大板块。教育实得多少、其中多少是自家产品额度按标价折算，原文完全没有拆分。说「2 亿美元投教育」是错的，说「2 亿美元的四年多领域承诺，教育是其中之一」才准确。
set up these programs and apply Claude to real-world problems
🔴 阶段判定（第 11 题的关键）：全文没有任何成果数据、试点结果或受益人数。结语用的措辞是「期待……把这些项目搭建起来」「预计会学到更多」——处于意向与搭建期。全篇唯一确定的既成事实是资金承诺和合作范围。这项合作只能当「投入方向」的论据，不能当「效果」的论据。
The first of these will be released publicly later this year.
🔴 阶段限定，提纲没说：这些教育公共品在发文时（2026-05-14）一件都没有落地，第一批「今年晚些时候」才公开。所以第 6 题引用它时是「已承诺的路线」，不是「已存在的公共品」。今天是 2026-07-29，若要主张已兑现，需另找发布公告作证据，本页给不了。
This includes creating public goods—like model benchmarks, datasets, and knowledge graphs—to ensure AI tools for math tutoring, college advising, and curriculum design are effective.
定向核验：提纲称本页支持「教育公共品路线——基准、数据集、知识图谱」——✅ 逐字对得上，且原文给了用途限定：是为了检验数学辅导、升学咨询、课程设计这三类 AI 工具是否有效。第 6 题可放心引用，但必须连同下一句一起引：截至发文一件都还没发布。
for every additional $10 of hourly wage for a task, the share of conversations using Opus increases by 1.5 percentage points for Claude.ai users.
✅ 提纲称「Opus 选用率随任务对应工资上升」——这是原文给出的斜率：任务对应时薪每高 $10，Opus 占比升 1.5pp（Claude.ai），API 端 2.8pp、约两倍。更醒目的对照在同段：软件开发任务 34% 用 Opus，家教（Tutor）任务只有 12%。注意工资是用 BLS 2024 年 OEWS 表按职业推算的任务代理值，不是用户实际付费意愿。
the differences here could reflect that most educational tasks are already fairly easy for Sonnet, or that students are more likely to be mindful of usage limits.
🔴 提纲漏掉的替代解释，直接决定第 6 题能不能成立。原文明确说：教辅任务少用 Opus，可能只是因为这些任务对 Sonnet 而言已经够简单，或者学生更在意用量额度（成本约束）。也就是说，这个 −7pp 未必等于「教育任务被市场低估/被分配更弱算力」，也可能是理性的成本-难度匹配。若第 6 题要论证算力分配的价值偏向，必须先处理掉这两个解释。
Opus is used 4 percentage points more than average for coding tasks and 7 percentage points less than average for tutoring-related tasks
✅ 提纲称「编程任务 +4pp、教辅类任务 −7pp」——逐字对得上。口径两点必须交代：①样本是付费 Claude.ai 用户（只有他们能自由选全部模型），非全体用户；②基线是本样本 Opus 总占比 51%，所以编程约 55%、教辅约 44–45%。另外 API 用户的这种切换幅度约为两倍，说明差异随成本敏感度放大。
most jobs are more than just a collection of tasks that can be written down
金句，且出自 OpenAI 自己的口。可以直接用来给第 6 题收尾：官方基准把智能变成了可计量的经济投入品，但发布方在同一页承认，大多数工作并不等于一堆能被写下来的任务之和。能被写下来的部分正在被定价，写不下来的部分（教育、养育、判断的养成）继续没有价格——这不是它不值钱，而是它不在这套计量口径里。
these figures reflect pure model inference time and API billing rates, and therefore do not capture the human oversight, iteration, and integration steps required in real workplace settings
口径警告：「快 100 倍、便宜 100 倍」只是推理耗时与 API 计费，不含人类监督、迭代、集成的成本，OpenAI 自己在同一段里说清楚了。凡是拿 100x 论证「智能已经白菜价、该大规模投入教育」的说法，都漏掉了分母里那个仍然由人承担、且没有被计价的部分。
in the real world, tasks aren’t always clearly defined with a prompt and reference files; for example, a lawyer might have to navigate ambiguity and talk to their client
第二条自述限制：现实工作里任务不是被打包成 prompt + 参考文件送到面前的，判断「该做什么」本身就是工作的一部分。GDPval 把这一步替模型做掉了。换算到教育上：这个基准测的是「答题」，不是「出题」；而教育的产出恰恰主要在后者。这句话可以直接当作「智能≈经济投入品」这个框架的边界声明来引。
it is limited to one-shot evaluations, so it doesn’t capture cases where a model would need to build context or improve through multiple drafts
🔴 作者自述的核心限制，也是第 6 题最该用的一条：GDPval 只测一次性交付物，不测建立上下文、不测多轮改稿。人类专业能力里最贵的部分恰恰是长期协作、被反馈修正、在关系里积累判断——这正是教育在做的事，也正是它不进入当期工资单的原因。模型在「一次交付」这个切面上逼近专家，完全不等于在「持续共事」这个切面上逼近。
From GPT‑4o to GPT‑5, performance on GDPval tasks more than tripled in a year.
🔴 同一页内部数字打架：正文说 more than doubled（翻一倍多），图注说 more than tripled in a year（翻两倍多）。同一组数据两种说法，说明这里的「倍数」口径本身不稳定（很可能是「胜率」与「胜+平」两种分母的差别）。上台引用增幅时请直接引论文，别引这页，否则会被对手一句话打掉。
Performance has more than doubled from GPT‑4o (released spring 2024) to GPT‑5 (released summer 2025), following a clear linear trend.
⚠️ 提纲称「表现随时间大致线性提升」——原文确实写了 a clear linear trend，但支撑它的是 2024 春到 2025 夏之间寥寥几个模型点。用两三个点宣称「清晰的线性趋势」并外推到未来，是这页最经不起推敲的一句。要拿它论证「智能是可计量的经济投入品」可以，要拿它外推「几年后就全面超过专家」不行。
Claude Opus 4.1 produced outputs rated as good as or better than humans in just under half the tasks.
⚠️ 提纲称「逼近行业专家交付质量」，原文的具体口径在这里：最强模型 Claude Opus 4.1 的「胜 + 平」合计「略低于一半」。本页只给了这句话和一张柱状图，没有给出胜率与平手率各自的确切百分比——要引用精确数字必须去 arXiv:2510.04374。另注意：这是 OpenAI 自建自评的基准，而榜首是竞品 Anthropic 的模型，这一点反而增加了可信度。
These graders blindly compare model-generated deliverables with those produced by task writers (not knowing which is AI versus human generated), and offer critiques and rankings.
✅ 评估方式确认为人类同行业专家盲评：评分者与出题者同职业，不知道哪份是 AI 产出，做排序并给 better / as good as / worse than 三档。这是 GDPval 相对其他自动化 benchmark 最扎实的地方。注意它是相对比较（对着人类样本比），不是绝对达标，所以「胜率」高低同时取决于人类样本的水平，而人类样本是出题者自己的作品。
An occupation qualified overall as “predominantly knowledge work” if at least 60% of its component tasks were classified as not involving physical work or manual labor.
🔴 这是整个基准最硬的边界，提纲漏了：职业入选门槛是「至少 60% 的构成任务不涉及体力劳动」。也就是说 GDPval 从设计上就把未被数字化、需身体在场的工作排除在外。所以它测的不是「智能能替代多少经济活动」，而是「智能能替代多少可数字化交付的白领活动」。教育里最贵的部分——照看、示范、当场纠正——正好落在被排除的那一侧。
The initial 9 industries were chosen based on those contributing over 5% to U.S. GDP, as determined by data from the Federal Reserve Bank of St. Louis.
口径：「前 9 大行业」不是按排名取前九，而是按「对美国 GDP 贡献超过 5%」这个阈值筛出来的，恰好 9 个。职业则是各行业内「工资总额最高的 5 个」（BLS 2024年5月数据）。所以这是一张按工资金额加权的地图，不是按就业人数或按社会必要性加权的地图。讨论「教育该分到多少智能」时要注意：这个基准天然偏向高薪白领岗位。
spans 44 occupations selected from the top 9 industries contributing to U.S. GDP. The GDPval full set includes 1,320 specialized tasks (220 in the gold open-sourced set)
✅ 提纲称「覆盖美国 GDP 前 9 大行业、44 个职业」逐字对得上。补上提纲没说的口径：任务总量 1,320 条（每职业 30 题），但真正做过人类专家盲评的只有 220 条的 gold set，也就是每个职业仅 5 题。论文 arXiv:2510.04374 在页面顶部「Read the paper」链接中确认存在。上台时说「44 职业 1320 任务」没问题，但说「1320 个任务上逼近专家」就越界了——胜率数字来自那 220 条。