数学建模论文提交前AI自查：六大维度26项细节模板

2026年国赛的备赛周期已经拉开，很多队伍还在疯狂调模型、跑数据、写论文。但根据往年经验，真正在提交阶段翻车的队伍，往往不是模型不够好，而是论文在提交前的自查环节出了问题。要么是承诺书缺失，要么是公式编号错乱，要么是参考文献格式不统一，要么是代码附件里残留了乱七八糟的临时文件。这些细节单靠人眼检查，费时费力，还容易漏掉。

这两年AI工具的能力提升很明显，完全可以充当“论文预审员”。本文就给大家分享一套面向数模论文提交的AI自查表，核心理念是：把论文、赛题、附件交给AI，输入一份结构化的自查指令，让AI按六大维度26项细节逐项排查。文章会讲清楚自查表的构建逻辑、指令设计思路、完整提示词模板，以及如何用Python调用大模型API做批量自查。不管是第一次参赛的新手，还是想提高论文规范性的老队伍，都能直接复用这套流程。

1. 为什么数模论文提交前一定要自查

1.1 数模论文评分和提交的特殊性

全国大学生数学建模竞赛的评审流程，通常是先由赛区组织专家进行初评，再推选优秀论文参加全国评阅。评委每天要看大量论文，一篇论文的“第一印象”非常重要。

如果论文在结构、格式、完整性上存在问题，比如摘要没有说清模型结果、公式编号混乱、图表没有标题、参考文件格式不统一，评委很容易产生负面观感。更严重的情况是，部分赛区在提交环节会先做形式审查，材料不完整、承诺书未签、附件无法打开，都可能直接影响参赛资格。

很多队伍把精力集中在模型推导和代码调参上，最后留一晚上通宵写论文，第二天直接提交。这种操作模式下，论文出现细节问题的概率非常高。

1.2 论文自查的痛点在哪里

论文自查的痛点主要有三个。

第一，细节多。一份完整的数模论文包含封面信息、承诺书、编号页、摘要、关键词、问题重述、模型假设、符号说明、模型建立、模型求解、结果分析、灵敏度分析、模型评价、参考文献、附录、代码附件等十几个部分。每个部分都有需要检查的规范点。

第二，人工检查容易疲劳。连续看自己的论文一两小时后，眼睛会对错误“免疫”。尤其是自己写的推导过程，自己永远觉得没问题。

第三，团队分工导致信息孤岛。写摘要的人可能不清楚附录代码的输出结果，写模型建立的人可能不了解问题重述里的措辞，最终导致全文前后不一致。

AI自查表能解决的就是这三个问题。它通过系统化的审查维度，把“模糊的检查感觉”变成“可执行的具体清单”。

1.3 AI自查的本质是什么

这里要先说明一点：AI自查不是让AI代替评委给论文打分，更不是让AI帮你“降AI率”或者违规生成内容。它的本质是利用大模型的长文本理解能力，对论文进行结构化、多维度的规范性与一致性检查。

大模型擅长做几件事：

• 从长文本中提取结构信息；
• 发现前后文之间的不一致；
• 对照给定的检查清单逐项给出判断；
• 按指定格式输出结构化结果。

这正是论文形式审查所需要的。把“逐项排查”这个任务交给AI，把“最终决策”留给人，是当前最合理的使用方式。

另外需要提醒一句：数学建模竞赛对AI的使用有明确规定，各赛区要求可能不同。建议以2026年赛区最新通知为准，合理使用AI辅助自查和润色，不要用AI代写完整论文。本文介绍的方法属于论文提交前的规范性检查，属于工具辅助，但大家仍然要遵守竞赛规则。

2. 环境准备与工具选择

2.1 你需要准备哪些材料

在使用AI自查之前，先把下面这些材料准备好：

实际操作中，建议把论文另存为一份“自查专用版本”，先删除队伍编号、姓名、学校等敏感信息，再进行上传。这既是数据安全需要，也能避免AI因为看到隐私信息而产生不必要的干扰。

2.2 选择什么样的AI工具

市面上主流的通用大模型产品，比如文心一言、豆包、Kimi、通义千问、ChatGPT（国内需安全合规访问）、DeepSeek、智谱清言等，都可以完成这类文本自查任务。选择标准有三个：

• 文本输入长度足够长。数模论文加上赛题往往有几万字，如果你用的是长文本能力较弱的工具，就需要把内容分段喂给AI。这里不需要指定具体型号，一般选择各厂商“长文本模式”即可。
• 支持文件上传。PDF、Word、图片、代码附件最好能直接上传，这样省去复制粘贴的麻烦。
• 输出稳定。一份自查表格可能需要AI输出几百行内容，选择指令跟随能力强的模型效果更好。

客观地说，不同模型对同一份论文的审查质量会有差异。建议同一个自查任务，可以换两个不同工具各跑一次，交叉比对结果。这也是一种“AI工程实践”思维：不依赖单一模型，而是把多个模型的结果作为参考。

2.3 使用前的数据脱敏操作

数模论文在提交前，需要遵守竞赛的匿名要求。在把论文上传给AI工具之前，建议先做一次脱敏。

脱敏操作包括：

1. 将承诺书中的姓名、学校、队伍的编号位置替换为“XX”；
2. 将正文中的队伍编号替换为“XX队”；
3. 检查代码附件头部是否有作者信息；
4. 检查Word文档属性中的作者字段。

脱敏的具体操作很简单：在Word里使用“查找和替换”，批量把队伍编号替换为“TEAM001”，把姓名替换为“MemberA”等。这样既不影响自查结论，又规避了隐私风险。

3. 六大维度26项自查表设计思路

3.1 为什么是六大维度26项

你可能会问：既然AI这么强，为什么不直接让它“随便看看，找找问题”？

原因是：大模型的自由审查结果往往泛泛而谈，输出“摘要需要加强”“图表可以更清晰”这类无效建议。要让AI输出高质量自查结果，必须把任务拆成具体维度和具体检查项，让AI逐项回答“通过/不通过/建议修改”。

本文提供的自查表，经过对历年评分标准、优秀论文特征、常见退稿原因的总结，提炼为六大维度：

合计26项。下面把每一项拆开讲解。

3.2 维度一：论文格式规范（5项）

这一维度是所有形式审查中优先级最高的，因为这些是评委最容易快速判断的内容，也是赛区形式审查最常见的扣分点。

第1项：承诺书与编号页是否完整。检查是否包含参赛承诺书、编号页，承诺书签字是否完整。不同年份、不同赛区的要求略有不同，以官方通知为准。

第2项：页眉页脚是否正确。检查论文页面的页眉是否包含题目或队伍编号，页码是否连续编号。

第3项：字体字号是否统一。检查正文、标题、摘要、图表标题的字体和字号是否统一。数模论文一般要求使用宋体或Times New Roman，具体以赛区模板为准。AI可以快速扫描全文，找出可能不一致的地方。

第4项：公式是否按顺序编号。数模论文公式较多，公式编号混乱是高频问题。AI需要检查公式编号是否连续、是否在正文中被正确引用。

第5项：参考文献格式是否统一。检查参考文献的标注方式是否一致，比如[1]、[2]的角标位置、参考文献列表的格式规范。

3.3 维度二：内容完整性与结构（4项）

第6项：摘要是否完整。摘要需要包含问题背景、使用的方法、得到的关键结果。AI会检查摘要是否直接回答了题目的要求，是否有关键数据。

第7项：问题重述是否适当。检查问题重述是否忠于原题，是否出现抄袭题目原文过长的情况。数模论文的问题重述应该用自己的语言概括。

第8项：模型假设与符号说明是否齐全。符号说明表是评委快速了解论文的窗口，符号缺失或者与后文不一致属于明显减分项。

第9项：模型评价与推广是否缺失。检查论文结尾是否包含模型优点、缺点、改进方向和推广价值。缺少这一块的论文，会被认为研究不够完整。

3.4 维度三：数学表达与公式（5项）

第10项：公式是否使用公式编辑器。AI从PDF或Word文本提取时，可以判断公式是否以图片形式存在，或者公式是否能正常显示。如果公式全是截图，排版效果通常较差。

第11项：变量符号是否前后一致。例如前文用x_i表示第i个城市的坐标，后文突然变成X_i，这类前后不一致问题，AI可以通过对比全文来识别。

第12项：推导过程是否跳跃。AI无法真正理解推导对不对，但它可以发现两个公式之间缺少必要的文字说明或中间步骤，从而提示作者补充。

第13项：量纲单位是否正确。检查出现单位的地方是否有明显错误，如km/h写成了km，万元写成了元。这类错误对论文的可信度影响很大。

第14项：数值结果是否有有效数字规范。检查论文中的结果数据是否保持统一的小数位数，避免同一组数据一会儿三位小数、一会儿两位小数。

3.5 维度四：模型与求解一致性（4项）

第15项：模型假设与模型建立是否呼应。如果假设里明确说“不考虑车辆延误”，后文却引入了延误参数，就属于明显的逻辑矛盾。

第16项：求解方法与模型是否匹配。例如模型建立部分写了线性规划，求解部分却使用了遗传算法，那么要检查论文是否解释了为什么需要启发式算法。

第17项：模型结果与问题答案是否对应。每道题目通常有多个问题，AI需要检查论文是否回答了每一问，不能有遗漏。

第18项：是否有误差分析或灵敏度分析。对于涉及预测、优化、仿真的题目，缺少误差分析或灵敏度分析是一个常见弱点。

3.6 维度五：语言表达与AI痕迹（4项）

第19项：摘要是否存在模板化表达。比如“本文深入探讨了”“具有重要意义”“综上所述”这类空话，这是AI生成文本的典型特征，也是人工写作中容易出现的习惯性表达。

第20项：是否存在过度排比与套路化连接词。全文大量使用“首先”“其次”“然后”“最后”作为段落开头，结构会显得很机械。

第21项：中英文标点是否混用。比如中文句号“。”和英文句号“.”混用，中文逗号和英文逗号混用，这是排版大忌。

第22项：是否出现明显的AI生成痕迹。例如总在段落末尾加“总之”“总的来说”，或者每一段长度完全均匀，结构非常模板化。AI无法做到100%准确识别，但可以作为提醒，由作者自行判断是否修改。

需要强调的是，第19到22项的目的是帮助大家把论文写得更有“人味”和学术感，而不是教你绕过检测。数模竞赛看重的是建模思路和解决问题的能力，老老实实写出自己的理解永远是第一位的。

3.7 维度六：附件与代码工程规范（4项）

第23项：代码文件命名是否规范。附件里的代码文件名建议使用有意义的英文命名，例如solve_tsp.py，而不是最终版3_really_final.py。

第24项：代码是否包含必要注释。尤其是核心函数，是否说明了输入输出参数和实现思路。

第25项：附件是否包含无用文件。检查压缩包内是否有.tmp临时文件、操作系统生成的__MACOSX文件夹、多人协作产生的合并冲突副本等。

第26项：论文结果与代码是否可复现。AI无法真正运行代码，但可以对比论文中提到的模型名称、参数、结果数据与代码注释中的变量命名是否基本吻合，从而提示可能存在的复现问题。

4. 完整AI自查指令模板

4.1 指令设计原则

设计这段指令时，遵循了三个原则：

1. 角色设定。让AI扮演一个“数学建模竞赛论文审查专家”；
2. 任务拆解。把六大维度26项逐条列出，不要让AI自由发挥；
3. 输出约束。要求AI以表格形式输出，每项给出“通过/不通过/建议修改”的判断，并给出修改建议和所在章节位置。

输出格式约束非常关键。如果不指定输出格式，AI会回复一长段“总体来说，你的论文结构完整……”，这样的输出对修改没有直接帮助。指定格式后，AI会按表格逐项输出，便于团队成员分工修改。

4.2 可复制的自查指令

下面的指令是核心部分，可以直接复制使用。文档存放路径按你自己的习惯调整即可。

角色设定： 你是全国大学生数学建模竞赛的资深评审专家，有多年评阅数模论文的经验。你的任务是对我提交的论文进行提交前规范性自查，而不是评分。 审查材料： 1. 论文全文（见上传文件） 2. 参赛题目（见上传文件） 3. 附件代码与文件清单（见上传文件） 审查要求： 请严格按照下面六大维度26项细节逐项检查。每项给出：检查结果（通过/不通过/建议修改），问题说明，修改建议，涉及章节或页码。不要遗漏任何一项。 ### 维度一：论文格式规范（5项） 1. 承诺书与编号页是否完整，签字位置是否正确。 2. 页眉页脚是否正确，页码是否连续。 3. 字体字号是否全文统一，标题层次是否清楚。 4. 公式编号是否连续，正文是否按编号正确引用公式。 5. 参考文献引用标注是否统一，参考文献列表是否符合规范。 ### 维度二：内容完整性与结构（4项） 6. 摘要是否完整，是否包含背景、方法、结果等要素。 7. 问题重述是否简洁并忠于原题，是否有大量直接复制题目内容。 8. 模型假设与符号说明是否齐全，符号是否与后文对应。 9. 模型评价与推广部分是否缺失，是否讨论了模型优缺点。 ### 维度三：数学表达与公式（5项） 10. 公式是否使用公式编辑，是否有截图式公式或乱码。 11. 变量符号是否前后一致，同一符号是否在不同章节含义不同。 12. 公式推导是否有明显跳跃，是否缺少必要文字说明。 13. 文中的单位、量纲是否使用正确。 14. 数值结果的有效数字是否统一规范。 ### 维度四：模型与求解一致性（4项） 15. 模型假设与模型建立是否矛盾。 16. 求解方法是否与模型类型匹配，如使用启发式算法是否说明原因。 17. 论文是否回答了题目的每个问题，是否有遗漏。 18. 是否有误差分析、灵敏度分析或适用性讨论。 ### 维度五：语言表达与AI痕迹（4项） 19. 摘要和正文是否存在空泛的模板化表达，例如“本文深入探讨了”“具有重要意义”。 20. 是否存在大量机械式连接词，如段落开头频繁使用“首先、其次、然后、最后”。 21. 中英文标点是否混用，全角半角是否统一。 22. 是否有明显AI生成痕迹，如段落结构千篇一律、总结句重复堆砌。 ### 维度六：附件与代码工程规范（4项） 23. 代码文件命名是否规范，是否存在无意义文件名。 24. 核心代码是否有必要注释，关键函数是否说明输入输出。 25. 附件中是否存在临时文件、缓存文件、无关文件。 26. 代码中数据读取路径、变量名与论文描述是否基本一致，是否可以复现论文结果。 输出格式： 请以Markdown表格输出，列名分别为： 序号 | 审查维度 | 检查项 | 检查结果 | 问题说明 | 修改建议 | 当前位置 输出完表格后，请额外列出“最需优先修改的10个问题”，按严重程度从高到低排列，并说明理由。

这里有一个使用细节：指令中的26项检查项不要随意删减。每一项都经过筛选，删掉任何一项都可能导致某类问题漏检。如果AI输出时遗漏了某一行，可以让它“请补全第X项”。

4.3 指令的两种使用方式

方式一：在线工具直接对话

把论文、赛题、附件文件上传到AI工具，发送上面的指令，等待输出。如果工具一次无法处理全部内容，可以分段处理：

• 第一轮：上传论文PDF，重点查维度一到维度五；
• 第二轮：上传附件压缩包或代码文本，重点查维度六。

方式二：本地脚本调用API

各厂商大模型API的调用方式大同小异，以最常见的requests为例，可以用下面这个思路实现批量自查。

# 文件路径：self_check.py # 说明：这是一个调用大模型API进行论文自查的示例脚本 # 使用前请安装依赖：pip install requests import os import base64 import requests API_KEY = os.environ.get("LLM_API_KEY", "your_api_key") API_URL = os.environ.get("LLM_API_URL", "https://your-llm-endpoint/v1/chat/completions") def read_pdf_as_text(pdf_path): """ 将PDF转成文本。 这里给的是思路，实际需要根据大模型接口能力选择： 1. 如果API支持直接上传PDF，则直接传文件； 2. 如果API只支持文本，可以使用pypdf先提取文本。 """ # 示例先用占位，本教程重点演示自查指令，文件解析请按接口文档调整 return "PDF文本内容占位" def build_message(prompt_text, paper_text, topic_text): """ 构造对话消息。 论文和赛题文本长度较长时，可以拼在系统提示词之后。 """ user_content = ( "以下是论文全文：\n" + paper_text + "\n\n以下是赛题原文：\n" + topic_text + "\n\n请按下面的自查指令执行：\n" + prompt_text ) return [ {"role": "system", "content": "你是一名严谨的数模论文审查专家。"}, {"role": "user", "content": user_content} ] def call_llm(messages): headers = { "Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json" } payload = { "model": "your-model-name", "messages": messages, "temperature": 0.2 } resp = requests.post(API_URL, json=payload, headers=headers, timeout=300) resp.raise_for_status() data = resp.json() # 不同厂商返回结构有差异，这里按常见结构示例 return data["choices"][0]["message"]["content"] if __name__ == "__main__": prompt = open("check_prompt.md", "r", encoding="utf-8").read() paper_text = read_pdf_as_text("paper.pdf") topic_text = read_pdf_as_text("problem.pdf") messages = build_message(prompt, paper_text, topic_text) result = call_llm(messages) with open("check_result.md", "w", encoding="utf-8") as f: f.write(result) print("自查结果已保存到 check_result.md")

这段代码更接近“AI工程实践”中的工具自动化思路。不过要注意，不同厂商的API鉴权方式、模型名、返回结构都不同，示例代码是通用思路，实际使用时要按照你选择的厂商接口文档修改。

5. 实操案例演示

5.1 案例背景

假设某队伍完成了一篇2025年C题风格的优化类论文。论文题目为“基于多目标优化模型的某资源调度问题研究”。在提交前，队伍使用上面的自查指令进行了一次AI自查。

一下是模拟的自查结果表格，用于帮助你理解AI输出的形式。注意：这是示例，不是真实结果。

5.2 AI输出示例表格

看到这个输出后，队伍需要做的事情就很明确了：

• 第一优先级：补充编号页、修正公式编号；
• 第二优先级：统一字体字号、调整页码分节；
• 第三优先级：修改参考文献格式、统一代码文件名。

5.3 人工复核与AI结果处理

AI输出结果不能直接照单全收。拿到AI自查表后，建议按下面的流程处理：

1. 把AI标记为“不通过”的项全部列出，打开论文逐项确认；
2. 把AI标记为“建议修改”的项，按严重程度排序，优先处理影响评审阅读效率的问题；
3. 对于AI提出的修改建议，要判断是否符合竞赛规范，而不是盲从。

举例来说，AI可能建议“增加更多小标题来提升层次感”，但数模论文篇幅有限，小标题过多反而显得碎片化。这种情况下，队伍的判断比AI的建议更重要。

6. 常见问题与排查思路

6.1 AI自查时常见异常情况

6.2 关于AI“是否靠谱”的疑虑

有些同学会担心，AI给出的检查结果不准确怎么办。这里要明确一个定位：AI自查表的价值在于“查漏”，而不是“定性”。

AI很难判断你的模型对不对，但它非常适合用来发现“第2章和第4章使用同一个符号表示不同含义”“参考文献少了一个页码”“公式编号不连续”这类确定性缺陷。因此，更合理的使用方式是：把AI自查结果当作一张“待办清单”，而不是“修改命令”。

6.3 最容易遗漏的几个细节

从往年队伍提交的情况看，最容易翻车的细节集中在：

1. 编号页和承诺书的顺序搞反；
2. 论文里出现了队伍编号以外的个人信息；
3. 代码附件压缩包内包含临时文件或空文件夹；
4. 生成的PDF打开后发现公式或图片变形；
5. 附录中的代码和论文描述版本不一致。

这些问题AI很难100%检查出来，建议在AI自查之外，再做一次人工的“最终版PDF通读”，重点看图表是否变形、公式是否乱码、目录页码是否正确。

7. 最佳实践与工程化建议

7.1 把自查表保存为团队规范文档

一套自查表不应该只在提交前用一次。建议把它写成团队内部的checklist.md，从选题开始就按这个规范要求写作。这样到提交前，需要修改的问题会少很多。

推荐的结构：

team_checklist/ ├── README.md # 说明文档 ├── check_prompt.md # AI自查指令 ├── self_check.py # API调用脚本（可选） ├── manual_checklist.md # 人工复核清单 └── result/ └── 2025_check_result.md # 历年自查结果存档

把每次提交前的自查结果存档，不仅方便复盘，也能在下一届比赛时作为团队的“避坑手册”。

7.2 建议的提交前两小时流程

第1步：最终版论文导出PDF，先通读一遍目录和摘要页。这一步是为了确保没有明显的排版问题。

第2步：将论文、赛题、附件上传到AI工具，输入自查指令，生成自查表。

第3步：按自查表逐项处理“不通过”项，优先修改格式问题，然后是内容缺失，最后是文字润色。

第4步：检查附件压缩包。确认没有个人信息、没有无用文件、代码文件名规范。

第5步：重新导出最终PDF，再随机抽取几个章节检查是否与修改后的内容一致。

第6步：提交。

7.3 安全与合规建议

使用AI工具辅助自查时，有几个安全边界需要守住：

• 不要在公共AI平台上传包含个人隐私或团队编号的原始材料，先脱敏再上传；
• 不要用AI生成整篇论文或关键结果数据，这违反竞赛规则；
• 不要用所谓的“降AI率”工具对论文进行改写，容易导致表达不自然，甚至触发学术不端风险；
• 涉及API调用时，API密钥要使用环境变量管理，不要提交到公开代码仓库。

7.4 自查表中的“人机协作”分工

最后给出一个建议的分工方式：

• AI负责逐项核对规范性：格式、完整性、一致性、标点、公式编号、代码命名；
• 人负责判断内容质量：摘要是否有亮点、模型是否合理、结果是否可信、论文是否体现团队思考。

AI自查表是工具，不是裁判。真正决定论文质量的，永远是你们对问题的理解、建模的思路、求解的严谨性和写作时的逻辑表达。希望2026年国赛备赛的同学们，都能利用好这套方法，在提交前把细节问题降到最低。

如果这篇内容对你有帮助，可以收藏备用，也可以分享给一起备赛的队友。下一篇可以继续聊一聊摘要写作的常见误区和AI提示词优化技巧，我们到时候见。