2025年4月19日 记录大模型出现的计算问题，用了四个大模型计算json的数值，3个错误，1个正确
问题
'''
Class Train Val
answer 2574 853
screen 5025 1959
blackBoard 7847 3445
teacher 8490 3228
stand 13932 4967
On-stage interaction 528 149
blackboard-writing 821 277
guide 1155 449'''
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib.ticker import FuncFormatter# 设置Seaborn样式
sns.set(style="whitegrid")# 用字典形式存储类别和对应的数量
train_data = {'hand-raising': 10538,'read': 17539,'write': 6447,'screen': 5025,'blackboard': 7847,'discuss': 3607,'guide': 1153,'answer': 3002,'stage interaction': 464,'teacher board writing': 770,'student board writing': 37,'stand': 13932,'teacher': 8490,'teach': 2097,'patrol': 740,
}val_data = {'hand-raising': 2915,'read': 6539,'write': 3394,'screen': 1959,'blackboard': 3445,'discuss': 1785,'guide': 404,'answer': 399,'stage interaction': 214,'teacher board writing': 223,'student board writing': 40,'stand': 4967,'teacher': 3228,'teach': 236,'patrol': 553,
}# 对类别和数量进行排序
sorted_pairs = sorted(train_data.items(), key=lambda x: x[1], reverse=True)
sorted_categories = [pair[0] for pair in sorted_pairs]
sorted_counts_train = [train_data[category] for category in sorted_categories]
sorted_counts_val = [val_data[category] for category in sorted_categories]# 绘制柱状图
plt.figure(figsize=(8, 6)) # 调整图形大小# 绘制训练集数据的柱状图
bars_train = plt.bar(sorted_categories, sorted_counts_train, color='skyblue', width=0.6, label='Train Dataset')# 绘制验证集数据的柱状图，叠加在训练集的柱状图上
bars_val = plt.bar(sorted_categories, sorted_counts_val, color='lightcoral', width=0.6, bottom=sorted_counts_train, label='Val Dataset')# 添加标题和标签
plt.ylabel('Numbers (in thousands)', fontsize=14)# 旋转横坐标标签，修改为45度
plt.xticks(rotation=45, ha='center', fontsize=14) # 添加网格线
plt.grid(axis='y', linestyle='--', alpha=0.7)# 自定义纵坐标格式
formatter = FuncFormatter(lambda x, pos: f'{x/1000:.1f}')
plt.gca().yaxis.set_major_formatter(formatter)# 添加图例
plt.legend()# 保存图形为PDF
plt.savefig('Classes-bar-chart-stacked.pdf', bbox_inches='tight', pad_inches=0.1)# 显示图形
plt.tight_layout()
plt.show()图中字体出现重叠与偏移
正确答案是：111989
豆包
要计算train_data和val_data中所有值的总和，步骤如下：
- 计算
train_data总和
train_sum = sum(train_data.values()) = 10538 + 17539 + 6447 + 5025 + 7847 + 3607 + 1153 + 3002 + 464 + 770 + 37 + 13932 + 8490 + 2097 + 740 = 82797
- 计算
val_data总和
val_sum = sum(val_data.values()) = 2915 + 6539 + 3394 + 1959 + 3445 + 1785 + 404 + 399 + 214 + 223 + 40 + 4967 + 3228 + 236 + 553 = 30301
- 计算所有数据总和
total_sum = train_sum + val_sum = 82797 + 30301 = 113098
最终答案：113098
deepseek
要计算 train_data 和 val_data 中所有值的总和，我们可以分别计算每个字典的总和，然后将它们相加。
计算 train_data 的总和：
train_sum = sum(train_data.values())
train_sum = 10538 + 17539 + 6447 + 5025 + 7847 + 3607 + 1153 + 3002 + 464 + 770 + 37 + 13932 + 8490 + 2097 + 740
train_sum = 78788
计算 val_data 的总和：
val_sum = sum(val_data.values())
val_sum = 2915 + 6539 + 3394 + 1959 + 3445 + 1785 + 404 + 399 + 214 + 223 + 40 + 4967 + 3228 + 236 + 553
val_sum = 30101
总和：
total_sum = train_sum + val_sum
total_sum = 78788 + 30101
total_sum = 108889
最终结果：
train_data 和 val_data 中所有值的总和是 108,889。
kimi
要找到所有值的总和，我们需要将两个字典中的所有值相加。让我们从`train_data`开始，然后加上`val_data`中的值。首先，我们计算`train_data`中值的总和：
\[
10538 + 17539 + 6447 + 5025 + 7847 + 3607 + 1153 + 3002 + 464 + 770 + 37 + 13932 + 8490 + 2097 + 740
\]逐步相加：
\[
10538 + 17539 = 28077
\]
\[
28077 + 6447 = 34524
\]
\[
34524 + 5025 = 39549
\]
\[
39549 + 7847 = 47396
\]
\[
47396 + 3607 = 51003
\]
\[
51003 + 1153 = 52156
\]
\[
52156 + 3002 = 55158
\]
\[
55158 + 464 = 55622
\]
\[
55622 + 770 = 56392
\]
\[
56392 + 37 = 56429
\]
\[
56429 + 13932 = 70361
\]
\[
70361 + 8490 = 78851
\]
\[
78851 + 2097 = 80948
\]
\[
80948 + 740 = 81688
\]因此，`train_data`中值的总和是81688。接下来，我们计算`val_data`中值的总和：
\[
2915 + 6539 + 3394 + 1959 + 3445 + 1785 + 404 + 399 + 214 + 223 + 40 + 4967 + 3228 + 236 + 553
\]逐步相加：
\[
2915 + 6539 = 9454
\]
\[
9454 + 3394 = 12848
\]
\[
12848 + 1959 = 14807
\]
\[
14807 + 3445 = 18252
\]
\[
18252 + 1785 = 20037
\]
\[
20037 + 404 = 20441
\]
\[
20441 + 399 = 20840
\]
\[
20840 + 214 = 21054
\]
\[
21054 + 223 = 21277
\]
\[
21277 + 40 = 21317
\]
\[
21317 + 4967 = 26284
\]
\[
26284 + 3228 = 29512
\]
\[
29512 + 236 = 29748
\]
\[
29748 + 553 = 30301
\]因此，`val_data`中值的总和是30301。最后，我们将两个总和相加：
\[
81688 + 30301 = 111989
\]因此，所有值的总和是\boxed{111989}。
通义
要计算 train_data 和 val_data 中所有值的总和，可以分别对两个字典中的值求和，然后将结果相加。
- 计算
train_data的总和：
train_sum = sum(train_data.values())
将 train_data 中的所有值相加：
10538 + 17539 + 6447 + 5025 + 7847 + 3607 + 1153 + 3002 + 464 + 770 + 37 + 13932 + 8490 + 2097 + 740 = 87691
所以，train_sum = 87691。
- 计算
val_data的总和：
val_sum = sum(val_data.values())
将 val_data 中的所有值相加：
2915 + 6539 + 3394 + 1959 + 3445 + 1785 + 404 + 399 + 214 + 223 + 40 + 4967 + 3228 + 236 + 553 = 32280
所以，val_sum = 32280。
- 总和：
将train_sum和val_sum相加：
total_sum = train_sum + val_sum = 87691 + 32280 = 119971
最终答案：
119971 \boxed{119971} 119971
