今年4月，教育部发布《普通高等学校本科专业目录（2026年）》，一口气新增38种本科专业——具身智能、脑机科学与技术、半导体工艺与装备，每一个名字都像站在风口上。但翻开志愿填报系统，这些专业都有一个共同点：第一年首次招生，往年录取位次一栏是空的。

没有历史数据，家长拿什么给孩子估位次？

答案一句话：别估这个新专业，去估它的“替身”。替身就是同一所学校里、与新专业课程体系最接近的那个老专业，它的近三年录取位次，就是新专业最可靠的参照。

替身法：按“同校、同大类、同课程”三层找

江苏省教育厅相关专家的意见很明确：不能仅凭专业名称判断报考难度，要先核实同校同大类下课程架构高度重合的相近传统专业近3年的录取位次，把它作为新专业位次估算的核心参考。道理不复杂——一个学校的新设专业，往往是从原有相近专业中脱胎而出的。

人民网也给出了同样的判断逻辑：新专业的好坏可从办学院校原有相关专业实力来判断，若学科底蕴深厚，新专业的师资和课程建设更有保障；若院校本身关联专业办学底子薄，从这些专业脱胎而出的新专业就要慎重。

官方数据入口是现成的。教育部“阳光志愿”信息服务系统，能直接查到2026年全部新增专业所在院校专业组近3年的平均录取位次；河北省教育考试院也明确，考生可结合成绩位次，参考同院校同专业类往年相应位次附近的录取数据综合分析。

具体操作可以分两步加权：先看目标专业所在专业组近三年的平均录取位次，再看组内与新专业相关度最高的原有专业近三年的最低、平均录取位次，两个区间加权后，就是新专业的预估录取位次区间。

规则没有例外，别等特殊通道

再打消一个侥幸心理：已公布录取方案的多个省份，都为新增专业开了统一通道。山东、浙江、广西、河南等省先后明确，所有新增首次招生专业统一纳入平行志愿投档体系，按分数（位次）优先原则从高到低投档，没有特殊的位次折算规则。

换句话说，新专业在投档规则上和老专业完全一样，家长要做的不是寻找特殊算法，而是把替身法算准。

误差当然存在。新专业没有历史录取，第一年的实际分数线可能被报考热度推高，也可能因认知度低而偏低——所以必须留出冗余。在“冲、稳、保”的梯度里，替身法算出的位次只能充当参考中线，前后各留出一段位次差，不能卡着替身的分数线精准填报。

央广网的提醒与此一致：首次招生的新专业，自身无法完全确认录取把握时，要预留足够的位次缓冲。

真正的坑不在位次，在退档

位次估算只是第一关，更大的风险藏在投档之后的退档里。平行志愿遵循一轮投档规则，档案一旦投出，本批次随即结束；被退档后不再补投到同批次其他院校专业组，只能等征集志愿或滑落下一批次。

云南省招考院归纳的三大退档原因是：不服从专业调剂且填报专业全部录满、身体条件不符合专业限报要求、单科成绩未达到院校最低要求。

新专业在这条线上尤其脆弱——它往往和一批老专业打包在同一个专业组里，你的分数够到组线，未必够到新专业自己那条隐藏线。

央广网提示：报考归属院校专业组的首次招生新专业时，要先把该专业组内所有其他专业的往年录取位次区间都确认一遍，在无法确认新专业录取把握的前提下尽量勾选服从调剂。

但勾选服从，意味着组内剩余专业你都得接受，所以填报前必须逐条核对目标院校招生章程里的单科分数、体检标准、选科限制、外语语种等硬门槛。

志愿表里每一个细节都不可逆。2026年山东一名644分考生，只因没注意志愿表里“厦门大学马来西亚分校”的字样，录取后无法退档，家庭无力承担学费只能复读；湖南省考试院也明确，志愿填报系统关闭后，不受理补报、修改、放弃志愿的申请。

这虽然不是新专业案例，道理却相同：系统只认你最终提交的那份表格。

新专业的隐藏成本：课程更硬、仍在磨合

最后一个容易被忽视的问题是：即便位次估准、成功投进去了，新专业本身可能比老专业更难读。

教育部今年首次单列交叉学科门类，把具身智能、脑机科学与技术等4种新专业列入其中，这类交叉专业普遍采用本研贯通式科教融合培养模式，课程里塞满学科交叉课、领域前沿课、校企项目课，对数理基础和跨学科学习能力的要求明显高于传统专业。

四川大学新增的半导体工艺与装备等7个前沿交叉专业，执行“四个1/4”课程体系，人文素养、科学素养、学科基础、专业核心四个课程群各占约1/4学分，整套课程就是为复合能力重构的。

北京理工大学招生办也公开提醒，该校新增的具身智能、碳中和科学与工程、人工智能教育普遍要求选考“物理+化学”，数理基础不匹配的学生后续学习难度极大。

有公开提示直言：首届招生意味着培养方案尚在磨合、师资团队还在组建、实验室配套未必到位，别把这类高投入交叉专业放在“稳”“保”档位，只放进“冲”的档位去够。风口可能是真的，但风口上的第一班车，也意味着第一批试错。

综合起来，给家长的可执行建议就三条：用替身法估位次、只在冲档用新专业、服从调剂前先把组内每个专业都看一遍。新专业没有往年分数，不等于没有参照系——掉进坑里的人，多数不是没数据，而是没把已有的数据用够。