從一張寫滿解題過程的草稿紙，能看出什么？

如果這張紙交給剛剛迭代的松鼠Ai智適應教育大模型系統進行分析，或許會看到學習者更多的學習行為特點，是馬虎大意抄寫錯了數據，還是哪一個知識點不懂？Ai智適應教育大模型甚至會為學習者描繪出一幅精準的學習畫像，并有針對性的提供更多訓練題，從而大大提升學習效率。

近兩年，以大語言模型及生成式人工智能為代表的人工智能技術在全球掀起科技和產業創新浪潮，大模型在教育領域的應用也逐漸成為現實。當大模型時代到來，“教育+人工智能”的解題思路再進一步，因材施教、提升學習效率的可能性大大提升。

教育企業如何研發出更有效的教育大模型？教育大模型如何因材施教、提升青少年的學習效率和學習效果？本文將以松鼠Ai多模態智適應教育大模型為例，解答上述疑問。

始于大模型與智適應學習系統的“碰撞”

大模型時代的教育賽道上，眾多教育企業正努力站在學生、家長、老師和教育管理者的角度去思考，切實抓住時代發展的每一步。在教育大模型的探索上，松鼠Ai雖然不是最早有成果的，但已然走出了屬于自己的節奏。

在松鼠Ai看來，大模型不僅僅是大語言模型，應用在語音、語義等方面，還可以應用在視頻、圖像生成等領域。松鼠Ai除了將大模型應用在語音、圖像等領域，更是直接將其應用在學生的整個智適應學習系統上。

智適應學習系統的應用效果如何？官方微信公眾號“中國教育信息化”2023年3月發表的一篇名為《AI自適應教育系統在教學環節的應用實驗研究》的論文顯示，研究者對松鼠Ai智能教學系統在高中數學課程教學中進行了實驗研究，并對教學過程與結果、學生客觀表現和主觀認識等數據進行統計分析。研究發現，總體而言，學生對該系統各方面評價滿意度普遍較高，其中評價最高的是前測能精準定位知識薄弱點、后測讓學生明白自己的學習效果；在推送個性化的學習內容和拓展學生知識面方面也得到較高的評價。

從成績來看，該系統對實驗班成績提升效果顯著，實驗班平均成績從月考的64.80分提高到期中的81.40分，提高16.6分。與此同時，從實驗班來看，使用智能教學系統學習過的內容和沒有用系統學習過的內容考試成績之間差異更加明顯：期中考試平均成績81分，其中用松鼠Ai學過部分平均成績為104.7分，未用松鼠Ai學習過部分平均成績只有73.55分，絕對數值達31.2分（滿分120）。這一鮮明對比進一步凸顯了松鼠Ai智適應系統學習在提升學生學習效果方面的卓越表現。

智適應學習的核心點在于其所擁有的每一個學生學習的畫像，每一個學生的學習水平、掌握的知識點都不同，通過大模型和智適應學習系統的結合，可以在數以百億的學習行為數據中，分析出學習行為背后的原因、知識點之間的有形和隱形的聯系等，進而通過相關知識推送，提升學習者的學習效率。有了大模型的加持，學生的學習效率提升更快了。

在這樣的邏輯下，2024年初，松鼠Ai推出國內首個全學科智適應教育大模型。4月2日，國家互聯網信息辦公室發布了《生成式人工智能服務已備案信息的公告》，據公告內容顯示，松鼠Ai自主研發的教育大模型順利通過了備案程序，正式成為獲得國家“生成式人工智能服務備案”認可的教育企業之一。僅僅半年后，6月18日，松鼠Ai推出了全新升級的多模態智適應教育大模型及一系列智適應教育硬件產品。

目前，迭代升級的松鼠Ai多模態智適應教育大模型也已落地應用，在其新推出的三款全新松鼠Ai智能老師——S211白鷺松鼠Ai智能老師、S139松鼠Ai智能老師以及Z29松果Ai智能老師上進行了全系搭載，可以精準匹配不同學習者的需求層次。

與其他教育大模型相比，松鼠Ai多模態智適應教育大模型的特殊之處在于何處？有專家曾表示，數據直接影響了大模型效果的發揮，數據的質量直接決定著大模型的質量。不過，對于大模型而言，大數據的“大”非萬能，零散的數據不如真實、邏輯性強的數據有價值，高質量的數據才能“喂養”出高智商的大模型。

基于松鼠Ai智適應系統多年的積累，其已擁有學習者過去幾十個小時、幾百個小時的學習記錄，這樣的數據讓其對用戶畫像的刻畫十分精準。在這樣的前提下，進行對話和教學，肯定比只用大模型要精準得多。應該跟學生講什么？題目是什么樣的難易程度？不同水平的題目練習，要給他講多深、還是一點就透？松鼠Ai多模態智適應大模型是知道的。

一個“有眼睛、有耳朵、有嘴巴”的超級AI智能老師

松鼠Ai創始人栗浩洋曾表示，松鼠Ai智適應教育大模型與傳統大模型架構有顯著區別，其核心在于高級算法的運用，同時結合了全球首創“微顆粒度知識點拆分”“MCM（學習思想、能力、方法）圖譜”“追根溯源打地基”等AI技術，深度賦能因材施教，實現千人千面式教育方式。

智適應如何實現因材施教？《中國教育信息化》雜志2024年4月刊的《大模型時代的智適應學習研究：進展、實例與展望》一文提到，多年來，中國在智適應學習的教學實踐方面積累了豐富經驗，技術落地的應用探索也較為充分。比如，以松鼠Ai為代表的企業，積累了超過百億的學習行為數據、千億級知識圖譜和題庫。隨后，文章以松鼠Ai的應用實踐為案例，展示智適應學習在一線教育過程中的核心技術優勢和對學生學習效率、學習方法和學習思維的重塑。

事實上，在生成式AI大模型的加持下，松鼠Ai的智適應系統更是進一步拓展了其在智慧教學中的角色，展現了無限的潛力，可以實現對學習者的精準化測評、個性化學習方案生成和高效學習路徑的引導。

該大模型系統可以把解構至微顆粒度級別的知識點進行學習進度和學習路徑的測評和規劃，精準定位學習者的薄弱知識點，并精準匹配相應的學習視頻和測試習題，實現個性化和高效率的自適應學習。

針對不同學生的能力和知識水平，智適應學習通過微調衍生出不同風格的大模型：對于學習能力強的學生，定制的大模型重在拓展知識廣度和深度；而對于基礎薄弱的學生，其大模型則專注于詳細講解和分步教學，幫助他們快速掌握基礎知識。

6月18日，在上海舉辦的松鼠Ai全新多模態智適應大模型發布會上，松鼠Ai推出了全新升級的多模態智適應教育大模型。在新一代多模態智適應教育大模型的賦能下，一個“有眼睛、有耳朵、有嘴巴”的超級AI智能老師隨之誕生，試圖實現從學習機到AI智能老師的質變，徹底重塑智適應教學體驗。

“算法是我們的基石，現在我們多了眼睛、鼻子和耳朵，能夠聽到學生說話，看到學生的表情和狀態，通過多模態的信息提升效率。”松鼠Ai創始人栗浩洋說。

此次大模型升級迭代集中體現在多模態智能錯因分析與追根溯源、多模態智能人機互動、多模態智能測試與評估三大領域。

“松鼠Ai的新產品引入了對草稿紙內容的智能分析功能，能夠深度解析學生解題過程中的每一步，實現全方位的錯因定位。”松鼠Ai方面稱，在新一代多模態大模型的草稿紙智能分析功能的加持下，松鼠Ai智能老師的“眼睛”能夠通過電子草稿“看到”并深度解析學生解題過程的每一步，精準定位題目理解、邏輯推理、計算及手寫謄抄等各類錯誤，算法準確度高達90%以上，確保學生與教師能迅速、精準地把握問題所在，從而針對性地改進。

同時，在智能人機互動上，松鼠Ai智能老師的“眼睛”還能高精度地識別學生困惑、開心、注意力分散等情緒變化，即時給予針對性反饋。同時，松鼠Ai智能老師的“耳朵”和“嘴巴”也進一步提升了學習環境的人性化，能與學生進行文字與語音互動，覆蓋100+互動對話場景。

此外，在智能測試與評估上，新版本在學期測評與章節測評的性能上實現超100%的飛躍，構建起立體化的學生用戶畫像，提供知識點的多維分析。尤其在主觀題評分上，能夠精準給出分數并詳細解析扣分點，助力學生自我完善。

三層架構疊加獨創的MCM模型，確保有效提升學生整體素養

有專家分析，當前，教育大模型研發主要采取兩種技術路線：一是直接調用通用大模型，通過微調或提示學習的方式使之具備一定的專業能力；二是利用教育領域專業數據，專門訓練用于解決教育任務的大模型。雖然這兩種技術路線都取得了一定的進展，但實現效果仍有待提升。

其問題在于：由于缺乏足夠的專業數據訓練，加上教育領域的深度知識不夠，導致當前大模型的智能性不強，難以靈活處理復雜多變的教育任務。而如何研發教育大模型，破解之道在于將兩條技術路線整合起來。

松鼠Ai的智適應大模型則通過數據層、模型層和應用層搭建起專屬的智適應引擎架構，并疊加獨創的MCM模型，穿透學科知識的表面內容，確保即使是在應試教育的框架下也能有效提高學生的整體素養。

其中，第一層是數據層。松鼠Ai解釋，數據層整合了三大方面的數據，一是海量題庫、PPT、視頻等學習資源數據，二是對學習資源數據進行納米級顆粒度拆分的知識點圖譜架構，三是海量的學生學習行為數據。這一層包含了學習目標、學習內容和錯因分析。通過獨創的微顆粒度知識點細分技術，由易到難地構建出每個學生的專屬知識圖譜。

第二層是核心層，也就是模型層，包含內容推薦引擎、學生用戶畫像引擎、目標管理引擎等。通過實時采集學習行為及錯因反饋數據，動態更新學生的學習畫像和學習目標，并在知識圖譜中精準高效地定位出薄弱點，從而為學生針對性地推薦學習內容。

相關負責人解釋，在教育基礎模型的基礎上，智適應大模型的研發衍生出了包括語音、圖片、視頻等多模態維度，用以對學生的學習情況進行更多層次的監督和輔助。在這之中，多模態教育大模型的一個典型應用場景是表情解析。學生在學習過程中的表情以及心態變化，傳統手段難以精準全面把控。多模態教育大模型則能實現對表情的高效識別。在人機交互場景中，大模型可以識別用戶的微妙表情變化，并根據這些變化給出語言上的反饋，從而實現更自然、更富有同情心的交流。

第三層是應用層，學生可以向系統發出指令和疑問，通過實時交互，讓學生在持續的正反饋中不斷進步，這讓松鼠Ai真正實現了“目標看得見、過程看得見、結果看得見”的智慧教學。應用層是利用大模型對歷史數據和實時產生的數據進行深度挖掘，衍生出對學生學習、進步有實際意義幫助的諸多應用，比如智適應學習內容推薦、優化學習路徑、啟發式學習和情感干預等。

與此同時，MCM模型可以幫助學生在不同學科中訓練不同的思維模式、學習能力和學習方法，例如在語文中側重鍛煉發散性思維和結構閱讀法，在數學側重鍛煉邏輯思維和化歸轉化能力，避免單純的知識灌輸。