从一张稿纸识别解题过程，松鼠Ai用智适应大模型赋能因材施教

从一张写满解题过程的草稿纸，能看出什么？

如果这张纸交给刚刚迭代的松鼠Ai智适应教育大模型系统进行分析，或许会看到学习者更多的学习行为特点，是马虎大意抄写错了数据，还是哪一个知识点不懂？Ai智适应教育大模型甚至会为学习者描绘出一幅精准的学习画像，并有针对性的提供更多训练题，从而大大提升学习效率。

近两年，以大语言模型及生成式人工智能为代表的人工智能技术在全球掀起科技和产业创新浪潮，大模型在教育领域的应用也逐渐成为现实。当大模型时代到来，“教育+人工智能”的解题思路再进一步，因材施教、提升学习效率的可能性大大提升。

教育企业如何研发出更有效的教育大模型？教育大模型如何因材施教、提升青少年的学习效率和学习效果？本文将以松鼠Ai多模态智适应教育大模型为例，解答上述疑问。

始于大模型与智适应学习系统的“碰撞”

大模型时代的教育赛道上，众多教育企业正努力站在学生、家长、老师和教育管理者的角度去思考，切实抓住时代发展的每一步。在教育大模型的探索上，松鼠Ai虽然不是最早有成果的，但已然走出了属于自己的节奏。

在松鼠Ai看来，大模型不仅仅是大语言模型，应用在语音、语义等方面，还可以应用在视频、图像生成等领域。松鼠Ai除了将大模型应用在语音、图像等领域，更是直接将其应用在学生的整个智适应学习系统上。

智适应学习系统的应用效果如何？官方微信公众号“中国教育信息化”2023年3月发表的一篇名为《AI自适应教育系统在教学环节的应用实验研究》的论文显示，研究者对松鼠Ai智能教学系统在高中数学课程教学中进行了实验研究，并对教学过程与结果、学生客观表现和主观认识等数据进行统计分析。研究发现，总体而言，学生对该系统各方面评价满意度普遍较高，其中评价最高的是前测能精准定位知识薄弱点、后测让学生明白自己的学习效果；在推送个性化的学习内容和拓展学生知识面方面也得到较高的评价。

从成绩来看，该系统对实验班成绩提升效果显著，实验班平均成绩从月考的64.80分提高到期中的81.40分，提高16.6分。与此同时，从实验班来看，使用智能教学系统学习过的内容和没有用系统学习过的内容考试成绩之间差异更加明显：期中考试平均成绩81分，其中用松鼠Ai学过部分平均成绩为104.7分，未用松鼠Ai学习过部分平均成绩只有73.55分，绝对数值达31.2分。这一鲜明对比进一步凸显了松鼠Ai智适应系统学习在提升学生学习效果方面的卓越表现。

智适应学习的核心点在于其所拥有的每一个学生学习的画像，每一个学生的学习水平、掌握的知识点都不同，通过大模型和智适应学习系统的结合，可以在数以百亿的学习行为数据中，分析出学习行为背后的原因、知识点之间的有形和隐形的联系等，进而通过相关知识推送，提升学习者的学习效率。有了大模型的加持，学生的学习效率提升更快了。

在这样的逻辑下，2024年初，松鼠Ai推出国内首个全学科智适应教育大模型。4月2日，国家互联网信息办公室发布了《生成式人工智能服务已备案信息的公告》，据公告内容显示，松鼠Ai自主研发的教育大模型顺利通过了备案程序，正式成为获得国家“生成式人工智能服务备案”认可的教育企业之一。仅仅半年后，6月18日，松鼠Ai推出了全新升级的多模态智适应教育大模型及一系列智适应教育硬件产品。

目前，迭代升级的松鼠Ai多模态智适应教育大模型也已落地应用，在其新推出的三款全新松鼠Ai智能老师——S211白鹭松鼠Ai智能老师、S139松鼠Ai智能老师以及Z29松果Ai智能老师上进行了全系搭载，可以精准匹配不同学习者的需求层次。

与其他教育大模型相比，松鼠Ai多模态智适应教育大模型的特殊之处在于何处？有专家曾表示，数据直接影响了大模型效果的发挥，数据的质量直接决定着大模型的质量。不过，对于大模型而言，大数据的“大”非万能，零散的数据不如真实、逻辑性强的数据有价值，高质量的数据才能“喂养”出高智商的大模型。

基于松鼠Ai智适应系统多年的积累，其已拥有学习者过去几十个小时、几百个小时的学习记录，这样的数据让其对用户画像的刻画十分精准。在这样的前提下，进行对话和教学，肯定比只用大模型要精准得多。应该跟学生讲什么？题目是什么样的难易程度？不同水平的题目练习，要给他讲多深、还是一点就透？松鼠Ai多模态智适应大模型是知道的。

一个“有眼睛、有耳朵、有嘴巴”的超级AI智能老师

松鼠Ai创始人栗浩洋曾表示，松鼠Ai智适应教育大模型与传统大模型架构有显著区别，其核心在于高级算法的运用，同时结合了全球首创“微颗粒度知识点拆分”“MCM图谱”“追根溯源打地基”等AI技术，深度赋能因材施教，实现千人千面式教育方式。

智适应如何实现因材施教？《中国教育信息化》杂志2024年4月刊的《大模型时代的智适应学习研究：进展、实例与展望》一文提到，多年来，中国在智适应学习的教学实践方面积累了丰富经验，技术落地的应用探索也较为充分。比如，以松鼠Ai为代表的企业，积累了超过百亿的学习行为数据、千亿级知识图谱和题库。随后，文章以松鼠Ai的应用实践为案例，展示智适应学习在一线教育过程中的核心技术优势和对学生学习效率、学习方法和学习思维的重塑。

事实上，在生成式AI大模型的加持下，松鼠Ai的智适应系统更是进一步拓展了其在智慧教学中的角色，展现了无限的潜力，可以实现对学习者的精准化测评、个性化学习方案生成和高效学习路径的引导。

该大模型系统可以把解构至微颗粒度级别的知识点进行学习进度和学习路径的测评和规划，精准定位学习者的薄弱知识点，并精准匹配相应的学习视频和测试习题，实现个性化和高效率的自适应学习。

针对不同学生的能力和知识水平，智适应学习通过微调衍生出不同风格的大模型：对于学习能力强的学生，定制的大模型重在拓展知识广度和深度；而对于基础薄弱的学生，其大模型则专注于详细讲解和分步教学，帮助他们快速掌握基础知识。

6月18日，在上海举办的松鼠Ai全新多模态智适应大模型发布会上，松鼠Ai推出了全新升级的多模态智适应教育大模型。在新一代多模态智适应教育大模型的赋能下，一个“有眼睛、有耳朵、有嘴巴”的超级AI智能老师随之诞生，试图实现从学习机到AI智能老师的质变，彻底重塑智适应教学体验。

“算法是我们的基石，现在我们多了眼睛、鼻子和耳朵，能够听到学生说话，看到学生的表情和状态，通过多模态的信息提升效率。”松鼠Ai创始人栗浩洋说。

此次大模型升级迭代集中体现在多模态智能错因分析与追根溯源、多模态智能人机互动、多模态智能测试与评估三大领域。

“松鼠Ai的新产品引入了对草稿纸内容的智能分析功能，能够深度解析学生解题过程中的每一步，实现全方位的错因定位。”松鼠Ai方面称，在新一代多模态大模型的草稿纸智能分析功能的加持下，松鼠Ai智能老师的“眼睛”能够通过电子草稿“看到”并深度解析学生解题过程的每一步，精准定位题目理解、逻辑推理、计算及手写誊抄等各类错误，算法准确度高达90%以上，确保学生与教师能迅速、精准地把握问题所在，从而针对性地改进。

同时，在智能人机互动上，松鼠Ai智能老师的“眼睛”还能高精度地识别学生困惑、开心、注意力分散等情绪变化，即时给予针对性反馈。同时，松鼠Ai智能老师的“耳朵”和“嘴巴”也进一步提升了学习环境的人性化，能与学生进行文字与语音互动，覆盖100+互动对话场景。

此外，在智能测试与评估上，新版本在学期测评与章节测评的性能上实现超100%的飞跃，构建起立体化的学生用户画像，提供知识点的多维分析。尤其在主观题评分上，能够精准给出分数并详细解析扣分点，助力学生自我完善。

三层架构叠加独创的MCM模型，确保有效提升学生整体素养

有专家分析，当前，教育大模型研发主要采取两种技术路线：一是直接调用通用大模型，通过微调或提示学习的方式使之具备一定的专业能力；二是利用教育领域专业数据，专门训练用于解决教育任务的大模型。虽然这两种技术路线都取得了一定的进展，但实现效果仍有待提升。

其问题在于：由于缺乏足够的专业数据训练，加上教育领域的深度知识不够，导致当前大模型的智能性不强，难以灵活处理复杂多变的教育任务。而如何研发教育大模型，破解之道在于将两条技术路线整合起来。

松鼠Ai的智适应大模型则通过数据层、模型层和应用层搭建起专属的智适应引擎架构，并叠加独创的MCM模型，穿透学科知识的表面内容，确保即使是在应试教育的框架下也能有效提高学生的整体素养。

其中，第一层是数据层。松鼠Ai解释，数据层整合了三大方面的数据，一是海量题库、PPT、视频等学习资源数据，二是对学习资源数据进行纳米级颗粒度拆分的知识点图谱架构，三是海量的学生学习行为数据。这一层包含了学习目标、学习内容和错因分析。通过独创的微颗粒度知识点细分技术，由易到难地构建出每个学生的专属知识图谱。

第二层是核心层，也就是模型层，包含内容推荐引擎、学生用户画像引擎、目标管理引擎等。通过实时采集学习行为及错因反馈数据，动态更新学生的学习画像和学习目标，并在知识图谱中精准高效地定位出薄弱点，从而为学生针对性地推荐学习内容。

相关负责人解释，在教育基础模型的基础上，智适应大模型的研发衍生出了包括语音、图片、视频等多模态维度，用以对学生的学习情况进行更多层次的监督和辅助。在这之中，多模态教育大模型的一个典型应用场景是表情解析。学生在学习过程中的表情以及心态变化，传统手段难以精准全面把控。多模态教育大模型则能实现对表情的高效识别。在人机交互场景中，大模型可以识别用户的微妙表情变化，并根据这些变化给出语言上的反馈，从而实现更自然、更富有同情心的交流。

第三层是应用层，学生可以向系统发出指令和疑问，通过实时交互，让学生在持续的正反馈中不断进步，这让松鼠Ai真正实现了“目标看得见、过程看得见、结果看得见”的智慧教学。应用层是利用大模型对历史数据和实时产生的数据进行深度挖掘，衍生出对学生学习、进步有实际意义帮助的诸多应用，比如智适应学习内容推荐、优化学习路径、启发式学习和情感干预等。

与此同时，MCM模型可以帮助学生在不同学科中训练不同的思维模式、学习能力和学习方法，例如在语文中侧重锻炼发散性思维和结构阅读法，在数学侧重锻炼逻辑思维和化归转化能力，避免单纯的知识灌输。