教育大模型應用現狀、技術挑戰及路徑探析展望

中圖分類號：G40-057 文獻標識碼：A 文章編號：2095-5995（2025）02-0040-09

習近平總書記指出，教育數字化是中國開辟教育發展新賽道和塑造教育發展新優勢的重要突破口?！督逃龔妵ㄔO規劃綱要（ 2024-2035 年）》明確提出，要打造人工智能教育大模型，促進人工智能助力教育變革。顯然，人工智能、大模型等新一代信息技術與教育教學的深度融合已成為國家教育數字化戰略的重要組成部分。人工智能大模型有望在教育觀念、教學方法、學習模式乃至組織結構等方面對教育進行全方位的革新。盡管大模型在多樣化教育場景中展現了巨大潛力，但是在實踐應用過程中也逐漸暴露出內容誤差、知識偏見、倫理規范等問題[1]。當前，教育大模型在場景應用、數據采集、邏輯推理、資源生成以及價值對齊方面也都存在一定的技術挑戰。因此，在認識大模型對教育產生深刻影響的基礎上，亟待審慎厘清大模型在教育領域“何為”與“為何”的問題。為此，本文梳理了國內外20個典型教育大模型的功能特點，從教育大模型價值體現、應用場景及底座構建三個方面分析了教育大模型的現狀，從數據質量不佳、教學能力欠缺、個性化程度不足、邏輯推理能力不強、價值導向不明等方面剖析了教育大模型面臨的主要技術挑戰，進而從教育本質出發，對教育大模型的技術實施路徑展開系統性展望。

一、教育大模型的發展現狀分析

（一）教育大模型價值體現

大模型憑借其強大的泛化與涌現能力，逐漸成為解決復雜教育問題的關鍵工具，為破解教育“有教無類、因材施教”的千年難題提供了全新機遇[2]，在變革教學模式、改變知識生產方式、賦能教育評價改革以及創新教育場景等方面展現出了巨大潛力[3]。

在教與學模式變革方面，未來的教育將從傳統的“師-生”二元結構轉向更加高效的“師-機-生”三元協同模式。教師的角色將不再局限于知識傳授者，而是轉變為學生學習的引導者和促進者，教育大模型則承擔起輔助教學、提供個性化資源等任務，學生則是通過與大模型的交互主動構建知識、培養高階思維和創新能力。

在知識生產方式方面，教育大模型不僅能夠基于海量數據進行知識整合和推理，還能夠生成符合不同學習者需求的個性化教學內容，如智能講義、習題解析、實驗模擬等。然而，盡管智能機器在知識生成中的作用日益增強，人類在知識創新、價值判斷等方面仍然具有不可替代的地位，在未來的知識生產體系中，將由人機共創的模式共同推動知識的創新與傳播，專家和教師將在智能生成內容的基礎上，提供深度解析和價值判斷，以確保知識質量。

在教育評價方面，教育大模型將破解當前教育評價過程中普遍存在的注重結果評價、評價維度單一、忽略個體差異等問題，可通過其強大的數據處理能力對學生學習過程進行全面分析和理解，從而更完整地評估學生的綜合素質和發展潛能，促進學生的全面發展。

在教育場景方面，教育大模型正不斷拓展教育的可能性邊界，通過賦能個性化學習推薦、學習共同體構建、自動化批改作業、智能答疑和多模態教學交互等應用場景，教育大模型使得學習更加高效與精準。同時，教育大模型有利于打破時間與空間限制，促進教育資源的共享和優化配置，為不同地區、不同學習能力的學生提供公平優質的教育資源。由此可見，教育大模型正在系統解構傳統教育范式，與教育教學各環節全面深度融合，締造智慧教育新形態。

（二）教育大模型應用場景

隨著與教育教學的深度融合，教育大模型正推動著教育觀念、教育形態[6]和教育實踐的變革，在個性化學習、沉浸式學習等多個方面都有具體的應用[]。本文對國內外20個教育大模型的功能特點進行了梳理 （如表1所示），現今教育大模型的應用場景主要可分為三個方面：

一是促進教育觀念的轉變，推動個性化學習。教育大模型能夠讓學生享受個性化的學習體驗，打破了傳統“大水漫灌”的一對多教育方式，實現一對一的“精準滴灌”，讓每個孩子都能獲得最適合自己的教育。教育大模型能夠對學生的學習行為、興趣偏好以及認知特點進行深人挖掘，基于教育大模型得到的數據分析結果，教育者可以更準確地了解每個學生的需求，從而為他們提供定制化的學習資源和路徑。在這樣的個性化學習環境中，學生不再是被動接受知識的容器，而是積極探索世界的主體，可以根據自己的興趣和節奏選擇學習內容。例如，可汗學院開發的聊天問答式AI助手Khanmigo，可以根據學生的學習進度和能力定制學習計劃，提供個性化輔導。美國在線教育服務公司Chegg基于GPT-4開發的CheggMate可接受包括文本、圖像和圖表等輸入，不僅能根據用戶學習風格、學習進度等提供快速、個性化、自適應的定制化學習指導，還能生成個人定制的練習測試，提供實時反饋。華中師范大學劉三女牙團隊創新性提出基于“戴爾經驗之塔”的教育大模型塔式構建法，整合了題干生成與題目解析兩種能力，以類人學習的視角探索大模型訓練過程[10]。華東師范大學的EduNLP團隊創建了對話大語言模型EduChat，將作文批改、自動出題、基于對話的學習輔導和情感支持等多種功能融入到一個聊天機器人中，以提升學生學習興趣。暨南大學協同好未來集團研發的“九章隨時問”教育大模型，通過啟發引導的方式幫助學生解決數學難題，引導學生漸步式思考數學問題的解決方法，幫助他們在探索中理解和掌握知識。

二是孕育出新的教育形態，拓展學生學習空間。教育大模型作為一種新興的教育輔助工具，為教育形態的系統性轉變帶來了歷史性機遇，有利于突破圍繞“學校-教師-課本”展開的傳統教育場景，使教學方式更加智能化與開放化。首先，教育大模型打破了時間與空間的限制，拓展了跨學科、跨地域的學習空間。過去，學生獲取知識的主要途徑是課堂學習。如今，人機協同雙向賦能的教育模式開始走向現實，這種教育模式不僅幫助學習者建構個人專屬的學習空間，還促進了圍繞同一知識內容或學習目標的學習共同體的形成，從而打造出物理空間與網絡空間相互融通的多元化學習場景[1]。在這樣的教育形態下，優質教育資源不再局限于特定的地域或學校，而是可以跨越時空界限，惠及更廣泛的學生群體，學習者可以在任何時間、任何地點，無障礙地獲取所需的全球優質教育資源。例如，浙江大學研發的智海三樂大模型可根據學生學習過程進行動態適應，實現知識追蹤導航，提供智能問答。網易有道的虛擬人口語教練，可以提供一對一口語練習私教服務，不僅有類真人形象，發音地道，還能進行開放式對話，像英語老師一樣循循善誘?？梢?，教育大模型正在孕育新的教育形態，極大地提升了學習的靈活性和效率，使未來的教育形態更加多樣，從而為學生提供更豐富的學習體驗。

三是激發教育實踐的活力，引領教育評價創新。教育部在《關于開展信息技術支撐學生綜合素質評價試點工作的通知》中明確指出，創新評價工具，利用人工智能、大數據等現代信息技術，探索開展學生各年級學習成長情況全過程縱向評價、德智體美勞全要素橫向評價[12]。教育大模型不僅激發了教學設計、教學實施等教育實踐活動的新活力，還通過數據驅動的方式優化決策過程，引領教育評價與反饋的創新。吉林大學與科大訊飛共同研發的教育評價大模型“知新”，依托大模型強大的多模態理解、邏輯推理與圖文生成能力，不僅初步實現對課堂教學內容的智能分析，自動生成對于學生、教師、課程等多主體、多維度的評價報告，并以數字人播報的形式反饋，還支持圍繞評價內容的智能問答。但是，在綜合性素質發展評估、持續性學習過程跟蹤以及跨場景多維學校評價等關鍵領域，教育評價大模型的技術體系和創新實踐還處于起步階段。未來，積極探索基于混合增強智能的教育評價大模型，具有重要的理論意義與實際價值。

（三）教育大模型底座構建

隨著大模型在教育場景的逐步落地，其準確性、針對性不足等問題日益凸顯，開發針對教育領域的大模型逐漸成為教育行業共識。現有教育大模型的構建方法主要分為“通用大模型 + 適配”和“教育大數據 + 模型訓練”兩大類，其基本構建邏輯如圖1所示?！巴ㄓ么竽Ｐ?+ 適配”的方式，是指以通用大模型為基礎模型，通過加人教育數據進行任務適配的方式使之具備一定的教育場景應用能力，典型的構建方法包括提示工程、文本檢索增強、知識圖譜檢索增強、訓練微調等。例如，余勝泉提出通過增強大模型來構建智能教師，其核心思路是精調訓練通用大模型以增強場景知識，再引用教育知識圖譜來保證大模型輸出結果的準確性[13]；張春紅等增強了大模型在多輪問答、無樣本學習以及多模態問題處理方面的性能，提升了大模型在教育問答系統中的表現和應用范圍[14]。而“教育大數據 + 模型訓練”的方式，是指利用教育領域專業數據，專門訓練用于解決教育任務的基礎大模型。該類模型不是在通用大模型基礎上的微調和優化，而是以重構未來教育圖景為目標，以開放算法模型架構為基礎，以創新教育應用場景為核心的系統性變革。例如，科大訊飛開發的星火智慧黑板、基于“問題鏈”的高中數學智能教師系統。[15][16]

基于這兩種大模型底座所構建出的教育大模型，在數據依賴性、復雜性、知識更新能力、成本、領域適應性等方面存在較大的差異，如表2所示。“通用大模型 + 適配”的方式雖然成本較低、靈活性高，但領域適應性較差；利用“教育大數據 + 模型訓練”的方式構建出的教育大模型，適應性非常好，知識更新能力強，但成本極其高昂?？傊诮逃竽Ｐ偷难邪l過程中，無論采用哪種基礎底座模型，二者都并非互相排斥的關系，而是應朝著各司其職、融合發展的方向演化。破解這一難題的關鍵在于兩條技術路線的有效整合。具體來說，可充分利用通用大模型所具備的強大泛化能力，結合教育領域的專業數據，并將專家知識庫作為對大模型的有力補充。通過這種方式，實現各類智能教育技術的整合，最終形成全面、高效的教育大模型。

二、教育大模型的主要技術挑戰

教育大模型的快速發展為教育智能化提供了新的可能性，但在實際應用過程中，仍然面臨諸多技術挑戰。這些挑戰不僅影響大模型的教學效果，還關系到教育公平性、可解釋性和人機協同等關鍵問題[17]，如圖2所示。

（一）數據多不等于質量佳

建設教育大模型首先需要有教育大數據，但由于教育資源、教育對象及教育過程的數據復雜多樣，如何篩選和構建與教育活動相關的高質量數據集是一項重要挑戰。教育大數據來源于不同教育主體從事教育活動的全生命周期過程，包括教育管理、教師教學、學生學習等多個場景。然而，教育活動的復雜性決定了數據的多維度與異質性，涉及人與人、人與物、人機交互等多層次關系，使得教育數據的采集變得困難，數據的準確性、一致性、完備性和代表性難以保障，從而影響大模型的訓練效果和泛化能力。數據質量的不足可能導致模型學習偏差、推薦失準，甚至影響智能教學的公平性與有效性。因此，提升教育大數據的質量，包括優化數據采集、清洗、標注和校驗機制，是提升教育大模型性能的關鍵。

（二）學得好不等于教得好

大模型在自我學習通用知識方面表現優異，能夠解答各類問題，并涵蓋廣泛的學科領域。然而，學習能力與教學能力并不等同，如何讓大模型遵循教育規律，實現對學生的啟發式引導，是一個值得深入思考的問題。從知識掌握的角度來看，大模型類似于一本“百科全書”，蘊含豐富的理論知識，能夠針對不同文化背景、不同專業領域、不同形式的問題提供較為準確的答案。然而，教學不僅僅是知識的傳遞，其根本目標在于培根鑄魂、啟智潤心，尤其是培養學生的創新能力和獨立思考能力。大模型僅具備被動答題能力，而缺乏主動提問和引導的能力，難以真正承擔“百科全書式教師”的角色。真正的教學需要啟發式引導，而合理、適度、有效的提問正是促進學生自我內化學習的關鍵方式。因此，教育大模型不僅需要被動回答問題，更應具備主動激發學生思考的能力，針對提出的問題提供進一步的啟發，幫助學生形成更深入的理解和探索意識。這種轉變，將是大模型在教育教學場景下提升應用價值的關鍵。

（三）教得好不等于教得準

教育大模型主要依賴大規模通用數據進行訓練，因此在應對個體化需求方面仍顯不足，難以充分滿足不同學習者和教師的個性化需求。例如，對于同一道數學題，小學低年級和高年級的解題需求不同，同年級的學生也因個體差異在知識薄弱點上有所不同。然而，當前教育大模型在基于學生學習需求和知識掌握情況提供動態反饋方面，仍然存在一定局限性。另外，大模型難以實現連貫、長期的互動，尤其在對話記憶和情境理解方面存在不足，這使得模型在支持個性化學習時難以精準適配不同學生的長期學習軌跡和動態需求。理想的教育目標是因材施教，讓每個學生的潛能得到充分發展，我國龐大的教育規模進一步凸顯了對大模型賦能大規模個性化教學的迫切需求。因此，教育大模型亟需在精準教學、動態學習反饋和個性化交互等方面進一步優化，以更好地助力教育高質量發展。

（四）知識多不等于能力強

大模型在文本處理方面展現出接近人類的“創造力”。特別是DeepSeek大模型的推出，標志著大模型技術從“生成”向“推理”邁出了重要一步。然而，在處理復雜推理問題時，現有大模型仍然存在計算錯誤[18]、推理鏈不完整[19]、缺乏抽象能力[20]等問題，尤其在數值計算、量綱理解和邏輯推理方面存在明顯局限。例如，在處理涉及數學計算、單位換算等問題時，教育大模型經常出現判斷失誤的問題。面對復雜邏輯鏈條時，特別是在涉及多步計算或條件判斷時，教育大模型難以進行連貫推理，容易出現邏輯跳躍或環節缺失。邏輯推理上存在的問題，表明教育大模型在高級認知任務上的局限性與抽象思維的匱乏。因此，如何使教育大模型具備更強的推理和決策能力，是未來教育大模型發展的新挑戰。

（五）能力強不等于價值對

2023年7月，國家網信辦等七部門聯合公布了《生成式人工智能服務管理暫行辦法》，著重強調堅持社會主義價值觀的要求，禁止生成任何違反法律法規的內容[21]。如今，大模型的預訓練數據集與日俱增，海量的數據信息無可避免會出現不符合人類價值觀的內容[22]，導致大模型給出的回答可能包含錯誤、偏見和不合法律法規的內容。這樣的答案會加劇人類與教育大模型之間的信任危機，阻礙學生正確價值觀的形成。因此，必須確保大模型生成的知識內容與人類價值觀的一致性，讓教育大模型真正成為推動教育進步的有力工具而非潛在威脅。

三、教育大模型的發展路徑展望

面對教育大模型目前存在的技術挑戰，需要以“數據為基礎，場景為驅動，應用為王道”作為根本宗旨。具體來說，將德智體美勞全面發展的培養目標作為教育大模型構建的頂層設計，對教育場景、教育對象、教育過程實施全息數據智能采集?；诖耍枚嗄B大模型、自然語言處理（NaturalLanguageProcessing，NLP）大模型、計算機視覺（ComputerVision，CV）大模型等基礎模型，結合提示工程、檢索增強等技術構建垂直模型。進而在綜合素質評價、個性化學習、啟發式引導等方面進行應用，從而真正落實教育立德樹人的根本任務。

（一）智能采集全息數據，破解信息孤島桎梏經過多年信息化建設，國內大部分學校已積淀了海量的數據。但學校信息化建設往往是圍繞業務需求各自為政、分散開展，缺乏統一的數據頂層設計和標準規范，不同業務系統間數據共享程度低，存在“信息孤島”和“數據煙囪”。因此，需要規劃頂層設計，采集教育全息數據，開展綜合治理，以促進數據有效共享[23]。“全息”是局部與整體、現實與歷史的對應、同構與共效，它包含并也反映著整體、歷史的完整信息。但“全息”并不等于所有信息，而是足夠多的能反映事物全貌的關鍵信息。基于具有完全性、歷史性、表現力的教育信息數據而開展應用的教育大模型，為智能采集教育全息數據帶來新的可能。具體地，首先針對教育大模型的具體應用場景，以從下到上的業務需求 + 從上到下的數據應用，實現全樣本、全過程、全方位的教育全息數據采集；然后面向不同粒度、多源異構的教育數據，探索多粒度教育數據智能分析架構，清洗、整合、標準化教育數據，確保數據質量，形成教育數據庫，進而實現業務和數據雙向驅動的綜合治理，從而消除信息孤島，有效形成支持教育大模型發展的教育大數據，助力大模型進行教育教學決策。

（二）注重師-機-生情感交流，發展有溫度的智能教育

面對教育大模型技術的發展，必須把握好教育的“變”與“不變”[24]?！白儭钡氖羌夹g給教育帶來的變革，教育觀念、教育形態與教育實踐的轉變?！安蛔儭钡氖橇⒌聵淙说慕逃救蝿?，培養德智體美勞全面發展的社會主義建設者和接班人的目標，以及教育始終堅持以人為本和德育為先，遵循有教無類、因材施教等教育理念和教學原則。在數智時代，教育更需要關注學生個體的成長需求，特別是青少年在認知發展與情緒成熟度上的不同步性，使他們在學習過程中獲得更需要的情感支持。在教學階段，利用基于提示學習的情感分析技術[25]，可分析師生在教學活動中的情感需求，進而提供情緒價值與情感回應，讓教育大模型兼顧能力培養與人文關懷。在學生自主學習階段，利用人類對話數據（包括情境、情緒、情感）訓練教育大模型，實施情感對齊[26]，使之能在給定情感標簽或對應的對話數據下，生成情感呼應的內容，進而在教學對話中產生情感共鳴，提升教學溝通效果。

（三）建模學習者個體特征，生成個性化解決方案

教育大模型的應用，使教育模式從“老師教、學生學”，逐漸轉變為“學生問、模型答”。根據不同能力和需求的學生，提供因人而異的個性化教學方案，成為教育大模型進行精準教學的重要實踐形式[27]。此外，結合知識圖譜技術，可通過挖掘學習數據中的實體與關系，構建動態更新知識圖譜，使大模型能夠基于知識圖譜進行可解釋的學習路徑推薦，從而為學生智能推送所需的知識和學習資源[28]。同時，還可借助圖譜增強技術，將知識圖譜中豐富的實體與關系注人大模型，以增強其全科知識整合能力。進一步結合多模態知識庫與跨學科內容，教育大模型能夠滿足學生的動態學習需求，提供個性化分析與學習指導，最終生成精準的個性化學習方案，助力因材施教的深入實施。

（四）強化大模型推理能力，探索混合增強智能教育

大模型在邏輯推理、復雜決策等高階認知任務上仍存在一定局限，尤其是在多步推理、數理邏輯、抽象概念理解等方面表現不穩定，難以滿足教育對高質量推理能力的需求。因此，強化大模型的推理能力，推動混合增強智能教育成為未來發展的關鍵方向?？赏ㄟ^結合符號推理與深度學習，提升大模型在數學、物理等學科的邏輯推理能力；構建多模態知識庫，讓大模型能夠整合文本、圖像、視頻等信息，提高跨模態推理能力；探索人機協同推理，借助教師的專業判斷彌補大模型的推理短板，提升個性化教學質量；強化自適應學習能力，利用強化學習優化學習路徑，實現精準教學；發展可解釋性推理模型，增強推理過程透明度，提高師生信任度?；旌显鰪娭悄芙逃哪繕瞬粌H是讓大模型具備更強的推理和決策能力，更是通過人工智能與人類智慧的深度融合，推動教育向個性化、智能化、創新化發展。

（五）減輕大模型生成幻覺，增強教學決策的可信度

針對大模型的幻覺問題，在訓練數據上，可以采取以下兩方面措施：首先，引入更具專業性和深度的教育領域數據，使模型能夠接觸到豐富的領域知識；其次，結合教育領域專家的知識與指導，對教育數據進行精確標注與注釋。這將有助于確保大模型能夠準確理解教育領域中的專有術語、概念和規則，從而顯著提高輸出內容的專業性、可解釋性和準確性。在算法推理上，可通過強化大模型檢索問答的細粒度溯源能力，讓大模型在回答問題時給出引用的原文[29]。通過提示工程技術，讓大模型在回答之前先回憶內部知識，將知識顯性化放到上下文中，然后再根據上下文信息進行回答[30]，以提高其回答問題的準確性。在大模型推理輸出答案時，引入另一個弱模型的輸出與大模型的輸出作對比，通過比較兩者的差異，來使大模型進一步審視自身的推理過程[31]，從而改善大模型生成內容的可解釋程度，增強教學決策的可信度。

四、結語

在2024年全國教育數字化工作總結會上，教育部懷進鵬部長再次強調新時代教育信息化與教育資源數字化建設要堅持“應用為王，服務至上”。教育大模型作為智能教育生態的技術基座，呈現出“數據-場景-應用”三位一體的協同發展范式：以多模態教育數據資源為底層支撐，以多元化教學場景需求為內生動力，以解決教育應用實踐問題為價值旨歸。面對教育場景的動態性、教學需求的多樣性以及教育公平的普惠性訴求，教育大模型通過算法創新與情境適配，正逐步實現從技術可能性到教育可行性的范式重構。

本文對當前教育大模型的價值體現、底座構建的發展現狀及應用場景進行了梳理，分析了大模型在教育教學領域面臨的技術挑戰，并對未來教育大模型的技術實施路徑提出了展望，以期為教育大模型賦能教育智能變革、助力教育高質量發展提供參考?？偠灾?，教育是“知識-能力-價值”的統一，技術的變與教育的不變應當價值對齊，擁有海量知識的教育大模型，需確保輸出內容的可信度與可解釋性。未來，依托大模型技術驅動的多智能體系統，將充分發揮人機協同、動態演化與群智涌現等特點，為教育創新帶來更多的可能。

參考文獻：

[1]KasneciE，SelerK，KüchemannS，etall.ChatGPTforgood？ Onopportunitiesandchallengesof large languagemodels for education[J].Learning and IndividualDifferences，2023.

[2]施錦誠，王迎春.大模型創新變革：新模式、新挑戰與新趨勢[J].中國科技論壇，2024（07）：31-40+51 ：

[3］肖建力，黃星宇，姜飛．智慧教育中的大語言模型綜述[J/OL].智能系統學報：1-17.

[4］楊宗凱，王俊，吳砥，王美倩.發展智能教育學推動教育可持續發展[J]．電化教育研究，2022，43（12）：5-10+7 ·

[5]劉邦奇，聶小林，王士進，袁婷婷，朱洪軍，趙子琪，朱廣袤．生成式人工智能與未來教育形態重塑：技術框架、能力特征及應用趨勢［J]．電化教育研究，2024，45 （01）：13-20.

[6]黃榮懷．人工智能大模型融入教育：觀念轉變、形態重塑與關鍵舉措［J]．人民論壇·學術前沿，2024（14）：23-30.

[7］劉明，楊閩，吳忠明，廖劍．教育大模型智能體的開發、應用現狀與未來展望［J]．現代教育技術，2024，34（11）：5-14.

[8]戴嶺，胡姣，祝智庭.ChatGPT賦能教育數字化轉型的新方略［J]．開放教育研究，2023，29（04）：41-8.

[9]張龍，張翔，來炳恒，王賞玉，大模型驅動AI“千問千答”精準服務師生個性化需求［J]．通信學報，2024，45（S2）：277-284.

[10]LiuS，FengJ，YangZ，LuoY，WanQ，ShenX，SunJ.COMET：‘Cone of Experience’Enhanced LargeMultimodal Model for Mathematical Problem Generation[J].SCIENCE CHINA Information Sciences，2024，67（12）：220108.

[11］曹培杰，謝陽斌，武卉紫，楊媛媛，沈苑，左曉梅，黃寶忠.教育大模型的發展現狀、創新架構及應用展望[J].現代教育技術，2024，34（02）：5-12.

[12]關于開展信息技術支撐學生綜合素質評價試點工作的通知[EB/OL].（2022-11-15）.http：//www.moe.gov.cn/srcsite/A16/s3342/202211/t20221118_995825.

[13］余勝泉，熊莎莎.基于大模型增強的通用人工智能教師架構［J]．開放教育研究，2024，30（01）：33-43.

[14］張春紅，杜龍飛，朱新寧，趙慧，基于大語言模型的教育問答系統研究［J].北京郵電大學學報（社會科學版），2023，25（06）：79-88.

[15］劉邦奇，喻彥琨，王濤，袁婷婷，韓萌，人工智能教育大模型：體系架構與關鍵技術策略[J].開放教育研究，2024，30（05）：76-86.

[16］林小紅，鐘柏昌．人工智能教育大模型賦能綜合素質評價：理念、模型與展望［J].開放教育研究，2024，30 （06）：72-8.

[17］籍欣萌，昝紅英，崔婷婷，張坤麗．大模型在垂直領域應用的現狀與挑戰[J/OL]．計算機工程與應用：1-12.

[18]Kirk HR，Vidgen B，Hale RSA.The benefits，risksand bounds of personalizingthealignment of largelanguage models to individuals[J]．Nature MachineIntelligence，2024，6（4）：383-92.

[19]Zhao H，Chen H，YangF，LiuN，DengH，Cai H，WangS，Yin D，Du M.ExplainabilityforLargeLanguageModels：A Survey[J].ACM Trans IntellSystTechnol，2024，15（2）：Article 20.

[20]Bang，Yejinetal．AMultitask，Multilingual，Multimodal Evaluation of ChatGPT on Reasoning，Hallucination，and Interactivity[J].ArXivabs/2302.04023（2023）.

[21］苗逢春.生成式人工智能技術原理及其教育適用性考證[J].現代教育技術，2023，33（11）：5-18.

[22]仝鑫，夏天，楊孟輝，趙群，金波，大語言模型的事實性問題研究：評估、增強和展望[J/OL].情報理論與實踐：1-16.

[23]熊余，儲雯，蔡婷，於隆甲，田航，高校教育大數據應用支撐體系的設計與實踐[J].現代教育技術，2020，30（11）：91-97.

[24]楊宗凱，王俊，吳砥，陳旭.ChatGPT/生成式人工智能對教育的影響探析及應對策略[J].華東師范大學學報（教育科學版），2023，41（07）：26-35.

[25]王保華，熊余，姚玉，儲雯，呂翊.基于深度學習的學生教學評價情感分析［J]．電化教育研究，2021，42（04）：101-107.

[26]熊余，蔡婷，王盛松，姚玉，融入學生認知遷移的教學評價情感分析[J].現代遠距離教育，2024，（03）：68-76.

[27]熊余，張健，王盈，蔡婷．基于深度學習的演化知識追蹤模型[J].電化教育研究，2022，43（11）：23-30.

[28」熊余，任朝輝，吳超，蔡婷，秦新明，基于知識圖譜的可解釋學習路徑推薦［J].現代教育技術，2024，34（07）：131-41.

[29]ZhangJ，BaiY，LvX，GuW，LiuD，ZouM，CaoS，HouL，DongY，Feng L.Longcite：Enabling IIms togenerate fine-grained citations in long-context qa [J].arXivpreprintarXiv：240902897，2024.

[30]SunZ，WangX，TayY，YangY，ZhouD.Recitation-augmented languagemodels[J].arXivpreprintarXiv：221001296，2022.

[31]LiXL，Holtzman A，Fried D，LiangP，EisnerJ，Hashimoto T，ZettlemoyerL，Lewis M.Contrastivedecoding：Open-ended textgenerationas optimization[J].arXiv preprintarXiv：221015097，2022.

Abstract：Large models represented by DeepSeek are reshaping theeducational ecosystem．Their outstanding capabilitiesinhandlingmulti-scenario，multi-purposeand interdisciplinarytasksaredrivingtheintellgenttransformation ofknowledgeproduction methods，teaching models，and learning paradigms.Althougheducational large models have broughtunprecedentedopportunities toeducation，their practicalapplicationstillfaces numerouschallenges，including scenarioadaptation，datacollection，logicalreasoning，resourcegeneration，andvaluealignment.Thispaperprovidesa comprehensiveanalysisof thefunctionalcharacteristicsof2orepresentativeeducational largemodelsat homeand abroad，withafocusontheirvaluemanifestation，applicationscenariosandfoundationalarchitecture．Italsoexplores potentialconstructionmethodsofeducationallarge models.Theaimof this studyistooferinnovativeideas forthe developmentandappicationof educational largemodels，andtoprovidean implementation framework foreducational practitioners.

Keywords：EducationalLargeModel；Artificial InteligenceinEducation；GenerativeArtificialIntelligence mart Education

（責任編校：周文鼎）