AI 教育

StudentBench基于2383名参与者和超过17.5万条学生与AI对话，比较了AI辅导、专家教师辅导与无辅导的GRE学习效果。结果显示，AI辅导整体上与专家教师相当，部分领域甚至表现更好。

OmniEdu 发布了一组面向 K-12 学习与教学的开放基础模型，试图同时覆盖学科解题、课程理解、学习诊断和教学辅导。研究显示，围绕教育能力组织训练数据，能够在多类教育基准上带来稳定收益。

PyTorch 社区推出 TinyTorch，带学习者用纯 Python 从零实现一个简化版机器学习框架，覆盖张量、自动微分、优化器直至 Transformer。它不追求替代 PyTorch，而是为理解框架内部机制提供一条可实践的入门路径。

微软与美国教师联合会及其纽约分会达成一项可纳入学校合同的 AI 安全与隐私协议。协议强调不得用学生数据训练模型、禁止 AI 陪伴产品，并要求高风险决策保留人工审核。

微软研究院提出 StudentSim，用少量个体数据训练能模仿真实学习者、也能响应教师指导的学生模拟器。该方法在国际象棋、英语写作和数学三个领域的评测中均优于 GPT-5.4。

哈佛商学院的HBS Foundry创业训练营将HeyGen制作的导师AI分身纳入教学，让学员在练习路演和模拟董事会会议时获得即时反馈。这个案例显示，教育场景中的AI分身正从聊天工具转向更具引导性的互动教练。

Google在搜索和Gemini中集中推出互动可视化、模拟实验、定制测验和学习资料整理等功能，进一步争夺学生的日常学习场景。新工具覆盖从理解概念到复习、研究和答疑的多个环节。

一场商学院期末考试因 AI 检测结果引发纪律处分，最终演变成针对耶鲁的 13 项联邦诉讼。案件凸显了高校在治理生成式 AI 时对检测工具、程序正义和证据标准的多重挑战。

美国多地图书馆的“避开 AI”工作坊意外爆满。它反映的不是简单的反技术情绪，而是普通用户对 AI 被默认塞进设备、搜索和办公软件后的控制权焦虑。

一篇 arXiv 论文提出 Earthquaker-AI，将 Lego WeDo2 机器人模拟、RAG 对话助手与分级量规评价结合，用于小学阶段的地震避险教育。

一篇 arXiv 论文提出了面向职业再培训的 AI 加速端到端框架，覆盖知识获取、课程开发、审核、教学与测评五个环节。其亮点不在单点工具，而在把内容生产效率与学习效率放进同一套流程中考量。

一项 LREC 2026 论文研究了大语言模型在巴斯克语、西班牙语和英语教育场景中生成高阶问题的能力。研究发现，模型能较稳定地产生可回答问题，但教师认可为高阶问题的比例仍有限。