AI2 发布 TutorMoments 评测：LLM 家教普遍过度代劳
Allen AI（Ai2）发布 TutorMoments-Preview 评测基准，用于检验 LLM 辅导老师是引导学生自己解题，还是替学生做太多。数据显示各前沿模型在「何时该帮、何时该逼」上普遍存在过度代劳问题，且详细的教学指令提示能显著提升表现。
已确认
- 数据来源为真实数学辅导课，由经验丰富的教师标注出 520 个关键时刻，其中一半需要「搭脚手架」（降低难度），一半需要「推一把」（要求学生多自己动手）
- 测试以模型「过度代劳」比例衡量（越低越好）：Claude Sonnet 5.5 为 33%，GPT-6 Astra 35%，GPT-6 Sol（无推理）43%，Claude Opus 5.5 有一定比例（帖子截断未完整给出），GPT-5.5 高达 83%
- 分场景看：Claude Sonnet 5.5（低 effort）在教师建议让学生自己解题的场景表现最好；在明确教学指令下，GPT-6 系列过度代劳最少
- 参与评测的模型包括 GPT-6 Astra、Claude Opus 5.5 等前沿模型
- 人类教师在同一评测中仅得 0.458 分，说明该任务对人类同样不易
- 详细的教学提示可显著提升模型表现
为什么重要
- AI 家教产品正快速普及，「替学生做题」与「引导学生思考」的分寸直接决定教育价值，过度代劳会损害学习效果
- TutorMoments 提供了首个基于真实课堂关键时刻的量化评测维度，为模型开发与产品打磨提供了可参照的基准
- 人类仅 0.458 的得分也提示，「何时帮、何时逼」本身是教育中的难题，不能简单归咎于模型能力
2026-10-13 ~ 2026-10-13 · 5 条相关
一手来源
- Allen AI 发布 TutorMoments 评测：LLM 辅导常过度代劳 — allen_ai ·
- TutorMoments 榜单:GPT-5.5 过度代劳高达 83%,Claude Sonnet 5.5 仅 33% — allen_ai ·
- AI2 发布 TutorMoments:520 个真实教学节点测评 AI 家教,人类仅得 0.458 — allen_ai ·
- 【源头】Allen AI 发布 TutorMoments 评测：LLM 辅导常过度代劳 — allen_ai · 2026-10-13
- AI2 构建 TutorMoments 评测:教师标注辅导时刻,考模型是否过度代劳 — allen_ai · 2026-10-13
- 【源头】TutorMoments 榜单:GPT-5.5 过度代劳高达 83%,Claude Sonnet 5.5 仅 33% — allen_ai · 2026-10-13
- AI2 教学评测:GPT-6 系列过度代劳最少,详细提示显著提升表现 — allen_ai · 2026-10-13
- 【源头】AI2 发布 TutorMoments:520 个真实教学节点测评 AI 家教,人类仅得 0.458 — allen_ai · 2026-10-13