会解题，不等于会教人解题。北京时间8月8日凌晨，Allen人工智能研究所（Ai2）推出TutorMoments预览版，把七个大模型放进真实数学辅导的关键节点：学生卡住时，AI究竟该给提示，还是该少说一句、让学生再想一步？基于462段真实一对一辅导记录的测试显示，大模型默认的“乐于助人”倾向，恰恰可能成为AI家教的教学盲区。

这套评测不问答案对不对，而问帮助是否来得合适

传统AI辅导评测往往奖励固定行为，例如始终不给最终答案，或每次都先给一个提示。但真实教学没有一条永远正确的动作规则。学生完全无从下手时，需要把任务拆小；学生已经形成思路时，继续提示反而会夺走必要的认知努力。TutorMoments把这种取舍定义为“支架”和“严谨度”之间的判断，而不是又做一套解题准确率榜单。

研究数据来自以美国Title I学校学生为主的高强度辅导项目，记录经过两轮去标识化处理。27名教师阅读对话，标记导师必须做出选择的时刻，并写下学生状态、导师动作及其效果。完整标注包含超过1500个关键节点和数千条文字说明；公开的可运行评测集从中冻结520个样本，支架与提高要求各260个，便于不同模型在相同条件下复测。

把真实对话暂停，再让模型接手五轮

评测会在教师标出的关键时刻暂停原对话，把此前上下文交给待测模型，让它接管导师角色五轮；另一模型扮演学生，并使用预先冻结的学生特征。随后，评分流程判断AI是否在需要时提供恰当支架、是否在学生准备好时推动更深思考，以及是否出现过度支架——例如过早拆完步骤、把难点直接讲透。

“正确动作”来自多名教师的多数标签，不由模型自行定义。研究者为七个模型分别设置两种提示：一种只要求“好好辅导”，另一种明确解释支架、提高要求与过度帮助之间的取舍。后者让每个受测模型的得分都提高，说明不少教学能力并非完全缺失，而是没有被普通助手式提示稳定调动出来。

但最清楚的共同倾向仍是帮得太多。普通提示下，模型更愿意解释、拆步和给线索，却较少要求学生说明理由、检验答案或独立完成下一步。增强提示能让AI更常推动严谨思考，但策略种类仍比真人导师单一，经常反复使用“解释你的答案”；真人则更可能暂时退后，让学生自行工作。

分数看似能超过真人，却不能写成AI更会教

同一评分流程下，原对话中的真人导师在恰当支架、恰当提高要求和避免过度支架三项的参考值分别为0.458、0.182和0.496；部分模型在增强提示下高于这些数字。然而这不是“AI击败教师”。标注者本来就在寻找可以改进的教学节点，样本因此集中包含真人导师的错失机会，而不是随机抽取的完整课堂，更不是最佳教师表现的上限。

更重要的是，TutorMoments测量的是模型在决策点采取了什么动作，并不测量真实学生是否学得更好。学生由模型模拟，评分也含模型分类器；研究团队承认，对“推动严谨思考”的识别比支架判断更不稳定。数据还局限于美国小学和初中数学、单一教师标注群体与纯文本对话，无法直接外推到高中、语言学习、特殊教育或多模态课堂。

开放数据让AI家教从“会回答”转向“会克制”

Ai2已开放去标识化数据、评测代码、冻结样本和模型续写记录，并在运行配置中记录数据版本、内容哈希、提示哈希与模型参数。开发团队可以用同一批关键时刻复测自有模型，也能比较不同系统提示、学生模拟器和评分器带来的变化。这种可重复性比单次演示更有价值，因为AI家教最危险的失败未必是答错，而是以流畅、耐心的方式替学生完成了本该发生的思考。

ATYUN认为，TutorMoments真正改变的是评测问题：从“模型能否给出正确解法”，推进到“模型能否判断此刻该不该给”。它仍只是预览版，距离真实学习增益、长期依赖和公平性验证还有明显距离；但对教育产品团队而言，下一步不应只扩充题库和答案准确率，还要把少帮一步、追问理由和等待学生纳入产品指标。一个总能立刻回答的助手，未必是一个合格的老师。