微软×UIUC：给每个学生造一个「数字分身」，，，，，，，AI老师终于有了陪练

User simulator 在进入 AI agent 训练流程。。。。。。？？？？？？？头、电商、医疗问诊、网页操作等场景里，，，，，，，钻研者会机关模拟用户，，，，，，，让 agent 在上线前经历更多交互，，，，，，，测试战术、话术和鲁棒性。。。。。。 教育场景也必要这样的模拟用户，，，，，，，只是这里的「用户」，，，，，，，也就是「学生」，，，，，，，更难模拟：一个学生有相对不变的知识天堑、谬误习惯和进建轨迹；；；；；；；；学生模拟强调的是学生认知动态的保真，，，，，，，统一句领导，，，，，，，可能让一个学生更正谬误，，，，，，，也可能让另一个学生只学会套答案。。。。。。 这也是学生数字孪生受到关注的原因。。。。。。AI 老师要进建个性化领导，，，，，，，必要看到学生对讲授内容、讲授战术的反映。。。。。。真实学生反馈能够提供这些信号，，，，，，，而获取往往要通过学生参加人类测试，，，，，，，成本很高。。。。。。 直接让大模型表演学生，，，，，，，看起来是省事的规划。。。。。。若是通知它「你是一个基础幽微的幼学生」，，，，，，，模型能够立刻换成幼学生口气，，，，，，，也能阐发出犹豫和不确定。。。。。。 但角色语气和认知水平不是一回事。。。。。。一个模型能够用低龄学生的语气回覆「我不太懂」，，，，，，，下一句却给出微积分级此外推理。。。。。。它看起来在表演学生，，，，，，，现实反馈依然受模型自身知识储蓄影响。。。。。。 用于 AI 老师训练时，，，，，，，这种误差会带来问题。。。。。。AI 老师得到的不是某个学生在当前能力天堑下的反映，，，，，，，而是一个高能力模型经过人设包装后的反映。。。。。。 微软和 UIUC 近期的合作钻研 StudentSim，，，，，，，正是从这个问题启程。。。。。。教育学里评价一次领导是否有效，，，，，，，不仅只看学生独立作答时的阐发，，，，，，，也要看学生在接受援手后能走多远。。。。。。Vygotsky 提出的「最近发展区」会商的就是这件事：学生当前能独立实现什么，，，，，，，和在老师支持下可能实现什么，，，，，，，中央的差距反映了讲授能够染指的空间。。。。。。 放到学生模拟器上，，，，，，，这个思想对应两类能力。。。。。。第一，，，，，，，模拟器要能复现学生独立作答时的状态，，，，，，，蕴含能力天堑、谬误习惯和常见选择。。。。。。第二，，，，，，，模拟器要能在读到老师领导后产生相应变动，，，，，，，阐发出这个学生在援手下可能出现的认知状态的更新。。。。。。 StudentSim 把这两类能力别离界说为 behavioral fidelity 和 guidance responsiveness，，，，，，，并用真实学生纪录训练个性化学生模拟器。。。。。。这样得到的 AI 学生，，，，，，，不只输出一个「像学生」的回覆，，，，，，，还要能对讲授领导作出可测的响应。。。。。。 在真实讲堂里，，，，，，，老师不能只输出答案。。。。。。学生听完之后会不会更正谬误，，，，，，，会不会露出新的误区，，，，，，，会不会由于提醒太直接而跳过思虑，，，，，，，才是讲授是否有效的关键信号。。。。。。对于 AI 老师来说，，，，，，，这个反馈尤其昂贵。。。。。。每改一次讲授战术，，，，，，，都必要真实学生参加、期待他们实现进建，，，，，，，再用 human study 验证成效。。。。。。这个过程往往以周为单元，，，，，，，远慢于今天大模型和 AI 老师的迭代速度。。。。。。 这正是 StudentSim 想解决的问题：它是一个基于真实学生数据训练的个性化学生模拟器框架，，，，，，，指标是为每个学生训练一个对应的模拟器，，，，，，，让它既能复现该学生的谬误和能力天堑，，，，，，，又能在读到老师领导后产生合理更新。。。。。。 钻研团队同时提出 StudentSimEval，，，，，，，用统一和谈评估学生模拟器的两个主题能力：behavioral fidelity 和 guidance responsiveness。。。。。。前者衡量模拟器是否像指标学生，，，，，，，后者衡量它是否能在老师领导后向正确方向更新。。。。。。 一类是知识追踪和行为预测模型。。。。。。它们基于真实进建轨迹，，，，，，，通常后验纪录学生状态。。。。。。但这类步骤短缺天然说话领导输入通路。。。。。。唬；；；；；；痪浠八，，，，，，，它们能比力精确地追踪学生从前怎么做，，，，，，，却很难回覆「若是教员这样讲，，，，，，，学生会不会改」。。。。。。 另一类是 LLM 角色表演。。。。。。给大模型一段充足的学生画像，，，，，，，让它表演某个水平的学生，，，，，，，再让它读老师诠释并给出反映。。。。。。这类步骤能流畅处置天然说话领导，，，，，，，但问题在于认知水平不保真。。。。。。一个 LLM 能够用幼儿园语气措辞，，，，，，，却依然带着远超指标学生的知识和推理能力。。。。。。 框架选取两阶段训练。。。。。。第一阶段，，，，，，，将统一领域内多个学生的纪录汇总，，，，，，，训练一个 domain-level base simulator，，，，，，，让模型进建该领域中常见的谬误模式、回覆体式和领导后的建改蹊径。。。。。。第二阶段，，，，，，，再用单个学生自己的少量纪录进行 specialization，，，，，，，得到一位学生对应的一支模拟器。。。。。。 这种设计针对的是真实教育数据中的常见难题：单个学生的数据通常很稀少，，，，，，，但统一领域里分歧窗生之间又共享大量结构性法规。。。。。。StudentSim 先进建群体先验，，，，，，，再进建个别差距。。。。。。 在国际象棋中，，，，，，，模拟器必要预测某个玩家在棋盘地位上的下一步走法，，，，，，，并在读到天然说话锻练领导后更新走法。。。。。。在二语写作中，，，，，，，模拟器必要天生切合特定进建者谬误散布的英文作文，，，，，，，并凭据老师批改建议改写片段。。。。。。在数学中，，，，，，，模拟器必要预测学生会给出哪个解，，，，，，，并在读到老师领导后更正。。。。。。 这个了局也出现出两类基线的典型短板。。。。。。Maia2 能较好预测人类棋手的 move distribution，，，，，，，但没有天然说话领导输入通路，，，，，，，因而 responsiveness 较低。。。。。。GPT-5.4 能读懂领导并做出响应，，，，，，，但无法不变复现具体学生的能力、习惯和谬误，，，，，，，因而 fidelity 较低。。。。。。StudentSim 则同时提升了两项指标。。。。。。 钻研团队在国际象棋讲授场景中构建了一个训练老师模型的 RL proof of concept。。。。。。训练过程中，，，，，，，AI 老师凭据真实学生纪录中的谬误走法天生领导；；；；；；；；冻结的学生模拟器读到领导后输出建改走法；；；；；；；；嘉奖函数凭据建改走法相对原谬误走法的 Stockfish 质量提升来更新老师模型。。。。。。 对照组蕴含不做 RL 的 SFT 老师模型，，，，，，，以及使用 GPT-5.4 作为学生模拟器 reward 的 RL 老师模型。。。。。。三组共享统一个 tutor policy、统一个 SFT 起点和一样 GRPO 设置，，，，，，，区别只在 reward 起源。。。。。。 钻研团队强调，，，，，，，这并非是「最强 AI 老师」的申明，，，，，，，而是为了验证一个更基础的问题：一个同时具备 fidelity 和 responsiveness 的学生模拟器，，，，，，，是否能为 AI 老师优化提供有效的代理反馈。。。。。。了局批注，，，，，，，StudentSim 作为 reward 起源，，，，，，，比单纯 prompt frontier LLM 更有效，，，，，，，也更适合本地部署和定造。。。。。。 对 AI 教育系统来说，，，，，，，这意味着一个新的训练关环：真实学生数据不只用于评估 AI 老师，，，，，，，也能够用于训练可复用的学生模拟器；；；；；；；；这些模拟器再为 AI 老师的战术优化提供高通量反馈。。。。。。 杨可，，，，，，，UIUC 推算机第四年在读博士，，，，，，，导师为翟成祥教授，，，，，，，本科毕业于清华大学。。。。。。钻研方向为 AI agents、说话模型、信息检索与多模态基础模型，，，，，，，同时关注 AI 系统中的私见与歧视问题。。。。。。曾在 Amazon AWS、Microsoft Research Deep Learning Group、Google 实习。。。。。。幼我主页：https://empathyang.github.io