Eduardo教学模型

ETH Zurich团队发布Eduardo训练法，旨在解决大语言模型“善于答题、拙于教学”的困境。该研究提出一种基于多轮强化学习的配方，通过引入“掩码近迁移后测”和二元奖励门控，强制模型在隐藏自身提示的情况下评估学生独立解题能力，从而抑制直接给出答案的行为。

【背景】传统LLM因预训练语料偏向问答格式及RLHF对即时有用性的奖励，往往沦为“作业代写器”。Eduardo方法使27B参数模型在MathTutorBench上匹配Gemini-3.1-Pro，在TutorMoments上匹配Claude Opus 4.8，但推理时思考token减少2.4至6.2倍，显著降低交互成本。

目前开源社区已发布其训练环境、8,671题数据集及4B/9B/14B/27B模型权重。与此同时，北京大学等机构推出的OmniEdu系列也在探索教育专用基础模型，两者代表了从“通用模型微调”到“教育原生架构”的不同路径。争议在于：仅靠奖励机制能否真正习得“支架式撤除”等长周期教学策略？实验显示，若未显式命名，模型虽增加了“要求证明”的教学动作，但“支持渐退”行为被训练消除，表明当前方法仍受限于单轮对话收益最大化。