在教育场景中，”何时该帮学生一把、何时该让他们自己攻克难题”——这道看似简单的选择题，恰恰是最考验教师功力的地方。当主角从人类教师换成AI家教模型时，答案却变得一边倒：模型几乎总是选择”帮”。
艾伦AI研究所（Allen Institute for AI）于2026年8月7日发布了一项最新研究，推出名为TutorMoments的评测框架，系统性地评估当前顶级大语言模型在家教过程中”何时介入、何时退让”的判断能力。结果显示，主流模型在平衡辅助与自主推理这一最基本的教育原则上，与人类教师的差距仍然显著。
从真实课堂中提炼评测标准
TutorMoments的核心理念是：用真实数据说话。研究团队收集了462段去标识化的一对一数学辅导对话记录，涵盖美国2-7年级学生，所有数据来自一项面向Title I学校（低收入学区）的高频辅导项目，经家长知情同意并经过数学专家脱敏处理。
专业人类教师对这462段对话进行了逐段标注，标记出每个关键学习时刻：当时发生了什么、教师做了什么选择、效果如何。每段记录都对应一个真实的”决策点”——辅导教师需要在这一刻决定，是把题目拆解成更简单的步骤帮学生起步，还是推学生一把，让他们自己做更多推理。
TutorMoments随后将对话截取到决策点前，把后续”学生说了什么”的控制权交给另一个语言模型扮演，然后让被评测的AI模型接管”教师”角色，在模拟环境中独立作出决策。通过这种方式，研究者可以清晰观察：模型在同样的情境下，会选择帮助还是退让？
发现一：模型几乎总是”过度辅助”
在没有任何额外提示、只被要求”好好辅导”的情况下，研究团队发现当前主流大语言模型呈现出明显的一致性倾向：给学生的支持往往超出必要，直接解释概念、给出解题步骤、引导得出答案，而不是先让学生自己思考。
这与”好的家教”应当鼓励的”生产性挣扎”（productive struggle）理念相悖——学习科学研究早已证明，花时间自行攻克难题虽然令人沮丧，却是建立深层理解的关键。模型在训练中被优化为”有帮助”（helpful），这个目标在家教场景中产生了异化：有用变成了”替学生做题”。
研究团队将这一现象称为“过度辅助”（over-helping），并指出这是当前AI家教系统的普遍问题，而非某一家特定模型的缺陷。
发现二：明确提示后改善，但仍不达标
针对”过度辅助”问题，研究团队在提示词中明确写入了”何时该帮、何时该退”的权衡描述，相当于给模型提供了一张教育学的”决策指南”。结果显示，模型在这类提示下的表现有所改善——更愿意在适当时机”推学生一把”，减少不必要的直接介入。
但即便如此，模型的决策质量仍与人类教师存在明显差距。人类辅导教师在类似决策点的表现始终更贴合学生实际需求——他们能根据学生当下一刻的状态灵活调整介入程度，而模型的行为则相对僵化，不同模型之间的表现差异也较大。
这说明”知道应该做什么”和”能可靠地做到”之间仍有相当距离。仅靠提示词工程无法从根本上弥补这一缺口。
研究意义：开源推动可复现
艾伦AI研究所以”开放研究”为原则，同步公开了三项核心资源：
- TutorMoments-Preview数据集：462段去标识化辅导对话，1500余个人类教师标注的关键决策时刻，涵盖27000余条自由文本注释
- 代码仓库：完整的Replay评测流程，供研究社区复现和扩展
- 模型决策记录：关键评测节点上各模型作为AI教师的完整回放
研究团队表示，希望TutorMoments能成为评估AI家教能力的一个更精准的基准——不是简单地奖励”永远不给答案”或”总是给提示”这类单一行为，而是考察模型是否真正理解学生在特定时刻需要什么。
小结
TutorMoments揭示了一个当前AI家教系统的核心矛盾：训练目标（helpful）与教育目标（引导学生自主思考）之间的错位。模型可以学会”给答案”，但很难学会”何时不给”。
随着AI进入教育场景的速度加快，这种能力边界的厘清显得尤为重要。艾伦AI研究所的开源评测框架为行业提供了一个可量化的参照——让研究者和开发者能问出更精准的问题，而不是笼统地评价AI”是否是个好老师”。