AI 教師已經可以完成不少單次教學任務。
一道數學題，它能拆解步驟；一篇英文作文，它能指出語法問題；一盤棋，它也能講出下一步思路。在許多情境中，模型的輸出已足夠像一位耐心的助教。
但教學效果不能只看教師端。學生聽完之後有沒有改正錯誤，是否只是照著提示走，同一句講解對不同學生是否產生不同效果，這些都發生在學生端。
AI 教師如果要學習個性化指導，也需要反覆觀察學生反應。
在現實中，這些反應主要來自 human study。每次調整教學策略，都要組織學生參與，收集交互，再由人工評估。
AI 模型可以快速更新，但教育反饋的獲取速度受 human study 實驗週期限制。
AI 家教需要學生反饋來改進教學，但真實反饋的收集成本較高。StudentSim 希望將真實學生記錄轉化為訓練階段可反覆調用的代理反饋。
近期研究 StudentSim，從這個矛盾出發。
研究團隊希望提升 AI 教師，使其理解學生的優勢與劣勢，並根據不同學生提供合適的指導。在推進過程中，團隊將問題聚焦於學生模擬器：能否利用真實學生數據訓練出可評估、可重複使用的 AI 學生，讓 AI 教師在訓練階段獲得更多反饋？
論文連結：https://arxiv.org/abs/2609.01591
代碼連結：https://github.com/microsoft/StudentSim
Huggingface 論文主頁：https://huggingface.co/papers/2609.01591
在今天的 AI agent 研究中，這件事並非孤立存在。User simulator 正成為熱門的研究方向，應用於客服、電商、醫療問診、網頁操作等場景。研究者會構建模擬用戶，讓 agent 在上線前經歷更多互動，測試策略、話術和魯棒性。
教育場景中的用戶模擬更為複雜。學生具有相對穩定的知識邊界、錯誤習慣和學習軌跡。同一道題目，有人會算錯符號，有人會誤解概念，有人聽完提示後能自行推導出答案，有人則需要更直接的指導。
近年來被討論的人類學生數位孿生，也正是圍繞此類需求展開。
建模學生並不是新題目
從1995年的貝葉斯知識追蹤，到深度知識追蹤，再到注意力知識追蹤，這一方向已由前人探索近30年，在擬合學生行為方面相當成熟。
它們的共同缺口在於，模型僅接受題目、狀態、能力值等結構化輸入，沒有接收自然語言指導的入口。無論教師說了什麼，這類模型無法互動並像學生一樣改變表現。
如果直接讓大模型扮演學生，看起來很方便。給它寫一句「你是一個數學基礎薄弱的小學生」，模型可以立刻換成低齡學生口吻，也能表現出猶豫和不確定。
但角色的語氣和認知水平並不一致。
一個模型可以用小學生的口吻回答「我不太懂」，下一句卻提供微積分等級的推理。它看起來在扮演學生，實際回饋仍受模型自身知識儲備影響，可能遠遠高於它被限制擁有的知識水平。
在 AI 教師訓練時，這種認知水平偏差會帶來問題。導師獲得的並非某位學生在當前能力邊界下的反應，而是一個經過角色設定包裝的高能力模型的反應。
也正因如此，僅靠一段能力描述作為條件，對大模型而言，是一條非常脆弱的條件通道。這條路徑近兩年被廣泛應用於教育場景，對話輔導語料、多智能體課堂、學習者數據生成都在使用；與此同時，一批專門檢驗其效度的研究也陸續出現，從架構、保真度基準、教師使用體驗三個角度提出質疑。
在教育學中，評估一次指導是否有效，通常不能只看學生獨立作答時的表現，也要看學生在接受幫助後能走多遠。
維果茨基提出的最近發展區（zone of proximal development）討論的就是這件事：學生目前能獨立完成什麼，與在教師支持下能夠完成什麼之間的差距，反映了教學可以介入的空間。
這個想法後來被動態評估（dynamic assessment）落實為可操作的測量程序：不僅記錄學生答對與否，還要在提供提示後觀察其表現的變化。
放在學生模擬器上，這個思想對應兩類能力。
第一，模擬器需能還原學生獨立作答時的狀態，包括能力邊界、錯誤習慣和常見選擇。第二，模擬器需能在讀取教師指導後產生相應變化，展現該學生在協助下可能出現的更新。
StudentSim
StudentSim 將這兩類能力分別定義為 behavioral fidelity 和 guidance responsiveness，並據此訓練和評估個性化學生模擬器。
學生模擬器需要同時回答兩個問題：獨立作答時是否像目標學生，接受教師指導後是否產生相應變化。
訓練流程分為兩步。
第一步彙總該領域內多名學生的記錄，以訓練通用的學生行為模型。此階段學習共同錯誤、回答格式以及指導後的修正路徑。
第二步使用單個學生自己的記錄繼續訓練，以獲得個性化模擬器。單名學生的記錄較少，直接訓練容易過擬合；先學習群體規律，再適配個人數據，可更穩定地為每位學生取得對應的模擬器。
訓練流程
研究團隊同時構建了 StudentSimEval。評估涵蓋來自國際象棋、第二語言英語寫作和基礎數學三個場景的 60 位真實學生。
在國際象棋中，模擬器需預測玩家在棋局中的走法，並在教練指導後調整走位；在二語寫作中，模擬器需生成符合學習者錯誤模式的作文，並根據教師批改修改段落；在數學中，模擬器需預測學生的答案，並在講解後進行修正。
這些任務表面差異很大，但評估目標保持一致：先看模擬器是否像學生本人，再看它能否回應指導。所有方法使用同一份學生記錄，在相同的 held-out 測試記錄上進行比較。
在國際象棋結果中，StudentSim 的 F 為 0.5150，R 為 0.9067；GPT-5.4 分別為 0.2316 和 0.7186；Maia2 分別為 0.4535 和 0.2721。在二語寫作和數學實驗中，StudentSim 在這兩個指標上也超過了對應的基線。
國際象棋評測中的二維結果。GPT-5.4 的響應指導較好，但行為保真度較低；Maia2 更貼近棋手的走法，但缺乏自然語言指導入口；StudentSim 則在兩項指標上均處於較高水平。
這組結果呈現出清晰的分工。GPT-5.4 能閱讀指導，但在模擬具體學生時保真度不足。Maia2 更貼近人類棋手的走法，卻無法吸收自然語言教練的提示。StudentSim 透過真實學習記錄進行訓練，並為每位學生進行適配，在個體行為與指導響應兩方面均獲得提升。
但學生模擬器本身並非目的，最終目標是其功能需能落地至現實世界，並用於改進教師模型。
以往訓練 AI 家教時，獎勵信號部分來自專家標註的優質輔導對話，另一部分則來自使用評分量表的通用大模型裁判。也有研究嘗試將獎勵連接到模擬學生上，但所採用的都是認知水平不真實的角色扮演 LLM 學生，而非在真實學習者數據上訓練的模擬器。StudentSim 在這一點上提出了不同的做法。
論文進一步將 StudentSim 融入 AI 家教的強化學習流程。
實驗場景為國際象棋。系統先取出真實學生曾犯的錯誤走法，AI 教練生成指導，StudentSim 閱讀指導後提供修正走法。
Stockfish 用於計算修正走法相對於原錯誤走法的品質變化，此分數會回傳給 tutor 作為 RL 信號。對照組包括無 RL 的 tutor，以及使用 GPT-5.4 作為學生模擬器獎勵的 tutor。
Tutor 生成指導，凍結的 AI 學生模擬器提供修正答案，系統根據修正前後的品質變化更新 Tutor。
三組 tutor 使用相同的基礎模型、SFT 起點和 GRPO 設定，獎勵來源不同。
國際象棋評估者進行盲評後，StudentSim reward 訓練出的 tutor 在準確性、指導品質和個性化評分上均排在第 1 名。
專家在亂序呈現的條件下盲評三個維度：準確性評估「無誤導性事實錯誤」的回答比例，指導質量與個性化各為1至5分。經StudentSim reward訓練的導師在三個維度上均排名第一。
更值得注意的是反向實驗的結果：使用 GPT-5.4 作為學生模擬器訓練出的導師，其準確性不僅低於 StudentSim，甚至低於完全未進行 RL 的基線，主要問題在於其嚴重事實錯誤率明顯更高。模擬器若缺乏真實性，會將教師引向錯誤方向：一個認知水平不符合真實學生、但理解能力極強的模擬器，即使面對再荒謬的指導也能自行推導出某種答案，並對錯誤指導給予隨機獎勵，導致 RL 向混亂（甚至錯誤）的方向優化。
StudentSim 沒有取代教育研究中的真實學生實驗。它將真實學生記錄轉化為訓練階段可重複調用的模擬回饋，讓 AI 家教在進入人體研究前完成更多輪篩選和優化。
對於需要個性化反饋的 AI 教師系統，此類學生模擬器延續了近期熱門的用戶模擬器的思想脈絡（所有人皆可模擬，構建人類的數位孿生），提供了一條顛覆性的工程路徑：
學習學生如何出錯，學習學生如何在指導下改變，為教師模型的強化學習提供機器學習時間尺度的回饋訊號。
參考資料：https://arxiv.org/abs/2609.01591
本文來自微信公眾號「新智元」，作者：新智元；編輯：LRST