導(dǎo)讀 蘇喻博士，高級工程師，合肥人工智能研究院副研究員，原科大訊飛AI 教育研究院副院長，中國科學(xué)技術(shù)大學(xué)博士后，安徽省青少年信息學(xué)教育專委會秘書長，CCF 大專委-通訊委員，合肥市 D 類人才。蘇喻博士一直在智慧教育方向深耕，聚焦于青少年編程。面對數(shù)據(jù)稀疏和學(xué)習(xí)效果延時性問題，蘇喻博士團隊在教育領(lǐng)域大模型的研發(fā)中，技術(shù)上有如下三個方面的亮點：1）通過對偶數(shù)據(jù)的模型訓(xùn)練與評估和歷史經(jīng)驗注入實現(xiàn)青少年編程垂類大語言模型；2）基于分層知識圖譜和推理 prompt 生成實現(xiàn)基于小知識的大模型學(xué)習(xí)；3）融合知識追蹤模型和大模型仿真的強化認知推薦。產(chǎn)品應(yīng)用上，蘇喻博士團隊開發(fā)了青蛙編程平臺、AI 編程學(xué)習(xí)機以及數(shù)字人 AI 錄播課平臺等。

本次的分享會圍繞下面五方面展開：

1. 智慧教育背景及挑戰(zhàn)

2. 教育領(lǐng)域大模型

3. 產(chǎn)品案例

4. 思考與展望

5. 問答環(huán)節(jié)

分享嘉賓｜蘇喻博士 合肥人工智能研究院 副研究員

編輯整理｜王帥 金山云

內(nèi)容校對｜李瑤

出品社區(qū)｜DataFun

01

背景及挑戰(zhàn)

1. 背景

蘇喻博士，2011 年 7 月至 2022 年 2 月就職于科大訊飛研究院，歷任科大訊飛 AI 教育研究院副院長，AI 研究院認知群教育條線負責(zé)人，學(xué)習(xí)機業(yè)務(wù)線教研總監(jiān)，重點負責(zé)教育領(lǐng)域個性化學(xué)習(xí)業(yè)務(wù)，包括個性化學(xué)習(xí)相關(guān)模型研究，產(chǎn)品設(shè)計，服務(wù)研發(fā)等，其研發(fā)的多項成果已經(jīng)成功應(yīng)用到訊飛智學(xué)網(wǎng)、訊飛智能學(xué)習(xí)機等相關(guān)產(chǎn)品中，于 2018 年獲得訊飛首屆華夏創(chuàng)新獎，獲 2020 年吳文俊人工智能科學(xué)技術(shù)獎科技進步一等獎。先后參與多項安徽省、部級等層面的重大項目科研工作，如國家自然科學(xué)基金重點項目、科技部重大專項等。其間獲得多項發(fā)明專利，并在 AAAI、KDD、IJCAI 等國際知名學(xué)術(shù)會議與期刊發(fā)表文章近 30 篇，其中 CCF 推薦會議論文 A 類文章 7 篇，中文核心期刊論文 5 篇，SCI 檢索英文期刊論文 10 篇。

（1）個性化學(xué)習(xí)

幾千年前，孔子提出因材施教的觀點，但受限于校內(nèi)大班教學(xué)現(xiàn)狀，傳統(tǒng)教學(xué)方案無法滿足學(xué)生的個性化需求。

目前市場上的個性化教育產(chǎn)品呈現(xiàn)井噴的態(tài)勢，如科大訊飛的學(xué)習(xí)機、騰訊課堂、松鼠 AI（原易學(xué)）等，通過信息化及人工智能方法對學(xué)生能力進行診斷，并給出推薦。

（2）科大訊飛產(chǎn)品

科大訊飛學(xué)習(xí)機，自 2019 年開始發(fā)力至今成為頭部，主要提供給學(xué)生自主性、個性化的學(xué)習(xí)方案，節(jié)省學(xué)生時間，提高學(xué)生的學(xué)習(xí)興趣。平臺和教師通過學(xué)生在平板上的學(xué)習(xí)，分析學(xué)生的做題情況和能力水平，提供給學(xué)生一個個性化的知識圖譜，學(xué)生可依據(jù)該圖譜對薄弱知識點進行自主強化學(xué)習(xí)。同時，學(xué)習(xí)進展可視化，使學(xué)生可以了解每天的進步情況，提升學(xué)習(xí)興趣。

百度、作業(yè)幫等工具，針對考試錯題，通過拍搜即可得到正確答案，這樣容易導(dǎo)致學(xué)生抄答案不再深入思考。而科大訊飛的個性化學(xué)習(xí)手冊是基于考試情況和錯題，給每個學(xué)生推薦個性化的題目（無答案），同學(xué)間無法互相抄。此外，科大訊飛的產(chǎn)品對于試題有較好的表征，同時錯題推薦更具科學(xué)性。

①試題表征

多模態(tài)資源理解，將包括文本、立體幾何圖像、音頻等在內(nèi)的試題獨立編碼到各自多模態(tài)的空間中。然后進行多模態(tài)的語義對齊、self attention、Multi task 等工作。一道題的知識點、考點、難度作為其標簽，這些信息全部映射為空間中的一個向量。傳統(tǒng)試題打標簽需要人工完成，一方面人工費高，另一方面主觀性強，一致率低。通過機器打標簽可以提高準確率。

②錯題推薦

根據(jù)學(xué)生做的一道錯題，通過一些相關(guān)的內(nèi)容和語義推薦類似的題目，一方面在雙減的情況下，學(xué)生更容易掌握錯題相關(guān)的知識點；另一方面，教師可以針對上課中學(xué)生做錯的例題，搜集到相似題目作為學(xué)生的課堂作業(yè)，提升備課效率。

③錯題難度-最近發(fā)展區(qū)理論

基于教育心理學(xué)中的最近發(fā)展區(qū)理論，推薦簡單的內(nèi)容，學(xué)生覺得無趣、浪費時間；推薦太難的內(nèi)容，會使學(xué)生喪失信心。因此推薦題目的難度非常關(guān)鍵，應(yīng)是稍高于學(xué)生當(dāng)前水平，可通過一定時間學(xué)習(xí)達到目標，感受到成就感，這樣才可以提升其學(xué)習(xí)興趣。

④實現(xiàn)方法-同分異構(gòu)學(xué)生錯題

實現(xiàn)的方法是收集所有學(xué)生的答題記錄（百萬級別，當(dāng)前到億級），放于教育認證診斷模型中，將學(xué)生的信息映射到一個空間里，通過尋找目標學(xué)生的同分異構(gòu)學(xué)生（水平類似，知識結(jié)構(gòu)有較小的差距），將同分異構(gòu)學(xué)生的錯題推薦給目標學(xué)生。這是基于假定——該類錯題對于目標學(xué)生更容易學(xué)會。

⑤解釋性及可視化-知識圖譜

針對 C 端場景對于解釋性的需求，通過大量的學(xué)生數(shù)據(jù)，基于多模態(tài)的編碼，將學(xué)生的能力映射到一個知識圖譜上，為學(xué)生提供個性化的學(xué)習(xí)路徑，提升其學(xué)習(xí)效率和學(xué)習(xí)積極性。

• 圖譜的每一個節(jié)點代表知識點或知識點的組合
• 邊表征了知識點的前后繼承關(guān)系
• 顏色代表學(xué)習(xí)程度，如綠色代表學(xué)得好，紅色代表學(xué)得差，黃色代表學(xué)得一般。

學(xué)生基于該圖譜，可進行一系列操作，如針對紅色的知識點，點擊后會出現(xiàn)一條設(shè)計好的學(xué)習(xí)路徑。

（3）青少年編程

素質(zhì)教育-編程領(lǐng)域，學(xué)生對個性化學(xué)習(xí)的需求更多，難度更大。除了中小學(xué)生外，高校學(xué)生在上編程實驗課時，也會遇到各種問題，老師也會遇到無法針對每個學(xué)生的問題一一解答的困境。青少年編程課程，無論是公立校還是教培，即使小班也會是 1 對 6，每個學(xué)生在每分鐘都會有其個性化的問題（如調(diào)不通）等待老師回答。公立校中，老師會嘗試性將大部分同學(xué)搞不定的問題的標準答案放于屏幕上，私立校會基于學(xué)費和學(xué)時，重點支持解決問題，但仍難以滿足個性化學(xué)習(xí)的需求。

①OJ 試題

此外，編程教育中會采用 OJ 試題，與傳統(tǒng)教育試題不同，會對題目有要求，OJ 試題的題面要求包含題目描述，規(guī)定了輸入輸出規(guī)范。一個 OJ 試題包含多組用例，一個代碼用例由一個輸入和一個輸出組成，測試學(xué)生所寫的代碼是否符合預(yù)期。

②個性化編程平臺

個性化編程平臺包含代碼修復(fù)、代碼提示、輔學(xué)指引三部分。

• 代碼修復(fù)

學(xué)生寫完代碼后，基于大模型的認知診斷，對代碼進行修復(fù)，根據(jù)學(xué)生當(dāng)前的水平，給出代碼提示和步驟。

• 代碼提示

基于研發(fā)的底層編譯器，為用戶提供了中文 debug 界面，此外還會針對學(xué)生的基礎(chǔ)語法等彈出相應(yīng)的知識卡片。這樣可以解決用戶 80% 到 90% 的個性化問題。

• 輔學(xué)指引

基于上述代碼提示，教師只需解決 10% 的共性難點問題，有助于將編程學(xué)習(xí)順暢地進行下去，提升學(xué)生的編程積極性。

2. 挑戰(zhàn)

（1）數(shù)據(jù)稀疏

當(dāng)前大數(shù)據(jù)的量很大，但數(shù)據(jù)稀疏。如平臺雖然存在海量的學(xué)生編程數(shù)據(jù)、答題數(shù)據(jù)，但對于某一個學(xué)生的記錄是有限的。如何根據(jù)學(xué)生在平臺做的幾道編程題，對其進行很好的診斷，是一大挑戰(zhàn)。同樣，數(shù)據(jù)稀疏的挑戰(zhàn)也存在于其他領(lǐng)域，如醫(yī)療大模型，企業(yè)可獲得很多病人的案例，但平臺上某一個人的病例，可能只有一兩例。

（2）學(xué)習(xí)延時性

針對學(xué)生的推薦，是否使其學(xué)習(xí)能力提升，能否通過編程等級考試，是無法即刻體現(xiàn)的。學(xué)習(xí)型的問題，其推薦的收益不易監(jiān)控，學(xué)習(xí)效果會延后體現(xiàn)（可能很多天，甚至半年）。

純 C 端的廣告推薦，相對更容易體現(xiàn)效果，推薦內(nèi)容后，是否點擊、購買等都可以通過打點獲取到效果信息。

02

教育領(lǐng)域大模型

應(yīng)用大語言模型去輔助青少年編程，一方面依賴大語言模型的 NLG（Natural Language Generation）能力，可對提示做出連貫且符合上下文的文本回應(yīng)，另一方面憑借大模型的 Zero-shot 或 Few-shot 的學(xué)習(xí)能力，可以幫助理解新任務(wù)，并在最小提示和樣本下達到有利結(jié)果。此外，大語言模型也展現(xiàn)了強大的跨領(lǐng)域泛化能力。

針對數(shù)據(jù)稀疏或者個人真實數(shù)據(jù)較少的現(xiàn)狀，如何實現(xiàn) Zero-shot 能力？是否可以基于其他領(lǐng)域的知識，通過大模型實現(xiàn)泛化學(xué)習(xí)？團隊就此開展了以下幾個工作：一是青少年編程垂類大語言模型，二是基于小知識的大模型學(xué)習(xí)，三是基于大模型的仿真強化認知推薦。

垂類大語言模型和小知識大模型主要解決數(shù)據(jù)稀疏性的挑戰(zhàn)，基于大模型的仿真強化認知推薦解決收益閉環(huán)太長的問題。

1. 編程垂類大語言模型

編程垂類大模型構(gòu)建流程主要包括數(shù)據(jù)獲取、模型訓(xùn)練和知識注入三個步驟。

（1）數(shù)據(jù)獲取

通過對成熟優(yōu)秀的 LLM 提問，讓其模仿孩子給出錯誤代碼。在編程領(lǐng)域這種做法的一大問題是，得到的回答可能經(jīng)常是一些簡單的語法錯誤，比如缺少一半括號，這對于編程領(lǐng)域大模型是沒有幫助的。

因此，我們構(gòu)建了生成數(shù)據(jù)鑒別器，來區(qū)分生成的數(shù)據(jù)和真實的數(shù)據(jù)。

同時，我們也通過 Prompt 生成器，來自動生成更為真實的指令。

最終，基于這樣兩個模型的對抗神經(jīng)網(wǎng)絡(luò)進行錯誤代碼生成，使得生成數(shù)據(jù)的分布與真實數(shù)據(jù)非常接近。

（2）模型訓(xùn)練（Fine Tuning）

在開源大模型 LLaMA 基礎(chǔ)上，通過 Lora 微調(diào)生成代碼相關(guān)的垂類大模型，實現(xiàn)輸入錯誤代碼，生成正確代碼。然而有時錯誤代碼修正后，雖與標準答案很像，但仍存在一些邏輯上的錯誤，無法通過測試用例。

因此提供了測試評估的接口，對答案進行評分。整個微調(diào)有兩個監(jiān)督信號，本質(zhì)上有兩個 loss，首先要求修復(fù)的代碼與標準答案很像，第二要通過測試用例，通過得越多，評分越高。這一工作，我們稱之為對偶數(shù)據(jù)，因為標準答案和測試用例在本質(zhì)上是對同一事物的兩種描述。

（3）基于歷史經(jīng)驗的知識注入

由于原始數(shù)據(jù)量不同，通過歷史經(jīng)驗，將成功修復(fù)案例持續(xù)注入本地嵌入向量庫中，通過提示相似錯誤解決的歷史經(jīng)驗，提高模型修復(fù)的準確率。

• 高質(zhì)量數(shù)據(jù)積累：現(xiàn)實中學(xué)生寫出的錯誤代碼，基于報錯信息修正后得到正確答案，這一系列真實數(shù)據(jù)作為歷史經(jīng)驗持續(xù)注入知識庫中；
• 嵌入向量庫：將上述數(shù)據(jù)放入編程垂類大模型中，把大模型作為編碼器，將其轉(zhuǎn)為向量存放于一個嵌入向量庫中；
• 輸入信息增強：通過在線編譯器，將新的學(xué)生寫出的錯誤代碼生成報錯信息；
• 篩選排序，找到協(xié)同數(shù)據(jù)：在編碼后的知識庫當(dāng)中檢索與新學(xué)生的嵌入向量（原始問題）類似的問題，生成一個極為復(fù)雜的 prompt；
• 請求修復(fù)：將上述包含相似錯誤解決歷史經(jīng)驗的 prompt 輸入到大語言模型中，請求修復(fù)，提高修復(fù)的準確率。

如上圖測試了四個大模型—GPT3.5、LLAMA2、Vicuna-13B 和文心一言，經(jīng)過歷史經(jīng)驗知識注入后嵌入式尋找協(xié)同數(shù)據(jù)，使得大模型的代碼能力較原來未采用知識注入的效果有較大的提升。

此外，以代碼修復(fù)為例，與 ChatGPT3.5 對比，經(jīng)過上述知識注入后微調(diào)的結(jié)果，在關(guān)鍵字錯誤、分號缺失、括號不匹配、變量類型錯誤等方面都有提升，平均提升 20%，大部分任務(wù)優(yōu)于 GPT3.5。

2. 小知識學(xué)習(xí)

在微調(diào)中，通常面臨如下的問題：基于整理好的垂類領(lǐng)域數(shù)據(jù)，如 TB 級別的數(shù)據(jù)灌入到大模型中，但是大模型只能對已經(jīng)輸入的特定知識進行回答，泛化一些的問題，則完全無法給出答案。如何基于小的垂類知識，激活大模型相關(guān)能力？下面以知識問答為例，介紹基于小知識的大語言模型學(xué)習(xí)。

多層知識體系：我們采用人機耦合方式構(gòu)建分層知識圖譜，下層為粒度細的知識點，上層為泛化的知識。利用大模型，自己挖掘節(jié)點之間的關(guān)系。

示例：二分查找怎么做？

• 知識查找：將二分查找問題的關(guān)鍵點抽取出來，并映射到圖譜上，找到所有相關(guān)的分層圖譜，建立相關(guān)性連接；
• 推理圖構(gòu)建：在局部知識圖譜上進行簡單推理；
• 知識推理：基于圖將其變成一個 prompt，并放入大模型中；

這樣，將二分查找的相關(guān)細節(jié)輸入到大模型中進行微調(diào)，經(jīng)過微調(diào)的大模型更有機會激發(fā)得到正確的答案。

多輪迭代的大語言模型小知識學(xué)習(xí)

示例：學(xué)生問循環(huán)累加哪里錯了？

• 未調(diào)整前的 Prompt：直接問循環(huán)累加怎么做，大模型給到的答案較敷衍，無法解決學(xué)生的問題。
• 調(diào)整后的 Prompt：基于推理圖，給到更精準的 Prompt。
• 基于 GPT4 進行回答評分，調(diào)整前基本 10 道題有 6 道題答得不錯，調(diào)整后 10道題會有 8 道題回答較好，有了大幅提升。

知識注入后，大模型了解了概念，但是仍然無法回答問題，原因在于 prompt 不夠好。通過模仿 prompt 工程師，可以有效提升大模型的效果。這樣解決了只是簡單將語料給到大模型，大模型沒有辦法激活相關(guān)能力的問題。

3. 強化認知推薦

由于給學(xué)生推薦學(xué)習(xí)路徑的收益顯現(xiàn)歷時較長，如何評判哪個學(xué)習(xí)路徑推薦更好呢？兩個水平近似但知識分布不同的學(xué)生，推薦的學(xué)習(xí)路徑也應(yīng)不同。面對上述挑戰(zhàn)，我們采用了強化學(xué)習(xí)的方案，推薦模型即為 Agent，缺乏的環(huán)境通過大模型模擬生成，也即基于大模型的仿真強化認知推薦。

融合大模型和傳統(tǒng)深度知識追蹤模型，模擬環(huán)境的收益和狀態(tài)變化情況。

• 給出狀態(tài)，如推薦一道題后，學(xué)生狀態(tài)發(fā)生哪些變化。
• 推薦一道題后，基于領(lǐng)域的函數(shù)，得出其即時的收益。

學(xué)生的知識圖譜：

• 黃色：待學(xué)習(xí)的知識點
• 藍色：推薦學(xué)習(xí)知識點
• 綠色：已掌握知識點
• 紅色：未掌握知識點

通過大模型解決了沒有交互數(shù)據(jù)（即推薦學(xué)習(xí)后狀態(tài)和收益數(shù)據(jù)）實現(xiàn)強化學(xué)習(xí)的問題。

在原來比較小規(guī)模數(shù)據(jù)中，實現(xiàn)學(xué)會一道題，按照之前邏輯可能需要 9 步，通過當(dāng)前的方式，提高推薦能力，解決同一道題目，只需要更少的步驟。

在中等知識點學(xué)習(xí)中，強化認知推薦比普通的認知推薦平均步驟下降了 30%，有更高的學(xué)習(xí)效率。

03

產(chǎn)品案例

1. 青蛙編程平臺

上述教育大模型，已集成于青蛙（找 bug）編程平臺和 AI 編程學(xué)習(xí)機中。

青蛙編程平臺可以實現(xiàn) AI 自主學(xué)習(xí)，基于知識卡進行智能交互式練習(xí)，更加輕松有趣。當(dāng)前已與多位名師、多家機構(gòu)合作，服務(wù) 2 萬 ＋ 學(xué)生，基于數(shù)據(jù)驅(qū)動的教學(xué)更高效、精準。

上述技術(shù)已經(jīng)發(fā)表 40 論文、10 專利。

2. AI 編程學(xué)習(xí)機

AI 編程學(xué)習(xí)機采用了墨水屏幕，無藍光，更護眼。

智能教輔示例：

學(xué)生：這道題怎么做？

大模型：給出一些提示

學(xué)生：基于提示還是不會做，怎么辦？

大模型：給出正確答案

學(xué)生：將正確答案抄寫后，編譯通過，但未通過測試用例

大模型：英語少了一個字母

學(xué)生：終于完成這道題目

智能教輔一方面解決了通常只能一對一才能解決的問題，另一方面孩子自主完成題目，提升其自信心和學(xué)習(xí)興趣。同時可以讓教師集中精力解決共性的難點問題。

3. 智能云端編譯器

平臺中集成了青少智慧編譯器（智能云端編譯器），超過行業(yè)頭部品牌。

編譯器具有如下四大優(yōu)勢：

• 更輕便：云端免安裝，降低對硬件的要求
• 更智能：內(nèi)置青少編程大模型，可智能糾錯
• 更專業(yè)：內(nèi)置各種編程環(huán)境，減少出錯的問題
• 更簡單：編譯器漢化，降低調(diào)試的門檻。

4. 數(shù)字人 AI 錄播課平臺

錄播課通常為老師持續(xù)輸出內(nèi)容，學(xué)生可能無法長時間專注?；跀?shù)字人的 AI 錄播課平臺，提供了個性化課程、智能化老師、精準化練習(xí)。

• 虛擬老師可實現(xiàn)針對學(xué)生的問題，實時回答，提高互動性。
• 根據(jù)學(xué)生的歷史信息以及錄播課的情況、編程情況，可生成個性化編程題目，提高學(xué)習(xí)的趣味性。

如下為一段示例：

虛擬老師：如圖，目前公認的在中國適用的 BMI 標準是：當(dāng) BMI 小于等于 18.4，說明你的體重偏瘦。當(dāng) BMI 大于 18.4，小于等于 23.9，說明你的體重正常。當(dāng) BMI 大于 23.9 且小于等于 28.0，就是過重。當(dāng) BMI 大于 28.0 就達到肥胖程度。

孟同學(xué)：為什么 BMI 大于 28 是肥胖而不是 27？

虛擬老師：BMI 大于 28 被定義為肥胖是基于大量的研究和統(tǒng)計數(shù)據(jù)得出的結(jié)論，這個標準是根據(jù)全球范圍內(nèi)的人群數(shù)據(jù)進行分析得出的。不同的人群可能有不同的標準，但是 28 是一個被廣泛接受的標準。

青蛙編程平臺以及數(shù)字人 AI 錄播課平臺，涵蓋優(yōu)質(zhì)的學(xué)習(xí)資源，可對標行業(yè)頭部品牌，集成了智能云端編譯器，已經(jīng)超過行業(yè)頭部品牌，與金牌教練名師合作制作專屬AI 錄播課，打造私人專屬課堂。

04

思考與展望

1. 大模型 VS.“小模型”

大模型能力全面，但存在如下限制：

（1）計算資源需求大

• 高性能計算機、專用加速器（如 GPU、TPU 等）。
• 大量的存儲空間。

（2）訓(xùn)練時間長

通常需要數(shù)天甚至數(shù)周的時間，需要高效的算法和硬件加速訓(xùn)練過程。

（3）不易定制

• 通常達到千億級別的參數(shù)才能實現(xiàn)特殊能力的涌現(xiàn)，不易定制。
• 垂類大模型做完后，到實現(xiàn)上線和 B 端機仍有很多工作要做。

中小廠的取勝之道，降低模型 size、做定制化、本地化。

• 利用網(wǎng)絡(luò)剪枝、向量量化、低秩近似等技術(shù)減少大模型的參數(shù)。
• 利用知識蒸餾等技術(shù)將大模型的特殊能力遷移到小規(guī)模網(wǎng)絡(luò)參數(shù)的模型。

2. 融入領(lǐng)域知識

在通用大模型上，小公司與大公司有較大的差距，但小公司基于小而美的專家團隊，融入領(lǐng)域知識，結(jié)合知識圖譜，可以在垂類大模型上贏得先機。

3. “人工的智能”在于精細化的數(shù)據(jù)

“人工的智能”勝在垂類的精細化數(shù)據(jù)。中小廠做垂類大模型的商業(yè)模式，一定不是花錢做標注，那將需要非常大的資金成本。中小公司可通過設(shè)計商業(yè)模式，讓用戶免費“幫忙”標數(shù)據(jù)。例如，我們有虛擬老師、自主編程平臺，孩子在完成代碼的修訂過程中，就是在幫忙標記數(shù)據(jù)，隨著業(yè)務(wù)的推廣，數(shù)據(jù)飛輪效應(yīng)將逐漸顯現(xiàn)。

05

問答環(huán)節(jié)

Q1：貴司的教育大模型是如何訓(xùn)練微調(diào)的？

A1：由于當(dāng)前很多大模型相關(guān)訓(xùn)練和微調(diào)的技巧未寫專利和論文，今日更多分享的是思路，用的還是通用的一些方法，如 SFT 等。

Q2：小知識學(xué)習(xí)中，客體知識多，但是單個用戶（主體）的知識很少的問題，是如何來增強解決的？

A2：對于主體知識的補足，我們基于對抗神經(jīng)網(wǎng)絡(luò)，通過仿真生成更多的主體數(shù)據(jù)。例如，一個學(xué)生在平臺做了三道題，基于其他學(xué)生的題目，通過大模型仿真模擬學(xué)生做第四道題、第五道題、第六道題。同時基于對抗神經(jīng)網(wǎng)絡(luò)實現(xiàn)模擬的題目與學(xué)生的真實水平一致。

以上就是本次分享的內(nèi)容，謝謝大家。