清华北大各自开源教育AI,评测报告来了!

最近在社群里，大家讨论最多的一件事就是：清华和北大，居然各自开源了一个教育AI大模型。

清北之间的“相爱相杀”自古由来，这次两边同时进军教育AI，风格也是截然不同。很多家长第一反应是：“太好了，以后辅导作业是不是不用愁了？”

但我仔细研究了这两个模型后发现，事情根本没那么简单。如果你把它们当成“搜题软件”来用，那真的是暴殄天物。

今天这份“评测报告”，不测谁跑分高，只测它们到底能帮孩子解决什么真问题。

北大的风格，向来带着点深厚的人文与医学底蕴。这次开源的 OmniEdu，核心突破不是刷题，而是“诊断推理”。

现在的AI，你扔一道题进去，它一秒就能给你一个解题步骤。但问题来了：孩子看完答案依然不懂。为什么？因为他漏看了一个条件，或者前置知识缺了一块。你直接给标准答案，就像给发烧的人盲目吃退烧药，治标不治本。

OmniEdu 的价值在于，它能像老中医一样“把脉”。当你把孩子的错题、甚至草稿过程喂给它时，它评估的不是“对错”，而是：孩子到底卡在了哪一步？是概念混淆，还是逻辑跳跃太大？

在它的评测基准里，它的“教学能力”得分甚至超过了目前顶级的闭源模型。对家长来说，你可以用它来“诊断”，而不是用来“对答案”。弄清病根，你再去辅导，才不会气到心梗。

清华的工科思维，在这款开源模型上体现得淋漓尽致。OpenMAIC 走的是另一条路，它不直接面向刷题，而是面向“构建学习路径”。

很多家长头疼的是：一个知识点，自己讲得口干舌燥，孩子还是听不进去。OpenMAIC 的做法是，你可以丢给它一个教材章节，让它自动生成一套“互动课”。它会先查阅教学规范，生成一份“学习契约”，然后把知识点包装成生活情境，让孩子自己点、自己听、自己学。

对家长来说，这不是给孩子找个做题机器，而是给孩子请了一个“全能备课老师”。如果你想让孩子自学某个知识点，或者搞一个小项目，你可以用它来搭建脚手架，让孩子自己在里面探索。

开源模型最大的魅力，在于它把底座交到了我们手里。对于有动手能力的科技娃，或者群里的硬核爸爸们，这简直是一场盛宴。

你完全可以把这些开源模型，接入到 WorkBuddy 或者 Coze 这样的智能体平台里，做一些服务自己的延展性应用。

比如，用 OmniEdu 的逻辑，给孩子搭一个专属的“错题诊断专家”Agent，只学你孩子的薄弱点；或者用 OpenMAIC 的框架，给家里定制一个“周末研学路线规划师”。

爸爸们完全可以带着孩子下场。在这个时代，懂点代码和逻辑的爸爸，是孩子在AI探索路上最好的合伙人。你们可以一起跑通一个模型，一起调试一个Agent，这种真实的造物体验，比报什么班都强。

从产业视角来看，这件事释放了一个极其强烈的信号。

现在开源的基础模型越来越多，能力越来越强。这意味着，未来的应用方向一定是在于“多”和“细”，而绝不是靠一个应用“通吃天下”。

“通吃天下”是大厂和高精尖科研机构做的事情；而广阔的细分场景，比如帮助一个特定年级的老师生成教案，或者帮助某个社区解决具体的管理痛点，这就是“长尾应用”的天下，是留给广大开发者、乃至青少年的巨大空间。

有开源的底座，就会长出无数的长尾应用。科技娃们现在就可以去看看，自己到底更适合做大模型底层的算力研究，还是适合做贴近真实生活的长尾应用开发。这关系到他们未来的职业定位。

清华和北大的这次开源，标志着教育AI正在从“拼参数”走向“重落地”。

我们总在问“AI能给孩子带来什么”，但这届开源模型告诉了我们答案：AI不是用来让孩子抄近道的，它是用来帮孩子看清知识底层的脉络，帮他们搭建更坚固的认知地基的。

如果你对怎么用这些开源模型感兴趣，或者想带着孩子一起搞点长尾应用，欢迎来我们的“烛龙开发者群”交流。在这里，我们不聊死记硬背，只聊怎么用真实的代码和工具，去解决真实世界里那些细碎却闪光的问题。

推荐阅读：