Prediction 中，通过 反复自我迭代和监督微调 ➢ 基于STaR 可以进一步将这种思路扩展到思考过程是搜索过程的特例，比如 rStar-Math, SoS 都可以用类似的思路来理解。 ➢ 本质上，STaR一类的方法是希望模型能够学习到MetaCoT, 即问题到答案映射 过程背后的深入规律 ➢ 但是对于问题的结构要求性高，对于复杂数学推理任务可能难以自我迭代 ➢ 难以融入 Rule-Based org/abs/2501.11284 40 技术对比讨论：蒸馏 vs 强化学习 Discussion ➢ Kimi K1.5 中 Long2Short 方法指的是将长文本 CoT 模型的知识迁移到短文本 CoT 模型，本质上是一种「蒸馏」， 不过目标和策略更多样，不仅要性能，还要 token 效率；更多地关注对教师模型推理策略的学习，而不仅是输出。 ➢ S1 模型通过少成本获得超过o1-preview的表现： ➢ Reasoning（过程性监督 + 细粒度反馈） ➢LLM 仍然受限于过程性推理任务： ➢ 尽管可以完成复杂的推理，但是仍然受限于一些对于人类来 说很简单的任务（例如，逆转诅咒），泛化能力较弱： ➢ 本质上在于 LLM 的思考范式仍然是静态，非过程性的； ➢ 一些看似复杂的任务，实则在互联网上有相近的解决办法， 在训练语料中有所蕴含（Hypothesis: Depends purely on

备课助手： 大模型能快速生成教案框架、 习题库 ， 并根据学生学情推荐分层教学内容 作业批改与反馈： 大模型可自动批改客观题并生 成 个性化评语 ， 教师只需专注于主观题的深度反 馈 大模型本质上是基于海量数据的概率生成器 ， 其核心价值在于辅助教师完成重复性、 标准化工作 ， 让 教师有更多精力投入到创造性的教育环节 教学效率革命 创造性工作的短板 教学设计： 优秀的课程需要融合教学目标、 则错误的答案 缺乏教育直觉： 教师能凭借学生的微表情、 语气判断其理解程度 ， 而 AI 主要依赖文 本交 互 ，难以捕捉这些情感信号 逻辑与直觉的缺失 尽管大模型能生成流畅的文本和答案 ，但其本质是数据驱动的模仿 ，缺乏真正的“思考”与“创造”能力 情感与社交能力的守护者 人机协同的情感互补： A I 无法替代师生互动中的 共情 与激励。学生受挫时 ，教师的鼓励远比 AI 的标 准化反