華東師范大學智能教育學院發布OmniEduBench，首次從「知識+育人」雙維度評測大模型教育能力。測評2.4萬道中文題后，實驗結果顯示：GPT-4o等頂尖AI會做題，卻在啟發思維、情感支持等育人能力上遠不及人類，暴露AI當老師的關鍵短板。
近年來，大模型在知識問答、數學推理等方面取得了驚人進展。
然而，當這些技術被引入復雜的教育環境時，一個關鍵問題隨之而來：我們現有的評估方式足夠嗎？我們如何全面評估它們的能力？一個好的「AI老師」僅僅是一個「解題高手」嗎？
當前的評測基準，尤其是在中文領域，存在兩大局限性：
-
維度單一：絕大多數基準（如C-Eval, MMLU等）主要關注模型的知識儲備和理解能力，即「知識維度」。此外大多數基準題型簡單，很難涵蓋現實考試場景中的全部題型類型。
-
忽視能力：它們很大程度上忽視了教育場景中不可或缺的「育人維度」（Cultivation Capabilities），例如啟發式教學、情感支持、道德價值觀培養、批判性思維引導等。
近日，來自華東師范大學的研究者們推出了OmniEduBench，一個專為評估中文大模型「綜合教育素質」而設計的全新基準，包含24,602個高質量問答對。
研究指出，現有基準大多集中在知識維度，而嚴重忽視了真實教育場景中至關重要的「育人能力」。