用於大規模個人化學習的自訂 AI 模型
Ertas Studio 賦能大學、學區和教育科技團隊微調適合其課程、學生群體和教學方法的 AI 模型——成本僅為商業 AI API 的一小部分。
The Challenges You Face
商業 AI API 迅速耗盡教育預算
教育機構以緊縮的預算和漫長的採購週期運作。按 Token 計費的 API 定價使 AI 成本不可預測，而為數千名學生提供一個學期的 AI 輔助教學所產生的帳單可能超過整個技術預算。
通用模型與課程不對齊
現成的 LLM 不了解您機構的特定學習目標、評分標準或教學規範。它們給出技術上正確但教學上不適當的答案——直接為學生解決問題，而不是引導他們理解。
學生資料隱私不可妥協
FERPA、COPPA 和州級學生隱私法規限制了學生資料的處理和共享方式。許多 AI 服務無法滿足這些要求，而新供應商的合規審查過程可能比學年還長。
教職員缺乏 ML 工程技能
了解教學法和課程設計的人是教育工作者，而非 ML 工程師。如果 AI 工具需要 Python 腳本編寫和 GPU 管理，採用將僅限於計算機科學系。
How Ertas Solves This
Ertas Studio 提供一個視覺化微調平台，教育工作者和教學設計師可以直接使用。以簡單的 JSONL 格式上傳理想的教學互動範例、與課程對齊的解釋或評分標準。選擇基礎模型，點擊訓練，Studio 處理雲端 GPU 編排、LoRA 配置和檢查點管理。
產出的模型以 GGUF 檔案形式匯出，在大學自有的伺服器上運行——因此學生的互動永遠不會離開校園基礎設施。每次查詢的成本降至電費成本，使 AI 輔助學習即使在大規模下也具有 經濟可持續性。
對教育機構而言，這意味著遵循您教學原則、理解您課程並尊重學生隱私的自訂 AI 導師——部署在您控制的基礎設施上，成本符合教育預算。
Key Features for 教育機構
教育工作者友善的介面
視覺化訓練工作流程專為教學設計師和教職員設計，而非 ML 研究人員。如果您能建立一份互動範例的試算表，您就能在 Studio 中微調模型。
與課程對齊的訓練
根據您機構的實際課程材料、學習目標和評分標準進行微調。模型學會以您最佳教師的方式解釋概念，與您特定的教學方法對齊。
校園內部署
GGUF 模型在大學自有的硬體上運行——一台系所伺服器、一個校園資料中心，甚至一台教職員 的筆記型電腦。學生資料留在校園內，無需複雜的資料處理協議即可滿足 FERPA 要求。
成本可預測的 AI
用固定的 Studio 訂閱費（用於訓練）和固定的伺服器成本（用於推論）取代按 Token 計費的 API 成本。像預算任何其他校園服務一樣預算 AI——具有已知、可預測的成本。
Why It Works
- 自託管的 GGUF 模型消除了按查詢成本，使 AI 教學對每學期服務數千名學生的機構在經濟上可行。
- 與課程對齊的微調模型產出教學上適當的回覆，引導學生走向理解，而非僅僅提供答案。
- 校園內部署滿足 FERPA 的「學校官員」例外要求，避免了第三方 AI 服務觸發的家長同意流程的需要。
- 沒有 ML 背景的教職員已在一次專業發展課程中使用 Studio 的視覺化工作流程成功微調了學科特定的教學模型。
- 根據機構特定標準訓練的微調模型產出的評分回饋比通用 LLM 輸出更貼近教職員標準。
Example Workflow
一所大學的化學系希望為入門課程提供 AI 輔助教學。一位教學設計師彙編了 500 個理想教學互動範例——學生問題配對蘇格拉底式回覆，引導學生走向答案而非直接提供。這些被格式化為 JSONL 檔案。
教學設計師開啟 Ertas Studio，上傳資料集，選擇一個 7B 指令調校模型，然後開始訓練。三十分鐘後，模型準備就緒。在遊樂場中的測試確認它以系所偏好的蘇格拉底式風格回應。GGUF 被匯出並部署到系所伺服器上。
學生透過大學的 LMS 存取導師。每次互動都留在校園基礎設施上。系所無需支付任何查詢費用。當下個學期的課程更新時，教學設計師添加新範例並重新訓練——模型隨課程一起演進。
Related Resources
Ship AI that runs on your users' devices.
Early bird pricing starts at $14.50/mo — locked in for life. Plans for builders and agencies.