Ertas 助力教育

    用课程内容和匿名化的课程数据微调 AI 模型,再在机构自有基础设施上运行,让学生的互动数据留在机构内部。

    The Challenge

    从 K-12 学区到研究型大学,各级教育机构都面临着大规模个性化学习的压力。自适应辅导、自动评分、课程推荐和内容生成都受益于 AI,但模型需要理解机构特定的课程体系、教学方法和评估标准。通用语言模型产生听起来合理但往往不正确的解释,与年级水平预期不一致,并且缺乏对特定课程大纲或机构学习成果的了解。

    学生数据隐私增加了巨大的约束。FERPA 对教育记录的处理方式施加了严格的要求,家长、学生和教职人员对将学生互动数据发送到第三方云 AI 提供商越来越持怀疑态度。许多学区已经完全禁止了对外传输学生数据的商业 AI 工具。希望使用 AI 进行评分辅助或辅导的机构必须找到一种方式,在自有系统内保留学生数据的同时仍能享受现代语言模型的好处。

    The Solution

    Ertas 为教育机构提供了一种方式:构建理解自身课程的 AI 模型,并在自有基础设施上运行。在 Ertas Studio 中,教学设计人员和教育技术团队用 LoRA 在机构自己的内容(课程材料、往年试题、评分标准和已去标识化的学生互动记录)上微调开源模型,通过可视化画布在 Ertas 的云端 GPU 上完成训练。教师可以在 Studio 的引导式数据集构建器 Data Craft 中审核并批准训练示例,让模型从他们认可的讲解中学习。训练出的模型会使用机构的术语、评价标准和教学风格。

    训练数据需要上传到 Ertas 进行训练,因此上传前请去除学生姓名和身份信息,项目结束后在 Studio 中删除数据集。训练完成后,模型从 Hub 导出为 GGUF 或 safetensors,在机构自己的服务器或私有云上运行,并通过机构自己的集成接入 LMS。这样,学生的提问和模型的回答都留在机构掌控的系统内。教师和管理人员获得的 AI 工具(练习题生成、初步批改辅助和学习建议)运行在机构自己决定的地方。

    Key Features

    Studio

    课程感知微调

    使用 Studio 的可视化画布,在课程内容、评分标准、问答对和教学指南组成的 JSONL 数据集上微调模型。基于 Phi-4 Mini 或 Llama 3.2 3B 等小型开源模型训练分学科的模型(一个用于生物入门,另一个用于 AP 微积分),并把多次训练结果放在一起比较。

    Studio

    教师审核的示例

    借助 Studio 的引导式数据集构建器 Data Craft,教师可以把辅导对话写成 USER 和 ASSISTANT 轮次并加以编辑、保存版本,同时跟踪哪些示例已获批准。模型训练所用的讲解都经过教学人员检查。

    Hub

    由机构自己运行的模型

    每个训练好的模型都列在 Hub 中,可下载为 GGUF(llama.cpp、Ollama、LM Studio)或完整的 safetensors(vLLM 等服务端运行时)。部署在自己的服务器上,通过自己的集成接入 Canvas、Moodle、Blackboard 或自建 LMS,运行时不依赖 Ertas。

    Hub

    学生互动留在本地

    导出的模型在您的网络内运行时,学生的提问和模型的回答都留在您的系统中,遵循机构自己的数据政策。训练数据会上传到 Ertas 的云端 GPU,因此上传前请先对学生记录做匿名化处理,不再需要时可在 Studio 中删除数据集。

    Example Workflow

    一所大型大学的在线学习团队希望为计算机科学入门课提供自适应辅导,这门课每学期有 2,000 名学生。团队从课程论坛导出 15,000 条匿名化的学生问答,连同教材节选和作业评分标准,整理成 JSONL 数据集上传到 Ertas Studio。助教在 Data Craft 中把几百条回答改写成苏格拉底式风格并批准。在 Studio 中,团队用 LoRA 微调 Phi-4 Mini,训练模型通过提问引导学生找到答案,而不是直接给出解法,并且并行运行了两种配置。他们用一组预留的、由教学人员评过分的论坛问题检验这两个模型,把表现更好的那个从 Hub 导出为 GGUF,用 Ollama 部署在学校数据中心的一台服务器上。课程的 Moodle 实例通过学校自己的集成与它连接。学生得到的提示和讲解与课程大纲和评分标准一致,他们与辅导模型的对话都留在学校的基础设施上。

    Compliance & Security

    FERPA 规定的义务,包括哪些内容属于教育记录、谁可以访问,仍需机构自己落实。Ertas 改变的是推理的运行位置:导出之后,模型可以在机构掌控的服务器上运行,学生的提问和模型的输出都留在那里。训练则不同。数据集会上传到 Ertas 的云端 GPU 用于训练,并会保存以便重复运行,您可以随时删除。上传前请先匿名化或尽量精简学生数据,并让训练集走一遍您们常规的隐私审查。

    Related Resources

    Ship AI that runs on your users' devices.

    Start free with 150 credits after card verification. Paid plans from $20/mo USD.