AI 一边讲一边在白板上画,还能被学生打断——顺便把六大模型的教学能力排了个名
这个项目能干嘛
一个能在白板上"边讲边画边擦"的 AI 导师,学生还能中途打断它。听起来像某种高级模型能力,作者上来就把这个幻觉戳破了:它其实不是模型的能力,而是一个很小很巧的协议。模型把绘图动作以 JSON 指令的形式流式吐出来,浏览器把这些指令播放成一笔一笔的手写,学生一打断,应用就把当前白板的状态发回给模型,模型据此接着讲。因为模型从头到尾没碰过画布,任何大模型都能当这个导师。这个仓库其实是两样东西打包在一起:一个是这套闭环的参考实现(协议、白板播放器、跑 Claude/Gemini/DeepSeek 的 runner),另一个是评测——同一个提示词、同样的八个场景、六个模型、两档思考设置、每档重复三次,每一块白板都留在仓库里供你回放。
为什么最近火了
我觉得它火在一个特别聪明的角度:大家都在卷模型"会不会做题",它却去测模型"会不会教人"。教人这件事光文字对不行,图也得画对,这就把一个看不见的能力变成了能一眼看出对错的画面。更妙的是它把评测做得很较真:盲评、随机编号、隐藏模型名、固定评分标准,还专门用一个没参与测试的模型和人工抽样去复核,这种较真劲儿在动不动就发个排行榜的环境里反而稀罕。再加上那张六模型对比同一个"勾股定理为什么成立"的图——有的画对了几何,有的把 c² 方块画到了斜边外面——非常有传播力。48 美元的 API 调用跑完整个矩阵,成本还公开出来,等于递给所有人一把可复现的尺子。
技术亮点
协议本身简洁得漂亮。模型不输出图像,只输出"步骤",每一步带一句讲解文字和一组操作,在 1600×900 的白板上只有六种动作:write(写字)、line、rect、ellipse、path、erase。因为第一个操作一到就能画,最快的模型两到四秒就落下第一笔,课还没生成完你就看见了开头。打断处理也做了:学生插话时,应用停掉流,把问题和白板上每个对象的 id、类型、包围盒、文字一起发回模型,模型只回新的步骤,可以按 id 擦掉或标注已有对象。评测规模是 288 次运行,盲评时白板被渲染成图片、套随机编号,分数先写盘再解开编号映射,评审用的是没参与测试的 Claude Fable 5.2,还从像素位置去核对几何关系。跑起来也贴心:runner 把每个 OpenRouter 模型钉死在自家供应商上、关掉 fallback、设单价和总价上限,每次调用追加到 JSONL,中断了能续跑。
适合什么人
做教育科技产品的人该仔细读读它的方法论——它把"AI 家教"拆成了一个可复现的协议,而不是一个黑箱演示。做模型评测的人会喜欢它那套盲评加人工复核的流程,尤其"用 linter 当裁判有多不靠谱"这个结论,对任何写自动评测的人都是提醒。提示词工程师能直接拿那份冻结的协议提示词去研究,看看怎么约束模型稳定输出结构化指令。老师和对 AI 教学好奇的人,不用装任何东西,打开在线画廊就能一节课一节课地看回放。要自己生成新课件就得配 API key 跑 runner,完整矩阵大约四美元。
快速试用
只想看结果的话完全免安装:git clone 仓库后 cd 进去执行 python serve.py,浏览器打开 localhost:8811,在线画廊也能直接看。要自己跑模型,先 pip install -r requirements.txt,然后导出 OPENROUTER_API_KEY 和 DEEPSEEK_API_KEY(Windows 用仓库里那个 set_key.ps1),接着 python bench/run.py preflight 检查密钥、smoke 跑几美元的小样、main --confirm 跑完整矩阵,最后 python bench/aggregate.py 出表。想免费试 runner,有个 mock_server.py 在本地模拟三家 API。
与竞品对比
- 通用 AI 聊天工具:讲题只能给文字和公式,画不出图,更没法让你打断后在原图上继续。
- 专用解题/搜题 App:答案标准化,但没有"边画边讲"的过程,也谈不上跨模型横向可比。
- 视觉模型直接生成图片:画得快却无法逐步播放、无法按 id 修改单个对象,也没有结构化的教学步骤。
- 这个项目:协议极小、任何 LLM 可接入、白板可回放、还能中途打断,把"教得好不好"变成了可盲评的量化问题。
- 局限:每模型只有 11 块白板被盲评,中段名次其实分不出高下;只冻结了一套中文提示词、八个场景;评测只看最终画面,没看中间状态和动画节奏;写字效果还依赖系统字体,Windows 以外回放会略有不同。