单次生成 3.5% 可用：Google 用十轮自动批改把生成式课堂模拟推到 69.3%

Google Research 在 2026 年 9 月 17 日公开了一套让教师自己生成课堂模拟的系统。教师在请求里写明学科、年级和一个具体题目，比如「高中物理：复杂直流电路」，Gemini 就会写出一整个能上手操作的交互式界面：学生拖滑块、按按钮，看曲线和仪表跟着变，一关一关往下闯。这套做法叫生成式界面（generative UI），普通做法是把内容填进预先做好的模板，这里连界面一起由模型现场写出来1。随博客一起放出的还有配套技术报告《Harnessing Generative UI for Education: Tailored Learning Interactives》，以及一个 30 多个模块的样例库，全部由 AI 生成、经教师审核，覆盖初中与高中的物理、化学、生物、数学等 STEM 科目1。

报告里有两个数字划定了这件事现在的位置。在模拟构想与逐级关卡都已经过验证的前提下，模型第一次生成出来的界面能通过全部自动检查的比例是 3.5%；让它自己回炉批改到第十轮，这个比例升到 69.3%2。这两个数字衡量的是界面生成这一步，报告没有给端到端的首次生成成功率。

真正的门槛是判断生成出来的界面能不能用。一道关卡能不能被解出来、提示有没有把答案直接送出去、仪表读数和学生按下的按钮对不对得上，这些都能写成程序跑一遍；一段解释文字写得顺不顺，只能靠人读。这套系统的工作量因此大半落在把「这算不算好」翻译成一条条可以执行的检查，落在模型之外。

第一段把教师的请求变成一组具体的学习目标。目标由模型起草，教师可以修改，批准之后才作为后续所有生成的依据。报告说，绝大多数目标都是原样通过的2。

第二段生成「模拟构想」。报告给的例子是一道高中物理的复杂直流电路题：构想被拆成从发射端到接收端的一条信号通路，依次穿过 RC 脉冲整形、LC 谐振、p-n 结放大和传输互连四级，学生的任务是把每一级都调到能支持目标频率（例如 10 GHz）而不让波形失真。构想里逐项写明了实体、实体之间的关系、要画的实时曲线、界面上的视觉表现，以及旋钮的取值范围，比如目标频率滑块的量程是 100 MHz 到 50 GHz2。

第三段把关卡拆开。系统为每个交互生成 5 级递进的关卡，每一级都要满足四个性质：具体（在本模拟里能被解出来）、清楚（难解但好懂）、递进（比上一级更复杂或者引入新概念）、脚手架（不能比上一级难太多）。报告写明，想让模型一次就把这 5 级同时写对，几乎不可能，因为递进和脚手架是逐级累积的关系；于是每一级都在前几级的基础上单独生成，生成完立刻对照这几条性质批判，不通过就重做2。

第四段才轮到界面本身，也是最容易出问题的一段。报告写明界面生成比文本生成更容易失准：容易堆出分散注意力的视觉元素，也容易做出目标根本达不到的关卡。为此系统对生成的 HTML/JavaScript 代码和它在 Chrome 里的实际渲染结果同时开四类批判——视觉、可解性、遥测、机械，逐类挑错并回炉。可解性这一项由智能体执行：它会真的开一个 Chrome 实例，像用户一样操作这个模拟，还会做对抗性试探，比如把旋钮拉到极端值2。

四类批判都通过之后，最后生成引导内容：开场导览、每一级的提示与解答、学生答对或答错之后的分析与反馈。四支柱的教学原则就在这四段里各自落到一个具体的界面决定上：

把界面生成这一步单独拎出来看，报告给了一条明确的曲线。首次生成就通过全部四类批判的只有 3.5%，改进到中途是 28.9%，到第十轮是 69.3%2。报告同时提醒，四个批判方向上的改进并不同步，某一个方向的修补会牵动另一个方向，界面里各部件的关系比较微妙，改进曲线因此不是一路向上的2。

剩下那 30.7% 差在哪里，报告没有逐条交代。这类缺陷人一眼能看出，难的是让程序也看出来，而报告的做法就是在 Chrome 里量它：页面溢出多少、遥测和模拟物件有没有重叠、这一关在当前参数下能不能被解开。

生成质量之外，报告用两组教师评测回答「这东西人能不能用」。

第一组是深访。12 位美国 STEM 教师，每人提 3 个自己学生用得上的模拟请求，一共 36 个；每个请求生成 5 个候选，由内部评分者挑一个最好的交给教师。36 个请求里只有 3 个的生成结果质量差到不能拿给教师看；教师给出的可用性评分全部在 7 分以上（满分 10），平均超过 8.1。报告补了一句，这批评分是在系统的若干组件尚未实现的情况下给出的2。

教师反馈里被反复提到的是按需定制。一位高中科学教师说：

另一位初中科学教师提到脚手架的作用：这套东西把她平时绕着一圈、一个一个讲的步骤提前做掉了，学生不至于干等着老师走过来2。

第二组评测把规模放大，也把评价者换成了独立的人。教学专家先挑出 40 个覆盖不同题材和年龄段的请求，每个请求做 5 次生成尝试，通过了全部批判的成品交给两名分别教对应学科的评分者：先判断能不能接受，接受了再按十项细则打分，档位是 fail、pass、good、excellent 四档，换算成 0 到 3 分取平均。40 个请求的总体接受率是 86%，被接受的那些大多落在 good 与 excellent 之间2。

分学科看，差距是清楚的。物理和化学平均最接近 excellent；生物明显偏弱，主要在美感与 UX 两项上2。报告给的解释落在题材本身：生物里不少主题（它举的例子是细胞周期）要求学生记住一连串细节，生成出来的东西更像按顺序翻的课本，可以上手操作的部分就少了；物理和化学的题目里通常有方程和变量可以拨动，模型也就有东西可以做成关卡2。

这条解释把这套方法的边界说清楚了：它适合有可操作状态空间、对错能被算出来的题材。同一批研究者此前发表过一篇更早的通用生成式界面论文（arXiv:2604.09577），结论是只要提示得当、工具齐备，现代模型能对几乎任何提示稳定产出高质量的自定义界面，效果与人类专家的作品在至少半数情况下可比3；Yossi Matias 同时出现在两篇材料的作者名单里23。

两篇材料的差别落在检验标准上。通用生成式界面的好坏由人的偏好判定，教学模拟的好坏可以被程序判定：这一关能不能解出来、提示有没有泄题、遥测面板上的读数和学生按下的按钮是不是一回事。产物一旦可以被检验，十轮回炉就有地方落地，通过率从 3.5% 走到 69.3%；产物只能靠人看的时候，回炉这一步就只由人来做。

两组评测测的都是教师对产物的判断，不是学生学得怎么样。报告自己在讨论部分把最缺的一项写了出来：最需要的是真实学校、真实教师场景下的评测，以及学生的学习效果；Google for Education 的 pilot 计划就是为这个开的24。使用 Google Workspace for Education 的学校可以报名参加 pilot，教师提出的模拟请求生成后先送回给这位教师审核，通过了才会进入公开库1。

还有几处口径要一起记下。40 个请求的评分工作由两名评分者承担，他们分别教对应的学科；每个请求先出 5 个候选，评分对象是挑过一轮的成品；12 位教师的请求是他们自己选的。报告没有给出生成一个交互的成本和耗时，只说迭代会拉长时间，而目标与关卡这两段相对于界面生成和批判可以忽略2。

报告在引言里就直接面对了生成式 AI 进入学习场景的争议，引了两项负面证据——用 AI 助手写论文会累积「认知债」，以及教育里「增强还是侵蚀」的悖论——并把应对写成设计决定：把开放式沙盒留在门外，把复杂概念拆成逐级关卡，再配上脚手架。这套做法是否真的避开了那些风险，要等 pilot 的学习效果数据出来才能回答2。

接下来值得盯的是三个读数。pilot 的实地研究与学习增益；标准对齐，报告提到教师希望模拟请求能对上课程标准，评分细则里也把 NGSS、共同核心、AP 和英国国家课程列为对照项；以及公开库的扩展速度和审核机制12。

眼下可以自己动手的有两处：公开的样例库，以及面向学校的 pilot 报名。报告自己把真实课堂里的学习效果列为下一步，这个读数要等 pilot 跑起来。