好的导师知道什么时候该出手，什么时候该让学生自己挣扎。但语言模型被训练成“乐于助人”，在辅导中很容易直接给出答案或步骤，剥夺了学生通过努力思考来巩固理解的机会。现有评测基准往往只看单一行为（比如是否直接给答案），而不考虑当时学生实际需要什么。

Allen AI 推出的 TutorMoments 框架，就是为了衡量 LLM 能否做好这个权衡。它基于 462 个 真实的美国 2-7 年级一对一数学辅导记录（来自 Title I 学校），由 27 位 有经验的数学教师标注了 1500 多个 关键时刻。每个时刻教师判断：导师当时应该选择“脚手架”（让问题更容易入手）还是“推动思考”（鼓励学生深入推理）。评测时，TutorMoments 在关键时刻暂停真实记录，让 LLM 作为导师接手，和一个模拟学生（由另一个 LLM 扮演）对话五轮。然后自动评分管道判断模型的行为是否匹配教师标注的合适类型（适当支架、适当推动、避免过度支架）。

初步结果：在只被告知“好好辅导”的普通提示下，模型普遍倾向于过度帮助，很少主动推动学生思考。当在提示中明确写出“要在帮助与放手之间权衡”后，所有模型得分都有提升，但最佳模型仍有明显空间。作为参照，人类导师在同一时刻的得分为：适当支架 0.458、适当推动 0.182、避免过度支架 0.496——都低于模型在权衡提示下的得分。不过需要注意，数据集特意挑选了辅导本可以更好的时刻，所以人类分数偏低不代表人类差；而且评测的是模拟场景下的行为，不是真实学习效果。

TutorMoments 目前仍是预览版，主要限制包括：自动评测不能替代真实学生对照研究；数据集仅限于美国小学初中数学，由同一组教师标注，结论不一定适用于其他学科、年级或场景。团队正在构建更大规模、多模态的数据集和更强的评分管道。作为开放研究的一部分，他们已发布去标识化的辅导记录、回放代码和模型回放结果，供社区复现与改进。