连续感知
对真实学习现场的连续感知。
MeetMind Technology
师者智能
从理解知识，到理解学习知识的人。
为机器立师者之心。了解这条赛道
当前系统课堂场景 · 持续迭代
定义赛道
大模型能生成答案， 却还不是老师。
成为老师需要的三种基础能力，通用模型三者皆缺。
长期建模
对一个人的长期动态建模。
教学决策
面向长期成长的教学决策。
MeetMind 正在构建完整的师者智能技术栈
Perception全息多模态理解
Memory教育记忆模型
Teaching Policy师者智能大模型
技术缺口
大模型拥有世界知识， 但没有学生状态。
传统大模型链路
问题大模型回答
MeetMind 师者智能链路
- 01课堂现场
- 02多模态状态理解
- 03个体长期记忆
- 04教学策略选择
- 05学习结果反馈
- 06更新对人的理解
回到课堂现场——每一圈，都更懂这个人一点。
当前大模型缺失MeetMind 技术
无法完整感知课堂中的人
全息多模态理解（视觉 · 听觉）无法跨时间形成个体模型
教育记忆模型优化回答，不优化人的成长
师者智能大模型MM-Perception · 全息多模态理解
把课堂还原为可计算的 "人—知识—情境"状态。
输入
语音语言语调视频板书课件提问停顿标记作答行为
输出Classroom State Representation
知识状态+认知状态+情感状态+证据位置
核心技术
- 01长时课堂多模态时序对齐
- 02语义、声学、视觉与交互信号联合建模
- 03开放词汇情感理解
- 04多模态证据定位与自然语言解释
- 05课中低延迟实时转写，开口即定稿
ACM Multimedia 2025 · MER2025MER-DES 描述式多模态情感理解赛道 · 第一名
验证了团队在多模态情感证据提取与开放式情感推理上的领先能力。
MM-Memory · 教育记忆模型
从学习事件流中，形成 可更新的个体模型。
输入
课堂状态 + 提问 + 错误 + 练习结果 + 用户反馈
记忆架构Episodic Memory情节记忆 Semantic Memory语义记忆 Cognitive Memory认知记忆 Affective Memory情感记忆 Evidence Layer证据层
保留某节课、某次错误的完整现场。
提炼知识掌握与概念关系。
建模长期困惑、推理习惯与理解方式。
建模情感状态随场景和时间的变化。
每条长期理解，都可以回到原始证据。
记忆要回答的五个问题
- 什么值得写入？
- 什么时候应该更新？
- 发生冲突相信什么？
- 什么已经过期？
- 当前任务应该读取什么？
输出Dynamic Learner Model
可追溯、可更新、可纠正的学习者状态。
MM-Teacher · 师者智能大模型
从"生成回答"，升级为 "选择教学行动"。
输入当前课堂状态个体长期记忆学习目标历史教学结果
在多个教学行动中，选择此刻最合适的一种
解释举例追问诊断练习提示挑战鼓励等待回放连接过去经验
优化目标
同时优化：知识掌握、迁移能力、学习效率、情感状态、自主学习能力与长期成长结果。
输出Teaching Policy
对这个人，此刻最合适的下一步行动。
这才是"师者智能大模型"的技术含义—— 而不是一个更温暖的聊天模型。
训练闭环
最稀缺的数据结构： 状态—干预—结果。
状态
干预
结果
01
老师讲了什么
02
学生当时处于什么状态
03
AI 采取了什么教学行动
04
学生之后是否真正学会
05
更新模型与个体记忆
互联网语料只有"问题—答案"；真实课堂给出更稀缺的"状态—干预—结果"。
值钱的不是录音，是教学行动与学习结果之间的反馈信号。
产品入口
师者智能的 第一个产品现场。
- 真正听过课的 AI 同学
- 基于课堂原话与板书的回答
- 困惑定位、时间回跳与证据引用
- 基于真实课堂生成的练习和复习
- 跨课堂持续积累的个人学习上下文
- 连续多模态课堂输入
- 真实学习行为
- 个体状态变化
- 教学干预反馈
- 长期学习结果
MeetMind 是师者智能的产品入口、数据闭环与真实评测场。
技术壁垒
三层技术， 共同形成壁垒。
多模态感知能力教育长期记忆教学决策闭环=师者智能
算法壁垒
多模态情感推理、教育记忆与教学策略模型。
数据结构壁垒
不是普通内容数据，而是"状态—干预—结果"的长期序列。
评测壁垒
能够同时评估感知、记忆、教学行动和长期学习效果。
产品闭环壁垒
真实课堂中持续产生输入、反馈与验证结果。
路线图
从师者智能， 到人格智能平台。
全息多模态理解
教育记忆模型
师者智能大模型
人格智能平台
情感智能理解一个人的当下；人格智能理解一个人的连续性；师者智能让这种理解产生有益于人的行动。
Technology