教培公司看似都在建设自己的AI能力，但真正决定这些应用能走多远的，是底层模型。受安全、稳定和成本影响，国内教培企业其实更依赖国产模型。 Kimi K3的意义也正在于此，国产模型每向前一步，都可能让更多教育AI场景从试验走向落地。

近日，月之暗面发布了新一代模型 Kimi K3。

和以往的大模型发布一样，外界首先关注的是参数、跑分和技术能力：它在编程、知识工作和复杂任务执行上达到了什么水平，与全球最先进模型之间还有多大差距。发布之后， Kimi 一度暂停新用户订阅，以缓解算力压力。

但对教培行业来说，比技术排名更值得关注的是， Kimi K3所代表的国产模型能力提升，会给教育AI带来什么变化。

一、教培公司的AI能力，并不完全掌握在自己手里

过去几年，很多教培公司都组建了AI团队。

一些头部公司拥有自己的算法、数据、产品和工程人员，也积累了大量题目、课程、学生行为和师生互动数据。它们可以针对教育场景训练小模型，对通用模型进行微调，也可以通过知识库、提示词和工作流，提高AI在特定任务中的表现。

但这些工作和训练一个先进的基础模型，是两件完全不同的事情。

基础模型竞争需要巨额资金、需要顶级人才，即使对于大型互联网公司，参与基础模型竞争也是一项长期、重资产、高风险的投入。对于经历过行业调整，还要兼顾收入、利润和现金流的教培公司来说，独立承担这项投入并不现实。因此，对教培公司来说，更现实的选择是在外部基础模型之上建设应用。

教培公司真正擅长的是理解教育业务：什么样的讲解适合不同年龄的学生，什么样的反馈能够帮助学生发现问题，怎样把AI接入课程、题库和教学流程，又该如何判断一次AI辅导是否真正有效。

但这些能力决定AI用在哪里、以什么形态出现，却不能完全决定AI本身能够做到什么程度。

当基础模型的推理能力不足时，教培公司可以增加知识库和标准答案，却很难把它变成一个能够稳定处理复杂问题的AI老师；当基础模型无法准确理解图片、语音和长对话时，应用层再精巧的设计，也很难彻底填补底层能力的缺口。

所以，教培公司的AI能力看起来体现在产品层，底层却建立在模型企业提供的公共能力之上。教培公司可以决定AI用在哪里，却很难决定AI的基础能力能够进步到哪里。

二、相比世界最强模型，教培公司更依赖国产模型

既然教培公司的AI能力依赖外部基础模型，接下来的问题就是：他们更依赖的究竟是世界最强模型，还是国产模型？

海外最强模型当然重要。

它们不断刷新推理、编程、多模态和复杂任务执行的能力上限，也让国内教培公司看到未来可能出现哪些产品。许多AI产品形态，最早都是在海外先进模型上得到验证。

但世界上已经存在某种能力，并不等于国内企业能够稳定地获得和使用这种能力。

对教培公司而言，选择一个模型作为业务底座，不能只看它是否最聪明，还要考虑三个更现实的问题：安全性、稳定性和成本。

首先是安全性。教育不是普通的信息服务。它既涉及知识传递，也涉及价值观引导、未成年人保护和意识形态安全。

教培公司的AI系统可能处理学生个人信息、学习记录、师生对话和家庭情况；面向学生的AI产品，还会直接回答历史、文化、社会和价值判断等问题。模型一旦进入教育产品，就不再只是帮助员工提高效率的工具，也可能成为学生获取知识和认识世界的信息入口。

因此，对教培公司来说，模型首先要安全、可控，然后才谈是否足够聪明。这不是一个附加条件，而是模型能否进入核心业务的前提。

其次是稳定性。一款海外模型即使能力更强，如果接入渠道、服务连续性和使用政策存在不确定性，就很难成为国内教培公司的核心生产底座。

教培公司的AI应用不是偶尔调用一次。一旦模型进入作业批改、学生答疑、销售质检、客服服务或者课程产品，就意味着每天都有大量业务依赖它运行。接口中断、调用受限或者服务规则变化，都可能影响用户体验，甚至导致业务流程停摆。企业可以用不够稳定的模型进行研究和测试，却很难把核心业务建立在一个长期可用性无法掌控的系统之上。

还有成本。教培行业的很多AI应用都具有高频、海量调用的特点。而海外最强模型大致是国内模型成本的5-10倍。学生每提交一道题，可能就需要调用一次模型；一次AI答疑往往包含多轮对话；销售、客服和辅导老师每天会产生大量录音和文字；教研内容生成、用户标签提取和服务质检，也需要持续批量运行。

单次调用相差几分钱，看起来并不多，但当调用量达到几十万、几百万次时，成本差异就会直接影响一个产品的商业模式能否成立。

因此，教培公司真正需要的，不一定是世界上能力最强的模型，而是在安全和稳定的前提下，能够以可承受的成本大规模使用的、足够强的模型。

这正是国产模型的特殊意义。全球最强模型决定了教培行业能够想象什么，国产模型决定了国内教培公司能够真正部署什么。即使企业同时接入多个模型，出于安全、稳定和成本等考虑，国产模型也更可能成为覆盖范围最广、调用频次最高的基础底座。

三、国产模型跨过门槛，才会带来AI场景的集中落地

2025年初， DeepSeek -R1的发布，曾经带来一轮国内AI应用热潮。

DeepSeek 发布后，大量企业、政府机构和产品迅速宣布接入。政务服务、政策问答、企业知识库、智能客服、公文处理、代码开发和数据分析等场景，在短时间内出现了大量应用。

这些应用场景并不是 DeepSeek 发布后才突然出现的。

企业早就知道AI可以用于客服、办公、知识检索和数据分析，很多机构此前也做过测试。 DeepSeek 真正带来的变化，是提供了一种能力较强、成本较低、开放程度较高，并且能够被国内企业稳定部署的模型选择。

它没有发明这些场景，而是释放了这些场景。

模型没有跨过门槛时，一个AI项目可能在技术上已经能够运行，却无法在经济上成立。比如，AI可以生成教研内容，但大量内容还需要人工逐字检查；可以分析销售对话，但识别结果经常遗漏关键信息；可以回答学生问题，但遇到复杂题目时表现不稳定。

AI看起来完成了大部分工作，员工却仍然需要跟在后面检查、修改和返工。企业既要支付模型成本，又不能减少原有的人力投入，有时还要增加一套审核流程。而真正决定一个AI项目能否规模化的，往往不是模型第一次“会做”某项任务，而是模型能否把人工兜底成本降低到企业可以接受的程度。

原来每一条结果都需要人工审核，后来只需要抽检；原来员工需要大幅修改，后来只需要处理少数异常；原来AI只能提供参考，后来可以独立完成一个标准化环节。当国产模型跨过这样的门槛，变化就不会只发生在一个项目中，而可能同时出现在一批场景里。

教培行业也是如此。

AI生成题目、制作教案、批改作业、答疑讲题、分析销售对话、提取用户标签、开展服务质检等等，这些场景并不是今天才被发现的。过去，它们中的一部分只能停留在概念验证阶段；一部分只能作为员工的辅助工具；还有一部分虽然已经上线，却因为人工审核成本过高，难以真正带来降本增效。

随着国产模型在推理、指令遵循、多模态、长文本和任务执行等能力上不断进步，一批原本不稳定的任务会变得稳定，原本需要大量修改的结果会逐渐接近直接可用，原本无法承担的高频调用也可能因为成本下降而变得可行。

所以，只有当国产模型跨过生产可用的门槛，这些场景才会从设想和试验，集中变成真正的项目和产品。

四、教培AI的进展，要看国产模型走到了哪里

回到 Kimi K3。

它对教培行业的意义，不一定在于某家教培公司会立即宣布接入，也不一定会马上催生出一款全新的教育产品。

更重要的是，它代表国产模型的能力边界仍在向前推进。国产模型在推理、多模态、长文本和复杂任务执行上的每一次提升，都可能降低教培公司使用AI的成本，减少人工审核和返工，扩大AI能够承担的任务范围。

表面上，教培行业的AI进展来自各家公司的产品发布、系统升级和业务改造。但在更底层，这些变化都建立在国产模型不断提高的公共能力之上。

教培公司可以决定先做AI批改、AI教研、AI质检还是AI老师，但这些产品能做到什么程度，能够覆盖多少用户，最终能不能形成一笔成立的经济账，很大程度上取决于国产模型已经走到了哪里。

世界最强模型告诉教培行业，AI未来可能做到什么。国产模型则决定这些能力什么时候能够真正批量且稳定安全地进入中国教培公司的产品、课堂和业务流程。

本文来自微信公众号“多知网”（ID：duozhiwang），作者：Tcoh