在加拿大温哥华会议中心，国际机器学习领域的盛事——第42届国际机器学习大会（ICML 2025）隆重召开。此次大会中，作业帮技术团队凭借其在AI+教育领域的深厚积累，成功发表了一项引人瞩目的研究成果，为智能教育的发展带来了新的曙光。
大会汇聚了全球机器学习领域的精英，共收到超过1.2万篇投稿，经过层层筛选，最终仅有约26.9%的论文得以入选。在这样激烈的竞争环境下，作业帮的论文犹如一颗璀璨的新星，展现了其研究的前瞻性和创新性。
智能教育场景中，AI模型的精准度和稳定性至关重要。传统方法，如Bradley-Terry偏好模型（BTM），在面对复杂多变的教学环境时，常因最优解不唯一的问题而陷入困境，影响了学生的学习体验和智能教育工具的效果。作业帮技术团队针对这一难题，提出了基于能量的偏好模型（EBM）及能量偏好对齐（EPA）方法。
EBM模型通过全局归一化处理，完美适配了学生多样化答题思路等无限候选空间，确保了最优解的唯一性。同时，它严格满足了模型预测与真实偏好线性一致的条件，从根本上解决了传统模型的不稳定问题。这一理论创新为智能教育的技术优化和应用拓展奠定了坚实的基础。
在此基础上，作业帮团队进一步研发出EPA方法。该方法采用三重对比训练机制，通过优质答案、强干扰答案和弱干扰答案的对比，使模型在有限数据条件下也能精准捕捉教育场景中的细微偏好。实验数据显示，在Alpaca eval 2.0等权威测试中，EPA方法的胜率相较于传统DPO方法有了显著提升，尤其在复杂场景中表现更为稳健，有效降低了过拟合风险。
教育场景对AI的偏好理解精准度要求极高。以数学为例，同一道题可能存在多种解法，模型需要精准识别步骤规范和逻辑清晰等细微差异。EBM模型凭借其深度挖掘和捕捉复杂偏好的能力，在这一领域展现出了独特的优势。未来，该技术将广泛应用于智能解题、个性化辅导等学习场景，助力AI更精准地洞察学生学习需求和学校教学习惯，为用户提供更加优质的学习体验。
作为教育科技领域的佼佼者，作业帮依托“教育+科技”的双轮驱动战略，不断在前沿技术领域探索创新，积极推动AI技术在教育场景的应用落地。此次在ICML 2025上发表的研究成果，不仅彰显了作业帮的AI技术实力，更为智能教育产业的发展注入了新的活力。
