TeachMaster: Generative Teaching via Code¶

会议: ACL2026
arXiv: 2601.04204
代码: 无
领域: 视频生成 / 教育智能体 / 多模态内容生成
关键词: 生成式教学, 代码中间表示, 多智能体, Manim, 教育视频生成

一句话总结¶

TeachMaster 提出 Generative Teaching 范式，用代码作为教育视频的可解释中间表示，让规划、代码生成、配音、调试、同步和布局智能体协作生成完整课程视频，在接近人工质量的同时把 45 小时课程制作成本降到传统方式的约 0.3%。

研究背景与动机¶

领域现状：在线教育已经能大规模分发课程，但高质量课程内容本身仍依赖人工设计、录制、剪辑和反复修改。视频生成模型虽然能从文本直接生成画面，但主流 E2E 视频生成更擅长短片或视觉片段，不擅长保证教学结构、叙事逻辑和可编辑性。

现有痛点：教育视频不是普通短视频。它需要准确脚本、分层知识组织、画面与旁白同步、关键概念逐步展开，还要方便教师后续修改。像 Sora 这类像素级生成模型输出黑盒、时长受限、修改困难；仿照人类操作软件的 agent 又依赖大量轨迹和训练成本。

核心矛盾：可扩展的教育内容生产需要自动化，但教育质量需要结构、可控性和可追溯修改。纯视频生成自动化强但不可控，纯人工制作质量高但昂贵且更新慢。

本文目标：作者希望把教师从手工制作者转变为高层导演，只输入教学意图或课程大纲，由一组生成式智能体完成脚本、页面、动画、配音、调试和渲染，最终产出可教、可改、可部署的视频课程。

切入角度：论文认为教育视频不必直接做像素级生成。对于讲解类、概念类、可视化类课程，代码本身就是更好的中间表示：它能表达布局、动画、颜色、时间轴和对象关系，也便于调试、同步和人工编辑。

核心 idea：用代码连接教学语义和视频渲染，把“从大纲到视频”的过程拆成内容规划、呈现生成和质量验证三阶段多智能体流水线，让教育视频生成变成可解释、可编辑、可验证的程序化生产过程。

方法详解¶

TeachMaster 的关键不是单个大模型生成一段视频，而是一个面向课程生产的工程流水线。输入可以是关键词或课程大纲，输出包括生成视频 \(V_{out}\) 和讲稿 \(L_{out}\)。系统把抽象教学意图先变成页面级蓝图，再把蓝图变成 Manim 可执行代码和旁白，最后通过调试、同步、布局优化与人工接口完成可交付视频。

整体框架¶

整体流程分为三阶段。第一阶段是内容规划，composition agent 把原始输入扩展成完整讲稿，并通过长度 refinement 对齐目标时长；pagination agent 再把长讲稿切成页面级单元，长文本处理使用 Chain-of-Agents，把讲稿拆分为多个片段分别分页再合并。

第二阶段是 presentation generation。每个页面蓝图会进入 routing agent，系统判断应该走标准代码生成，还是走 image-enhanced coding agent 以引入照片级或复杂图像资产。随后 narration agent 根据当前页面、上一页讲稿和视觉代码生成旁白，TTS agent 再把旁白转成音频并估计语速。

第三阶段是 quality validation。debugging agent 对生成代码做 render-and-repair，遇到语法或运行错误就根据报错修复；synchronization agent 根据音频语速和代码中的事件锚点插入等待与触发逻辑；layout agent 检测遮挡和拥挤，调整几何位置；最后 human-in-the-loop 接口允许自然语言修改或直接编辑代码。

关键设计¶

代码作为教育视频的中间语义媒介:
- 功能：把不可编辑的视频像素生成转化为可执行、可检查、可修改的动画程序生成。
- 核心思路：TeachMaster 主要通过 Python / Manim 渲染教育动画。视觉对象、几何关系、颜色、运动轨迹、等待时间和文本元素都落在代码里。模型不直接生成最终像素，而是生成可以渲染为视频片段的程序，再把每页片段与旁白音频合成完整视频。
- 设计动机：教育内容强调准确性和可维护性。代码中间表示让教师和系统都能定位问题，例如改一个公式位置、调整动画节奏、替换图像资产，而不需要重新生成整段黑盒视频。
内容规划到呈现生成的多智能体分工:
- 功能：把课程生产拆成脚本、分页、视觉、旁白和音频等可控子任务。
- 核心思路：composition agent 负责 semantic skeletonization、content expansion 和 length refinement，先把教学意图变成长度合适的讲稿。pagination agent 负责页面粒度分割。routing agent 选择 Standard 或 ImageEnhanced 模式，coding agent 生成视觉代码，narration agent 结合页面蓝图、上一段讲稿和视觉代码生成连贯旁白，TTS agent 生成音频和语速信息。
- 设计动机：教育视频要求叙事、画面和声音协同。单流生成容易在画面漂亮、脚本完整和时长可控之间失衡；多智能体分工让每个模块围绕一个明确质量目标优化。
渲染闭环中的调试、同步与布局验证:
- 功能：把 LLM 生成代码的不稳定性和多模态错位问题压到可接受范围。
- 核心思路：debugging agent 通过执行渲染拿到错误栈，然后修复代码，超过重试阈值时用标准模板兜底；synchronization agent 将 debug 后代码中的事件锚点和旁白语义单元对齐，根据语速插入 timing 控制；layout agent 检测对象重叠，按启发式扫描寻找更优坐标并回写代码。
- 设计动机：教学视频失败常常不是单纯“内容错”，而是字幕挡住图、动画比旁白快、代码渲染失败。把这些问题变成可执行验证和代码修复，比事后人工审查每帧更可扩展。

损失函数 / 训练策略¶

论文整体是系统框架，不是端到端训练一个视频模型。视觉合成引擎可以切换：一种调用 Gemini-3 API，另一种使用本地 Qwen3-32B 生成高保真 Manim 代码。为提升 Qwen3-32B 的代码生成能力，作者构造了 3735 对高质量人工标注数据，按难度分类并采用 curriculum learning。

训练配置使用 8 张 NVIDIA A800 40GB，LoRA rank 为 128，LoRA alpha 为 256，DeepSpeed ZeRO-3，学习率 \(1 \times 10^{-5}\)。TTS agent 使用 Minimax。系统部署时支持异步任务队列，以适应多用户同时生成课程视频。

实验关键数据¶

主实验¶

视频质量与效率评估比较人工视频、Sora 2，以及 TeachMaster 的 Gemini 和 Qwen 两个引擎版本。质量指标由 GPT-5.2 在 1 到 10 分量表上评分，并用 3 名人类专家对 300 个随机视频做偏好验证，人与 GPT 评估一致率为 81.71%。

方法	空间清晰度	视觉丰富度	教学逻辑	图文一致	事实准确	总体质量	制作时长 min	视频时长 min	制作/视频比
Human	8.22	7.31	8.38	8.29	9.24	8.29	795.00	32.50	24.46
Sora 2	7.36	6.36	7.55	7.64	8.96	7.57	3.20	0.25	12.80
TeachMaster-Gemini	7.97	6.98	7.97	7.63	8.99	7.91	88.43	35.97	2.46
TeachMaster-Qwen	7.42	6.42	7.49	7.66	8.94	7.59	112.80	32.55	3.47

脚本质量和跨模态对齐进一步说明代码中心范式的价值。TeachMaster-Gemini 在脚本总体质量上达到 8.95，略高于人工 8.84；TeachMaster-Qwen 在跨模态对齐总体得分 8.79，高于人工 8.13 和 Sora 2 的 6.65。

方法	脚本结构	叙事连贯	准确性	完整性	一致性	脚本总体	语义覆盖	指称准确	视听对称	对齐总体
Human	8.90	9.11	9.05	8.32	8.84	8.84	8.17	7.94	8.28	8.13
Sora 2	3.14	6.57	1.86	6.00	4.39	4.39	6.64	6.59	6.73	6.65
TeachMaster-Gemini	8.89	9.00	9.67	8.22	8.95	8.95	8.63	8.11	8.57	8.44
TeachMaster-Qwen	8.50	9.00	8.17	7.67	8.34	8.34	8.93	8.57	8.87	8.79

消融实验¶

论文没有传统模块删除式消融，但从部署、用户反馈和成本统计展示了系统各组件带来的实际效率收益。

分析维度	数值 / 现象	含义
真实部署规模	服务超过 1000 名教育者，生成超过 30000 分钟内容	系统不是离线 demo，已进入多学科真实使用
学科覆盖	超过 40 个学科	代码中心表示对 AI、分子生物、语言学等不同主题都有泛化性
页面人工介入	75.2% 以上页面无需人工修改	调试、同步和布局验证能处理大部分生成问题
需要修改页面	平均 1.88 轮交互完成	human-in-the-loop 接口降低后期编辑成本
标准 45 小时课程成本	约 83.70 美元	约为传统在线课程制作费用的 0.3%

关键发现¶

TeachMaster 的质量不只是“比 Sora 2 更长”。它在脚本结构、跨模态对齐和教学逻辑上显著更稳，因为内容先被组织成页面和代码，而不是一次性生成短视频片段。
Sora 2 的制作时间看似短，但只能生成 0.25 分钟视频，制作/视频比为 12.80；TeachMaster-Gemini 能生成 35.97 分钟内容，制作/视频比降到 2.46，更适合课程级生产。
人工视频总体质量仍最高，但时间成本极高。TeachMaster 的核心价值是让质量略低于人工或在部分指标超过人工，同时把单位内容生产成本压低一个数量级以上。
Qwen 版本在跨模态对齐上最高，说明本地代码生成模型虽然视觉丰富度略弱，但通过代码对象和旁白显式绑定，能更好保持视觉与语言同步。

亮点与洞察¶

最重要的洞察是：教育视频生成不必以像素为中心。对于大量知识讲解场景，代码比视频帧更接近“可控语义”，也更适合做调试、同步、回滚和人工编辑。
系统把教师定位为 high-level director，而不是被 AI 替代的内容工人。教师仍然把控教学目标和逻辑，智能体负责繁琐实现，这个交互定位比完全自动生成更容易被教育场景接受。
多智能体不是为了“显得复杂”，而是对应了课程生产的真实工序：写稿、分页、画图、配音、调节节奏、排版、审查。每个工序都有明确输入输出，利于工程化。
TeachMaster 对科研内容生成也有启发。例如论文讲解视频、课程可视化、实验流程演示都可以用“语义蓝图 -> 代码 -> 渲染 -> 同步”的路径，而不必直接依赖黑盒视频模型。

局限与展望¶

评价主要依赖 GPT-5.2 打分和专家一致性校验，虽然规模可扩展，但教育效果最终还需要更多学习者成绩、留存、理解深度等长期指标。
系统非常适合动画、图表和概念可视化，但对于真实实验录像、人物授课、复杂场景叙事或高写实镜头，代码中心范式可能不如专业视频生成模型。
Qwen3-32B 的高质量 Manim 代码生成依赖 3735 对人工标注数据和较强算力，迁移到其他动画框架或低资源语言时仍有成本。
论文没有细化每个智能体失败率、调试重试次数、布局冲突消除成功率等工程指标。未来如果公开模块级日志，会更利于复现和比较。

评分¶

新颖性: ⭐⭐⭐⭐☆ 代码中心视频生成已有相关脉络，但 Generative Teaching 的系统化多智能体流程和部署规模很有新意。
实验充分度: ⭐⭐⭐⭐☆ 有多维质量评测、人类一致性、真实部署和成本统计；模块级消融仍不够细。
写作质量: ⭐⭐⭐⭐☆ 场景动机清楚，系统流程完整，表格数据能支撑效率论点。
价值: ⭐⭐⭐⭐⭐ 对教育内容生产、课程可视化和可编辑多模态生成很有实际价值，尤其适合大规模在线教育更新。