商用模型还是开源模型当「老师」：OpenMAIC 课堂大模型选型横评

商用模型还是开源模型当「老师」：OpenMAIC 课堂大模型选型横评

【免费下载链接】OpenMAICOpen Multi-Agent Interactive Classroom — Get an immersive, multi-agent learning experience in just one click项目地址: https://gitcode.com/GitHub_Trending/op/OpenMAIC

OpenMAIC（Open Multi-Agent Interactive Classroom）把「一句话生成一门互动课」做成了开源工程：输入一个主题，多智能体协同生成幻灯片、测验、互动模拟与 PBL 项目，AI 老师与 AI 同学还能在课堂上实时问答、上白板演算、开口讲解。但大多数人没有意识到，这条生成管道的每一环都是一场对模型能力的极限压力测试——大纲规划要遵循格式，场景内容要输出结构化 JSON，讲台动作要从 JSON 数组里解析出wb_draw_latex、play_video这类带参数的调用。模型选错了，课堂生成的失败率会以指数级放大。

本文基于仓库源码与社区实操情报，围绕三条主线做一次「课堂场景大模型选型横评」：指令遵循与函数调用稳定性为什么是第一指标；GPT-4/Claude 与 Qwen/GLM 在课堂内的真实差异；以及在成本、中文适配与隐私约束下，如何用 OpenMAIC 的分阶段路由机制做出折中选择。

课堂生成是对模型最苛刻的「压力测试」

打开 课程模型配置，可以看到一条固定的生成管线：文档解析（doc-parse）→ 联网调研（web-research）→ 大纲规划（outline）→ 智能体角色生成（agents）→ 场景内容（scene-content）→ 场景动作（scene-actions）→ 语音合成（tts）→ 互动编排（interaction）→ 媒体生成（media）。v1.1.0 起，设置页围绕这条工作流重构，为每个生成环节提供独立的模型选择（README.md）。

这意味着选型不是「选一个大模型」，而是要为九个不同性质的环节分别挑选。doc-parse要的是长文档抽取的耐心，scene-content要的是知识密度与表达，scene-actions要的是「看了内容之后正确决定先讲哪一页、要不要开白板」的规划力，tts则根本不走 LLM。任何一个环节的模型掉链子，整堂课就会卡壳。

指令遵循与函数调用稳定性：选型的关键指标

社区多篇实操文章反复把「指令跟随与函数调用稳定性」列为课堂场景选型的首要指标，这与源码中的机制完全吻合。OpenMAIC 的课堂互动依赖模型输出结构化动作序列：动作从模型响应的 JSON 数组项中解析（tool-schemas.ts），随后被注入系统提示词。以白板动作为例，模型必须精确产出带参数的对象：

wb_draw_latex: Add a LaTeX formula to the whiteboard. Use for mathematical equations and scientific notation. Parameters: { latex: string, x: number, y: number, width?: number, height?: number, color?: string, elementId?: string } wb_draw_chart: Add a chart to the whiteboard. Parameters: { chartType: "bar"|"column"|"line"|"pie"|"ring"|"area"|"radar"|"scatter", x, y, width, height, data: { labels: string[], legends: string[], series: number[][] }, ... } play_video: Start playback of a video element on the current slide. Synchronous — blocks until the video finishes playing. ...

这类调用的失败模式非常典型：模型不遵循格式输出自然语言而非 JSON、参数类型错误、坐标超出白板边界、该聚焦时一次调用十个 spotlight。任何一个错误都会让课堂演出「穿帮」。

源码层面，所有 LLM 调用统一收口到 callLLM / streamLLM，这层封装承担了三件事：按模型的 thinking 能力注入厂商特定的请求参数、记录每次调用的 token 用量、以及空输出兜底。对于「输出为空」这类静默失败，只要配置了兜底模型就会再给一次机会；但内容安全拒绝（content-filter）永远不会触发兜底，因为换个模型重试同样会被拒，只会白白烧掉配额。

因此在筛选模型时，第一张检查表就是厂商能力清单（providers.ts）里的capabilities.tools标志——它直接表明该模型是否宣称支持工具/函数调用。有意思的是，即便是同一厂商，不同型号的工具能力也可能不一致（例如 Atlas Cloud 渠道下的 Qwen3.5 Flash 标注为tools: false，而同渠道的 DeepSeek V4 Pro 为tools: true且经过强制函数调用实测验证）。买「工具调用稳定」而不是买「品牌」，这是横评的第一个结论。

GPT-4/Claude 与 Qwen/GLM 同课堂实测对比

把商用闭源（OpenAI GPT、Anthropic Claude、Google Gemini）与开源系（Qwen、GLM、DeepSeek、Kimi）放在同一课堂里对比，仓库目录给出了四个硬维度。

上下文长度。OpenMAIC 的课堂是长会话：生成阶段要吞吐整个大纲，互动阶段 Pi 运行时还要在 128,000 token 的默认窗口内做有损压缩（director-compaction.ts，预留 20% token、保留最近 25% 消息）。这一代主流旗舰均已跨过 1M 门槛：GPT-5.6 家族 1.05M、Claude Opus 5 的 1M、DeepSeek V4 Pro 的 1,048,576、Qwen3.7 Plus/Max 与 GLM-5.3 的 1M。差距不再在「够不够长」，而在压缩策略的配合：MODEL_ROUTES允许运营者为特定环节覆盖目录里的 contextWindow 数值，把 Pi 的压缩阈值钉在一个更保守的窗口上。

思维链（thinking）的可控性。这是商用与开源系分化最明显的地方（model-metadata.ts）：

• Claude 采用 effort 控制，可显式关闭或调节预算；
• DeepSeek V4 系列同样暴露 effort 档位；
• Qwen3.7 Plus/Max 的思维链可按预算开关，而 Qwen3.6 Max Preview 出厂默认关闭；
• GLM-5.3 则是「思维链不可关闭，只能低/高/最大三档缩放」，API 直接拒绝disabled。

对课堂编排者来说，thinking 不可关的模型意味着每次互动问答都会额外产出推理 token——成本与延迟双升；但反过来，对需要深度推理的教学内容（如数学推导、PBL 方案设计），强制思考反而是质量保证。能否按环节开关思维链，直接决定了「同一个模型能否同时胜任大纲规划与课堂闲聊」。

多模态与视觉。GLM-5.3-Flash 是原生多模态型号（320B MoE、18B 激活），GLM-5.3 本身无视觉但 Flash 具备；Qwen3.7 Plus 同时点亮 tools 与 vision。课堂里「AI 老师看图讲解、批改手写白板」这类能力，只有 vision 型号才能承接。

老师层与学生层的分层。社区实操普遍采用「老师层 + 学生层」的分层选型：老师角色（大纲、讲解、答疑）上旗舰，学生角色（提问、讨论、质疑）上廉价高速型号。OpenMAIC 的机制恰好支持这种错配：Pi 运行时按 agent 角色分别管理上下文，pbl-chat与pbl-v2-runtime这类下游环节会继承父环节的模型解析结果，运营者可以在MODEL_ROUTES里把「老师发言」与「同学提问」路由到不同价位的模型，而不是让所有角色共享一个贵模型。

成本、中文适配与隐私约束下的折中选择

横评的第三部分是约束条件下的妥协。OpenMAIC 的杀手锏是分阶段模型路由（model-routes.ts）：一个 JSON 环境变量即可把生成环节映射到任意provider:model，还能附带完整 thinking 配置，例如：

DEFAULT_MODEL=openai:gpt-5.4-mini MODEL_ROUTES='{ "scene-content": "openai:gpt-5.4", "pbl-chat": {"model": "anthropic:claude-sonnet-4", "thinking": {"enabled": false}}, "pbl-v2-runtime": "deepseek:deepseek-v4-pro" }' MODEL_FALLBACK='qwen:deepseek-v4-pro'

MODEL_FALLBACK提供全局兜底，配合 llm-fallback.ts 的触发条件——只有可重试的失败（429 配额、5xx 容量、网络错误、空输出）才会切到第二个模型，内容安全拒绝与鉴权 4xx 永不触发。这套设计的工程含义是：你可以把最贵的商用模型只留给「内容质量最敏感」的环节（场景内容），把其余环节交给开源系廉价型号，并让一个便宜模型在故障时兜底，配额永远不会被「重试一次同样被拒的请求」浪费。

中文课堂适配是另一个被社区反复提及的维度。GLM 与 Qwen 在目录中提供双端点：GLM 同时支持国内open.bigmodel.cn与国际api.z.ai两个 baseUrl（providers.ts），Qwen 走阿里云 DashScope 兼容模式。对面向 K12 与职业教育的团队，中文语料的指令遵循、成语俗语与学科术语表达，是闭源商用模型本地化效果之外的硬成本因素——而 GLM/Qwen/DeepSeek 系的 API 价格通常低一个数量级。

隐私约束则指向另一条分支：OpenMAIC 原生支持 Ollama 与 Lemonade（本地 LLM/图像/TTS/ASR 四合一，无需 API Key）、FunASR（本地语音识别，SenseVoiceSmall/Paraformer）等本地通道（README.md）。对数据不能出校门的中小学与职业院校，「老师层用云端旗舰、学生层与语音走本地」是当前唯一既合规又可落地的组合。此外，小米 MiMo、TokenDance、豆包等 Token Plan 渠道也在目录中，属于「充值卡式」的固定成本选择，适合课堂使用量稳定的团队。

结论：没有最好的模型，只有最合适的「分诊」

把三个指标叠起来，可以给出一个务实的选型矩阵：

OpenMAIC 把选型从「拍脑袋定一个主模型」变成了「写一张 MODEL_ROUTES 路由表」——路由即策略，兜底即容灾，分阶段即成本控制。商用模型与开源模型从来不是二选一的对立，而是在同一条课堂生成管道里各司其职。真正决定课堂质量的，不是模型的品牌，而是你是否为每一个环节配对了合适的「老师」。

【免费下载链接】OpenMAICOpen Multi-Agent Interactive Classroom — Get an immersive, multi-agent learning experience in just one click项目地址: https://gitcode.com/GitHub_Trending/op/OpenMAIC