随着学年即将结束,Adobe最新推出的AI工具可以帮助学生为期末考试冲刺复习。该公司周二在Acrobat中推出了Student Spaces,这是一个专为大学生提供个性化学习帮助的全新学习空间。
Student Spaces内置于Adobe Acrobat中。用户只需上传课程材料(前提是拥有使用权限,不要上传整本教科书),Adobe的AI就会创建定制化学习材料。用户可以制作学习指南、单词卡、测验、播客、视频概览、演示文稿、思维导图和个性化课程计划。该工具主要面向大学生设计,但任何学生都可能觉得有用。
这些AI生成的学习材料基于用户上传材料的"真实内容",并会在每个问题后标注信息来源,让用户清楚地知道信息的出处。如果你使用过谷歌的NotebookLM,会发现使用感受相似。
Student Spaces由Adobe教育团队开发,团队负责人是副总裁Charlie Miller,他也是一位资深大学教授。Adobe团队与六所大学的500多名学生合作并征求反馈意见。
Miller表示,Student Spaces特意设计了多种学习工具,以便各种类型的学习者都能使用。"我们希望尽可能地适应不同类型的学习方式和内容类型,"Miller在接受CNET采访时说道。听觉和视觉学习者可以使用播客和视频概览工具,数学学生可以使用AI导师来解方程,历史学生则可以使用测验和单词卡来记忆重要事件。
学生对AI学习工具最大的两个需求是能够与同学协作以及将所有工具集中在一个地方。Adobe将Student Spaces设计得易于通过Discord、WhatsApp和GroupMe进行分享。用户还可以分享特定的学习工具(如练习测验),而无需分享整个Student Space。
AI在教育中发挥着越来越重要的作用,许多教育工作者和家长担心孩子们如何使用这项新技术。研究发现,聊天机器人等更通用的AI工具可能会使学生更难进行批判性思考。Adobe的AI构建的是更传统的学习工具,需要学生与之互动,而不是直接输出完整的论文。
Acrobat Student Spaces现已进入公测阶段并免费提供。如果你无法访问Adobe Acrobat,可以查看你的大学是否提供Adobe Creative Cloud应用程序的访问权限。如果没有,你可以使用学生邮箱以大幅折扣价格订阅。
Q&A
Q1:Adobe Student Spaces是什么?有什么功能?
A:Student Spaces是Adobe在Acrobat中推出的AI学习工具,专为大学生设计。它可以根据用户上传的课程材料创建定制化学习内容,包括学习指南、单词卡、测验、播客、视频概览、演示文稿、思维导图和个性化课程计划等多种学习工具。
Q2:Adobe Student Spaces如何保证学习内容的准确性?
A:Student Spaces生成的学习材料基于用户上传材料的"真实内容",AI会在每个问题后标注信息来源,让用户清楚地知道每条信息的具体出处,确保学习内容的可追溯性和准确性。
Q3:Adobe Student Spaces如何获取和使用?
A:Student Spaces目前处于公测阶段并免费提供。用户可以通过Adobe Acrobat使用该工具。如果没有Acrobat访问权限,可以查看大学是否提供Adobe Creative Cloud应用程序,或使用学生邮箱以折扣价格订阅。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。