30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度今天我们来拆解一个在教育和AI交叉领域越来越受关注的话题如何利用AI技术分析课堂行为。这不仅仅是简单的视频监控而是通过计算机视觉、行为识别和数据分析将课堂录像转化为可量化的教学洞察。对于教育研究者、学校管理者、甚至是一线教师来说这意味着可以更客观地评估教学互动、学生参与度和课堂氛围从而优化教学策略。这个领域的核心不是概念有多复杂而是能否在本地或云端稳定运行以及分析结果是否准确、实用。本文将聚焦于技术实现层面探讨从视频输入到行为洞察的完整技术栈包括模型选择、硬件门槛、部署方式、接口调用和批量处理能力。无论你是想搭建一个本地分析系统还是希望将AI能力集成到现有的教学平台中这篇文章都会提供一套清晰的思路和可操作的验证路径。我们将从最核心的问题开始AI分析课堂行为到底能做什么简单来说它可以识别并统计师生的多种行为例如教师是否在讲台区域活动、学生举手次数、学生抬头/低头是否专注、学生之间的互动如讨论、学生离开座位等。更进一步可以分析课堂的整体活跃度、师生互动比例、教学环节的时间分布等。这些数据过去依赖人工观察记录耗时耗力且主观性强而AI提供了自动化、可复现的解决方案。接下来我们会梳理实现这一目标所需的技术组件、硬件资源要求并提供一个从环境搭建到效果验证的完整流程。本文适合对AI应用、计算机视觉或教育技术感兴趣的开发者、产品经理及研究人员。我们将重点关注方案的可行性、部署的便捷性以及结果的可用性。1. 核心能力速览在深入技术细节前我们先通过一个表格快速了解AI课堂行为分析系统的核心能力概貌。这有助于你判断这个方向是否与你的需求匹配。能力项说明与典型指标核心分析目标识别师生课堂行为量化教学互动与学生参与度。主要识别行为教师位置/移动、学生举手、抬头/低头专注度、起立、走动、小组讨论、使用电子设备等。输入格式支持单路摄像头RTSP流、本地视频文件MP4, AVI等、批量视频文件处理。输出形式实时行为标签流、每节课的统计报告JSON/CSV、可视化热力图、时间线图表。技术栈基础计算机视觉目标检测、姿态估计、行为分类、时序建模、可能结合多模态音频分析。硬件门槛GPU推理推荐RTX 3060 12G或以上用于实时或准实时分析。CPU推理可行但速度慢适合课后批量处理。边缘设备部分轻量级模型可部署在Jetson等设备。部署方式1.本地服务通过Docker或Python脚本启动提供WebUI或API。2.云端API调用第三方AI服务接口。3.一体化软件商业或开源的一键安装包。是否支持API是。主流方案会提供RESTful API供其他系统如教务平台调用分析结果。是否支持批量任务是。核心应用场景之一可自动处理一个班级、一个年级甚至整个学校的历史录像。适合场景教学研究、课堂质量评估、教师专业发展培训、智慧教室建设、在线教育互动分析。2. 适用场景与使用边界AI课堂行为分析有明确的价值但也有其适用的边界。理解这些边界能帮助你更合理地设计项目目标和评估标准。它最适合谁教育研究者需要大量课堂样本进行量化研究分析不同教学法对学生行为的影响。学校管理者与教研组希望进行客观的课堂观察与评价辅助教学管理决策发现优秀教学案例。教师个人进行自我教学反思通过回顾自己的课堂录像和数据发现可改进的互动模式。教育科技公司作为智慧教室或在线教育平台的增值功能提升产品竞争力。它能解决什么问题客观化评估将主观的“课堂气氛活跃”转化为“学生平均举手次数”、“教师巡视覆盖范围”等指标。大规模分析快速处理成百上千小时的课堂录像发现宏观规律。过程性评价不仅关注结果更关注教学过程中师生互动的质量。个性化反馈为教师提供基于其特定课堂数据的、有针对性的改进建议。它不适合什么场景替代人类综合评价AI无法理解教学内容的深度、情感交流的细微之处、创意的火花。它提供的是“数据证据”而非“价值判断”。侵犯隐私的监控必须严格界定使用范围。分析应用于教学改进而非对学生或教师进行监控与惩罚。需获得知情同意并对数据脱敏处理。完全自动化的决策不应仅凭AI分析数据就对教师或学生做出重大决策如评级、处分。数据应作为辅助参考。光线极差、视角严重遮挡的录像当前计算机视觉技术在此类条件下识别准确率会大幅下降。版权、隐私与安全边界必须遵守数据授权所有被分析的课堂录像必须事先获得教师、学生或其监护人的明确授权并明确告知数据用途、存储期限和处理方式。数据脱敏与匿名化在存储和分析时应对人脸等生物特征信息进行模糊化或匿名化处理。最终报告应使用聚合数据或匿名ID避免关联到具体个人。本地化部署优先涉及大量师生视频数据时优先考虑本地服务器部署避免敏感数据上传至不可控的第三方云端。合规使用遵守《个人信息保护法》等相关法律法规建立数据安全管理制度。3. 环境准备与前置条件在动手部署或开发前需要准备好软硬件环境。以下是一个通用性较强的清单具体项目可能有所调整。1. 硬件环境GPU推荐用于模型推理加速。这是影响分析速度的关键。入门级NVIDIA GTX 1660 Ti 6G / RTX 3060 12G。可运行轻量级模型进行单路视频的准实时分析或批量处理。性能级RTX 4070 12G / RTX 4080 16G / RTX 4090 24G。适合多路视频流实时分析或高精度模型。专业级Tesla T4 / A10 / A100 等服务器显卡用于大规模部署。CPU如果仅使用CPU推理需要多核高性能CPU如Intel i7/i9或AMD Ryzen 7/9系列。处理速度将远慢于GPU。内存建议16GB或以上。处理高清视频和大型模型时内存占用较高。存储预留充足的SSD空间用于存放视频文件、模型文件和分析结果。一个小时的1080P视频约需1-2GB。2. 软件与框架环境操作系统Ubuntu 20.04/22.04 LTS首选对深度学习框架支持最好 Windows 10/11 macOS仅限CPU推理或特定框架。Python版本3.8 - 3.10。这是大多数AI框架的主要语言。深度学习框架PyTorch当前学术界和工业界的主流选择生态丰富。需安装与CUDA版本对应的PyTorch。TensorFlow部分预训练模型基于此框架。CUDA 和 cuDNN如果使用NVIDIA GPU必须安装与显卡驱动匹配的CUDA工具包如CUDA 11.7, 11.8及对应版本的cuDNN。关键Python库计算机视觉OpenCV-python (cv2) Pillow (PIL)。视频处理FFmpeg (通过命令行或ffmpeg-python库调用)。模型推理ONNX Runtime (可选用于加速模型部署) TensorRT (NVIDIA GPU极致优化可选)。Web服务FastAPI 或 Flask (用于构建API服务)。任务队列Celery Redis (用于管理批量任务可选)。容器化可选但推荐Docker Docker Compose。用于创建隔离、可复现的环境简化依赖管理。3. 模型文件准备AI行为分析的核心是预训练模型。你需要根据具体行为定义准备或训练相应的模型目标检测模型如YOLOv8, YOLOv10, DETR用于检测教室中的人教师、学生。姿态估计模型如OpenPose, MMPose, MoveNet用于识别人体关键点头、肩、手、肘等是判断举手、抬头等动作的基础。行为识别模型在检测和姿态的基础上需要时序模型如SlowFast, TimeSformer或基于规则的状态机来判断连续动作。预训练权重从Hugging Face、Model Zoo或GitHub项目主页下载对应的模型权重文件.pt,.pth,.onnx格式。4. 安装部署与启动方式这里我们以一个假设的、集成了上述能力的开源项目EduVision-Analyzer为例演示典型的本地部署流程。请注意实际项目名称和命令可能不同但逻辑相通。方案一基于Docker的一键部署最推荐如果项目提供了Docker镜像这是最快捷、依赖问题最少的方式。# 1. 确保已安装Docker和Docker Compose docker --version docker-compose --version # 2. 克隆项目代码假设项目在GitHub上 git clone https://github.com/example/EduVision-Analyzer.git cd EduVision-Analyzer # 3. 查看项目提供的docker-compose.yml文件通常包含服务、卷映射和端口配置 cat docker-compose.yml # 4. 拉取镜像并启动服务-d 表示后台运行 docker-compose up -d # 5. 查看服务日志确认启动成功 docker-compose logs -f启动成功后通常可以通过浏览器访问http://localhost:7860或http://localhost:8000打开WebUI界面。Docker方式将Python环境、CUDA依赖、模型文件都封装在镜像内极大简化了部署。方案二基于Conda/Pip的本地源码部署适合需要深度定制或项目未提供Docker镜像的情况。# 1. 创建并激活Conda虚拟环境强烈推荐 conda create -n eduvision python3.9 conda activate eduvision # 2. 安装PyTorch请根据CUDA版本到PyTorch官网获取对应命令 # 例如CUDA 11.8 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 3. 安装项目依赖 cd EduVision-Analyzer pip install -r requirements.txt # 4. 下载预训练模型文件到指定目录如 ./models # 通常项目README会提供模型下载链接或脚本 # wget -P ./models https://example.com/models/yolov8n-pose.pt # wget -P ./models https://example.com/models/behavior_cls.pth # 5. 启动WebUI服务假设主入口是app.py python app.py --host 0.0.0.0 --port 7860 # 或者启动API服务 uvicorn api_server:app --host 0.0.0.0 --port 8000 --reload方案三直接使用可执行文件或一键包部分商业软件或成熟开源项目会提供打包好的可执行文件如.exe for Windows, .app for Mac。这种方式对用户最友好解压即用但通常闭源或定制性较弱。无论哪种方式启动后核心是确认两项服务WebUI服务用于上传视频、查看分析结果和可视化报告。API服务用于程序化调用集成到其他系统。5. 功能测试与效果验证部署成功后需要通过实际课堂录像来验证系统的分析能力。我们设计一个从简单到复杂的测试流程。5.1 测试准备素材与基线测试视频准备一段5-10分钟的清晰课堂录像。最好包含多种典型行为教师讲解、学生举手、学生低头写字、小组讨论等。视频分辨率建议1080P格式为MP4。预期结果基线人工观看视频记录下关键行为发生的时间点例如00:01:23学生A举手00:02:15教师走到后排。这将作为评估AI分析准确率的参考。5.2 单视频文件分析测试这是最基础的功能测试验证核心流水线是否工作。操作步骤访问WebUI打开浏览器输入服务地址如http://localhost:7860。上传视频在界面中找到“上传”或“选择文件”按钮上传你的测试视频。配置参数如果有检测置信度阈值通常0.5-0.7值越高识别越严格漏检可能增加。行为定义确认系统识别哪些行为如hand_up, looking_down, standing_up。输出格式选择JSON和CSV便于后续处理。启动分析点击“开始分析”或“Submit”按钮。观察过程后台应开始处理WebUI可能显示进度条或实时日志。观察GPU利用率可通过nvidia-smi命令查看和内存占用。查看结果可视化视频系统应生成一个叠加了识别框和标签的新视频如output_annotated.mp4。播放它检查识别框是否准确跟随人物行为标签是否正确。数据报告下载生成的JSON或CSV文件。打开查看应包含时间戳、人物ID、行为类型、置信度等信息。判断成功的标准系统能稳定运行完整个视频不崩溃。生成的结果文件结构完整。在可视化视频中能观察到大部分明显的行为如举手被正确标记。5.3 关键行为识别准确性测试针对具体行为进行针对性测试。测试用例1学生举手识别输入包含多个学生清晰举手片段的视频。操作运行分析重点关注hand_up标签。验证对比AI识别出的举手事件与你人工记录的事件。计算精确率Precision和召回率Recall。例如AI报告了10次举手其中8次是正确的2次是误检如手放在头上则精确率为80%。如果实际有12次举手AI只找到8次则召回率为67%。常见问题光线暗、手部遮挡、举手姿势不标准如托腮可能导致漏检或误检。测试用例2学生专注度抬头/低头分析输入学生交替进行听讲抬头和记笔记低头的视频。操作运行分析关注looking_up和looking_down标签。验证观察时间序列数据。学生记笔记时应持续出现looking_down标签听讲时应切换为looking_up。检查标签切换是否平滑有无频繁抖动。常见问题头部姿态估计受发型、眼镜、拍摄角度影响较大。5.4 批量任务处理测试验证系统处理多个视频文件的能力这是实际应用的关键。操作步骤准备任务列表创建一个task_list.csv文件包含两列video_path视频路径和output_dir输出目录。video_path,output_dir /data/classroom/20240510_math.mp4,/results/20240510_math /data/classroom/20240511_english.mp4,/results/20240511_english /data/classroom/20240512_science.mp4,/results/20240512_science通过API提交批量任务如果系统支持curl -X POST http://localhost:8000/api/batch_analyze \ -H Content-Type: application/json \ -d {task_list: task_list.csv, priority: normal}或通过命令行脚本python batch_processor.py --input-list task_list.csv --config config.yaml监控任务队列系统应提供任务状态查询接口或日志文件显示每个视频的处理进度、成功或失败。验证输出所有任务完成后检查每个output_dir下是否都生成了对应的分析结果和可视化视频。判断成功的标准系统能按顺序或并行处理所有任务。每个任务的处理状态成功/失败清晰可查。输出文件结构一致没有遗漏。6. 接口API与批量任务一个成熟的AI课堂行为分析系统必须提供稳定、易用的API以便集成到教务系统、学习管理平台等其他应用中。6.1 API接口设计示例假设系统使用FastAPI构建核心接口可能如下1. 健康检查接口GET /health用于检查服务是否存活。2. 单视频分析接口同步POST /api/analyze Content-Type: multipart/form-data请求参数video(文件),confidence(float, 可选),behaviors(list, 可选指定要分析的行为)。响应示例{ task_id: task_123456, status: completed, result: { video_duration: 360.5, analysis_summary: { teacher_movement_percentage: 45.2, avg_hand_raise_per_student: 1.8, focus_rate: 78.5 }, detailed_events: [ {timestamp: 12.3, person_id: 1, behavior: hand_up, confidence: 0.92}, {timestamp: 15.7, person_id: 0, behavior: walking, confidence: 0.88} ], report_url: http://localhost:8000/results/task_123456/report.pdf, video_url: http://localhost:8000/results/task_123456/annotated.mp4 } }3. 批量任务提交接口异步POST /api/batch/submit Content-Type: application/json请求体{ tasks: [ {video_url: http://your-storage/video1.mp4, callback_url: http://your-server/callback}, {video_path: /mnt/data/video2.mp4} ], notify_email: adminschool.edu }响应返回一个批量任务ID用于查询进度。4. 任务状态查询接口GET /api/task/{task_id}/status6.2 Python调用示例在你的业务系统中可以这样调用分析服务import requests import json import time class ClassroomAnalyzerClient: def __init__(self, base_urlhttp://localhost:8000): self.base_url base_url def analyze_video(self, video_path): 同步分析单个视频文件 with open(video_path, rb) as f: files {video: f} data {confidence: 0.6} response requests.post(f{self.base_url}/api/analyze, filesfiles, datadata) return response.json() def submit_batch_job(self, video_urls, callback_urlNone): 提交批量分析任务 payload { tasks: [{video_url: url} for url in video_urls] } if callback_url: payload[callback_url] callback_url response requests.post(f{self.base_url}/api/batch/submit, jsonpayload) return response.json() def get_batch_status(self, batch_id): 查询批量任务状态 response requests.get(f{self.base_url}/api/batch/{batch_id}/status) return response.json() # 使用示例 if __name__ __main__: client ClassroomAnalyzerClient() # 测试单视频分析 result client.analyze_video(test_class.mp4) print(f分析完成学生平均举手次数: {result[result][analysis_summary][avg_hand_raise_per_student]}) # 提交批量任务 urls [http://your-storage/class1.mp4, http://your-storage/class2.mp4] batch_resp client.submit_batch_job(urls, callback_urlhttp://your-server/webhook) batch_id batch_resp[batch_id] print(f批量任务已提交ID: {batch_id}) # 轮询状态 while True: status client.get_batch_status(batch_id) if status[overall_status] completed: print(所有任务处理完成) break elif status[overall_status] failed: print(任务处理失败。) break else: print(f处理中... 完成 {status[progress][completed]}/{status[progress][total]}) time.sleep(10)6.3 批量任务队列设计建议对于生产环境建议使用专业的任务队列管理批量作业如Celery Redis/RabbitMQ。优点解耦、支持重试、任务优先级、分布式worker。架构Web服务接收请求后将视频分析任务放入Celery队列。多个Worker进程可分布在多台机器从队列中取出任务执行结果存入数据库或对象存储。失败重试为任务设置重试机制如3次并记录失败原因如下载失败、模型错误、内存不足。7. 资源占用与性能观察部署和运行AI分析服务必须密切关注系统资源消耗这对硬件选型和成本控制至关重要。1. GPU显存占用观察这是性能瓶颈的核心。通过nvidia-smi命令实时监控。# 每秒刷新一次GPU状态 watch -n 1 nvidia-smi启动初期加载模型时显存会陡增占满大部分可用显存。推理过程稳定后显存占用会维持在一个较高水平。处理更高分辨率视频或更多人时占用会上升。典型范围一个基于YOLOv8姿态估计的中等复杂度模型处理1080P视频单路流可能占用3GB - 6GB显存。如果使用更大的模型如基于Transformer的检测器可能达到8GB。多路视频如果同时处理多路视频显存占用可能线性增加。需要测试确认是并行处理还是串行处理。2. CPU与内存占用CPU视频解码、数据预处理缩放、归一化、后处理NMS会消耗CPU。GPU推理时CPU占用通常不高100%的一个核心但如果是CPU推理则会满载。内存加载模型、缓存视频帧、存储中间结果会占用系统内存。一个处理进程占用2GB - 4GB内存是常见的。3. 处理速度FPS这是衡量系统实时性的关键指标。实时性要求对于“直播”分析需要达到25 FPS或30 FPS与视频帧率匹配。离线分析可以接受较慢的速度如5-10 FPS以换取更高的精度或更低的硬件成本。影响因素模型复杂度模型越大越准但越慢。输入分辨率分辨率越高速度越慢。通常会将视频缩放到固定尺寸如640x640再输入模型。GPU型号高端GPU如4090比入门级GPU如3060快数倍。Batch Size批量处理多帧可以提升GPU利用率但会增加延迟和显存占用。4. 性能优化建议模型轻量化使用剪枝、量化、知识蒸馏后的模型如YOLOv8n, NanoDet。TensorRT加速将PyTorch模型转换为TensorRT引擎可获得显著的推理速度提升。调整推理参数降低检测置信度阈值、减少识别类别、使用更小的输入尺寸。异步处理使用异步I/O如asyncio处理视频流和网络请求避免阻塞。硬件升级最直接的方式。对于大规模部署考虑使用多GPU或专业推理卡。8. 常见问题与排查方法在实际部署和运行中你肯定会遇到各种问题。下表汇总了典型问题及其排查思路。问题现象可能原因排查方式解决方案服务启动失败提示CUDA错误1. CUDA版本与PyTorch版本不匹配。2. 显卡驱动太旧。3. Docker容器内无法访问GPU。1.python -c import torch; print(torch.__version__); print(torch.cuda.is_available())检查CUDA是否可用。2.nvidia-smi查看驱动版本和CUDA版本。3. 在Docker内运行nvidia-smi。1. 根据CUDA版本重新安装对应PyTorch。2. 升级NVIDIA显卡驱动。3. 确保使用--gpus all运行Docker并安装nvidia-container-toolkit。WebUI或API接口无法访问1. 服务未成功启动。2. 防火墙或安全组阻止了端口。3. 服务绑定到了127.0.0.1而非0.0.0.0。1. 检查服务进程是否在运行 ps auxgrep python。br2. 检查端口监听netstat -tlnp分析过程中GPU显存溢出OOM1. 视频分辨率过高。2. 模型太大或Batch Size设置过大。3. 同时处理的任务太多。1. 观察nvidia-smi中显存占用峰值。2. 尝试处理一个更低分辨率的视频。1. 在预处理中降低视频缩放尺寸。2. 换用更轻量的模型。3. 将Batch Size设为1。4. 使用CPU进行部分预处理。行为识别准确率低1. 训练数据与真实场景差异大光照、角度、服装。2. 模型未针对“课堂”场景微调。3. 后处理参数如IOU阈值不合理。1. 可视化检测框和关键点看基础检测是否准确。2. 在少量真实课堂数据上测试统计混淆矩阵。1. 收集自己场景的数据对模型进行微调Fine-tuning。2. 调整置信度阈值和NMS参数。3. 结合多帧信息或规则逻辑进行后处理平滑。批量任务卡住或失败1. 单个任务失败导致队列阻塞。2. 存储空间不足。3. 网络超时从远程拉取视频。1. 查看任务队列的后台日志。2. 检查磁盘使用率df -h。3. 检查网络连通性和超时设置。1. 为任务设置超时和重试机制。2. 清理磁盘空间。3. 将视频预先缓存到本地或使用更稳定的存储服务。处理速度远低于预期1. 使用了CPU模式。2. 模型未优化如未使用半精度FP16。3. 视频解码是瓶颈。1. 确认代码是否运行在GPU上。2. 使用性能分析工具如PyTorch Profiler。3. 检查CPU占用看是否在忙解码。1. 确保CUDA可用且张量被移至GPU。2. 启用混合精度训练/推理torch.cuda.amp。3. 使用硬件加速的视频解码库如opencv的cv2.CAP_PROP_HW_ACCELERATION。9. 最佳实践与使用建议基于上述分析和常见问题这里总结一套从试点到规模化应用的最佳实践。1. 从小规模试点开始不要一开始就部署到全校所有教室。选择一个有代表性的班级如不同年级、不同学科进行为期1-2周的试点。目标验证技术流程的稳定性。评估分析结果的可用性和准确性。收集教师和学生的反馈调整行为定义和报告形式。2. 建立数据管理与治理规范目录结构规划清晰的目录如./raw_videos/,./processed/,./models/,./results/。数据生命周期明确原始视频、处理中间数据、分析结果的保留期限和删除策略。备份机制对模型配置、分析结果等重要数据进行定期备份。3. 模型迭代与优化持续评估定期如每月用新收集的数据测试现有模型监控准确率是否下降。主动微调当发现某一类行为如“小组讨论”识别不准时有针对性地标注一批数据对模型进行微调。A/B测试在灰度环境中测试新模型与旧模型对比确认效果提升后再全量更新。4. 系统监控与告警对于生产系统必须建立监控。资源监控GPU使用率、温度、显存占用、系统负载。服务健康API接口的响应时间、错误率、任务队列积压数。业务指标每日处理视频数、平均处理时长、识别准确率抽样计算。设置告警当GPU温度过高、服务连续失败、队列积压超过阈值时通过邮件、钉钉、企业微信等通知管理员。5. 伦理与隐私贯穿始终透明化向所有参与者清晰说明系统如何工作、数据如何被使用。最小化只收集和分析必要的视频片段不过度采集。安全性对存储和传输中的视频数据加密访问系统需要严格的身份认证和权限控制。审计保留关键操作日志确保数据使用可追溯。10. 总结与下一步AI课堂行为分析是一个极具潜力的应用方向它将计算机视觉和机器学习技术带入了真实的教育场景。本文从核心能力、技术栈、部署验证到生产实践提供了一套完整的落地思路。其价值不在于替代教师而在于提供一种客观、可量化的“第三只眼”帮助教育者更科学地理解教学互动过程。对于想要尝试的团队建议按以下路径推进第一步技术验证。按照本文第4、5节快速搭建一个可运行的原型可以使用开源项目或商业API试用用一段自己的课堂录像跑通全流程。这是验证想法可行性的最快方式。第二步准确性评估与调优。在第5.3节的基础上进行更系统的准确性测试。如果效果不理想重点考虑模型微调或寻找更适配的预训练模型。第三步集成与试点。将分析能力通过API第6节集成到现有平台或开发一个简单的独立应用。选择1-2个班级进行小范围试点收集反馈。第四步规模化与优化。试点成功后考虑性能优化第7节、建立监控告警体系、制定数据规范为大规模部署做准备。最容易踩的坑往往在起步阶段环境配置、模型选择、数据隐私。因此强烈建议从Docker化部署和清晰的伦理审查开始。未来这个领域会与多模态AI结合语音识别分析师生对话内容、情感计算分析课堂情绪氛围更深度地融合从而提供更立体、更深入的教学洞察。但无论技术如何演进其核心目的始终是辅助教学、促进发展而非简单的监控与管理。把握好这个尺度技术才能真正为教育赋能。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度