مدل ۰٫۸ میلیاردی هزینه برچسب‌گذاری دستور زبان را ۱۶ برابر کاهش داد

یک پلتفرم آموزش زبان، مدل هوش مصنوعی کوچکی را برای شناسایی مفاهیم دستوری در گفت‌وگوهای دانش‌آموزان و مدرسان به کار گرفته است. این مدل، نسخه‌ای با 0.8 میلیارد پارامتر از Qwen3.5، با نمونه‌هایی که معلمان تهیه کرده‌اند تنظیم دقیق شده و اکنون موتور ردیاب جدید تسلط بر دستور زبان برای همه زبان‌آموزان انگلیسی این پلتفرم است. شرکت می‌گوید هزینه اجرای این سامانه ۱۶ برابر کمتر از استفاده از مدل‌های پیشرفته و بزرگ، مانند GPT‑5.4 یا GPT‑5.6 همراه با پرامپت است.

مدل چگونه ساخته و آزمایش شد

تیم، داده‌های نظارتی تولیدشده به‌دست معلمان را پالایش و متوازن کرد و سپس یک لایه آداپتور ــ مجموعه کوچکی از وزن‌های اضافی ــ افزود که قواعد برچسب‌گذاری را رمزگذاری می‌کند. به این ترتیب، مدل 0.8B به‌جای دستورالعمل‌های طولانی می‌تواند با پرامپتی کوتاه و متناسب کار کند. در دو آزمون معیار که انسان‌ها آماده کرده بودند، مدل به‌کارگرفته‌شده و یک مدل مرجع 4B، با معیارهای تطبیق سخت‌گیرانه‌تر (مفهوم، بخش شواهد، درستی)، هم از نظر دقت و هم از نظر یادآوری از GPT‑5.4 و GPT‑5.6 با پرامپت عملکرد بهتری داشتند.

تأثیر بر زبان‌آموزان و کسب‌وکار

یک آزمایش آنلاین A/B نشان داد ردیاب جدید، تعامل زبان‌آموزان را 15.8 درصد افزایش داده است. بر اساس معیارهای داخلی پلتفرم، ساعات درس‌های برنامه‌ریزی‌شده 2.1 درصد بالا رفت و ارزش ناخالص کالا از درس‌های جدید 13.2 درصد رشد کرد.