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

> مدل کوچک Qwen3.5 0.8B، اکنون تسلط زبان‌آموزان انگلیسی بر دستور زبان را ارزان‌تر و دقیق‌تر از پرامپت‌های GPT‑5 ارزیابی می‌کند.

Oossa · 2026-10-09 · https://oossa.com/fa/fine-tuned-0-8b-model-trims-grammar-annotation-costs-16-fold

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.

## حقایق

- مدل تنظیم دقیق‌شده، یک مدل زبانی کوچک Qwen3.5 با 0.8B پارامتر است.
- هزینه اجرا در مقایسه با مدل‌های GPT‑5 که با پرامپت به کار گرفته می‌شوند، حدود ۱۶ برابر کاهش یافته است.
- مدل 0.8B در دو آزمون معیار، از نظر دقت و یادآوری عملکرد بهتری از GPT‑5.4 و GPT‑5.6 داشت.
- در آزمایش آنلاین روی این قابلیت، تعامل زبان‌آموزان 15.8٪ افزایش یافت.
- ساعات درس‌های برنامه‌ریزی‌شده 2.1٪ و درآمد درس‌های جدید 13.2٪ افزایش یافت.

## چرا مهم است

برای زبان‌آموزان انگلیسی، هوش مصنوعی ارزان‌تر به این معناست که پلتفرم می‌تواند بدون افزایش قیمت، بازخورد خودکار و پیوسته درباره دستور زبان ارائه کند. برای شرکت نیز کاهش هزینه محاسبات و افزایش تعامل به رزرو درس‌های بیشتر و رشد درآمد می‌انجامد.

## منابع و ارجاع‌ها

1. [Grammar Concept Annotation at Scale: Deployed Fine-Tuned Small Language Models Outperform Prompted Frontier Models](https://arxiv.org/abs/2610.10827) – arXiv, 2026-10-09

آخرین به‌روزرسانی: 2026-10-09