Прощайте одноразовые вопросы и ответы: Гонконгский университет открыл исходный код ИИ-наставника DeepTutor v1.5, реализующего одновременный цикл обучения и тестирования.

Согласно мониторингу Beating, когда большие языковые модели выступают в роли репетитора, они обычно могут только «отвечать на вопросы», не имея возможности следить за ходом мыслей ученика и его ошибками для непрерывного обучения. Лаборатория интеллектуальных данных данных Гонконгского университета (HKUDS) выпустила с открытым исходным кодом интеллектуального наставника DeepTutor v1.5, который объединяет шесть этапов — чат (Chat), викторина (Quiz), исследование (Research), визуализация (Visualize), решение (Solve) и построение траектории обучения (Mastery Path) — в единый замкнутый цикл работы агента. Это означает, что при переключении задач студентом движок не требует прерывания и сброса, а контекст обучения и многомасштабная память автоматически синхронизируются и передаются.

Для реализации действительно индивидуального обучения DeepTutor внедрил механизм «лес отслеживания», который преобразует траектории взаимодействия в многомасштабный граф, извлекая динамически развивающиеся виртуальные портреты студентов. Это позволяет каждому заключению ИИ по обучению быть прослеживаемым на разных уровнях до конкретных текстовых доказательств или записей ошибок.

Оценки показывают, что DeepTutor способен повысить показатели персонализированного обучения в среднем на 10,8%, а общие способности рассуждения основных больших моделей — на 29,4%. Однако затраты на перебивания при активном напоминании в долгосрочном периоде, а также реальная адаптация пользователей к кривой забывания всё ещё требуют долгосрочных поведенческих исследований для проверки.