IV.5Образование и развитие навыков

dksysd/cefr-classifier — англоязычный классификатор текста, дообученный на базе microsoft/deberta-v3-large для определения уровня сложности английского текста по шкале CEFR от A1 до C2. Он подходит для оценки учебных материалов, сортировки текстов по уровню владения языком и подбора материалов для изучающих английский. Модель использует архитектуру DeBERTa V3 Large с классификационной головой и содержит 533,8 млн параметров. Она принимает текст и возвращает классификацию уровня; нативная длина контекста — 512 токенов. Карточка упоминает обучение на датасете dksysd/cefr-classification, но не приводит численных результатов качества. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая требует атрибуции, распространения производных материалов на тех же условиях и не допускает коммерческого использования. Предсказания относятся к английским текстам и не заменяют комплексную оценку языковой компетенции человека.

Модель star092304/cefr-level-deberta-v3-base — англоязычный классификатор слов по уровням владения лексикой CEFR от A1 до C2. Она разработана на основе microsoft/deberta-v3-base и дообучена на аннотациях CEFR из набора star092304/CEFR-Annotated-WordNet. Архитектура DeBERTa-v2 для классификации последовательностей содержит 211,6 млн параметров и обрабатывает контекст до 512 токенов; файлы модели представлены в формате safetensors. Модель предназначена для оценки сложности слов, профилирования словарного запаса и подбора лексики в приложениях для изучения английского языка и адаптивных обучающих системах. На обучении использовались отдельные лексические единицы после лемматизации и сопоставления значений; из данных исключались многословные выражения и имена собственные. Оценка относится к сложности слова, а не к конкретному контексту: многозначные слова могут соответствовать разным уровням в зависимости от употребления. Результаты следует трактовать как приблизительную оценку, а не как достоверную разметку или основание для важных образовательных решений. Модель распространяется по лицензии MIT.

DDeduPModelv7 — дообученная модель семейства Llama 3, разработанная для образовательных задач в Казахстане и других регионах. Это плотная авторегрессионная языковая модель на 7,5 млрд параметров с контекстом до 8192 токенов; она принимает и генерирует текст. Модель обучена с помощью TRL и Unsloth на наборе Fralet/DDeduPDatasetv2 из 137 226 примеров на казахском, русском и английском языках. Модель предназначена для генерации образовательных текстов, многометочной классификации и сопоставления университетских курсов с кодами результатов обучения по разным дисциплинам. Её можно применять при разработке учебных планов, оценке пробелов в программах и анализе связи курсов с компетенциями. Лицензия — Apache-2.0. Автоматические сопоставления могут упускать контекстные нюансы и требуют проверки специалистами на соответствие требованиям конкретного учреждения. На результаты могут влиять региональный и дисциплинарный уклон обучающих данных; адаптация для других языков и областей может потребовать дополнительного дообучения.

KevSun/Engessay_grading_ML — модель для автоматического оценивания английских эссе, особенно текстов учащихся, для которых английский является вторым языком. Она разработана на базе RoBERTa и дообучена на корпусе ELLIPSE, содержащем около 6 500 ученических эссе с оценками преподавателей. Модель имеет 151,8 млн параметров, принимает текст и использует контекст до 514 токенов. Для каждого эссе модель выдаёт шесть оценок по шкале от 1 до 5: за связность, синтаксис, словарный запас, фразеологию, грамматику и языковые нормы. Она предназначена для поддержки преподавателей английского, исследователей и учащихся при оценивании и самооценке письменных работ. В README приведены результаты на тестовом наборе: средняя accuracy 0,91, F1 0,90 и QWK 0,85. Модель оценивает только перечисленные аспекты и не заменяет экспертную проверку; заявленные метрики относятся к тестовым данным, близким к корпусу обучения. Репозиторий распространяется по лицензии MIT.

ishwarbb23/finetuned-baseline-phase-0.0 — дообученная модель T5 от автора ishwarbb23, созданная на основе valhalla/t5-small-e2e-qg. Это компактная модель с архитектурой T5ForConditionalGeneration и 38,5 млн параметров, предназначенная для генерации вопросов по заданному тексту. Базовая модель умеет автоматически создавать несколько вопросов по входному тексту; назначение этой версии связано с той же задачей. Модель принимает текст и генерирует текст. Для неё заявлены контекст до 512 токенов, формат PyTorch и лицензия MIT. В README указана оценка Loss 4.0205, однако подробности набора данных, процедуры оценки, предполагаемых сценариев применения и ограничений не приведены.

Indic-Speak — мультиязычная система синтеза речи, разработанная Bodhan AI на базе дообученной языковой модели Llama 3.2 3B. Она преобразует текст в речь на английском и индийских языках, с особым вниманием к учебным материалам: корректно читает математические выражения, единицы измерения, дроби, степени и химические формулы, а также естественно произносит фразы, в которых смешаны английский и индийский языки. Темп речи рассчитан на объяснения и обучение. Модель построена как языковая модель речи: Llama генерирует аудиокоды SNAC, а дообученный декодер Vocos преобразует их в звуковую волну. В репозитории указаны 3,78 млрд параметров и формат bf16. Поддерживаются 13 производственных языков и ещё 10 языков в предварительном режиме; доступны разные голоса, записанные с согласия дикторов. Модель также предназначена для аудиокниг, озвучивания приложений, голосовых помощников и доступности. Модель лучше всего справляется с объяснительным содержанием; редкие слова могут произноситься неверно, а сложные формулы могут требовать подготовки. Управление стилем пока нестабильно, звуковые эффекты и клонирование голоса не поддерживаются. Лицензия — Indic Open Model License v1.0; условия также требуют учитывать лицензии и условия использования базовой Llama и компонентов SNAC и Vocos.

UniversalCEFR/ModernBERT-base-cefr-all-classifier — дообученная модель классификации текста на базе answerdotai/ModernBERT-base, разработанная для определения уровня CEFR по тексту. Она использует архитектуру ModernBERT encoder-only с 149 млн параметров и принимает текст длиной до 8192 токенов. В README приведены результаты оценки: F1 0,9528 и loss 0,1620; набор данных и подробности оценки не описаны. Модель подходит для автоматической оценки языковой сложности текста и распределения материалов по уровням CEFR. Весовые файлы представлены в формате safetensors; модель работает с библиотекой Transformers. Лицензия — Apache-2.0.

maxHPI90/multilingual-e5-base-iscedf-01 — дообученная командой maxHPI90 модель Sentence Transformer на базе isy-thl/multilingual-e5-base-learning-outcome-skill-tuned. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска и оценки сходства, в том числе сопоставления описаний курсов с классификацией ISCED-F. Также модель подходит для поиска перефразировок, кластеризации и классификации текстов. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений и нормализацией векторов; сходство можно оценивать косинусной метрикой. Максимальная длина последовательности — 512 токенов. В README приведены результаты поиска по датасету ISCED-F: точность cosine_accuracy@1 — 0,6824, @3 — 0,8471, @5 — 0,9059. Лицензия в предоставленных данных не указана.

Neumind-Math-7B-Instruct — инструктивная языковая модель на архитектуре Qwen2, разработанная PrithivMLmods путём дообучения Qwen/Qwen2.5-7B-Instruct на математических данных. Модель содержит 7,1 млрд параметров, работает с текстом и имеет контекст длиной до 32 768 токенов. Она предназначена для решения математических задач и пошаговых объяснений в арифметике, алгебре, геометрии и математическом анализе. Модель подходит для учебных помощников, подготовки примеров и заданий, а также генерации математических доказательств и числовых решений. В метаданных также отмечена поддержка диалогов, следования инструкциям и интерфейса вызова инструментов. Модель ориентирована на английский язык; качество на других языках не подтверждено представленными данными. Как и другие языковые модели, она может допускать ошибки в вычислениях и доказательствах, поэтому результаты требуют проверки. Лицензия — CreativeML Open RAIL-M.

OmniEdu-4B — мультимодальная модель для обучения и преподавания в школе, разработанная исследователями Пекинского университета, Университета Китайской академии наук и Zhongguancun Academy. Она дообучена методом полного supervised fine-tuning от Qwen/Qwen3.5-4B-Base и использует архитектуру Qwen3_5ForConditionalGeneration; размер модели — 4 млрд параметров. Модель предназначена для решения задач K–12 по разным предметам, привязки вопросов и объяснений к учебным программам, выявления пробелов и ошибочных представлений ученика, пошагового обучения и планирования занятий. Она принимает текст и изображения и формирует текстовые ответы. Для обучения использовалась последовательность длиной 32 768 токенов; это не гарантирует измеренную эффективность на таком контексте. Основной сценарий — образовательные исследования, помощь учителям и прототипы систем поддержки обучения. Модель может ошибаться в решениях, привязке к учебным стандартам и педагогических рекомендациях; результаты следует проверять перед использованием с учениками. Качество зависит от предмета, учебной программы, языка и качества изображения. Лицензия указана как other; условия использования следует сверять с карточкой модели и лицензиями исходных наборов данных.

Readability ES Paragraphs for three classes — модель классификации испанских текстов, разработанная SomosNLP для оценки их сложности. Это дообученная модель архитектуры RoBERTa на основе BERTIN с 151,8 млн параметров; она анализирует абзацы и относит их к одному из трёх уровней: базовому, среднему или продвинутому. Модель принимает текст на испанском языке, поддерживает контекст до 514 токенов и предназначена для оценки читабельности и подбора текстов по уровню сложности. На валидационной выборке авторы сообщают макроусреднённую F1-меру 0,7881. Модель опубликована под лицензией CC BY 4.0. Оценка качества ограничена нехваткой данных и отсутствием надёжной тестовой выборки; часть использованных данных закрыта, что затрудняет проверку смещений и ошибок. Испанский вариант из Испании может быть представлен лучше, чем региональные варианты; некоторые примеры из Newsela могут звучать неестественно из-за перевода исходных материалов.

SheraTutor Qwen 2.5 7B — дообученная инструктивная языковая модель от автора репозитория syed181 для оценки работ по STEM-предметам на экзаменах NCTB SSC и HSC в Бангладеш. Модель основана на Qwen/Qwen2.5-7B-Instruct, использует архитектуру Qwen2 с 7,1 млрд параметров и контекстом 32 768 токенов. Веса представлены в формате safetensors; в карточке указана лицензия Apache-2.0. Модель оценивает решения по математике, высшей математике и физике по заданным рубрикам: проверяет формулы, вычисления, алгебраические преобразования и физические единицы, а также начисляет частичный балл за корректные последующие шаги после ранней ошибки. Она формирует структурированный JSON с оценкой и обратной связью на бенгальском языке, стараясь учитывать только записанные учеником шаги. Подходит для автоматизации проверки экзаменационных ответов и подготовки педагогической обратной связи. Модель дообучена методом QLoRA с последующим объединением адаптера с базовыми весами. Она специализирована на описанных экзаменационных сценариях; точность вне этой области и качество распознавания рукописного текста не заявлены. Для использования нужен текстовый ответ ученика и схема рубрики; OCR в самой модели не подтверждён.

lmqg/t5-large-squad-qg — англоязычная модель генерации вопросов, разработанная на базе T5-large и дообученная проектом lmqg на наборе данных lmqg/qg_squad. Она предназначена для создания вопросов по тексту и используется в системах подготовки учебных материалов, викторин и вопросно-ответных наборов; модель также оценивалась в сценариях генерации вопросов по ответам и в тестах на данных из других доменов. Это плотная encoder-decoder архитектура T5ForConditionalGeneration с 385,2 млн параметров и контекстом до 512 токенов. Модель принимает и выдаёт текст на английском языке. Веса доступны в формате PyTorch по лицензии CC BY 4.0. Качество вне обучающего домена может различаться; приведённые в карточке оценки получены на конкретных наборах данных и не гарантируют качество для произвольных текстов.

aaie-gft-full-fg-8k-dpo — модель генерации образовательной обратной связи, созданная дообучением moinsaj/aaie-gft-full-fg-8k методом DPO. Она принимает один запрос с данными учебной работы и критериями рубрики и должна выдавать JSON с оценками, статусами и комментариями по критериям, а также общей обратной связью о качестве, сильных сторонах, слабых местах и следующих шагах. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 354,4 млн параметров и поддерживает контекст до 8192 токенов с масштабированием YaRN. Она ориентирована на англоязычные сценарии и обучалась предпочитать конкретные комментарии, привязанные к критериям. Модель предназначена для подготовки формирующей обратной связи по учебным работам на основе заданной рубрики. В проверке на 10 примерах ни один ответ полностью не соответствовал контракту: модель может добавлять несуществующие идентификаторы критериев, а подробные ответы могут упираться в лимит генерации. Результаты следует проверять приложением; для строгого соответствия можно ограничить генерацию допустимыми идентификаторами. Лицензия указана как other, конкретные условия в карточке не описаны.

aaie-gft-rca-sft-8k — дообученная Namquangstudy модель на архитектуре Llama для анализа причин результатов оценивания учебных работ. На вход она принимает критерии рубрики, полный ответ студента и оценки по каждому критерию, а генерирует структурированное JSON-объяснение причин полученных баллов. Модель предназначена для образовательной аналитики, включая разбор сильных и слабых сторон работы по критериям. Это полнопараметрический SFT-чекпойнт на базе namquangstudy/aaie-ddense-gft-llama, дополнительно обученный на задаче root-cause analysis. Модель содержит 354,4 млн параметров, использует Transformers и формат safetensors, поддерживает диалоговый режим и контекст до 8192 токенов с масштабированием YaRN. Карточка описывает англоязычный сценарий; лицензия указана как other без дополнительных условий в предоставленных данных. Для корректной остановки генерации README рекомендует учитывать токен завершения хода chat-шаблона вместе с токенизатором EOS. Вывод ориентирован на заданный формат JSON и образовательные оценочные данные; качество за пределами этого сценария не подтверждено.

AbdulSami/bert-base-cased-cefr — модель на архитектуре BERT, дообученная для определения уровня владения английским языком по шкале CEFR на основе текста. Она предназначена для классификации текстов по уровням CEFR, например для оценки сложности учебных материалов или предварительной оценки письменных работ. Модель содержит 135,5 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch через библиотеку Transformers. В README приведены значения потерь на обучении и валидации, но нет подробных метрик качества или описания разметки уровней. Лицензия — Apache-2.0.

Merlyn-education-teacher-assistant — плотная авторегрессионная модель GPT-NeoX примерно на 12 млрд параметров, обученная Merlyn Mind на базе EleutherAI/pythia-12b. Она предназначена для образовательной среды в классе и вне его: по ходу обсуждения в классе предлагает полезные рекомендации, исследовательские задания и темы для дальнейшего изучения. Модель принимает текст и генерирует текст; заявленный контекст — 2048 токенов. Для запуска в полной точности требуется более 48 ГБ видеопамяти; в README в качестве примера указана одна A100 с 80 ГБ, а для меньших GPU предлагаются несколько устройств или сниженная точность. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

DukeNLP/Prob-Gen-70B — языковая модель, дообученная командой DukeNLP на базе Meta Llama 3 70B методом QLoRA с 4-битной квантизацией во время обучения. Она создаёт школьные математические текстовые задачи с вариантами ответа в заданном контексте. Дообучение проводилось на 3 644 задачах для уровня 8-го класса, сгенерированных GPT-4 и оценённых людьми. Модель имеет плотную архитектуру Llama с 69,5 млрд параметров и контекстное окно 8 192 токена. Репозиторий содержит веса в формате safetensors. Модель ориентирована на генерацию учебных задач по математике; данных о поддержке других языков или более широких сценариев применения нет. Лицензия в предоставленных сведениях не указана.

QuestionGenerationComQ7 — дообученная модель семейства T5, разработанная Gayathri142214002 на основе Gayathri142214002/Question_Generation_ComQ_6. Она предназначена для генерации вопросов по входному тексту. Модель содержит 123,8 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. В карточке приведено значение loss 0,2548 на оценочном наборе, но сведения о наборе данных, методике оценки и практическом качестве отсутствуют. Модель распространяется по лицензии Apache-2.0.

Mun2 подготовил модель для автоматической оценки корейских аргументативных эссе. Она дообучена методом GRPO на базе Qwen3.5-9B: LoRA-адаптер объединён с полными весами, поэтому модель загружается через Transformers или vLLM без отдельного адаптера и пользовательского кода. На вход ожидаются системный промпт конкурса и текст в формате [prompt_text]/[essay_text]; на выходе модель формирует JSON с оценками от 1 до 5 и обоснованиями на корейском языке по содержанию, организации и выразительности. Контекст — 4096 токенов. В проверке на 400 открытых примерах модель выдала корректный JSON в 390 случаях (97,5%); метрики качества оценок рассчитаны только для этих ответов. Это результат мониторинга разработки, а не оценка на закрытом тесте или официальный рейтинг конкурса. Возможны ошибки формата и оценок, поэтому модель подходит для вспомогательной автоматизированной проверки эссе, но не для самостоятельных решений с высокими последствиями. Лицензия — Apache-2.0.

Модель potsawee/t5-large-generation-race-Distractor разработана как дообученная версия T5-large для генерации вариантов-отвлечений в заданиях с вопросами и множественным выбором. Она принимает вопрос, правильный ответ и контекст, а затем формирует список из трёх дистракторов. В статье MQAG она используется как второй компонент конвейера генерации вопросов (g2). Модель построена на архитектуре T5 и содержит 385,2 млн параметров; для запуска указана библиотека Transformers и формат PyTorch. Она предназначена для англоязычного набора RACE, а максимальная длина контекста составляет 512 токенов. Распространяется по лицензии Apache-2.0.

Это англоязычная модель DeBERTa V3 Base, разработанная на основе microsoft/deberta-v3-base и дообученная для оценки читаемости текста. Она принимает текст и предсказывает примерный класс обучения в американской школьной системе, соответствующий уровню понимания; более высокое значение означает более сложный текст. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 для классификации последовательностей и рассчитана на контекст до 512 токенов. Модель подходит для оценки сложности англоязычных отрывков в образовательных и редакторских сценариях. Обучение проводилось на 105 тысячах абзацев из разных источников; на отложенной выборке указана RMSE 0,5038. Точность может снижаться на текстах, заметно отличающихся от обучающих данных. Оценка опирается на текстовые закономерности и не учитывает знакомство читателя с темой или культурный контекст, поэтому её не следует использовать как единственное основание для определения пригодности текста аудитории. Лицензия — Apache-2.0.

Prompt-Aware IELTS Essay Scorer — модель на базе DeBERTa-v3-base, дообученная для оценки эссе IELTS Writing Task 2. Она принимает формулировку задания и эссе, уделяет основное внимание основной части эссе с помощью слоя attention pooling и предсказывает баллы по четырём критериям IELTS: Task Achievement, Coherence and Cohesion, Lexical Resource и Grammatical Range and Accuracy. Каждый критерий оценивается по шкале от 0 до 9, а итоговый балл вычисляется как среднее и округляется до ближайших 0,5. Модель предназначена для автоматизированной оценки письменных ответов на задания IELTS Writing Task 2 и анализа результатов по отдельным критериям. Это англоязычная модель классификации текста с регрессионными оценками, основанная на архитектуре DeBERTa-v3-base; размер — 211,6 млн параметров, максимальный контекст — 512 токенов. Распространяется по лицензии MIT. Оценки модели не заменяют экспертную проверку IELTS; в пределах контекста оцениваются только предоставленные задание и эссе.

hemanth955/Llama-2-7b-math — дообученная модель семейства Llama 2, созданная для решения математических задач и рассуждений. Она основана на архитектуре LlamaForCausalLM с плотной архитектурой и содержит 6,6 млрд параметров; максимальный контекст составляет 4096 токенов. Модель дообучена на наборе GSM8K с текстовыми задачами школьного уровня. Модель предназначена для пошагового решения текстовых задач, включая арифметические действия и интерпретацию условий. Её можно использовать в обучающих инструментах, системах репетиторства и приложениях для автоматического решения математических задач. Вход и ответы — текстовые; README не сообщает о поддерживаемых естественных языках и лицензии, поэтому эти сведения здесь не приводятся.

AbdullahBarayan/ModernBERT-base-reference_AllLang2-Cefr2 — дообученная модель классификации текста на архитектуре ModernBERT, разработанная AbdullahBarayan. Она основана на answerdotai/ModernBERT-base, содержит 149 млн параметров и принимает последовательности длиной до 8192 токенов. По названию репозитория модель предназначена для многоязычной классификации с привязкой к уровням CEFR, однако карточка не описывает метки и оценку качества. Модель распространяется в формате safetensors по лицензии Apache-2.0.

PyThagorean-10B — текстовая авторегрессионная модель на архитектуре Llama, разработанная prithivMLmods и дообученная на 1,5 млн примеров. Модель содержит 9,9 млрд параметров, работает с контекстом до 32 768 токенов и предназначена прежде всего для решения математических задач с помощью Python-кода и библиотек, а также для генерации кода, пошаговых объяснений и инструкционного диалога. Модель подходит для учебных помощников по алгебре, математическому анализу и тригонометрии, создания вычислительных скриптов, объяснения решений и подготовки учебных материалов. В карточке заявлены многоязычные диалоги, поиск и суммаризация знаний; метаданные указывают английский язык. Модель принимает текст и генерирует текст, включая код. Лицензия — Llama 3.1.

HyperX-Sen разработал эту дообученную модель на базе Qwen/Qwen2.5-7B-Instruct для задач рассуждения. Модель с архитектурой Qwen2 и 7,1 млрд параметров обучалась на наборе GSM8K, чтобы улучшить решение математических текстовых задач, пошаговые выводы и логическую дедукцию. Модель принимает текст и генерирует текст; она поддерживает диалоговый режим. Контекст — до 32 768 токенов. По карточке, модель рассчитана на математические задачи, логические выводы и рассуждения здравого смысла, а также может применяться в учебных помощниках и системах решения задач. Лицензия — MIT.

SciPhi-Mistral-7B-32k — языковая модель SciPhi-AI на архитектуре Mistral, дообученная на базе Mistral-7B-v0.1. Она рассчитана на генерацию текста с упором на научные рассуждения и образовательные ответы. Для дообучения в течение четырёх эпох использовали более миллиарда токенов, включая данные для следования инструкциям и синтетические учебники. Модель содержит 7,1 млрд параметров, использует Transformer, Grouped-Query Attention, Sliding-Window Attention и токенизатор Byte-fallback BPE. Длина контекста — до 32 768 токенов. Для диалога авторы рекомендуют форматирование запросов по шаблону Alpaca. Репозиторий содержит веса PyTorch, лицензия — MIT. Карточка не уточняет языковой состав обучающих данных, поэтому языковую специализацию модели определить нельзя.

TutorRL-7B — дообученная исследовательская модель на базе Qwen/Qwen2.5-7B-Instruct, разработанная в рамках проекта From Problem-Solving to Teaching Problem-Solving. Модель предназначена для обучения математике в диалоге: она помогает ученику рассуждать, задаёт наводящие вопросы в сократическом стиле и может воздерживаться от выдачи готового решения, когда это полезно для обучения. Модель использует плотную архитектуру Qwen2, содержит 7,1 млрд параметров и работает с контекстом до 32 768 токенов. Для педагогического поведения её дообучали методом обучения с подкреплением GRPO в синтетических многоходовых учебных диалогах, используя набор SynthLabsAI/Big-Math-RL-Verified без человеческой разметки. Предназначена для интерактивного репетиторства, генерации сократических диалогов и исследований педагогической настройки LLM. Лицензия — Apache-2.0.

UniSkill_Bert — англоязычная модель классификации текста, разработанная Nurlan Musazade и соавторами для сопоставления университетских курсов с профессиональными компетенциями из таксономии ESCO. Она дообучена на базе google-bert/bert-base-uncased и предназначена для систем поиска и рекомендаций, которые связывают курсы с навыками или навыки с курсами. В исследовании сопоставляются названия курсов и навыки, а также отдельные предложения описаний курсов и навыки; авторы сообщают F1 87% на части размеченных данных. Модель построена на BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Она выпущена в формате safetensors и распространяется по лицензии Apache-2.0. Результаты относятся к graduate-level курсам и ограниченным группам профессий ESCO, поэтому качество на других предметных областях и наборах навыков может отличаться.