NYIT разработал LLM-ассистента для курса по прикладному анализу в MATLAB

Исследователи кафедры инженерии электротехники и компьютерных технологий Нью-Йоркского технологического института (NYIT) в июле 2026 года представили на arXiv VectorizationLLM — узкоспециализированный языковой ассистент на базе открытых весовых моделей Google, разработанный для одного конкретного учебного курса.

Для какого курса создан ассистент

VectorizationLLM разработан исключительно для курса CTEC 247 — «Прикладной вычислительный анализ II» — кафедры ECE Technology в кампусе NYIT в Олд Уэстбери, Нью-Йорк. Курс охватывает несколько тем, традиционно трудных для студентов технических специальностей:

• Умная векторизация (smart vectorization) в среде MATLAB
• Анализ временных и волновых векторов
• Кусочно-заданные функции
• Анализ Фурье
• Обыкновенные дифференциальные уравнения

В этих темах студенты чаще всего застревают и ищут помощи вне аудитории. Ассистент заполняет этот пробел, будучи доступным круглосуточно — в отличие от преподавателя на кафедре.

Как работает модель — и чего она не делает

Архитектура VectorizationLLM строится на двух компонентах. Первый — RAG (Retrieval Augmented Generation): база знаний, сформированная из материалов курса CTEC 247, включая лекционные конспекты, примеры кода на MATLAB и иллюстрации. Когда студент задаёт вопрос, модель сначала ищет релевантные фрагменты внутри этого корпуса, а затем генерирует ответ на их основе. Это резко снижает риск «галлюцинаций» по сравнению с универсальными чат-ботами.

Второй компонент — системный промпт, задающий педагогическую роль: ассистент объясняет и подсказывает, но намеренно не выдаёт готовые решения задач. Принцип «сократова диалога» — студент должен прийти к ответу самостоятельно. Ответы могут содержать текстовые объяснения, блоки кода и изображения одновременно, что позволяет объяснять математические концепции в наиболее наглядном формате.

Почему «курсовой AI» — перспективное направление

VectorizationLLM вписывается в растущий тренд на создание узкоспециализированных образовательных LLM, привязанных к конкретному предмету или курсу. В отличие от ChatGPT в «сыром» виде, такой ассистент не выходит за рамки учебной программы, опирается только на верифицированные материалы преподавателя и снижает нагрузку на кафедру в части рутинных вопросов от студентов.

Ключевой вызов при тиражировании подобных решений — наполнение RAG-корпуса: создание качественной базы знаний под каждый курс требует времени и академической экспертизы. Именно здесь, а не в самой LLM, сосредоточена основная работа.

Что это значит

VectorizationLLM показывает, как открытые весовые модели Google можно применить в образовании без дорогостоящего дообучения: связка RAG + системный промпт позволяет быстро адаптировать базовую LLM под любой курс, сохраняя контроль над содержанием. Широкое принятие таких решений в вузах будет зависеть от того, насколько легко преподаватели смогут самостоятельно формировать подобные базы знаний.