Языковые модели Qwen3 легко усложняют учебные задачи, но плохо умеют их упрощать

В июле 2026 года исследователи опубликовали фреймворк для измерения «образовательного контроля» языковых моделей — способности сохранять учебный смысл задачи, одновременно сдвигая её когнитивную нагрузку к заданному уровню по таксономии Блума. На примере 2520 задач по программированию с парой Qwen3-Next авторы выявили устойчивую асимметрию: усложнять задачи модели умеют уверенно, а упрощать — нет.

Что значит «образовательный контроль» модели

Большинство современных бенчмарков оценивают языковые модели по одному параметру — могут ли они правильно решить задачу. В образовательном контексте важна другая способность: адаптировать готовую задачу для конкретного учащегося — сделать её проще для новичка или сложнее для продвинутого студента, сохраняя при этом учебный смысл и тематику.

Авторы применили для измерения этой способности пересмотренную таксономию Блума — шкалу из шести последовательных уровней когнитивной сложности: «Запомнить», «Понять», «Применить», «Проанализировать», «Оценить» и «Создать». Каждый уровень описывает качественно иную форму работы с информацией: от воспроизведения по памяти до самостоятельного синтеза. Шкала даёт конкретную измеримую цель — насколько точно модель попадает в заданный уровень?

• Сравниваемые модели: Qwen3-Next-80B-A3B-Instruct (универсальная) и Qwen3-Coder-Next (специализированная на коде)
• Объём выборки: 2520 задач из трёх бенчмарков по программированию
• Два сценария: общий контроль сложности («сделать проще/сложнее») и точный контроль по уровням Блума
• Методы: семантическое кластирование изменений в задачах и послойное зондирование (Fisher's Discriminant Ratio)

Почему модели легче усложняют, чем упрощают?

Обе модели демонстрируют устойчивую направленную асимметрию. При запросах повысить сложность — добавить требования, ввести абстракции, расширить условие — обе справляются надёжно. Когда нужно снизить когнитивную нагрузку, результаты ухудшаются: модели либо трансформируют задачу до неузнаваемости и меняют её учебный смысл, либо воспроизводят вариант, почти идентичный исходному и не ставший проще.

Послойное зондирование выявило различия во внутреннем устройстве двух моделей. Универсальная Qwen3-Next-80B показала чёткое разделение признаков в средних слоях при обоих типах вмешательства. Специализированная Qwen3-Coder-Next демонстрирует слабее выраженное разделение при общем контроле сложности и более глубокий пик активации при управлении по Блуму — признак того, что специализация на коде по-другому структурирует внутренние представления о когнитивной сложности, а не просто перераспределяет базовые способности.

Что это значит

Умение решать задачи не переходит автоматически в умение педагогически их адаптировать. Авторы прямо указывают: высокая производительность на исполнительских бенчмарках не гарантирует образовательного контроля — это две разные компетенции, разрыв между которыми реален и измерим.

Для разработчиков образовательных AI-систем вывод практичен: встраивать языковую модель как генератор адаптивного учебного контента следует с оговорками. «Режим усложнения» работает надёжно, «режим упрощения под уровень ученика» — нет. Предложенный фреймворк авторы рассматривают как основу для стандартизированной оценки образовательной пригодности модели и целенаправленного дообучения под педагогические задачи.

Частые вопросы

Сколько задач использовалось в тесте и из каких источников?

2520 задач по программированию из трёх бенчмарков. Каждая прошла через два типа вмешательства: общий контроль сложности (сделать проще или сложнее) и точный контроль по уровням таксономии Блума (сдвинуть на конкретный уровень вверх или вниз).

В чём главное различие

Qwen3-Next-80B и Qwen3-Coder-Next по результатам зондирования?

Универсальная Qwen3-Next-80B показала чёткое разделение признаков в средних слоях при обоих типах вмешательства. Qwen3-Coder-Next хуже разделяла задачи при общем контроле сложности, но демонстрировала более глубокий пик активации при управлении по Блуму — авторы трактуют это как признак иной внутренней организации представлений о сложности у специализированных кодовых моделей.