Открытый код

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Открытый код — использование открыто лицензированных моделей, кода, данных и контента в ИИ в образовании. Открытость — главный противовес в этой базе знаний привязке к поставщику и раскрытию данных: модели с открытыми весами могут работать на кампусном оборудовании для выполнения обязательств по FERPA, GDPR и Закону ЕС об ИИ (EU AI Act), открыто лицензированные корпуса можно индексировать и дообучать без разрешения издателя, а открытые бенчмарки и релизы наборов данных делают исследования воспроизводимыми. Бремя в равной степени реально: инфраструктура и обеспечение безопасности, сопровождение, которое переживает грант, и качество, которое открытость сама по себе не гарантирует.

Вопросы для размышления

• «Открытый код» часто воспринимается как «бесплатно и легко». Какой из четырёх слоёв ниже — модели, код, данные или контент — стоит вашему учреждению больше всего при внедрении, и почему?
• Открытые веса делают возможным локальное развёртывание, но кто-то всё равно должен размещать систему, патчить и оценивать её. Кто должен владеть этой работой после окончания первоначального проекта, и кто за неё платит?
• Одно исследование здесь обнаружило, что открытая модель на 32B превосходит гораздо более крупную проприетарную систему в педагогическом знании, тогда как другое обнаружило, что все протестированные открытые модели оказались ниже человеческого базового уровня по грамотности в научной визуализации. Как вы решаете, какой бенчмарк является правильным для вашего решения?
• Именно единый открыто лицензированный корпус позволяет школе запустить собственного ассистента на своих материалах курса. Какие обязательства с этим связаны — перед первоначальными авторами, перед студентами, чьи данные индексируются, и перед самой лицензией?
• Если генеративный ИИ может создать курс менее чем за полчаса за пару долларов, каково оставшееся обоснование для открытых образовательных ресурсов — стоимость, свобода лицензирования, обеспечение качества или что-то ещё?
• Должны ли учреждения рассматривать внедрение открытого кода как решение о закупках, как решение об инфраструктуре или как педагогическое решение? Что ломается, если рассматривать его только как одно из них?

Введение

В целом «открытость» в ИИ-образовании означает, что четыре вида артефактов доступны для изучения, повторного использования и модификации: веса моделей, исходный код, данные и инструменты оценивания и образовательный контент. Статьи базы знаний распределяются по этим слоям неравномерно, и полученная картина полезнее лозунга: открытость покупает конкретные вещи — локальный контроль, аудируемость, воспроизводимость и правовую ясность, — и стоит конкретных вещей — инфраструктуры, экспертизы, сопровождения и бремени обеспечения качества, которое переходит от поставщика к учреждению.

Открытые модели и открытые веса

Открытые веса важнее всего там, где данные студентов не могут покинуть кампус. LaTA — это drop-in автопроверяющий на локальной Большие языковые модели (LLM), совместимый с FERPA, для курсов STEM старших курсов, построенный на составленных преподавателями рубриках и эталонных решениях, с нулевой предельной стоимостью за сдачу. SCRIPT — система репетиторства на Python репетиторская система в Билефельдском университете, которая намеренно избегает коммерческих API LLM и самостоятельно размещает модель Llama-70B с открытыми весами, чтобы соответствовать GDPR и Закону ЕС об ИИ (который классифицирует некоторые применения ИИ в образовании как высокорисковые), разделяя журналы IP и систему репетиторства, используя псевдонимные имена пользователей и записывая нажатия клавиш только с явного согласия, — выбор, которому авторы также приписывают более низкое воздействие на окружающую среду и лучшую воспроизводимость.

Качество больше не является автоматической ценой открытости. EduQwen применяет обучение с подкреплением (DAPO) и контролируемое дообучение к семейству открытых моделей, добывая 440 сложных негативных примеров, генерируя 40,000 синтетических ответов, отобранных вниз до 1,050 упорядоченных по сложности примеров, и достигая 96,52% на педагогическом бенчмарке — выше 90,55% у Gemini-3 Pro, — при 32B плотных параметрах. AiAWE приходит к схожим выводам для автоматического оценивания письма: адаптированная с помощью LoRA модель с открытыми весами Gemma-3-27B-it превосходит LLaMA-3.3-70B и дообученную базовую версию GPT-3.5 на 480 эссе TOEFL и работает на сервере потребительского класса, с поразительным дополнительным обнаружением, что число параметров не является надёжным предиктором downstream-результативности при адаптации с помощью LoRA. Контрдоказательства заслуживают равного внимания: бенчмарк шести MLLM (три закрытых, три открытых) обнаружил, что все модели с открытым кодом оказались ниже человеческого базового уровня по грамотности в научной Визуализация, тогда как Gemini превысил среднее человеческое значение по нескольким поднаборам. Открытость повышает потолок контроля, а не возможностей.

OmniEdu выпускает весь конвейер, а не только веса: сбалансированное по возможностям контролируемое обучение на смеси из 69,999 примеров подняло каждый масштаб открытого семейства 4B/9B/27B для K–12 — настроенная модель 4B выиграла 55 пунктов частоты выигрыша скаффолдинга MathTutorBench по сравнению с базовой, — тогда как диагностика состояния знаний осталась её самой слабой возможностью на уровне 54,04% (Liang et al., 2026).

Открытые инструменты, репетиторы и исследовательская инфраструктура

Самый ясный аргумент в пользу открытого кода — воспроизводимость. OATutor — первая полностью открытая адаптивная система репетиторства, построенная на принципах ITS, — сочетает кодовую базу под лицензией MIT с библиотекой контента Creative Commons (CC BY) из учебников алгебры OpenStax, а также трассировку знаний, A/B-тестирование и поддержку LTI; её явная цель проектирования состоит в том, чтобы исследователь мог провести эксперимент, а затем опубликовать всю сквозную рамку, контент и платформу в виде ссылки на репозиторий. StanBKT приводит тот же аргумент на уровне методов, заменяя точечные оценки методом максимизации ожидания полным байесовским выводом (HMC, вариационный вывод, Pathfinder, оптимизация) в открытом пакете на Python, который делает явной неопределённость, от которой зависят A/B-сравнения адаптивных вмешательств. DeepTutor: Towards Agentic Personalized Tutoring выпускает полную агентную рамку репетиторства с памятью учащегося в виде леса трассировок — Apache 2.0, и к концу 2026 года полноценное рабочее пространство обучения, а не только конвейеры, которые бенчмаркирует его статья, — а генератор аудиторий OpenMAIC от MAIC поставляется под лицензией MIT вместе с исследованием, которое его оценивает, поэтому курс можно сгенерировать, самостоятельно разместить и изучить, а не только прочитать о нём; VISMATIC публикует свою контейнеризованную песочницу для мониторинга, ориентированного на процесс, чтобы другие учреждения могли принять модель обеспечения добросовестности, а не версию поставщика. Открытый код также несёт бремя прозрачности: скрипты для ориентированных на аффект промптов репетиторства MathBuddy публикуются для изучения и дальнейшей работы по педагогическому обучению. Открытая инфраструктура задаёт ориентир для того, что должны делать образовательные агенты: обзор 474 исследований агентного ИИ в этой базе знаний использует быстрорастущий проект агента с открытым кодом как свой бенчмарк «фронтирной ... агентной парадигмы» и обнаруживает, что образовательные системы по-прежнему не хватает управляемой оркестровки инструментов, постоянной памяти, долгосрочного планирования и аудируемых действий.

Открытые бенчмарки, наборы данных и прозрачность методов

Несколько вкладов здесь являются открытой инфраструктурой оценивания, а не системами. Педагогический бенчмарк (CDPK + SEND, построенный из подлинных заданий экзаменов чилийских учителей) охватывает 97 моделей: DeepSeek R1 с открытыми весами достиг 86,65% по сравнению с топ-10 преимущественно закрытых reasoning-моделей, а фронтир стоимости–точности сдвинулся с ~50% до ~82% при \$0.10/M входных токенов между апрелем 2024 и июнем 2025 года, — причём открытый Qwen-3 8B по цене 3,5¢ почти соответствует лучшей закрытой модели апреля 2024 года при более чем в 400 раз меньшей стоимости. Результативность резко падает ниже примерно 8B параметров, что является практическим ограничением по размеру для кампусных развёртываний. ASTRA выпускает набор данных, схему и прототип для оценки на основе трассировок социально интеллектуального многоагентного репетиторства (540 участников, 360 сессий, 1,440 эпизодов заданий). IKS-Instruct демонстрирует культурный аргумент в пользу открытых данных: 24,795 пар «инструкция–ответ» на семи языках и 41 педагогический приём, взятые из ведических и классических источников, согласованные с учебным планом CBSE учебным планом, что позволило компактной модели 7B приблизиться к гораздо более крупной универсальной референсной модели (медианная оценка судьи 6,39 против 6,54) за часть стоимости развёртывания. Созданные студентами бенчмарки — ещё один путь к открытости: AcademiClaw курирует 80 долгосрочных академических заданий из 230 предложенных студентами кандидатов (охватывающих 25+ профессиональных доменов, 16 требующих GPU CUDA, запускаемых в изолированных песочницах Docker) и расширяет открытую экосистему агентов до оценивания академического уровня. Eimler et al. (2026) утверждают, что открытость — это экологическое обязательство: рассмотрев все статьи AIED 2025, они обнаружили закономерность «внедрения LLM без раскрытия» и ответили методологией измерения с открытым кодом — программными инструментами плюс формулой, которая оценивает вычислительные расходы даже когда количество параметров неизвестно.

Открытые образовательные ресурсы и открытый контент

Shen et al. (2026) — единственная статья базы знаний, в которой открытые образовательные ресурсы являются центральным объектом, а не мимолётной ссылкой. Они строят ассистента базы знаний ИИ на собственном оборудовании для образования в области информатики из 82 документов OER на оборудовании потребительского класса (RTX 3060 с 12 ГБ VRAM), сочетая структурированное извлечение, генерацию с дополненным поиском и 4-битное quantization-aware дообучение NF4. Дообучение добавило реальную ценность сверх поиска (Qwen-7B 69,8%, +3,2 п.п., p = 0,031; DeepSeek-MoE 78,6%, +12,0 п.п., p < 0,001, включая 82,3% по многошаговому рассуждению); quantization-aware настройка удержала разрыв точности на 4 битах на уровне 1,7 и 1,2 п.п., сократив VRAM примерно на 38% и энергию до 1,8 мВт·ч на запрос (на 43,8% ниже базового уровня); а галлюцинации, раздутые квантованием, были частично восстановлены дообучением (DeepSeek-MoE 10,4% → 8,1%), измеренные двухступенчатой процедурой NLI по извлечённым фрагментам OER. Аналитический тезис обобщаем: открыто лицензированный корпус можно индексировать, адаптировать и обслуживать без разрешений издателя, а заземление ассистента на извлечённых OER даёт проверяемую траекторию provenance, — чего корпус проприетарного учебника не может предложить.

Открытость контента и открытость моделей являются взаимодополняющими и в других местах. OATutor курирует учебники CC BY OpenStax в систему, код которой лицензирован по MIT, поэтому условия лицензий кода и контента должны сохраняться совместимыми по замыслу. Открытая исполняемая библиотека модулей для ИИ в энергетических системах снижает порог входа с помощью блокнотов Jupyter, которые запускаются локально или в Colab, поставляемых через онлайн-курс IEEE. А учебный план на основе проектов по машиностроению публикует свою программу, данные и код в репозиториях открытого доступа, чтобы другие учреждения могли его принять (Giving Mechanical Engineers Intelligent Tools: A Project-Based AI Education Curriculum in Thermal Engineering). Рядом с OER открытая доставка курса — это сфера, где экономика меняется быстрее всего: MAIC сообщает о падающем производстве MOOC с примерно \$25,000 и 60 часов на курс до менее \\$2 и 30 минут с генерацией множеством агентов на основе LLM. Если производство контента становится почти бесплатным, аргумент OER уходит от стоимости производства к свободе лицензирования, проверяемости и обеспечению качества, — что является иным предложением, чем то, на котором было построено продвижение OER.

Выгоды и бремя

• Выгоды. Суверенитет данных и соответствие нормативным требованиям (Приватность, Регулирование ИИ в образовании) через локальное размещение; контроль затрат, поскольку локальный вывод не имеет платы за запрос, а открытые модели приближаются к качеству проприетарных за часть цены (Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning); воспроизводимость, поскольку рамка, промпты, контент и данные могут поставляться вместе со статьёй (OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research, ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring); аудируемость и проверка безопасности в рамках институционального управления; и возможность дообучения под конкретную Педагогики и стратегии преподавания или базу знаний конкретного сообщества (IKS-Instruct: A 24,000-Example Multilingual Dataset for Teaching Language Models Indian Knowledge Systems).
• Бремя. Локальное размещение требует оборудования и экспертизы, которых у многих учреждений нет; качество и безопасность не гарантированы из коробки — открытые модели могут отставать от человеческих базовых уровней по конкретным видам грамотности (Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy), а квантование повышает частоту галлюцинаций, если оно не смягчено (Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources); кто-то должен сопровождать систему после публикации (Programming Intelligent Tutoring Systems документирует небольшую команду из аспирантов, не завершённую работу по обеспечению безопасности и существенное бремя соответствия требованиям); и открытая лицензия — это разрешение, а не работающий продукт, — сопровождение, которое сохраняет выпущенную систему пригодной к использованию, ложится на тех Разработчики образовательных технологий, кто её построил, а их финансирование и стимулы решают, унаследует ли учреждение форкабельный репозиторий, сопровождаемый продукт или ни то, ни другое, когда грант закончится.

Внедрение открытости на практике

• Для преподавателей и учреждений: проверяйте лицензию контента, а не только код, прежде чем внедрять систему — код под MIT на учебниках CC BY пригоден для повторного использования, но разрешительная лицензия не гарантирует, что существуют траектории репетиторства, банки заданий или переводы. Предпочитайте открытые модели, когда данные студентов юридически не могут покинуть кампус (LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework, Programming Intelligent Tutoring Systems), но тестируйте модель на вашей задаче, а не доверяя общим рейтингам (Benchmarking the Pedagogical Knowledge of Large Language Models). Закладывайте бюджет на человека, который будет запускать и оценивать систему после пилота.
• Для разработчиков и исследователей: поставляйте всё целиком — сквозной релиз OATutor (код, контент, стенд экспериментов) — это стандарт воспроизводимости, который эта литература продолжает вознаграждать. Выпускайте промпты и схемы извлечения вместе с весами (Programming Intelligent Tutoring Systems, MathBuddy: Affective Math Tutoring). Сообщайте о вычислительных ресурсах и углеродном следе (The Environmental Cost of LLMs in AIED: Reporting and Practices). Заземляйте ассистентов на открыто лицензированных корпусах, чтобы provenance было проверяемым, а адаптация — законной (Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources). Используйте quantization-aware дообучение, а не простое квантование, если важны и точность, и энергия, и сохраняйте лицензии кода и контента совместимыми.

Связанные концепции

• Интеллектуальное тьюторство
• Обучение и дообучение LLM
• Адаптивное обучение
• Edtech-платформа
• Приватность
• Регулирование ИИ в образовании
• Управление ИИ
• Агентный ИИ
• Автоматизированное оценивание
• Бенчмарк
• Трассирование знаний
• RAG (генерация с дополненным поиском)
• Педагогическая безопасность
• Устойчивое развитие
• Методы исследования в AIED
• Письменная речь
• Академическая добросовестность
• Разработчики образовательных технологий

Связанные статьи

• Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources — Ассистент базы знаний ИИ на основе OER на собственном оборудовании потребительского класса (Shen et al. 2026)
• OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research — Адаптивный репетитор под лицензией MIT с библиотекой контента CC BY OpenStax (Pardos et al. 2023)
• Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning — Открытая педагогическая модель на 32B, превосходящая гораздо более крупные проприетарные системы (Singh et al. 2026)
• LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework — Drop-in автопроверяющий на локальной LLM, совместимый с FERPA
• Programming Intelligent Tutoring Systems — Самостоятельно размещённая LLM с открытыми весами для соответствия GDPR/Закону ЕС об ИИ в системе репетиторства на Python
• AiAWE: An Open-Source LLM Automated Writing Evaluation System Using LoRA-Adapted Instruction-Tuned Models — Модель с открытыми весами, адаптированная с помощью LoRA, для автоматизированного оценивания письма
• StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing — Открытый пакет на Python для полной байесовской трассировки знаний
• DeepTutor: Towards Agentic Personalized Tutoring — Полностью открытая агентная рамка репетиторства с памятью учащегося
• Securing the Sandbox: A Rootless Containerized Framework for Process-Oriented Monitoring in Computer Graphics Education — Открытая контейнеризованная песочница для ориентированного на процесс оценивания
• MathBuddy: Affective Math Tutoring — Ориентированный на аффект репетитор математики с открытой кодовой базой
• Benchmarking the Pedagogical Knowledge of Large Language Models — Открытый педагогический бенчмарк на 97 моделях и фронтир стоимости–точности
• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — Открытый набор данных и прототип для оценки многоагентного репетиторства на основе трассировок
• Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy — Открытые модели ниже человеческого базового уровня по грамотности в визуализации
• IKS-Instruct: A 24,000-Example Multilingual Dataset for Teaching Language Models Indian Knowledge Systems — Открытый многоязычный набор данных для культурно обусловленного обучения
• The Environmental Cost of LLMs in AIED: Reporting and Practices — Метод с открытым кодом для сообщения об экологических затратах LLM
• Bridging Artificial Intelligence and Power Systems Education Using a Hands-On Executable Framework — Открытая исполняемая библиотека модулей для ИИ в инженерии
• Giving Mechanical Engineers Intelligent Tools: A Project-Based AI Education Curriculum in Thermal Engineering — Публично доступный учебный план, данные и код
• From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents — Генерация курсов на основе LLM и меняющаяся экономика производства курсов
• A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities, and insights from the frontier agent paradigm, exemplified by OpenClaw
• AcademiClaw: When Students Set Challenges for AI Agents
• OmniEdu: Open Foundation Models for Learning and Teaching — OmniEdu: Open Foundation Models for Learning and Teaching