小语言模型在网络安全教育中实现本地化自动评估

一项新研究提出并评估了基于小语言模型（SLM）的低资源本地化学生报告自动评估管线，由Sandesh Kumar Kafle等人完成，发布于arXiv（cs.CL）领域，聚焦网络安全教育场景。该流水线整合了轻量级语言模型与视觉语言模型，专门用于分析学生报告，旨在满足低资源环境、隐私保护及新语境评估三大目标。 在性能方面，该管线在105名学生的两份学期数据上完成验证。在低资源环境下，纯文本评估准确率最高可达97%，富文本评估最高达94%。研究指出，其性能媲美甚至超越大模型，并支持本地部署，无需依赖云服务。 该方案作为开源工具，运行于可负担的硬件上，可扩展至计算机科学教育的多种学生报告类型。它专为需要评分辅助但无法依赖云端方案的教育机构设计，强调作为人类监督的辅助而非替代，尤其适用于云服务不切实际的环境。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。