CogEvol: verso una generazione efficiente e affidabile di ambienti di apprendimento

Abstract degli autori

Presentiamo CogEvol, una famiglia di modelli addestrati specificamente per generare ambienti di apprendimento: trasformano la descrizione di un corso in un prodotto didattico finito, sotto forma di slide in JSON strutturato o di pagine HTML interattive autonome, in un solo passaggio. Su 220k richieste in produzione, CogEvol completa una slide in un tempo mediano di 17 secondi e una pagina interattiva in 59 secondi, sostituendo le procedure basate su agenti, articolate in più turni, che richiedono diversi minuti. L’affidabilità non è lasciata al caso: una pipeline di dati basata sulla produzione trasforma i problemi reali in 53.687 esempi SFT verificati, mentre un segnale di ricompensa ibrido, basato su regole e VLM, guida l’apprendimento per rinforzo basato su GRPO. Quest’ultimo è stato rafforzato dopo che abbiamo individuato e corretto un episodio di reward hacking che produceva giochi visivamente convincenti ma impossibili da giocare. CogEvol-27B ottiene un punteggio di 83,7 per la qualità delle slide e di 63,7 in un benchmark di HTML interattivo con 500 casi, con un numero di parametri 26,9 volte inferiore rispetto ai modelli di punta per la programmazione e, in collaborazione con il team OpenMAIC, gestisce il loro traffico di produzione in tempo reale. CogEvol-4B è rilasciato pubblicamente con licenza Apache 2.0 all’indirizzo https://github.com/CogEvol/CogEvol-4B; i modelli di punta esterni sono valutati sulle stesse suite di test con la medesima infrastruttura di valutazione. La modifica della struttura di base riduce di un ulteriore ~76% il costo di generazione delle pagine interattive, e l’intero sistema funziona su acceleratori Ascend nazionali con prestazioni equivalenti, a livello applicativo, a quelle delle GPU A800, riducendo il costo unitario dell’istruzione nativa dell’IA su larga scala.