연구자들은 대규모 언어 모델이 학습 목표에 초점을 맞춘 인지 요구도로 전환하면서도 교육적 의도를 유지하는 능력을 측정하기 위한 Bloom 정렬 프레임워크를 도입했다. 본 연구는 세 가지 벤치마크의 2,520개 프로그래밍 작업에 걸쳐 Qwen3-Next-80B-A3B-Instruct 및 Qwen3-Coder-Next를 평가했다.

  • 두 모델 모두 인지 요구도를 reliably 증가시키지만 감소시키는 데 어려움을 겪으며, 견고한 방향성 비대칭성을 드러냈다.
  • 일반 난이도 제어와 Bloom 제정은 운영 척도로 개정된 Bloom 분류법을 사용하여 테스트되었다.
  • 코더 모델과 비교하여 일반 모델은 두 제어 대비 모두 중간 계층의 분리성이 더 명확하다.
  • 시맨틱 델타 클러스터링 및 계층별 피셔의 판별 비율 프로빙이 이러한 결과를 특징지었다.

결과는 강력한 실행 성능이 자동으로 Bloom 정렬 교육 제어를 수반하지 않음을 나타낸다.