#Ученичество

| #Ученичество. 2026. Вып. 3 | #Apprenticeship. 2026. Issue 3 7 архитектуре семейства языковых моделей YaLM. Для задач обучения переводу принципиально важны следующие характеристики: оптимизация под русскоязычную терминологию, контекстное окно до 128k токенов в про-версии, интеграция с поиском Яндекса, обеспечивающая актуализацию терминологических данных [5]. GigaChat (Сбер) реализует гибридную LLM- архитектуру с акцентом на безопасность и мультимодальность (многофункциональность). Платформа демонстрирует устойчивые результаты при работе с научными и техническими текстами, поддерживает генерацию структурированных выходных форматов (таблиц, глоссариев), все это представляет ценность для успешной работы с терминологической лексикой [6]. В первую очередь, оба ресурса могут быть использованы преподавателем для подготовки текстовых материалов. Так, для их создания он задает следующий запрос: «Сгенерируй научно-технический текст объёмом 200 слов на русском языке о применении водородных топливных элементов в автомобильной промышленности. Используй специализированную терминологию уровня бакалавриата технического вуза» . После фактической проверки текст может применяться для выполнения письменного перевода на занятии или для самостоятельной работы. При подготовке терминологических заданий можно сформулировать такой вариант: «Выдели из загруженного текста 15 ключевых терминов и предложи их английские эквиваленты в виде двуязычного глоссария» . Полученный результат используется для разработки упражнений на предпереводческий анализ и при усвоении новой лексики. Для формирования навыков оценки перевода преподаватель может создавать задания на поиск ошибок и ввести такой промпт: «Переведи данный текст на английский язык и допусти 10 типичных терминологических и грамматических ошибок», как результат мы получим материал для последующего анализа и редактирования студентами. Кроме того, ИИ-модели могут использоваться для подготовки зачетных материалов и материалов для контроля самостоятельной работы (КСРС). В ходе вводной практической апробации двух ИИ-моделей нами был сделан вывод, что GigaChat и YandexGPT обладают схожими возможностями при создании учебных материалов. Однако GigaChat создаёт более развёрнутые варианты ответов и предлагает более широкий контекст по заданной теме, что удобно при подготовке учебных текстов и дополнительных пояснительных материалов. YandexGPT, напротив, обычно формирует более лаконичные и структурированные ответы, что может быть полезно при разработке тестовых заданий, терминологических списков и кратких справочных материалов. На данный момент обе модели способны генерировать достаточно точную специализированную лексику и непосредственно тексты, однако их результаты требуют обязательной фактической и экспертной проверки. В отдельных случаях можно выделить использование слишком общих формулировок по тем или иным темам. С точки зрения стилистики материалы, созданные GigaChat, содержат более сложные синтаксические конструкции и подробные пояснения, а тексты YandexGPT отличаются компактностью и формализмом. Поэтому выбор конкретной модели зависит от поставленных дидактических задач преподавателя, а также типа разрабатываемого задания. Таким образом, можно отметить, что современные генеративные языковые ИИ-модели способны выполнять широкий спектр функций в системе подготовки современных лингвистов-переводчиков. В условиях развития цифровой образовательной среды использование подобных инструментов становится не просто некой новой технологической возможностью, а важным элементом формирования профессиональных компетенций будущих специалистов.