本文探讨了大型语言模型（LLMs）在控制文本难度方面的应用，特别是在语言学习者环境中。研究评估了少样本提示和强化学习等不同方法的效果，发现GPT-4与开源模型之间存在性能差距。通过精调和强化学习的结合，提出了CALM模型，其表现优于GPT-4。此外，研究还探讨了LLMs在教育评估中的潜力，强调提高模型适应性的必要性，以满足不同年龄和教育水平的需求。

研究表明，ChatGPT等语言模型在生成任务中的可读性控制效果有限，而开源模型如BLOOMZ和FlanT5表现良好。通过调整文本难度，LLMs能有效提升学生理解能力，某些LLMs在文本难度处理上超越人类。此外，提示设计对模型性能影响显著，改进的提示选择方法提高了分类准确性。