Beschreibung
OmniEdu stellt eine offene Familie von Grundmodellen dar, die sorgfältig für Lern- und Lehrumgebungen in K–12 entwickelt wurden. Diese Modellreihe ist darauf ausgelegt, kritische Aspekte der Bildung zu adressieren, einschließlich Curriculum-Verankerung, Problemlösung in K–12, diagnostischem Denken und pädagogischer Nachhilfe. Die Modelle sind als Open-Source konzipiert, um Innovation und Zusammenarbeit innerhalb der Bildungs-Technologie-Community zu fördern.
Weiterlesen
Die OmniEdu-Familie ist in mehreren Größen erhältlich, darunter OmniEdu-4B für lokale Experimente, OmniEdu-9B für allgemeine Bildungsanwendungen und OmniEdu-27B, das die stärksten Gesamtergebnisse in Bildungsbewertungen zeigt. Diese Modelle werden sowohl in BF16-Originalen als auch in FP8-Versionen angeboten, wobei die FP8-Versionen die Download-Größen um 37 %–44 % reduzieren und gleichzeitig die Leistung aufrechterhalten. Alle drei Größen nutzen eine beträchtliche Trainingssequenzlänge von 32.768 Tokens, die eine umfassende Verarbeitung von Bildungsinhalten ermöglicht.
Die Hauptfunktionen von OmniEdu umfassen den gesamten Lern-Lehr-Zyklus. Die Curriculum-Verankerung ermöglicht es den Modellen, Fragen bestimmten Wissenspunkten, Klassenstufen, Voraussetzungen und Curriculum-Beweisen zuzuordnen. Für die Problemlösung in K–12 kann OmniEdu authentische schulische Fragen in verschiedenen Fächern, Formaten und multimodalen Eingaben lösen. Diagnostisches Denken hilft, Missverständnisse, fehlende Voraussetzungen und Wissenslücken aus den Arbeiten der Lernenden zu identifizieren und bietet wertvolle Einblicke in das Verständnis der Schüler. Darüber hinaus ermöglicht die pädagogische Nachhilfe den Modellen, die nächste Unterrichtsmaßnahme vorzuschlagen, wie z. B. einen Hinweis zu geben, eine Folgefrage zu stellen, eine Überprüfung der Voraussetzungen zu empfehlen oder eine detaillierte Erklärung anzubieten.
Die Modelle wurden rigoros auf einem umfangreichen Datensatz trainiert, der 60.951 bildungsspezifische und 9.048 allgemeine Beispiele aus über 100 verschiedenen Quellen umfasst. Bewertungen im Vergleich zu 16 anderen Modellen, einschließlich sowohl Open-Weight- als auch proprietären Lösungen, zeigen, dass OmniEdu-27B in Benchmarks wie K12-Bench EM/F1, MathFish-Genauigkeit und LongTutor-Lehrbewertung führend ist, was auf eine starke Leistung in der Curriculum-Verankerung und der Unterrichtsunterstützung hinweist. Das Projekt betont, dass, obwohl die Benchmark-Ergebnisse stark sind, Pädagogen die Ausgaben der Modelle vor einer entscheidenden Nutzung im Klassenzimmer überprüfen sollten.
OmniEdu unterstützt die Bildungsforschung und die Erstellung von Lehrassistenzwerkzeugen. Die Modelle sind für den Einsatz auf GPUs/Backends konzipiert, die blockweise FP8 unterstützen, und nutzen aktuelle vLLM-Versionen mit Qwen3.5-Unterstützung. Benutzer können einfach zwischen verschiedenen Modellgrößen und Präzisionsstufen (BF16 oder FP8) wechseln, indem sie die Modell-ID anpassen. Die Speicheranforderungen variieren je nach Kontextlänge, Parallelität und der Einbeziehung von Bildeingaben.
- KategorieKI-Modelle & LLMs
- PreismodellOpen Source
- BereitstellungOn-premise (via GitHub)
- PlattformenWeb
OmniEdu's Kernfunktionen
Offene Familie von Grundmodellen für K–12-Bildung
Curriculum-Verankerung: ordnet Fragen Wissenspunkten, Klassenstufen und Voraussetzungen zu
Problemlösung in K–12: löst schulische Fragen in verschiedenen Fächern und Formaten
Diagnostisches Denken: identifiziert Missverständnisse und Wissenslücken aus den Arbeiten der Lernenden
Pädagogische Nachhilfe: schlägt Unterrichtsmaßnahmen wie Hinweise, Fragen oder Erklärungen vor
Mehrere Modellgrößen: OmniEdu-4B, OmniEdu-9B und OmniEdu-27B
FP8-Versionen: reduziert die Download-Größe um 37 %–44 % bei gleichbleibender Leistung
BF16-Originale: verfügbar für Experimente mit voller Präzision
32.768-Tokens Trainingssequenzlänge über alle Größen
Trainiert auf 60.951 bildungsspezifischen und 9.048 allgemeinen Beispielen
Starke Leistung in K12-Bench EM/F1, MathFish-Genauigkeit und LongTutor-Lehrbewertung
Unterstützt Bildungsforschung und Entwicklung von Lehrassistenzwerkzeugen
Bereitstellungsbeispiele und Quantisierungs-Konfigurationen bereitgestellt
Allgemeine Fähigkeiten bleiben stark nach bildungsspezifischem Feintuning
Unterstützt multimodale Eingaben für Problemlösungen
Wie verwendet man OmniEdu?
Modellgröße wählen: Wählen Sie OmniEdu-4B für lokale Experimente, OmniEdu-9B für Bildungsanwendungen oder OmniEdu-27B für die stärksten Gesamtergebnisse.
Präzision auswählen: Entscheiden Sie sich für BF16-Originale oder FP8-Versionen, wobei FP8 die Download-Größe um 37 %–44 % reduziert.
Umgebung vorbereiten: Verwenden Sie eine GPU/Backend, das blockweise FP8 unterstützt, und eine aktuelle vLLM-Version mit Qwen3.5-Unterstützung für die Bereitstellung.
Modell bereitstellen: Beginnen Sie mit OmniEdu-4B-FP8, ändern Sie dann die Modell-ID und passen Sie die GPU-Parallelität für 9B- oder 27B-Modelle an.
BF16-Original bereitstellen: Entfernen Sie das Suffix '-FP8' von der Modell-ID, um den BF16-Original-Checkpoint bereitzustellen.
In Anwendungen integrieren: Nutzen Sie die Modelle für Curriculum-Verankerung, Problemlösung, Diagnose oder pädagogische Nachhilfe in Bildungswerkzeugen.
Ausgaben überprüfen: Pädagogen sollten die Ausgaben der Modelle vor einer entscheidenden Nutzung im Klassenzimmer überprüfen.
OmniEdu's Anwendungsfälle
- Curriculum-Ausrichtung
- Problemlösung in K–12
- Diagnose von Lernenden
- Pädagogische Unterstützung
- Bildungsforschung
- Lehrassistenzwerkzeuge
- Modell-Experimentierung
- Multimodales Lernen








