Description
OmniEdu représente une famille ouverte de modèles fondamentaux méticuleusement développés pour les environnements d'apprentissage et d'enseignement K–12. Cette suite de modèles est conçue pour aborder des aspects critiques de l'éducation, y compris l'ancrage au programme, la résolution de problèmes K–12, le raisonnement diagnostique et le tutorat pédagogique. Les modèles sont conçus pour être open-source, favorisant l'innovation et la collaboration au sein de la communauté de la technologie éducative.
Lire la suite
La famille OmniEdu est disponible en plusieurs échelles, y compris OmniEdu-4B pour l'expérimentation locale, OmniEdu-9B pour les applications éducatives, et OmniEdu-27B, qui démontre les meilleurs résultats globaux dans les évaluations éducatives. Ces modèles sont proposés en versions BF16 originales et FP8, les versions FP8 réduisant significativement les tailles de téléchargement de 37 % à 44 % tout en maintenant les performances. Les trois échelles utilisent une longueur de séquence d'entraînement substantielle de 32 768 tokens, permettant un traitement complet du contenu éducatif.
Les capacités clés d'OmniEdu englobent l'ensemble de la boucle d'apprentissage-enseignement. L'ancrage au programme permet aux modèles de mapper des questions à des points de connaissance spécifiques, des niveaux de classe, des relations préalables et des preuves de programme. Pour la résolution de problèmes K–12, OmniEdu peut résoudre des questions authentiques de niveau scolaire à travers diverses matières, formats et entrées multimodales. Le raisonnement diagnostique aide à identifier les idées fausses, les prérequis manquants et les lacunes de connaissance à partir du travail des apprenants, fournissant des informations précieuses sur la compréhension des étudiants. De plus, le tutorat pédagogique permet aux modèles de suggérer la prochaine action d'instruction, comme fournir un indice, poser une question de suivi, recommander une révision des prérequis ou offrir une explication détaillée.
Les modèles ont été rigoureusement entraînés sur un vaste ensemble de données comprenant 60 951 exemples spécifiques à l'éducation et 9 048 exemples à usage général provenant de plus de 100 origines différentes. Les évaluations par rapport à 16 autres modèles, y compris des solutions à poids ouvert et propriétaires, montrent qu'OmniEdu-27B est en tête des benchmarks tels que K12-Bench EM/F1, la précision de MathFish et le score d'enseignement de LongTutor, indiquant une forte performance dans l'ancrage au programme et le soutien pédagogique. Le projet souligne que, bien que les résultats des benchmarks soient solides, les éducateurs doivent examiner les sorties des modèles avant une utilisation conséquente en classe.
OmniEdu soutient la recherche éducative et la création d'outils d'assistance aux enseignants. Les modèles sont conçus pour être déployés sur des GPU/backends qui prennent en charge le FP8 par blocs, utilisant les récentes versions vLLM avec le support de Qwen3.5. Les utilisateurs peuvent facilement passer entre différentes tailles de modèles et niveaux de précision (BF16 ou FP8) en ajustant l'ID du modèle. Les exigences en mémoire varient en fonction de la longueur du contexte, de la concurrence et de l'inclusion d'entrées d'image.
- CatégorieModèles d'IA et LLM
- Modèle tarifaireOpen source
- DéploiementOn-premise (via GitHub)
- PlateformesWeb
Fonctionnalités principales de OmniEdu
Famille ouverte de modèles fondamentaux pour l'éducation K–12
Ancrage au programme : mappe les questions aux points de connaissance, niveaux de classe et prérequis
Résolution de problèmes K–12 : résout des questions de niveau scolaire à travers des matières et formats
Raisonnement diagnostique : identifie les idées fausses et les lacunes de connaissance à partir du travail des apprenants
Tutorat pédagogique : suggère des actions d'instruction comme des indices, des questions ou des explications
Multiples échelles de modèles : OmniEdu-4B, OmniEdu-9B et OmniEdu-27B
Versions FP8 : réduit la taille de téléchargement de 37 % à 44 % tout en maintenant les performances
Origines BF16 : disponibles pour une expérimentation à pleine précision
Longueur de séquence d'entraînement de 32 768 tokens sur toutes les échelles
Entraîné sur 60 951 exemples spécifiques à l'éducation et 9 048 exemples à usage général
Forte performance dans K12-Bench EM/F1, précision de MathFish et score d'enseignement de LongTutor
Soutient la recherche éducative et le développement d'outils d'assistance aux enseignants
Exemples de déploiement et configurations de quantification fournies
Les capacités générales restent solides après un ajustement éducatif
Prend en charge les entrées multimodales pour la résolution de problèmes
Comment utiliser OmniEdu ?
Choisir l'échelle du modèle : Sélectionnez OmniEdu-4B pour l'expérimentation locale, OmniEdu-9B pour les applications éducatives, ou OmniEdu-27B pour les meilleurs résultats globaux.
Sélectionner la précision : Optez pour les originaux BF16 ou les versions FP8, en notant que FP8 réduit les téléchargements de poids de 37 % à 44 %.
Préparer l'environnement : Utilisez un GPU/backend prenant en charge le FP8 par blocs et une version récente de vLLM avec le support de Qwen3.5 pour le déploiement.
Déployer le modèle : Commencez avec OmniEdu-4B-FP8, puis changez l'ID du modèle et ajustez le parallélisme GPU pour les modèles 9B ou 27B.
Servir l'original BF16 : Supprimez le suffixe '-FP8' de l'ID du modèle pour servir le point de contrôle original BF16.
Intégrer dans les applications : Utilisez les modèles pour l'ancrage au programme, la résolution de problèmes, le diagnostic ou le tutorat pédagogique dans les outils éducatifs.
Examiner les sorties : Les éducateurs doivent examiner les sorties des modèles avant une utilisation conséquente en classe.
Cas d'utilisation de OmniEdu
- Alignement au programme
- Résolution de problèmes K–12
- Diagnostic des apprenants
- Soutien pédagogique
- Recherche éducative
- Outils d'assistance aux enseignants
- Expérimentation de modèles
- Apprentissage multimodal








