Deskripsi
OmniEdu mewakili keluarga terbuka dari model dasar yang dikembangkan secara cermat untuk lingkungan pembelajaran dan pengajaran K–12. Kumpulan model ini dirancang untuk menangani aspek-aspek kritis pendidikan, termasuk penguatan kurikulum, pemecahan masalah K–12, penalaran diagnostik, dan bimbingan pedagogis. Model-model ini dirancang sebagai sumber terbuka, mendorong inovasi dan kolaborasi dalam komunitas teknologi pendidikan.
Baca Selengkapnya
Keluarga OmniEdu tersedia dalam beberapa skala, termasuk OmniEdu-4B untuk eksperimen lokal, OmniEdu-9B untuk aplikasi pendidikan umum, dan OmniEdu-27B, yang menunjukkan hasil keseluruhan terkuat dalam evaluasi pendidikan. Model-model ini ditawarkan dalam versi asli BF16 dan rilis FP8, dengan versi FP8 secara signifikan mengurangi ukuran unduhan sebesar 37%–44% sambil mempertahankan kinerja. Ketiga skala ini memanfaatkan panjang urutan pelatihan yang substansial yaitu 32.768 token, memungkinkan pemrosesan komprehensif konten pendidikan.
Kemampuan kunci dari OmniEdu mencakup seluruh siklus pembelajaran–pengajaran. Penguatan kurikulum memungkinkan model untuk memetakan pertanyaan ke titik pengetahuan tertentu, tingkat kelas, hubungan prasyarat, dan bukti kurikulum. Untuk pemecahan masalah K–12, OmniEdu dapat menyelesaikan pertanyaan tingkat sekolah yang autentik di berbagai subjek, format, dan input multimodal. Penalaran diagnostik membantu mengidentifikasi kesalahpahaman, prasyarat yang hilang, dan kesenjangan pengetahuan dari pekerjaan siswa, memberikan wawasan berharga tentang pemahaman siswa. Selain itu, bimbingan pedagogis memungkinkan model untuk menyarankan tindakan instruksional berikutnya, seperti memberikan petunjuk, mengajukan pertanyaan lanjutan, merekomendasikan tinjauan prasyarat, atau menawarkan penjelasan yang mendetail.
Model-model ini telah dilatih secara ketat pada dataset besar yang terdiri dari 60.951 contoh spesifik pendidikan dan 9.048 contoh umum yang bersumber dari lebih dari 100 asal yang berbeda. Evaluasi terhadap 16 model lainnya, termasuk solusi berbobot terbuka dan proprietary, menunjukkan OmniEdu-27B unggul dalam tolok ukur seperti K12-Bench EM/F1, akurasi MathFish, dan skor pengajaran LongTutor, menunjukkan kinerja yang kuat dalam penguatan kurikulum dan dukungan instruksional. Proyek ini menekankan bahwa meskipun hasil tolok ukur kuat, pendidik harus meninjau keluaran model sebelum digunakan secara signifikan di kelas.
OmniEdu mendukung penelitian pendidikan dan penciptaan alat bantu guru. Model-model ini dirancang untuk diterapkan pada GPU/backend yang mendukung FP8 secara blok, memanfaatkan rilis vLLM terbaru dengan dukungan Qwen3.5. Pengguna dapat dengan mudah beralih antara berbagai ukuran model dan tingkat presisi (BF16 atau FP8) dengan menyesuaikan ID model. Persyaratan memori bervariasi berdasarkan panjang konteks, tingkat konkruensi, dan penyertaan input gambar.
- KategoriModel AI & LLM
- Model HargaOpen source
- PenerapanOn-premise (via GitHub)
- PlatformWeb
Fitur Inti OmniEdu
Keluarga terbuka dari model dasar untuk pendidikan K–12
Penguatan kurikulum: memetakan pertanyaan ke titik pengetahuan, tingkat kelas, dan prasyarat
Pemecahan masalah K–12: menyelesaikan pertanyaan tingkat sekolah di berbagai subjek dan format
Penalaran diagnostik: mengidentifikasi kesalahpahaman dan kesenjangan pengetahuan dari pekerjaan siswa
Bimbingan pedagogis: menyarankan tindakan instruksional seperti petunjuk, pertanyaan, atau penjelasan
Beberapa skala model: OmniEdu-4B, OmniEdu-9B, dan OmniEdu-27B
Rilis FP8: mengurangi ukuran unduhan sebesar 37%–44% dengan kinerja yang dipertahankan
Asli BF16: tersedia untuk eksperimen presisi penuh
Panjang urutan pelatihan 32.768 token di semua skala
Dilatih pada 60.951 contoh spesifik pendidikan dan 9.048 contoh umum
Kinerja kuat dalam K12-Bench EM/F1, akurasi MathFish, dan skor pengajaran LongTutor
Mendukung penelitian pendidikan dan pengembangan alat bantu guru
Contoh penerapan dan konfigurasi kuantisasi disediakan
Kemampuan umum tetap kuat setelah penyempurnaan pendidikan
Mendukung input multimodal untuk pemecahan masalah
Cara menggunakan OmniEdu?
Pilih Skala Model: Pilih OmniEdu-4B untuk eksperimen lokal, OmniEdu-9B untuk aplikasi pendidikan, atau OmniEdu-27B untuk hasil keseluruhan terkuat.
Pilih Presisi: Pilih versi asli BF16 atau rilis FP8, dengan catatan FP8 mengurangi ukuran unduhan sebesar 37%–44%.
Siapkan Lingkungan: Gunakan GPU/backend yang mendukung FP8 secara blok dan rilis vLLM terbaru dengan dukungan Qwen3.5 untuk penerapan.
Terapkan Model: Mulai dengan OmniEdu-4B-FP8, kemudian ubah ID model dan sesuaikan paralelisme GPU untuk model 9B atau 27B.
Sajikan Asli BF16: Hapus akhiran '-FP8' dari ID model untuk menyajikan titik pemeriksaan asli BF16.
Integrasikan ke dalam Aplikasi: Manfaatkan model untuk penguatan kurikulum, pemecahan masalah, diagnosis, atau bimbingan pedagogis dalam alat pendidikan.
Tinjau Keluaran: Pendidik harus meninjau keluaran model sebelum digunakan secara signifikan di lingkungan kelas.
Kasus Penggunaan OmniEdu
- Penyelarasan Kurikulum
- Pemecahan Masalah K–12
- Diagnosis Siswa
- Dukungan Pedagogis
- Penelitian Pendidikan
- Alat Bantu Guru
- Eksperimen Model
- Pembelajaran Multimodal








