설명
OmniEdu는 K–12 학습 및 교육 환경을 위해 세심하게 개발된 오픈 패밀리의 기초 모델을 나타냅니다. 이 모델 모음은 커리큘럼 기반, K–12 문제 해결, 진단 추론 및 교육적 튜터링 등 교육의 중요한 측면을 다루도록 설계되었습니다. 이 모델들은 오픈 소스 형태로 제공되어 교육 기술 커뮤니티 내에서 혁신과 협업을 촉진합니다.
더 읽기
OmniEdu 패밀리는 여러 규모로 제공되며, OmniEdu-4B는 로컬 실험을 위한 모델, OmniEdu-9B는 일반 교육 응용 프로그램을 위한 모델, OmniEdu-27B는 교육 평가에서 가장 강력한 전반적인 결과를 보여주는 모델입니다. 이 모델들은 BF16 원본과 FP8 버전으로 제공되며, FP8 버전은 성능을 유지하면서 다운로드 크기를 37%–44% 줄입니다. 세 가지 규모 모두 32,768 토큰의 훈련 시퀀스 길이를 활용하여 교육 콘텐츠를 포괄적으로 처리할 수 있습니다.
OmniEdu의 주요 기능은 전체 학습–교육 루프를 포함합니다. 커리큘럼 기반 기능은 모델이 질문을 특정 지식 포인트, 학년, 전제 관계 및 커리큘럼 증거에 매핑할 수 있게 합니다. K–12 문제 해결을 위해 OmniEdu는 다양한 과목, 형식 및 다중 모드 입력에 걸쳐 실제 학교 수준의 질문을 해결할 수 있습니다. 진단 추론은 학습자의 작업에서 오해, 누락된 전제 및 지식 상태의 격차를 식별하여 학생 이해에 대한 귀중한 통찰력을 제공합니다. 또한 교육적 튜터링 기능은 모델이 힌트를 제공하거나 후속 질문을 하거나 전제 검토를 권장하거나 자세한 설명을 제공하는 등 다음 교육 행동을 제안할 수 있게 합니다.
이 모델들은 100개 이상의 다양한 출처에서 수집된 60,951개의 교육 특정 예제와 9,048개의 일반 목적 예제로 구성된 방대한 데이터 세트에서 엄격하게 훈련되었습니다. 오픈 가중치 및 독점 솔루션을 포함한 16개 다른 모델에 대한 평가 결과, OmniEdu-27B는 K12-Bench EM/F1, MathFish 정확도 및 LongTutor의 교육 점수와 같은 벤치마크에서 선두를 달리고 있으며, 커리큘럼 기반 및 교육 지원에서 강력한 성능을 나타냅니다. 이 프로젝트는 벤치마크 결과가 강력하더라도 교육자들이 교실에서의 중요한 사용 전에 모델 출력을 검토해야 한다고 강조합니다.
OmniEdu는 교육 연구 및 교사 지원 도구의 개발을 지원합니다. 이 모델들은 블록 단위 FP8을 지원하는 GPU/백엔드에서 배포되도록 설계되었으며, Qwen3.5 지원이 포함된 최신 vLLM 릴리스를 활용합니다. 사용자는 모델 ID를 조정하여 다양한 모델 크기와 정밀도 수준(BF16 또는 FP8) 간에 쉽게 전환할 수 있습니다. 메모리 요구 사항은 컨텍스트 길이, 동시성 및 이미지 입력 포함 여부에 따라 달라집니다.
- 카테고리AI 모델 및 LLM
- 요금제오픈소스
- 배포On-premise (via GitHub)
- 플랫폼웹
OmniEdu의 핵심 기능
K–12 교육을 위한 오픈 패밀리의 기초 모델
커리큘럼 기반: 질문을 지식 포인트, 학년 및 전제에 매핑
K–12 문제 해결: 과목 및 형식에 걸쳐 학교 수준의 질문 해결
진단 추론: 학습자의 작업에서 오해 및 지식 격차 식별
교육적 튜터링: 힌트, 질문 또는 설명과 같은 교육 행동 제안
다양한 모델 규모: OmniEdu-4B, OmniEdu-9B 및 OmniEdu-27B
FP8 릴리스: 성능을 유지하면서 다운로드 크기를 37%–44% 줄임
BF16 원본: 전체 정밀도 실험을 위한 모델
모든 규모에서 32,768 토큰 훈련 시퀀스 길이
60,951개의 교육 특정 및 9,048개의 일반 목적 예제로 훈련됨
K12-Bench EM/F1, MathFish 정확도 및 LongTutor 교육 점수에서 강력한 성능
교육 연구 및 교사 지원 도구 개발 지원
배포 예제 및 양자화 구성 제공
교육적 미세 조정 후에도 일반적인 기능 유지
문제 해결을 위한 다중 모드 입력 지원
OmniEdu 사용 방법은?
모델 규모 선택: 로컬 실험을 위해 OmniEdu-4B를 선택하거나 교육 응용 프로그램을 위해 OmniEdu-9B를 선택하거나 가장 강력한 전반적인 결과를 위해 OmniEdu-27B를 선택합니다.
정밀도 선택: BF16 원본 또는 FP8 릴리스를 선택하며, FP8는 다운로드 크기를 37%–44% 줄입니다.
환경 준비: 블록 단위 FP8을 지원하는 GPU/백엔드와 Qwen3.5 지원이 포함된 최신 vLLM 릴리스를 사용하여 배포합니다.
모델 배포: OmniEdu-4B-FP8로 시작한 후 모델 ID를 변경하고 9B 또는 27B 모델에 대해 GPU 병렬성을 조정합니다.
BF16 원본 제공: 모델 ID에서 '-FP8' 접미사를 제거하여 BF16 원본 체크포인트를 제공합니다.
응용 프로그램에 통합: 교육 도구에서 커리큘럼 기반, 문제 해결, 진단 또는 교육적 튜터링을 위해 모델을 활용합니다.
출력 검토: 교육자들은 교실 환경에서 중요한 사용 전에 모델 출력을 검토해야 합니다.
OmniEdu의 사용 사례
- 커리큘럼 정렬
- K–12 문제 해결
- 학습자 진단
- 교육적 지원
- 교육 연구
- 교사 지원 도구
- 모델 실험
- 다중 모드 학습








