Descrição
OmniEdu representa uma família aberta de modelos fundamentais meticulosamente desenvolvidos para ambientes de aprendizado e ensino K–12. Este conjunto de modelos é projetado para abordar aspectos críticos da educação, incluindo fundamentação curricular, resolução de problemas K–12, raciocínio diagnóstico e tutoria pedagógica.
Ler mais
A família OmniEdu está disponível em múltiplas escalas, incluindo OmniEdu-4B para experimentação local, OmniEdu-9B para aplicações educacionais e OmniEdu-27B, que demonstra os melhores resultados gerais em avaliações educacionais. Esses modelos são oferecidos em versões BF16 originais e FP8, com as versões FP8 reduzindo significativamente os tamanhos de download em 37%–44% enquanto mantêm o desempenho. Todas as três escalas utilizam um comprimento de sequência de treinamento substancial de 32.768 tokens, permitindo um processamento abrangente de conteúdo educacional.
As principais capacidades do OmniEdu abrangem todo o ciclo de aprendizado–ensino. A fundamentação curricular permite que os modelos mapeiem perguntas a pontos de conhecimento específicos, níveis de série, relações de pré-requisitos e evidências curriculares. Para a resolução de problemas K–12, o OmniEdu pode resolver perguntas autênticas em nível escolar em várias disciplinas, formatos e entradas multimodais. O raciocínio diagnóstico ajuda a identificar equívocos, pré-requisitos ausentes e lacunas no estado do conhecimento a partir do trabalho do aluno, fornecendo insights valiosos sobre a compreensão do estudante. Além disso, a tutoria pedagógica permite que os modelos sugiram a próxima ação instrucional, como fornecer uma dica, fazer uma pergunta de acompanhamento, recomendar uma revisão de pré-requisitos ou oferecer uma explicação detalhada.
Os modelos foram rigorosamente treinados em um vasto conjunto de dados composto por 60.951 exemplos específicos de educação e 9.048 exemplos de uso geral, provenientes de mais de 100 origens diferentes. Avaliações contra 16 outros modelos, incluindo soluções de peso aberto e proprietárias, mostram que o OmniEdu-27B lidera em benchmarks como K12-Bench EM/F1, precisão do MathFish e pontuação de ensino do LongTutor, indicando um forte desempenho em fundamentação curricular e suporte instrucional. O projeto enfatiza que, embora os resultados dos benchmarks sejam fortes, os educadores devem revisar as saídas do modelo antes de um uso consequente na sala de aula.
OmniEdu apoia a pesquisa educacional e a criação de ferramentas de assistência ao professor. Os modelos são projetados para implantação em GPUs/backends que suportam FP8 em blocos, utilizando lançamentos recentes do vLLM com suporte ao Qwen3.5. Os usuários podem facilmente alternar entre diferentes tamanhos de modelo e níveis de precisão (BF16 ou FP8) ajustando o ID do modelo. Os requisitos de memória variam com base no comprimento do contexto, concorrência e inclusão de entradas de imagem.
- CategoriaModelos de IA e LLMs
- Modelo de preçosCódigo aberto
- ImplantaçãoOn-premise (via GitHub)
- PlataformasWeb
Recursos principais de OmniEdu
Família aberta de modelos fundamentais para educação K–12
Fundamentação curricular: mapeia perguntas a pontos de conhecimento, níveis de série e pré-requisitos
Resolução de problemas K–12: resolve perguntas em nível escolar em várias disciplinas e formatos
Raciocínio diagnóstico: identifica equívocos e lacunas de conhecimento a partir do trabalho do aluno
Tutoria pedagógica: sugere ações instrucionais como dicas, perguntas ou explicações
Múltiplas escalas de modelo: OmniEdu-4B, OmniEdu-9B e OmniEdu-27B
Lançamentos FP8: reduz o tamanho do download em 37%–44% com desempenho mantido
Originais BF16: disponíveis para experimentação em plena precisão
Comprimento da sequência de treinamento de 32.768 tokens em todas as escalas
Treinado em 60.951 exemplos específicos de educação e 9.048 exemplos de uso geral
Desempenho forte em K12-Bench EM/F1, precisão do MathFish e pontuação de ensino do LongTutor
Apoia a pesquisa educacional e o desenvolvimento de ferramentas de assistência ao professor
Exemplos de implantação e configurações de quantização fornecidos
Capacidades gerais permanecem fortes após o ajuste fino educacional
Suporta entradas multimodais para resolução de problemas
Como usar OmniEdu?
Escolha a Escala do Modelo: Selecione OmniEdu-4B para experimentação local, OmniEdu-9B para aplicações educacionais ou OmniEdu-27B para os melhores resultados gerais.
Selecione a Precisão: Opte pelos originais BF16 ou lançamentos FP8, observando que o FP8 reduz o peso dos downloads em 37%–44%.
Prepare o Ambiente: Use uma GPU/backend que suporte FP8 em blocos e um lançamento recente do vLLM com suporte ao Qwen3.5 para implantação.
Implante o Modelo: Comece com OmniEdu-4B-FP8, depois altere o ID do modelo e ajuste o paralelismo da GPU para os modelos 9B ou 27B.
Sirva o Original BF16: Remova o sufixo '-FP8' do ID do modelo para servir o ponto de verificação original BF16.
Integre em Aplicações: Utilize os modelos para fundamentação curricular, resolução de problemas, diagnóstico ou tutoria pedagógica em ferramentas educacionais.
Revise as Saídas: Os educadores devem revisar as saídas do modelo antes de um uso consequente em ambientes de sala de aula.
Casos de uso de OmniEdu
- Alinhamento Curricular
- Resolução de Problemas K–12
- Diagnóstico do Aprendiz
- Suporte Pedagógico
- Pesquisa Educacional
- Ferramentas de Assistência ao Professor
- Experimentação com Modelos
- Aprendizado Multimodal








