Описание
OmniEdu представляет собой открытое семейство базовых моделей, тщательно разработанных для образовательной среды K–12. Этот набор моделей создан для решения критически важных аспектов образования, включая привязку к учебным планам, решение проблем в K–12, диагностическое рассуждение и педагогическое наставничество. Модели разработаны как открытые, способствуя инновациям и сотрудничеству в сообществе образовательных технологий.
Читать далее
Семейство OmniEdu доступно в нескольких масштабах, включая OmniEdu-4B для локального эксперимента, OmniEdu-9B для общих образовательных приложений и OmniEdu-27B, который демонстрирует наилучшие результаты в образовательных оценках. Эти модели предлагаются как в оригиналах BF16, так и в версиях FP8, при этом версии FP8 значительно уменьшают размеры загрузки на 37%–44%, сохраняя производительность. Все три масштаба используют значительную длину обучающей последовательности в 32,768 токенов, что позволяет всесторонне обрабатывать образовательный контент.
Ключевые возможности OmniEdu охватывают весь цикл обучения и преподавания. Привязка к учебным планам позволяет моделям сопоставлять вопросы с конкретными точками знаний, уровнями классов, предшествующими отношениями и доказательствами учебного плана. Для решения проблем в K–12 OmniEdu может решать подлинные вопросы школьного уровня по различным предметам, форматам и мультимодальным входам. Диагностическое рассуждение помогает выявлять недопонимания, отсутствующие предпосылки и пробелы в знаниях на основе работы учащихся, предоставляя ценные сведения о понимании студентами. Более того, педагогическое наставничество позволяет моделям предлагать следующие действия в обучении, такие как предоставление подсказки, задавание последующего вопроса, рекомендация пересмотра предпосылок или предложение детального объяснения.
Модели были тщательно обучены на обширном наборе данных, состоящем из 60,951 примеров, специфичных для образования, и 9,048 общих примеров, полученных из более чем 100 различных источников. Оценки по сравнению с 16 другими моделями, включая как открытые, так и проприетарные решения, показывают, что OmniEdu-27B лидирует в таких бенчмарках, как K12-Bench EM/F1, точность MathFish и оценка обучения LongTutor, что указывает на высокую производительность в привязке к учебным планам и поддержке обучения. Проект подчеркивает, что, хотя результаты бенчмарков сильны, педагогам следует проверять выводы моделей перед их значительным использованием в классе.
OmniEdu поддерживает образовательные исследования и создание инструментов помощи учителям. Модели предназначены для развертывания на GPU/бэкендах, поддерживающих блочную FP8, используя последние версии vLLM с поддержкой Qwen3.5. Пользователи могут легко переключаться между различными размерами моделей и уровнями точности (BF16 или FP8), изменяя идентификатор модели. Требования к памяти варьируются в зависимости от длины контекста, параллелизма и включения входных изображений.
- КатегорияИИ-модели и LLM
- Модель ценообразованияОткрытый код
- РазвёртываниеOn-premise (via GitHub)
- ПлатформыВеб
Основные функции OmniEdu
Открытое семейство базовых моделей для образования K–12
Привязка к учебным планам: сопоставляет вопросы с точками знаний, уровнями классов и предпосылками
Решение проблем в K–12: решает вопросы школьного уровня по предметам и форматам
Диагностическое рассуждение: выявляет недопонимания и пробелы в знаниях на основе работы учащихся
Педагогическое наставничество: предлагает действия в обучении, такие как подсказки, вопросы или объяснения
Несколько масштабов моделей: OmniEdu-4B, OmniEdu-9B и OmniEdu-27B
Версии FP8: уменьшают размер загрузки на 37%–44% при сохранении производительности
Оригиналы BF16: доступны для экспериментов с полной точностью
Длина обучающей последовательности в 32,768 токенов для всех масштабов
Обучены на 60,951 примерах, специфичных для образования, и 9,048 общих примерах
Сильная производительность в K12-Bench EM/F1, точности MathFish и оценке обучения LongTutor
Поддерживает образовательные исследования и разработку инструментов помощи учителям
Предоставлены примеры развертывания и конфигурации квантизации
Общие возможности остаются сильными после образовательной донастройки
Поддерживает мультимодальные входы для решения проблем
Как использовать OmniEdu?
Выберите масштаб модели: выберите OmniEdu-4B для локального эксперимента, OmniEdu-9B для образовательных приложений или OmniEdu-27B для наилучших общих результатов.
Выберите точность: выберите оригиналы BF16 или версии FP8, учитывая, что FP8 уменьшает вес загрузок на 37%–44%.
Подготовьте окружение: используйте GPU/бэкенд, поддерживающий блочную FP8, и недавнюю версию vLLM с поддержкой Qwen3.5 для развертывания.
Разверните модель: начните с OmniEdu-4B-FP8, затем измените идентификатор модели и настройте параллелизм GPU для моделей 9B или 27B.
Обслуживайте оригинал BF16: уберите суффикс '-FP8' из идентификатора модели, чтобы обслуживать оригинальную контрольную точку BF16.
Интегрируйте в приложения: используйте модели для привязки к учебным планам, решения проблем, диагностики или педагогического наставничества в образовательных инструментах.
Проверяйте выводы: педагогам следует проверять выводы моделей перед значительным использованием в классе.
Варианты использования OmniEdu
- Привязка к учебному плану
- Решение проблем в K–12
- Диагностика учащихся
- Педагогическая поддержка
- Образовательные исследования
- Инструменты помощи учителям
- Эксперименты с моделями
- Мультимодальное обучение








