描述
OmniEdu 代表一个专为 K–12 学习和教学环境精心开发的开放基础模型家族。这套模型旨在解决教育的关键方面,包括课程基础、K–12 问题解决、诊断推理和教学辅导。这些模型设计为开源,促进教育技术社区的创新与合作。
阅读更多
OmniEdu 家族提供多种规模,包括用于本地实验的 OmniEdu-4B、用于一般教育应用的 OmniEdu-9B,以及在教育评估中表现最强的 OmniEdu-27B。这些模型提供 BF16 原版和 FP8 版本,FP8 版本在保持性能的同时显著减少下载大小 37%–44%。所有三个规模都使用了 32,768 个标记的训练序列长度,能够全面处理教育内容。
OmniEdu 的关键能力涵盖整个学习–教学循环。课程基础使模型能够将问题映射到特定的知识点、年级、先决条件和课程证据。对于 K–12 问题解决,OmniEdu 可以解决各种学科、格式和多模态输入的真实学校级问题。诊断推理帮助识别学生作业中的误解、缺失的先决条件和知识状态差距,为学生理解提供有价值的见解。此外,教学辅导使模型能够建议下一个教学行动,例如提供提示、提出后续问题、推荐复习先决条件或提供详细解释。
这些模型经过严格训练,使用了来自 100 多个不同来源的 60,951 个教育特定和 9,048 个通用示例的数据集。与包括开放权重和专有解决方案在内的 16 个其他模型的评估显示,OmniEdu-27B 在 K12-Bench EM/F1、MathFish 准确性和 LongTutor 教学评分等基准中领先,表明在课程基础和教学支持方面表现强劲。该项目强调,尽管基准结果强劲,教育工作者在课堂上使用模型输出之前应进行审查。
OmniEdu 支持教育研究和教师辅助工具的创建。这些模型设计用于在支持块状 FP8 的 GPU/后端上部署,利用最近的 vLLM 版本和 Qwen3.5 支持。用户可以通过调整模型 ID 轻松切换不同的模型规模和精度级别(BF16 或 FP8)。内存需求根据上下文长度、并发性和图像输入的包含情况而有所不同。
- 类别AI 模型与大语言模型
- 定价模式开源
- 部署On-premise (via GitHub)
- 平台网页版
OmniEdu的核心功能
开放的 K–12 教育基础模型家族
课程基础:将问题映射到知识点、年级和先决条件
K–12 问题解决:解决各种学科和格式的学校级问题
诊断推理:识别学生作业中的误解和知识差距
教学辅导:建议诸如提示、问题或解释等教学行动
多种模型规模:OmniEdu-4B、OmniEdu-9B 和 OmniEdu-27B
FP8 版本:在保持性能的同时将下载大小减少 37%–44%
BF16 原版:可用于全精度实验
所有规模均采用 32,768 个标记的训练序列长度
在 60,951 个教育特定和 9,048 个通用示例上进行训练
在 K12-Bench EM/F1、MathFish 准确性和 LongTutor 教学评分中表现强劲
支持教育研究和教师辅助工具开发
提供部署示例和量化配置
教育微调后通用能力依然强劲
支持多模态输入进行问题解决
如何使用 OmniEdu?
选择模型规模:选择 OmniEdu-4B 进行本地实验,选择 OmniEdu-9B 进行教育应用,或选择 OmniEdu-27B 以获得最佳整体结果。
选择精度:选择 BF16 原版或 FP8 版本,注意 FP8 下载大小减少 37%–44%。
准备环境:使用支持块状 FP8 的 GPU/后端和最近的 vLLM 版本,确保支持 Qwen3.5 进行部署。
部署模型:从 OmniEdu-4B-FP8 开始,然后更改模型 ID 并调整 GPU 并行性以适应 9B 或 27B 模型。
提供 BF16 原版:从模型 ID 中移除 '-FP8' 后缀以提供 BF16 原版检查点。
集成到应用程序中:在教育工具中利用模型进行课程基础、问题解决、诊断或教学辅导。
审查输出:教育工作者在课堂使用前应审查模型输出。
OmniEdu的使用案例
- 课程对齐
- K–12 问题解决
- 学习者诊断
- 教学支持
- 教育研究
- 教师辅助工具
- 模型实验
- 多模态学习








