OmniEdu خدام

OmniEdu هي سلسلة ديال نماذج تعليمية متعددة الوسائط مفتوحة المصدر، طوّرها فريق DCAI ديال جامعة بكين بشراكة مع جامعة الأكاديمية الصينية للعلوم ومعهد تشونغ قوان تسون، وكتوفر ثلاثة أحجام: 27B و9B و4B. كتركّز OmniEdu على القدرات التعليمية، وكتقدر تجاوب على تمارين المواد، وتحدّد موقع المفهوم فالمقرر، وتشخّص أسباب أخطاء التلاميذ، وتختار الإجراء التعليمي المناسب. الفريق اختار حوالي 6.9万 عينة من بين 134万 عينة مرشحة باش يدرّب النموذج، وخلّاه يوصل لمستوى SOTA فالمهام متعددة المواد، والتشخيص، والمواكبة التعليمية. النموذج الصغير 4B يقدر يخدم فخادم عادي، وكيخفّض عتبة الاستعمال فالمدارس.

حلّ تمارين المواد: كيغطي الرياضيات، والعلوم، والفهم القرائي، والكتابة، وكيعطي الجواب الصحيح مع شرح منسجم مع شروط التمرين ومسار الاستدلال.
فهم المقرر: كيتعرّف على المفهوم، والمستوى الدراسي، ودرجة الصعوبة، والعلاقات السابقة المرتبطة بالتمرين، وكيحدّد شنو خاصّ يتراجع قبل مواصلة التعلّم.
الاستدلال التشخيصي: اعتماداً على مسار جواب التلميذ والجواب الخاطئ، كيحدّد الخطوة اللي وقع فيها الخطأ، وكيحلّل سوء الفهم والمعارف اللي خاصها تعزيز، وماشي غير يخمّن انطلاقاً من التمرين.
الإجراء التعليمي: كيختار طريقة الرد المناسبة حسب المهمة، بحال التلميحات، والأسئلة الموجّهة، ومراجعة المفاهيم السابقة، والإشارة للخطأ، أو الشرح الكامل.

تابعونا فـ微信 وردّوا بكلمة «开源» باش تنضمّوا لمجموعة مشاريع الذكاء الاصطناعي مفتوحة المصدر
تصميم البيانات انطلاقاً من أهداف المهام: بيانات التدريب دازت من حوالي 134万 عينة مرشحة، ومن بعد التنقية، والمراجعة الدلالية، وتقييم الجودة، وانتقاء التنوع، بقات حوالي 6.9万 عينة. كل عينة تعليمية كتتصنّف حسب أربع قدرات، وكيتم إسناد واحد من بين 20 تعليمة ديال المهام ليها، مع الفصل بين «شنو غادي تعلّم العينة» و«كيفاش خاص النموذج يجاوب»، باش يقدر النموذج يبدّل السلوك حسب المهمة.
المراجعة الدلالية وإعادة الصياغة: كيتستعمل نموذج لغوي لمراجعة العينات حسب معايير المهمة، وفحص صحة الحل، والعلاقات داخل المقرر، وأساس التشخيص، وجودة السقالات التعليمية. العينات غير المطابقة كتعاود تصاغ فيها الإجابات الإشرافية ومن بعد كتراجع من جديد. وكيتم كذلك التحقق من انسجام النص والصورة فالعينات متعددة الوسائط، مع الاحتفاظ بمعلومات ترخيص المصدر واستبعاد المصادر غير المطابقة.
إزالة التلوث وتوحيد البنية: كيتوحّد تنسيق الرسائل، وكتتحيّد العينات المكررة، والناقصة الحقول، أو المتضررة البنية. وكيتم التحقق من أجوبة المهام القابلة للتأكد، وإزالة التكرار بين بيانات التدريب ومجموعات التقييم باش ما تتشوّهش النتائج.
موازنة نسبة التدريب حسب ميزانية token: الحوارات التعليمية الطويلة فيها tokenات إشراف أكثر من الأجوبة القصيرة، وإذا كان الاختيار حسب عدد العينات غادي تولّي الحوارات الطويلة ممثلة بزاف. لذلك كتتوزع ميزانية token حسب مجموعات المهام، وكتترفع عتبة الأبعاد المهمة فاختيار التنوع، باش يتضبط الحجم الفعلي للإشراف اللي كتستافد منو كل فئة تعليمية.

الطريقة الأولى: التشغيل محلياً (Transformers) تثبيت المتطلبات: نفّذ pip install -U torch torchvision transformers accelerate safetensors pillow (أوزان FP8 كتحتاج تثبيت compressed-tensors بشكل إضافي).
تحميل النموذج: استعمل AutoProcessor وQwen3_5ForConditionalGeneration.from_pretrained لتحميل معرّف النموذج المناسب (بحال lhpku20010120/Omni-Edu-4B، وبالنسبة لـ9B/27B غير بدّل المعرّف).
إعداد الإدخال: نظّم تمرين التلميذ، والجواب ديالو، أو الصور، داخل messages حسب قالب chat، وزِد العنصر {"type": "image"} فتمارين الصور.
توليد الجواب: عيّط لـ generate (ضروري enable_thinking=False)، واستعمل batch_decode لفك ترميز النتيجة.
الطريقة الثانية: نشر الخدمة (vLLM، موصى به) تشغيل الخدمة: نفّذ vllm serve lhpku20010120/Omni-Edu-4B --max-model-len 32768 --reasoning-parser qwen3 --default-chat-template-kwargs '{"enable_thinking": false}' (فنسخة FP8 بدّلها بـ Omni-Edu-4B-FP8، ومع عدة بطاقات عدّل --tensor-parallel-size).
إرسال الطلبات: استعمل curl للوصول إلى http://localhost:8000/v1/chat/completions، وطرح الأسئلة بصيغة متوافقة مع OpenAI.
الطريقة الثالثة: استعمال الحزمة الرسمية تثبيت SDK: نفّذ pip install omniedu (وللتقييم ثبّت omniedu[eval]).
استدعاء المحادثة: من بعد OmniEdu.from_pretrained("4B", base_url=عنوان الخدمة)، استعمل model.chat(text=...) لطرح الأسئلة.
مقارنة التقييم: استعمل omniedu eval --list باش تشوف 12 معياراً للتقييم التعليمي وتولّد تقريراً.

تبديل السلوك حسب تعليمات المهمة: 20 تعليمة نظام كتخلي النموذج نفسه يميّز حسب المهمة بين الحل خطوة بخطوة، وتشخيص الأخطاء، وطرح الأسئلة بالطريقة السقراطية، وحوارات المواكبة التعليمية.
بيانات تدريب عالية الجودة ومصممة بعناية: من حوالي 134万 عينة مرشحة، ومن بعد المراجعة الدلالية، وإزالة التلوث، وموازنة نسبة token، تم اختيار حوالي 7万 عينة، مع توضيح «شنو خاص يتعلّم» و«كيفاش خاص يتعلّم».
أداء بمستوى SOTA: نموذج 27B ربح فـ51 مقارنة من أصل 60 مقارنة مع 5 نماذج متقدمة، من بينها GPT-5.4 وClaude-Opus-5، واحتل المركز الأول فعدة مؤشرات تعليمية.
تحسّن واضح فالتعليم بالسقالات: أعلى نسبة ربح فالسقالات ديال MathTutorBench طلعات من 14% لـ78.74%، وهادشي كيبين أن السلوك التعليمي يمكن تدريبه بفعالية.
أحجام مناسبة لسيناريوهات مختلفة: تغطية كاملة لـ4B و9B و27B، ونسخ FP8 كتقلّل حجم التحميل بـ37%–44%، والنماذج الصغيرة تقدر تخدم فخوادم المدارس العادية.

الموقع الرسمي للمشروع: https://haolpku.github.io/Omni-Edu/
مستودع GitHub: https://github.com/haolpku/Omni-Edu
مستودع نماذج HuggingFace: https://huggingface.co/datasets/lhpku20010120/Omni-Edu
البحث التقني على arXiv: https://arxiv.org/pdf/2609.23088

المواكبة الشخصية فالتعلّم: ملي كيحلّ التلميذ التمارين، النموذج كيبدا بتحديد نقطة التعثر، ومن بعد كيوجّه التفكير المستقل بالتلميحات والأسئلة المتابعة، وكيصلح لسيناريوهات المراجعة الذاتية.
تشخيص وتحليل الأخطاء: الأستاذ كيدخل مسار جواب التلميذ للنموذج، اللي كيحلّل تلقائياً سبب الخطأ والثغرات المعرفية المرتبطة به، وكيولّد اقتراحات علاجية موجهة، وكيخفف عبء التصحيح.
توليد محتوى منسجم مع المقرر: الأستاذ كيولّد تمارين، أو واجبات بمستويات مختلفة، أو مواد شرح حسب معيار المقرر والمستوى الدراسي المحدد، مع وضع وسم تلقائي للمفاهيم والعلاقات السابقة المرتبطة بها.
مساعد تفاعلي داخل القسم (التعليم بالطريقة السقراطية): النموذج كيلعب دور مساعد الأستاذ، وكيحفّز التلميذ على الاستدلال من خلال الأسئلة الموجّهة، وكيعدّل الاستراتيجية التعليمية اعتماداً على الأدلة، وكيعاون فالتدريس حسب المستويات.