OmniEdu চালু আছে

OmniEdu হলো পেইচিং বিশ্ববিদ্যালয়ের DCAI টিম, চায়না একাডেমি অব সায়েন্সেস বিশ্ববিদ্যালয় এবং ঝোংগুয়ানছুন একাডেমির যৌথভাবে উন্মুক্ত করা শিক্ষা-ভিত্তিক মাল্টিমোডাল মডেল সিরিজ। এটি 27B, 9B ও 4B—এই তিন আকারে উপলভ্য। OmniEdu শিক্ষাদানের সক্ষমতাকে গুরুত্ব দেয়; এটি বিষয়ভিত্তিক প্রশ্নের উত্তর দিতে, জ্ঞানবিন্দুর পাঠ্যক্রমগত অবস্থান নির্ধারণ করতে, শিক্ষার্থীর ভুলের কারণ নির্ণয় করতে এবং উপযুক্ত শিক্ষণ-পদ্ধতি বেছে নিতে পারে। দলটি 1.34 মিলিয়ন প্রার্থী ডেটা থেকে প্রায় 6.9万টি নমুনা বেছে নিয়ে প্রশিক্ষণ দিয়েছে, ফলে বহু বিষয়, নির্ণয় ও সহায়তামূলক কাজে মডেলটি SOTA পর্যায়ে পৌঁছেছে। এর মধ্যে 4B-এর ছোট মডেলটি সাধারণ সার্ভারে স্থাপন করা যায়, যা বিদ্যালয়গুলোর ব্যবহারের প্রবেশসীমা কমায়।

বিষয়ভিত্তিক সমস্যা সমাধান: গণিত, বিজ্ঞান, পাঠ-বোঝাপড়া ও লেখালেখি সমর্থন করে; সঠিক উত্তর দেয় এবং ব্যাখ্যাকে প্রশ্নের শর্ত ও যুক্তির ধারার সঙ্গে সামঞ্জস্যপূর্ণ রাখে।
পাঠ্যক্রম বোঝাপড়া: প্রশ্নটির সংশ্লিষ্ট জ্ঞানবিন্দু, শ্রেণি, কঠিনতার মাত্রা ও পূর্বশর্ত শনাক্ত করে এবং পরবর্তী শেখার আগে কী补充 করা দরকার তা নির্ধারণ করে।
নির্ণয়মূলক যুক্তি: শিক্ষার্থীর উত্তর দেওয়ার প্রক্রিয়া ও ভুল উত্তরের ভিত্তিতে ভুলের ধাপ শনাক্ত করে, বোঝাপড়ার বিচ্যুতি এবং যে জ্ঞান补充 করা দরকার তা বিশ্লেষণ করে; কেবল প্রশ্ন দেখে অনুমান করে না।
শিক্ষণ-পদক্ষেপ: কাজের ধরন অনুযায়ী উপযুক্ত প্রতিক্রিয়া বেছে নেয়, যার মধ্যে ইঙ্গিত, নির্দেশনামূলক প্রশ্ন, পূর্বশর্ত ধারণার পুনরালোচনা, ভুল নির্দেশ করা অথবা পূর্ণাঙ্গ ব্যাখ্যা অন্তর্ভুক্ত।

WeChat-এ ফলো করে “开源” লিখে উত্তর পাঠালে AI ওপেন সোর্স প্রকল্পের আলোচনা গোষ্ঠীতে যোগ দিন
কাজের লক্ষ্যনির্ভর ডেটা নকশা: প্রায় 1.34 মিলিয়ন প্রার্থী নমুনা পরিষ্কার, অর্থগত পর্যালোচনা, গুণমান মূল্যায়ন ও বৈচিত্র্য বাছাইয়ের পর প্রায় 6.9万টি রাখা হয়েছে। প্রতিটি শিক্ষা-নমুনাকে চার ধরনের সক্ষমতার একটিতে শ্রেণিবদ্ধ করা হয় এবং 20 ধরনের কাজের নির্দেশনার একটিতে বরাদ্দ করা হয়। এতে “নমুনাটি কী শেখায়” এবং “মডেল কীভাবে উত্তর দেবে”—এই দুটি বিষয় আলাদাভাবে লেবেল করা হয়, ফলে মডেল কাজ অনুযায়ী আচরণ পরিবর্তন করতে পারে।
অর্থগত পর্যালোচনা ও পুনর্লিখন: কাজের মানদণ্ড অনুযায়ী ভাষা মডেল দিয়ে নমুনা পর্যালোচনা করা হয়; সমস্যা সমাধানের সঠিকতা, পাঠ্যক্রমগত সম্পর্ক, নির্ণয়ের ভিত্তি ও সহায়তার মান যাচাই করা হয়। অযোগ্য নমুনায় তত্ত্বাবধানে ব্যবহৃত উত্তর পুনর্লিখে পুনরায় পর্যালোচনা করা হয়। একই সঙ্গে মাল্টিমোডাল নমুনায় ছবি ও পাঠ্যের সামঞ্জস্য যাচাই করা হয়, উৎসের অনুমতির তথ্য রাখা হয় এবং অননুমোদিত উৎস বাদ দেওয়া হয়।
দূষণমুক্তকরণ ও কাঠামো একীকরণ: বার্তা বিন্যাস একীভূত করা হয়, পুনরাবৃত্ত, অসম্পূর্ণ ক্ষেত্রযুক্ত ও ক্ষতিগ্রস্ত কাঠামোর নমুনা মুছে ফেলা হয়, যাচাইযোগ্য কাজের উত্তর পরীক্ষা করা হয় এবং প্রশিক্ষণ ডেটা ও মূল্যায়ন সেটে ডিডুপ্লিকেশন করা হয়, যাতে ফলাফল বিকৃত না হয়।
token বাজেট অনুযায়ী প্রশিক্ষণ অনুপাতের ভারসাম্য: ছোট উত্তরের তুলনায় দীর্ঘ সহায়তামূলক সংলাপে বেশি তত্ত্বাবধান token থাকে; নমুনার সংখ্যা অনুযায়ী স্যাম্পল করলে দীর্ঘ সংলাপের অনুপাত অতিরিক্ত বেড়ে যায়। তাই কাজের বাকেট অনুযায়ী token বাজেট বরাদ্দ করা হয় এবং বৈচিত্র্য বাছাইয়ের জন্য গুরুত্বপূর্ণ মাত্রার মানদণ্ড বাড়ানো হয়, যাতে বিভিন্ন শিক্ষণ-কাজ বাস্তবে উপযুক্ত পরিমাণ তত্ত্বাবধান পায়।

পদ্ধতি এক: স্থানীয়ভাবে চালানো (Transformers) নির্ভরতা ইনস্টল: pip install -U torch torchvision transformers accelerate safetensors pillow কমান্ডটি চালান (FP8 ওজনের জন্য অতিরিক্তভাবে compressed-tensors ইনস্টল করতে হবে)।
মডেল লোড: AutoProcessor এবং Qwen3_5ForConditionalGeneration.from_pretrained ব্যবহার করে সংশ্লিষ্ট মডেল ID লোড করুন (যেমন lhpku20010120/Omni-Edu-4B; 9B/27B-এর ক্ষেত্রে শুধু ID পরিবর্তন করুন)।
ইনপুট তৈরি: শিক্ষার্থীর প্রশ্ন, উত্তর বা ছবি chat টেমপ্লেট অনুযায়ী messages-এ সাজান; ছবিযুক্ত প্রশ্নে {"type": "image"} আইটেম যোগ করুন।
উত্তর তৈরি: generate কল করুন (অবশ্যই enable_thinking=False রাখুন) এবং batch_decode দিয়ে আউটপুট ডিকোড করুন।
পদ্ধতি দুই: সার্ভিস স্থাপন (vLLM, সুপারিশকৃত) সার্ভিস চালু: vllm serve lhpku20010120/Omni-Edu-4B --max-model-len 32768 --reasoning-parser qwen3 --default-chat-template-kwargs '{"enable_thinking": false}' কমান্ডটি চালান (FP8 সংস্করণে Omni-Edu-4B-FP8 ব্যবহার করুন; একাধিক GPU হলে --tensor-parallel-size সমন্বয় করুন)।
অনুরোধ পাঠানো: curl-এর মাধ্যমে http://localhost:8000/v1/chat/completions-এ OpenAI-সামঞ্জস্যপূর্ণ বিন্যাসে প্রশ্ন পাঠান।
পদ্ধতি তিন: অফিসিয়াল টুলকিট ব্যবহার SDK ইনস্টল: pip install omniedu কমান্ডটি চালান (মূল্যায়নের জন্য omniedu[eval] ইনস্টল করুন)।
সংলাপ কল: OmniEdu.from_pretrained("4B", base_url=সার্ভিসের ঠিকানা) ব্যবহার করে model.chat(text=...) দিয়ে প্রশ্ন করুন।
মূল্যায়ন তুলনা: 12টি শিক্ষা মূল্যায়ন বেঞ্চমার্ক দেখতে এবং প্রতিবেদন তৈরি করতে omniedu eval --list ব্যবহার করুন।

কাজের নির্দেশনায় আচরণ পরিবর্তন: 20 ধরনের সিস্টেম নির্দেশনা একই মডেলকে কাজ অনুযায়ী ধাপে ধাপে সমস্যা সমাধান, ভুল নির্ণয়, সক্রেটীয় প্রশ্ন ও সহায়তামূলক সংলাপের মতো ভিন্ন প্রতিক্রিয়া দিতে সক্ষম করে।
সযত্নে নকশা করা উচ্চমানের প্রশিক্ষণ ডেটা: প্রায় 1.34 মিলিয়ন প্রার্থী নমুনা থেকে অর্থগত পর্যালোচনা, দূষণমুক্তকরণ ও token অনুপাতের ভারসাম্যের মাধ্যমে প্রায় 7万টি নমুনা বেছে নেওয়া হয়েছে; “কী শেখাতে হবে” এবং “কীভাবে শেখাতে হবে” স্পষ্ট করা হয়েছে।
SOTA পর্যায়ের কর্মদক্ষতা: 27B, GPT-5.4, Claude-Opus-5-সহ 5টি অগ্রণী মডেলের সঙ্গে 60টি তুলনায় 51 বার জয়ী হয়েছে এবং একাধিক শিক্ষা সূচকে প্রথম হয়েছে।
সহায়তামূলক শিক্ষণে উল্লেখযোগ্য উন্নতি: MathTutorBench-এ scaffolding জয়ের হার সর্বোচ্চ 14% থেকে বেড়ে 78.74% হয়েছে, যা প্রমাণ করে শিক্ষণ-আচরণ কার্যকরভাবে প্রশিক্ষণ দেওয়া যায়।
বিভিন্ন পরিস্থিতির জন্য একাধিক আকার: 4B, 9B ও 27B—সবই উপলভ্য; FP8 সংস্করণে ডাউনলোডের আকার 37%–44% কমেছে এবং ছোট মডেলটি বিদ্যালয়ের সাধারণ সার্ভারে স্থাপন করা যায়।

প্রকল্পের অফিসিয়াল ওয়েবসাইট: https://haolpku.github.io/Omni-Edu/
GitHub রিপোজিটরি: https://github.com/haolpku/Omni-Edu
HuggingFace মডেল রিপোজিটরি: https://huggingface.co/datasets/lhpku20010120/Omni-Edu
arXiv প্রযুক্তিগত গবেষণাপত্র: https://arxiv.org/pdf/2609.23088

ব্যক্তিগতকৃত শেখার সহায়তা: শিক্ষার্থী সমস্যা সমাধানের সময় মডেল প্রথমে আটকে যাওয়ার জায়গা শনাক্ত করে, তারপর ইঙ্গিত ও পাল্টা প্রশ্নের মাধ্যমে স্বাধীন চিন্তাকে উৎসাহিত করে; স্বশিক্ষার পরিস্থিতির সঙ্গে মানিয়ে যায়।
ভুলের নির্ণয় ও বিশ্লেষণ: শিক্ষক শিক্ষার্থীর উত্তর দেওয়ার প্রক্রিয়া মডেলে ইনপুট দিলে এটি স্বয়ংক্রিয়ভাবে ভুলের কারণ ও সংশ্লিষ্ট জ্ঞানগত ঘাটতি বিশ্লেষণ করে এবং লক্ষ্যভিত্তিক পুনরুদ্ধার পরামর্শ তৈরি করে, ফলে মূল্যায়নের চাপ কমে।
পাঠ্যক্রম-সামঞ্জস্যপূর্ণ বিষয়বস্তু তৈরি: শিক্ষক নির্দিষ্ট পাঠ্যক্রমের মানদণ্ড ও শ্রেণি অনুযায়ী অনুশীলনী, স্তরভিত্তিক বাড়ির কাজ বা ব্যাখ্যামূলক উপকরণ তৈরি করতে পারেন; মডেল স্বয়ংক্রিয়ভাবে জ্ঞানবিন্দুর সংশ্লিষ্টতা ও পূর্বশর্ত চিহ্নিত করে।
শ্রেণিকক্ষের ইন্টার‌্যাক্টিভ সহকারী (সক্রেটীয় শিক্ষণ): মডেল সহকারী শিক্ষকের ভূমিকা নিয়ে নির্দেশনামূলক প্রশ্নের মাধ্যমে শিক্ষার্থীর যুক্তি এগিয়ে নেয়, প্রমাণের ভিত্তিতে শিক্ষণ কৌশল সমন্বয় করে এবং স্তরভিত্তিক শিক্ষণ সমর্থন করে।