OmniEdu آپریشن میں

OmniEdu بیجنگ یونیورسٹی کی DCAI ٹیم، یونیورسٹی آف چائنیز اکیڈمی آف سائنسز اور ژونگ گوان چھون اکیڈمی کے تعاون سے جاری کردہ تعلیمی ملٹی موڈل ماڈلز کا اوپن سورس سلسلہ ہے، جو 27B، 9B اور 4B کے تین سائز فراہم کرتا ہے۔ OmniEdu تدریسی صلاحیت پر زور دیتا ہے، مضامین کے سوالات حل کر سکتا ہے، علم کے نکات کے نصابی مقام کا تعین کر سکتا ہے، طلبہ کی غلطیوں کی وجوہات کی تشخیص کر سکتا ہے اور مناسب تدریسی اقدام منتخب کر سکتا ہے۔ ٹیم نے 1.34 ملین امیدوار ڈیٹا نمونوں میں سے تقریباً 69,000 نمونے منتخب کر کے تربیت دی، جس سے ماڈل نے متعدد مضامین، تشخیص اور رہنمائی کے کاموں میں SOTA سطح حاصل کی۔ ان میں 4B کا چھوٹا ماڈل عام سرور پر تعینات کیا جا سکتا ہے، جس سے اسکولوں کے لیے استعمال کی رکاوٹ کم ہوتی ہے۔

مضمون کے سوالات حل کرنا: ریاضی، سائنس، مطالعے کی تفہیم اور تحریر کا احاطہ کرتا ہے، درست جواب فراہم کرتا ہے اور وضاحت کو سوال کی شرائط اور استدلال کے عمل سے ہم آہنگ رکھتا ہے۔
نصاب کی تفہیم: سوال سے متعلق علم کے نکات، جماعت، مشکل کی سطح اور پیشگی تعلقات کی شناخت کرتا ہے، اور تعین کرتا ہے کہ آگے سیکھنے سے پہلے کیا اضافی معلومات درکار ہیں۔
تشخیصی استدلال: طلبہ کے حل کرنے کے عمل اور غلط جوابات کی بنیاد پر غلطی کے مرحلے، فہم میں انحراف اور درکار اضافی علم کی نشاندہی کرتا ہے، صرف سوال کی بنیاد پر اندازہ نہیں لگاتا۔
تدریسی اقدام: کام کے مطابق مناسب جوابی طریقہ منتخب کرتا ہے، جس میں اشارہ، رہنمائی پر مبنی سوال، پیشگی تصورات کا اعادہ، غلطی کی نشاندہی یا مکمل وضاحت شامل ہے۔

WeChat پر فالو کر کے “开源” کا جواب دیں اور AI اوپن سورس پروجیکٹ گروپ میں شامل ہوں۔
کام کے مقصد پر مبنی ڈیٹا ڈیزائن: تربیتی ڈیٹا تقریباً 1.34 ملین امیدوار نمونوں میں صفائی، معنوی جانچ، معیار کے جائزے اور تنوع کی چھان بین کے بعد تقریباً 69,000 نمونوں تک محدود کیا گیا۔ ہر تعلیمی نمونے کو چار صلاحیتی اقسام میں تقسیم کیا گیا اور 20 کام کی ہدایات میں سے ایک تفویض کی گئی۔ اس طرح “نمونہ کیا سکھاتا ہے” اور “ماڈل کو کیسے جواب دینا چاہیے” کو الگ الگ نشان زد کیا گیا، جس سے ماڈل کام کے مطابق اپنا رویہ بدل سکتا ہے۔
معنوی جانچ اور نظرثانی: زبان کے ماڈل سے کام کے معیار کے مطابق نمونوں کا جائزہ لیا گیا، جس میں سوال حل کرنے کی درستگی، نصابی تعلق، تشخیصی بنیاد اور تدریسی معاونت کا معیار جانچا گیا۔ غیر معیاری نمونوں کے نگران جوابات کو دوبارہ لکھ کر دوبارہ جانچا گیا، ساتھ ہی ملٹی موڈل نمونوں میں تصویر اور متن کی مطابقت کی تصدیق کی گئی، ماخذ کی اجازت کی معلومات محفوظ رکھی گئیں اور غیر مطابق ذرائع خارج کیے گئے۔
آلودگی کا خاتمہ اور ساخت کی یکسانیت: پیغام کی شکل یکساں کی گئی، دہرائے گئے، نامکمل فیلڈ والے اور خراب ساخت کے نمونے حذف کیے گئے، قابل تصدیق کاموں کے جوابات کی جانچ کی گئی، اور نتائج کو مسخ ہونے سے روکنے کے لیے تربیتی ڈیٹا اور جائزہ مجموعوں سے تکراری مواد ہٹایا گیا۔
ٹوکِن بجٹ کے مطابق تربیتی تناسب میں توازن: طویل رہنمائی پر مبنی مکالموں میں مختصر جوابات کے مقابلے میں زیادہ نگران ٹوکِن ہوتے ہیں؛ اگر نمونوں کی تعداد کے مطابق نمونے لیے جائیں تو طویل مکالموں کا تناسب بہت بڑھ جائے گا۔ کام کے زمروں کے مطابق ٹوکِن بجٹ تقسیم کیا گیا، اور تنوع کے انتخاب کے لیے اہم جہتوں کی حد بڑھائی گئی، تاکہ ہر قسم کے تدریسی کام کو ملنے والی حقیقی نگرانی کی مقدار متوازن رہے۔

طریقہ اول: مقامی طور پر چلائیں (Transformers)۔ انحصارات نصب کریں: pip install -U torch torchvision transformers accelerate safetensors pillow چلائیں (FP8 وزن کے لیے compressed-tensors الگ سے نصب کرنا ہوگا)۔
ماڈل لوڈ کریں: AutoProcessor اور Qwen3_5ForConditionalGeneration.from_pretrained کے ذریعے متعلقہ ماڈل ID لوڈ کریں، مثلاً lhpku20010120/Omni-Edu-4B؛ 9B/27B کے لیے صرف ID تبدیل کریں۔
ان پٹ تیار کریں: طلبہ کے سوال، جواب یا تصویر کو chat ٹیمپلیٹ کے مطابق messages میں منظم کریں؛ تصویری سوال میں {"type": "image"} آئٹم شامل کریں۔
جواب تیار کریں: generate کال کرتے وقت enable_thinking=False ضرور رکھیں، اور آؤٹ پٹ کو decode کرنے کے لیے batch_decode استعمال کریں۔
طریقہ دوم: سروس تعینات کریں (vLLM، تجویز کردہ)۔ سروس شروع کریں: vllm serve lhpku20010120/Omni-Edu-4B --max-model-len 32768 --reasoning-parser qwen3 --default-chat-template-kwargs '{"enable_thinking": false}' چلائیں۔ FP8 ورژن کے لیے Omni-Edu-4B-FP8 استعمال کریں؛ متعدد GPUs کی صورت میں --tensor-parallel-size ترتیب دیں۔
درخواست بھیجیں: http://localhost:8000/v1/chat/completions تک curl کے ذریعے رسائی حاصل کریں اور OpenAI کے موافق فارمیٹ میں سوال بھیجیں۔
طریقہ سوم: سرکاری ٹول پیکیج استعمال کریں۔ SDK نصب کریں: pip install omniedu چلائیں؛ جائزے کے لیے omniedu[eval] نصب کریں۔
مکالمہ کریں: OmniEdu.from_pretrained("4B", base_url=سروس_پتہ) کے بعد model.chat(text=...) استعمال کر کے سوال پوچھیں۔
جائزہ اور موازنہ: 12 تعلیمی جائزہ بینچ مارکس دیکھنے اور رپورٹ تیار کرنے کے لیے omniedu eval --list استعمال کریں۔

کام کی ہدایات سے رویے میں تبدیلی: 20 نظامی ہدایات ایک ہی ماڈل کو کام کے مطابق مرحلہ وار سوال حل کرنے، غلطی کی تشخیص، سقراطی سوالات اور رہنمائی پر مبنی مکالمے جیسے مختلف جوابی طریقے اختیار کرنے کے قابل بناتی ہیں۔
اعلیٰ معیار کا احتیاط سے تیار کردہ تربیتی ڈیٹا: تقریباً 1.34 ملین امیدوار نمونوں میں سے معنوی جانچ، آلودگی کے خاتمے اور ٹوکِن تناسب میں توازن کے بعد تقریباً 70,000 نمونے منتخب کیے گئے، جن میں واضح کیا گیا کہ “کیا سکھانا ہے” اور “کیسے سکھانا ہے”۔
SOTA سطح کی کارکردگی: 27B نے GPT-5.4، Claude-Opus-5 سمیت 5 جدید ماڈلز کے ساتھ 60 موازنوں میں 51 بار کامیابی حاصل کی اور متعدد تعلیمی اشاریوں میں پہلی پوزیشن حاصل کی۔
معاونت پر مبنی تدریس میں نمایاں بہتری: MathTutorBench میں اسکیفولڈنگ کی کامیابی کی شرح زیادہ سے زیادہ 14% سے بڑھ کر 78.74% ہو گئی، جس سے ثابت ہوتا ہے کہ تدریسی رویے کو مؤثر طریقے سے تربیت دی جا سکتی ہے۔
مختلف حالات کے لیے متعدد سائز: 4B، 9B اور 27B تینوں سائز دستیاب ہیں، جبکہ FP8 ورژن کا ڈاؤن لوڈ حجم 37%–44% کم ہو جاتا ہے؛ چھوٹا ماڈل اسکول کے عام سرور پر تعینات کیا جا سکتا ہے۔

پروجیکٹ کی سرکاری ویب سائٹ: https://haolpku.github.io/Omni-Edu/
GitHub ریپوزٹری: https://github.com/haolpku/Omni-Edu
HuggingFace ماڈل ریپوزٹری: https://huggingface.co/datasets/lhpku20010120/Omni-Edu
arXiv تکنیکی مقالہ: https://arxiv.org/pdf/2609.23088

ذاتی نوعیت کی تعلیمی رہنمائی: طلبہ کے سوال حل کرتے وقت ماڈل پہلے مشکل کے مقام کی نشاندہی کرتا ہے، پھر اشاروں اور مزید سوالات کے ذریعے آزادانہ سوچ کی رہنمائی کرتا ہے، جس سے یہ خود مطالعے کے حالات کے لیے موزوں بنتا ہے۔
غلط سوالات کی تشخیصی تحلیل: استاد طلبہ کے حل کرنے کا عمل ماڈل میں داخل کرتا ہے، جو خودکار طور پر غلطی کی وجہ اور متعلقہ علمی خلا کا تجزیہ کر کے ہدفی تلافی کی تجاویز تیار کرتا ہے، اس طرح جانچ کا بوجھ کم ہوتا ہے۔
نصاب سے ہم آہنگ مواد کی تیاری: استاد مخصوص نصابی معیار اور جماعت کے مطابق مشقی سوالات، مختلف سطحوں کے اسائنمنٹس یا تدریسی مواد تیار کر سکتا ہے، جبکہ علم کے نکات کے تعلق اور پیشگی رشتوں کو خودکار طور پر نشان زد کیا جاتا ہے۔
کلاس روم میں معاون استاد (سقراطی تدریس): ماڈل معاون استاد کا کردار ادا کرتے ہوئے رہنمائی پر مبنی سوالات سے طلبہ کو استدلال کی طرف لے جاتا ہے، شواہد کی بنیاد پر تدریسی حکمت عملی کو ایڈجسٹ کرتا ہے اور مختلف سطحوں کی تدریس میں مدد دیتا ہے۔