OmniEdu Faoliyat yuritmoqda

OmniEdu — Pekin universitetining DCAI jamoasi, Xitoy Fanlar akademiyasi universiteti va Chjun-guan-sun akademiyasi hamkorligida ochiq kodli taqdim etilgan ta’limga mo‘ljallangan multimodal modellar seriyasi bo‘lib, 27B, 9B va 4B hajmdagi uchta variantni taklif etadi. OmniEdu o‘qitish qobiliyatiga urg‘u beradi: fan savollariga javob beradi, bilim nuqtasining o‘quv dasturidagi o‘rnini aniqlaydi, o‘quvchining xato sababini tashxislaydi va mos pedagogik harakatni tanlaydi. Jamoa 1,34 million nomzod ma’lumotlar ichidan taxminan 69 ming namunani saralab, modelni o‘qitdi. Natijada model ko‘plab fanlar, tashxis va repetitorlik vazifalarida SOTA darajasiga erishdi. 4B kichik modelini oddiy serverlarda ishga tushirish mumkin, bu esa maktablar uchun foydalanish to‘sig‘ini pasaytiradi.

Fan masalalarini yechish: matematika, tabiiy fanlar, o‘qib tushunish va yozishni qamrab oladi; to‘g‘ri javob beradi hamda tushuntirishni masala shartlari va fikrlash jarayoniga mos saqlaydi.
O‘quv dasturini tushunish: masalaga mos bilim nuqtasi, sinf, qiyinlik darajasi va oldingi bilimlar bilan bog‘liqlikni aniqlaydi, keyingi o‘rganishdan oldin nimani to‘ldirish kerakligini belgilaydi.
Tashxisiy fikrlash: o‘quvchining javob berish jarayoni va xato javoblari asosida xato qilingan bosqichni topadi, tushunishdagi og‘ishlarni va to‘ldirilishi kerak bo‘lgan bilimlarni tahlil qiladi; faqat masalaga qarab taxmin qilmaydi.
Pedagogik harakat: vazifaga qarab mos javob usulini tanlaydi, jumladan ishora berish, yo‘naltiruvchi savollar berish, oldingi tushunchalarni takrorlash, xatoni ko‘rsatish yoki to‘liq tushuntirish.

WeChat’da “ochiq kod” deb javob yuboring va AI ochiq kodli loyihalar guruhiga qo‘shiling.
Vazifa maqsadiga yo‘naltirilgan ma’lumotlar dizayni: o‘qitish ma’lumotlari taxminan 1,34 million nomzod namuna orasidan tozalash, semantik tekshiruv, sifat baholash va xilma-xillik saralash orqali taxminan 69 ming namunagacha qisqartirildi. Har bir ta’lim namunasi to‘rt turdagi qobiliyatdan biriga ajratildi va 20 ta vazifa ko‘rsatmasidan biri bilan belgilandi. “Namuna nimani o‘rgatadi” va “model qanday javob berishi kerak” alohida qayd etildi, shu tariqa model vazifaga qarab xatti-harakatini o‘zgartira oladi.
Semantik tekshiruv va qayta yozish: til modeli namunalarni vazifa mezonlari asosida tekshiradi, masala yechimi to‘g‘riligi, o‘quv dasturi bilan bog‘liqlik, tashxis asosi va pedagogik tayanch sifatini baholaydi. Talablarga javob bermagan namunalar nazorat javobi qayta yozilgach, qayta tekshiriladi. Multimodal namunalardagi matn va tasvir muvofiqligi ham tekshiriladi, manba litsenziyasi ma’lumotlari saqlanadi va nomuvofiq manbalar chiqarib tashlanadi.
Ifloslanishni bartaraf etish va tuzilmani birxillashtirish: xabar formati birxillashtiriladi, takroriy, yetishmayotgan maydonli yoki tuzilmasi buzilgan namunalar o‘chiriladi, tekshiriladigan vazifalar javoblari nazorat qilinadi. Natijalarni buzib ko‘rsatmaslik uchun o‘qitish ma’lumotlari va baholash to‘plami takroriy yozuvlardan tozalanadi.
Token byudjeti bo‘yicha o‘qitish nisbatini muvozanatlash: uzun repetitorlik dialoglarida qisqa javoblarga qaraganda ko‘proq nazorat tokenlari mavjud. Namunalar soni bo‘yicha tanlansa, uzun dialoglar ulushi haddan tashqari katta bo‘ladi. Token byudjeti vazifa guruhlari bo‘yicha taqsimlanadi, xilma-xillikni tanlash uchun muhim o‘lchamlar bo‘yicha talablar kuchaytiriladi va turli pedagogik vazifalar oladigan amaliy nazorat miqdori boshqariladi.

Birinchi usul: lokal ishga tushirish (Transformers). Bog‘liqliklarni o‘rnating: pip install -U torch torchvision transformers accelerate safetensors pillow buyrug‘ini bajaring (FP8 og‘irliklari uchun compressed-tensors paketini ham o‘rnating).
Modelni yuklash: AutoProcessor va Qwen3_5ForConditionalGeneration.from_pretrained yordamida mos model ID’sini yuklang (masalan, lhpku20010120/Omni-Edu-4B; 9B/27B uchun faqat ID’ni almashtirish kifoya).
Kirish ma’lumotlarini tuzish: o‘quvchi masalasi, javobi yoki rasmini chat shabloni asosida messages ko‘rinishida tashkil qiling; rasmli masala uchun {"type": "image"} elementini qo‘shing.
Javob yaratish: generate funksiyasini chaqiring (enable_thinking=False bo‘lishi shart), natijani batch_decode orqali dekodlang.
Ikkinchi usul: xizmatni joylashtirish (vLLM, tavsiya etiladi). Xizmatni ishga tushiring: vllm serve lhpku20010120/Omni-Edu-4B --max-model-len 32768 --reasoning-parser qwen3 --default-chat-template-kwargs '{"enable_thinking": false}' buyrug‘ini bajaring (FP8 versiyasi uchun Omni-Edu-4B-FP8’dan foydalaning, ko‘p GPU’da --tensor-parallel-size parametrini sozlang).
So‘rov yuborish: OpenAI’ga mos formatda savol berish uchun curl orqali http://localhost:8000/v1/chat/completions manziliga murojaat qiling.
Uchinchi usul: rasmiy vositalar to‘plamidan foydalanish. SDK’ni o‘rnating: pip install omniedu buyrug‘ini bajaring (baholash uchun omniedu[eval] paketini o‘rnating).
Dialogni chaqirish: OmniEdu.from_pretrained("4B", base_url=хizmat manzili) dan so‘ng model.chat(text=...) orqali savol bering.
Baholash va taqqoslash: 12 ta ta’lim baholash mezonini ko‘rish va hisobot yaratish uchun omniedu eval --list buyrug‘idan foydalaning.

Vazifa ko‘rsatmalari asosida xatti-harakatni almashtirish: 20 turdagi tizim ko‘rsatmasi bir modelga bosqichma-bosqich masala yechish, xatoni tashxislash, Sokratik savollar berish va repetitorlik dialogi kabi javob usullarini vazifaga qarab ajratish imkonini beradi.
Ehtiyotkorlik bilan ishlab chiqilgan yuqori sifatli o‘qitish ma’lumotlari: taxminan 1,34 million nomzod namuna semantik tekshiruv, ifloslanishni bartaraf etish va token nisbatini muvozanatlashdan so‘ng taxminan 70 ming namunagacha saralandi; “nimani o‘rgatish” va “qanday o‘rgatish” aniq ajratildi.
SOTA darajasidagi natija: 27B modeli GPT-5.4, Claude-Opus-5 va boshqa 5 ta ilg‘or model bilan 60 ta taqqoslashdan 51 tasida g‘olib bo‘ldi hamda bir nechta ta’lim ko‘rsatkichlarida birinchi o‘rinni egalladi.
Tayanchli o‘qitishda sezilarli o‘sish: MathTutorBench’da tayanchli o‘qitish bo‘yicha g‘alaba darajasi 14% dan 78.74% gacha ko‘tarildi. Bu pedagogik xatti-harakatlarni samarali o‘qitish mumkinligini ko‘rsatadi.
Turli stsenariylarga mos bir nechta hajm: 4B, 9B va 27B variantlari to‘liq qamrab olingan, FP8 versiyalarining yuklab olish hajmi esa 37%–44% ga qisqargan. Kichik modelni maktablarning oddiy serverlarida joylashtirish mumkin.

Loyiha rasmiy sayti: https://haolpku.github.io/Omni-Edu/
GitHub repozitoriysi: https://github.com/haolpku/Omni-Edu
HuggingFace model repozitoriysi: https://huggingface.co/datasets/lhpku20010120/Omni-Edu
arXiv texnik maqolasi: https://arxiv.org/pdf/2609.23088

Individuallashtirilgan o‘quv yordami: o‘quvchi masala yechayotganda model avval qiyinchilik nuqtasini aniqlaydi, keyin ishora va qo‘shimcha savollar orqali mustaqil fikrlashga yo‘naltiradi; mustaqil ta’lim sharoitiga mos keladi.
Xato masalalarni tashxislash: o‘qituvchi o‘quvchining javob berish jarayonini modelga kiritadi, model xato sababini va unga mos bilimdagi bo‘shliqni avtomatik tahlil qilib, maqsadli tuzatish tavsiyalarini yaratadi hamda tekshirish yukini kamaytiradi.
O‘quv dasturiga mos kontent yaratish: o‘qituvchi belgilangan o‘quv dasturi standarti va sinfga mos mashqlar, darajalangan topshiriqlar yoki tushuntirish materiallarini yaratadi; bilim nuqtalarining tegishliligi va oldingi bilimlar bilan bog‘liqligini avtomatik belgilaydi.
Sinfdagi interaktiv yordamchi (Sokratik o‘qitish): model yordamchi o‘qituvchi rolini bajarib, yo‘naltiruvchi savollar orqali o‘quvchini fikrlashga undaydi, dalillarga asoslanib o‘qitish strategiyasini moslashtiradi va darajalangan ta’limni qo‘llab-quvvatlaydi.