OmniEdu Đang hoạt động

OmniEdu là dòng mô hình đa phương thức giáo dục mã nguồn mở do nhóm DCAI thuộc Đại học Bắc Kinh phối hợp với UCAS và Học viện Zhongguancun phát triển, cung cấp ba quy mô 27B, 9B và 4B. OmniEdu nhấn mạnh năng lực giảng dạy, có thể giải các bài tập môn học, xác định vị trí kiến thức trong chương trình, chẩn đoán nguyên nhân học sinh trả lời sai và lựa chọn phương pháp giảng dạy phù hợp. Nhóm đã chọn lọc khoảng 69.000 mẫu từ 1,34 triệu dữ liệu ứng viên để huấn luyện, giúp mô hình đạt mức SOTA trong các nhiệm vụ đa môn, chẩn đoán và hướng dẫn. Trong đó, mô hình nhỏ 4B có thể triển khai trên máy chủ thông thường, giảm ngưỡng sử dụng cho trường học.

Giải bài tập môn học: Bao quát toán học, khoa học, đọc hiểu và viết, đưa ra đáp án chính xác, đồng thời đảm bảo phần giải thích nhất quán với điều kiện bài toán và quá trình suy luận.
Hiểu chương trình học: Nhận diện kiến thức, khối lớp, độ khó và mối quan hệ tiên quyết tương ứng với bài toán, xác định những nội dung cần bổ sung trước khi tiếp tục học.
Suy luận chẩn đoán: Dựa trên quá trình làm bài và đáp án sai của học sinh để xác định bước xảy ra lỗi, phân tích sai lệch trong hiểu biết và kiến thức cần bổ sung, thay vì chỉ đoán dựa trên đề bài.
Hành động giảng dạy: Lựa chọn cách phản hồi phù hợp theo từng nhiệm vụ, bao gồm đưa gợi ý, đặt câu hỏi định hướng, ôn tập khái niệm tiên quyết, chỉ ra lỗi hoặc giải thích đầy đủ.

Theo dõi WeChat và trả lời “开源” để tham gia nhóm trao đổi các dự án AI mã nguồn mở
Thiết kế dữ liệu theo mục tiêu nhiệm vụ: Dữ liệu huấn luyện được làm sạch, kiểm duyệt ngữ nghĩa, đánh giá chất lượng và sàng lọc tính đa dạng từ khoảng 1,34 triệu mẫu ứng viên, giữ lại khoảng 69.000 mẫu. Mỗi mẫu giáo dục được phân loại theo bốn năng lực và gán một trong 20 chỉ dẫn nhiệm vụ, tách biệt “mẫu dạy gì” và “mô hình cần phản hồi thế nào”, giúp mô hình chuyển đổi hành vi theo nhiệm vụ.
Kiểm duyệt và viết lại ngữ nghĩa: Sử dụng mô hình ngôn ngữ để kiểm duyệt mẫu theo tiêu chuẩn nhiệm vụ, kiểm tra tính chính xác khi giải bài, quan hệ chương trình, cơ sở chẩn đoán và chất lượng giàn giáo. Các câu trả lời giám sát không đạt yêu cầu sẽ được viết lại rồi kiểm duyệt lại; đồng thời kiểm tra tính nhất quán giữa hình ảnh và văn bản của mẫu đa phương thức, lưu giữ thông tin giấy phép nguồn và loại bỏ các nguồn không phù hợp.
Khử nhiễm và thống nhất cấu trúc: Thống nhất định dạng tin nhắn, xóa các mẫu trùng lặp, thiếu trường hoặc hỏng cấu trúc, kiểm tra đáp án của các nhiệm vụ có thể xác minh, đồng thời khử trùng lặp giữa dữ liệu huấn luyện và tập đánh giá để tránh làm sai lệch kết quả.
Cân bằng tỷ lệ huấn luyện theo ngân sách token: Đối thoại hướng dẫn dài chứa nhiều token giám sát hơn câu trả lời ngắn. Nếu lấy mẫu theo số lượng mẫu, đối thoại dài sẽ chiếm tỷ lệ quá lớn. Phân bổ ngân sách token theo từng nhóm nhiệm vụ, đồng thời nâng ngưỡng ở các chiều quan trọng để lựa chọn đa dạng, kiểm soát lượng giám sát thực tế mà mỗi loại nhiệm vụ giảng dạy nhận được.

Cách một: Chạy cục bộ (Transformers) Cài đặt phụ thuộc: thực thi pip install -U torch torchvision transformers accelerate safetensors pillow (trọng số FP8 cần cài thêm compressed-tensors).
Tải mô hình: Dùng AutoProcessor và Qwen3_5ForConditionalGeneration.from_pretrained để tải ID mô hình tương ứng (ví dụ lhpku20010120/Omni-Edu-4B; với 9B/27B chỉ cần thay ID).
Tạo đầu vào: Tổ chức đề bài, câu trả lời hoặc hình ảnh của học sinh thành messages theo mẫu chat; với bài có hình ảnh, thêm mục {"type": "image"}.
Tạo câu trả lời: Gọi generate (bắt buộc enable_thinking=False), dùng batch_decode để giải mã kết quả đầu ra.
Cách hai: Triển khai dịch vụ (vLLM, khuyến nghị) Khởi động dịch vụ: thực thi vllm serve lhpku20010120/Omni-Edu-4B --max-model-len 32768 --reasoning-parser qwen3 --default-chat-template-kwargs '{"enable_thinking": false}' (với phiên bản FP8, đổi thành Omni-Edu-4B-FP8; khi dùng nhiều GPU, điều chỉnh --tensor-parallel-size).
Gửi yêu cầu: Truy cập http://localhost:8000/v1/chat/completions qua curl và đặt câu hỏi theo định dạng tương thích với OpenAI.
Cách ba: Sử dụng bộ công cụ chính thức Cài đặt SDK: thực thi pip install omniedu (để đánh giá, cần cài omniedu[eval]).
Gọi hội thoại: Sau OmniEdu.from_pretrained("4B", base_url=địa chỉ dịch vụ), sử dụng model.chat(text=...) để đặt câu hỏi.
So sánh đánh giá: Dùng omniedu eval --list để xem 12 tiêu chuẩn đánh giá giáo dục và tạo báo cáo.

Chuyển đổi hành vi theo chỉ dẫn nhiệm vụ: 20 chỉ dẫn hệ thống giúp cùng một mô hình phân biệt cách phản hồi theo nhiệm vụ, như giải bài từng bước, chẩn đoán lỗi, đặt câu hỏi kiểu Socrates và đối thoại hướng dẫn.
Dữ liệu huấn luyện chất lượng cao được thiết kế kỹ lưỡng: Khoảng 7 vạn mẫu được chọn từ khoảng 1,34 triệu mẫu ứng viên sau khi kiểm duyệt ngữ nghĩa, khử nhiễm và cân bằng tỷ lệ token, làm rõ “học gì” và “dạy thế nào”.
Hiệu năng cấp SOTA: 27B giành chiến thắng 51 lần trong 60 lần so sánh với 5 mô hình tiên tiến như GPT-5.4 và Claude-Opus-5, đứng đầu ở nhiều chỉ số giáo dục.
Cải thiện rõ rệt việc giảng dạy theo giàn giáo: Tỷ lệ thắng của giàn giáo trên MathTutorBench tăng từ 14% lên 78.74%, chứng minh hành vi giảng dạy có thể được huấn luyện hiệu quả.
Phù hợp với nhiều kịch bản nhờ nhiều quy mô: Bao phủ 4B, 9B và 27B; phiên bản FP8 giảm 37%–44% dung lượng tải xuống, mô hình nhỏ có thể triển khai trên máy chủ thông thường của trường học.

Trang web dự án: https://haolpku.github.io/Omni-Edu/
Kho GitHub: https://github.com/haolpku/Omni-Edu
Kho mô hình HuggingFace: https://huggingface.co/datasets/lhpku20010120/Omni-Edu
Bài báo kỹ thuật arXiv: https://arxiv.org/pdf/2609.23088

Hướng dẫn học tập cá nhân hóa: Khi học sinh làm bài, mô hình trước tiên xác định điểm vướng mắc, sau đó dùng gợi ý và câu hỏi tiếp nối để hướng dẫn tư duy độc lập, phù hợp với việc tự học.
Phân tích chẩn đoán bài sai: Giáo viên đưa quá trình làm bài của học sinh vào mô hình để tự động phân tích nguyên nhân sai, các lỗ hổng kiến thức tương ứng và tạo đề xuất khắc phục có mục tiêu, giảm gánh nặng chấm bài.
Tạo nội dung bám sát chương trình: Giáo viên tạo bài luyện tập, bài tập phân tầng hoặc tài liệu giải thích theo tiêu chuẩn chương trình và khối lớp chỉ định, đồng thời tự động gắn nhãn kiến thức và mối quan hệ tiên quyết.
Trợ giảng tương tác trên lớp (giảng dạy kiểu Socrates): Mô hình đóng vai trò trợ giảng, thúc đẩy học sinh suy luận thông qua câu hỏi định hướng, điều chỉnh chiến lược giảng dạy dựa trên bằng chứng và hỗ trợ dạy học phân hóa.