OmniEdu: Open Foundation Models for Learning and Teaching
Hao Liang, Qihan Lin, Meiyi Qiang, Linzhuang Sun, Hengyi Feng, Mingrui Chen, Sizhe Qiu, Wentao Zhang
cs.CL
2026-09-19
四类能力筛出7万条数据微调4B/9B/27B。27B课标EM 63.12%，脚手架胜率78.74%，教学均分3.02。
现有教育大模型大多只做一件事：要么刷题给答案，要么做对话辅导。训练数据也按来源或科目堆，很少按「这条样本到底在教模型什么行为」来配比。结果是模型会解题，但找不到对应知识点，看不出学生错在哪，一开口就把答案漏完。
真正能用的 K-12 助手要同时做四件事：把题做对、把题放到课标结构里、从学生作答里诊断缺口、再选一个合适的教学动作(提问、提示、补前置、或直接讲)。北大、国科大、中关村学院的 OmniEdu 把这四件事写成能力分类，用同一套后训练数据把 4B、9B、27B 一起拉起来。
监督不按学科切，按四种能力切：
数据管线从 100 多个来源的约 134 万条教育样本筛到 60951 条：
再加 9048 条通用指令(DataFlow-Instruct-10K 7431、Tulu-3-SFT 1495、MathV360K 122)，总盘 69999 条、1596 万监督回复 token。底模是 Qwen3.5-4B-Base、Qwen3.5-9B-Base、Qwen3.8-27B，LLaMA-Factory 全参 SFT，学习率 5e-6，3 个 epoch，上下文 32768。
课标侧，三个尺度相对各自底模都涨。27B 的 K12-Bench EM 从 52.11% 到 63.12%，F1 从 73.48% 到 76.69%；MathFish 准确率 83.54% 到 85.89%；EDUMATH 的 MaC(课标对齐出题)从 70.60% 到 86.95%，只低于 Kimi-K3 的 90.00%。课标定位子任务 EM 从 29.85% 拉到 48.77%，正例对齐从 45.95% 拉到 67.60%。4B 的 EDUMATH MaC 从 47.60% 跳到 68.40%。
解题侧：
| 模型 | GAOKAO 满分率 | EXAMS-V | MDK12 |
| OmniEdu-4B | 90.46% (底模 88.98%) | 57.62% (44.69%) | 46.36% (35.43%) |
| OmniEdu-9B | 93.66% (92.94%) | 66.40% (63.00%) | 50.80% (44.50%) |
| OmniEdu-27B | 94.87% (91.55%) | 69.52% (68.65%) | 57.76% (46.04%) |
27B 在 MDK12 开放题正确率从 62.08% 到 78.77%，GAOKAO 语文从 55.10% 到 94.26%。开源教育模型 Confucius3-Math、EduChat 在课标和多模态考试上经常接近崩盘，对照意义有限。闭源里 Claude-Opus-5 的高考满分率 97.22%、Kimi-K3 的 EXAMS-V 87.29% 仍明显更高。
辅导侧涨得最狠。MathTutorBench 脚手架胜率：4B 从 20.42% 到 75.79%，9B 从 14.00% 到 75.26%，27B 从 57.16% 到 78.74%；难集上 27B 到 83.59%。GPT-5.4 脚手架只有 6.32%，典型「直接给答案」；Claude-Opus-5 仍以 87.89% 领先。LongTutor 证据利用 27B 从 36.80% 到 78.20%，教学均分 3.02，评测集里最高。知识状态诊断准确率最高也只有 54.04%。TutorBench 几乎没动，27B 从 58.58% 到 59.42%，Kimi-K3 仍是 63.65%。
通用能力没有被教育特化吃掉：IFEval prompt-strict 27B 从 80.59% 到 82.07%，GPQA Diamond 从 74.24% 到 77.78%，MMMU-Pro 从 64.97% 到 67.98%。
这是一套可复现的开源 K-12 后训练配方，数据、模型、代码都放出来了。对要做教育产品的人，关键动作是把「解题 / 课标 / 诊断 / 教法」拆开配比，并用系统指令把互相冲突的回复策略说清楚。7 万条、1600 万 token 的体量，中小团队用开源 4B/9B 就能跟。脚手架上的跃迁说明，底模其实会解题，缺的是「先别把答案说出来」的行为约束。
这仍是渐进的数据工程，不是新架构。TutorBench 几乎不动、诊断准确率卡在 54%，「会教」还远没做完。
正文没有独立的局限节。能看出的硬缺口有这些。没有能力消融，也没有管线各阶段的对照，说不清四类能力、token 预算、20 条系统指令各自贡献多少。诊断准确率作者自己也写了「仍然困难」。MathFish 总体只涨 2.35 个点，部分负例对齐反而掉(27B 的 ATC 邻居负例从 88.31% 到 79.07%)。4B 高考语文从 90.89% 掉到 59.30%，科目级数字不稳定，不宜当产品指标。只做了 SFT，没有教法向的 RL 或偏好优化。推理时必须选对系统指令，产品层还得自己编排。评测大量依赖 LLM 裁判的胜率，没有教室里的真人教师实验。开源教育基线在若干任务上接近失效，拉大了表面上的差距。27B 底模是 Qwen3.8，4B/9B 是 Qwen3.5，家族都不统一。