OmniEdu 用 6.9999 万条能力导向指令微调 4B/9B/27B 模型，在课程定位、K12 解题与教学辅导三类基准上全面超过各自基座

提出以四类能力（学科能力、课程定位、诊断推理、教学行动与支架）组织教育监督的开源模型家族 OmniEdu，覆盖 4B、9B、27B 三个规模。 此前教育模型多专攻解题或辅导之一，训练混合常按来源或任务组织，未显式平衡这些能力；该工作把能力分类学同时作为数据构建与评测的共同语言。 论文给出完整的能力定义、数据来源映射与三规模模型，并在三类教育基准上做基座对照；评测遵循各基准官方协议与指标。

构建可复现的能力导向数据流水线：确定性清洗与评测去污染、LLM 语义审计与改写、任务特定质量打分、token 预算的多样性选择、教学指令分配，把约 1.34M 教育样本压缩为 60,951 条高质量样本（约 12.0M 监督回复 token），再加 9,048 条通用指令样本，合计 69,999 条、15.96M token。 相对按来源或学科混合数据的做法，该流水线为每条样本指定单一主能力与 20 类教学系统指令之一，把“内容”与“期望的回复行为”分离。 论文逐阶段报告样本量变化（870,711 → 440,100 → 121,318 → 60,951），并说明审计用 Qwen3.5-122B-A10B-FP8、细粒度打分用 GPT-5.6-Terra、多样性选择用 BGE-M3 上的 k-center 贪心。

跨规模评测显示教育导向微调在课程定位、K–12 解题、教学辅导三个维度上对每个规模都优于对应基座。 提升不限于答案正确率：K12-Bench 的 EM 由 52.11% 升至 63.12%（27B），EDUMATH MaC 在 4B/9B/27B 上分别提升 20.80、15.40、16.35 分，MathTutorBench Scaffold 胜率在 4B 与 9B 上分别提升 55.37 与 61.26 分，LongTutor 证据均值在 27B 上由 36.80% 升至 78.20%。 结果以基座—微调配对呈现，覆盖 K12-Bench、MathFish、EDUMATH、GAOKAO-Bench、EXAMS-V、MDK12-Bench、MathTutorBench、TutorBench、LongTutor，并附完整分项表。

用 IFEval、GPQA、MMMU-Pro 做通用能力辅助诊断，报告教育专精未伴随通用能力的普遍损失。 把“专精的代价”作为可审计的对照项，而非只报告教育基准增益。 MMMU-Pro 总体准确率在 4B、9B、27B 上分别由 50.46%→52.60%、58.38%→60.75%、64.97%→67.98%；论文同时说明各学科变化不一。

该工作面向 K–12 学习与教学场景，模型规模为 4B、9B、27B，训练为全参数监督微调（LLaMA-Factory，最大序列长度 32,768，3 个 epoch）。它适用于需要课程定位、错误诊断与支架式辅导的教育助手构建者，以及希望复用其数据流水线的研究者；论文同时公开了项目网站、数据集与三个模型权重。评测范围限于论文所列的课程定位、K–12 解题与教学辅导基准，以及 IFEval、GPQA、MMMU-Pro 三项通用诊断。

论文指出知识状态诊断仍相对困难，OmniEdu-27B 与 OmniEdu-9B 的诊断准确率为 54.04% 与 53.55%，作者称“relatively low accuracies indicate that knowledge-state diagnosis remains comparatively challenging”。MMMU-Pro 的变化按学科而异，论文只给出总体提升。此外，部分开源教育基线不支持图像输入，图像相关样例只接收文本部分，这一设置对跨模型比较的影响值得读者留意。数据流水线中语义审计与细粒度打分依赖特定大模型（Qwen3.5-122B-A10B-FP8、GPT-5.6-Terra），其可复现性取决于这些模型的可获得性。论文正文提到完整分项结果放在附录，若只读正文摘要，部分子集细节需回到附录核对。