一个能解题的AI，为什么还不算一个好老师？
你有没有遇到过这种情况：找了个学霸同学帮你辅导作业，他三下五除二把题解出来了，可你还是一脸懵，因为他压根没解释这道题考的是哪个知识点，你之前哪里没学透。
这就是当下很多教育类AI的真实处境。
它们能把一道数学题算得又快又准，甚至能考出媲美优等生的分数，但你要是问它"这道题属于初二几何的哪个单元""我这道题错在哪个环节的思维盲区"，它常常答不上来，或者答得驴唇不对马嘴。北京大学等机构的研究团队最近发布了一篇技术报告，指出了这个问题背后一个容易被忽略的原因：现在训练教育类AI的数据,大多是按"学科"或者"来源"随便堆在一起的,没人真正想过一个学生和一个好老师之间,到底隔着几层能力。
这篇论文的主角叫OmniEdu，一个专门为K-12教育打造的开源大模型家族。它最有意思的地方不在于又刷了几个榜单，而在于它重新定义了"教育能力"这四个字到底应该拆成哪几块。
一道题目背后，其实藏着四种能力
先说说问题到底难在哪。
市面上现有的教育大模型，基本可以分成两派。一派专攻"做题"，比如国内的Confucius3-Math，主打中国K-12数学推理，考试分数确实不错。另一派专攻"聊天式辅导"，比如强调苏格拉底式提问和情感陪伴的EduChat，或者谷歌的LearnLM，试图让模型学会"怎么教"而不只是"教什么"。
但这两派几乎是两条不相交的赛道。一个模型要么很会算题，要么很会引导，很少有模型能同时做到"知道题目在课程体系里的位置""看出学生哪里想错了""选择恰当的方式介入"。
这种割裂在训练数据的组织方式上体现得特别明显。如果你去看现在大多数教育数据集,它们是按学科分的,比如数学题堆一起,英语题堆一起,或者按来源分,教材题库一批,考试真题一批,对话语料又一批。
这种分法乍一看很合理,但仔细想想有个漏洞:一道简答题、一次知识点标注、一个错题诊断、一段师生对话,它们训练模型学会的其实是完全不同的行为模式。把它们混着一起丢给模型,模型很难搞清楚"面对这种情况我到底该怎么回应"。
这有点像什么呢？
想象你在教一个新入职的助教怎么带学生。你不能只给他一沓过去优秀教师写的教案就完事，因为教案只告诉他"标准答案是什么"，却没告诉他"什么情况该直接讲解，什么情况该先追问学生哪里卡住了，什么情况该退回去复习前置知识"。如果只是把各种材料一股脑塞给他，他大概率会变成一个只会念答案的复读机，而不是一个真正能读懂学生状态的老师。反过来，如果你把这些材料按"该在什么场景下用、要达成什么教学目的"重新归类，哪怕数量不多，他也能更快学会分辨场景、切换策略。
OmniEdu团队想解决的，正是这个"归类逻辑"的问题。
四种能力，一张地图
研究团队没有沿用"学科"或"来源"这种老套路，而是重新设计了一套分类框架，把教育相关的能力拆成四块：
学科能力：就是解题本身，涵盖数学、科学、阅读理解、写作等K-12常见科目，模型得会做题、会解释答案。
课程定位：这块听起来有点抽象，说白了就是模型得知道一道题、一个知识点在整个课程体系里处于什么位置。它对应哪个年级、哪个难度、有没有前置知识依赖、和其他知识点是什么关系。
诊断推理：模型要能从学生做错的过程里，看出错在哪一步、是什么误解导致的，甚至推断出学生可能缺了哪块前置知识。
教学行动与脚手架：这是最贴近"当老师"这件事本身的能力,模型要学会选择恰当的干预方式,是该给个提示,还是该反问一句,还是该回头复习前置概念,还是干脆直接讲解。选完之后还得执行到位。
这四种能力凑在一起,才算是构成了一个完整的教学闭环:知道教什么、知道学生在哪、知道怎么回应。
这套分类框架，本质上是给一堆杂乱无章的数据发了一张"身份证"，让每个训练样本都清楚地知道自己是在教模型哪一种行为。
一场持续多轮的"数据大扫除"
光有分类框架还不够，接下来的问题是：上哪儿找这么多高质量、分类清晰的数据？
研究团队从100多个教育资源和数据集里，汇总出一个初始池子，规模大约134万条样本。但这只是原材料，真正能用的，得经过一套六阶段的筛选流程,最终只剩下69999条。
这个筛选过程挺值得说道说道，因为它揭示了一个常被忽视的事实：做AI训练，数据质量的把控往往比数据数量的堆砌更费功夫。
第一步是确定性清洗和防泄题处理。简单说就是去重、剔除格式有问题的样本、核对答案是否和参考答案一致，同时把评测集里出现过的题目从训练集里剔除干净，防止模型"提前见过答案"造成成绩虚高。这一步砍掉了大约35%的数据，剩下87万条左右。
第二步是语义审核和重写。这一步动用了大模型（Qwen3.5-122B-A10B-FP8）来做人工很难覆盖的细致审查，给每条样本打0到100分,分数85以上保留,50到84的送去修补,50以下直接扔掉。审核标准还会根据不同能力类型调整,比如做题类样本重点看答案对不对、解释是否自洽;课程定位类样本看知识点标注是否够精确;诊断类样本看指出的错误是否真的能从学生的解题过程里推出来;教学行动类样本还要额外检查有没有提前泄露答案、破坏了引导效果。这一步之后剩下44万条。
这里有个细节挺有意思。审核不是简单的"合格/不合格"二元判断，而是给了一个"重写"选项：如果一条数据基本骨架是好的，但某个环节有瑕疵，系统会保留原始问题，只修补有问题的那部分监督内容，改完再重新审一遍。
这就好比批改作文，不是学生写得不行就直接判零分,而是先看看他的立意和框架有没有价值,如果只是某段论证没写透,那就针对那一段给出修改建议,而不是让他从头再写一篇。如果不这样做,而是简单地"一刀切"式淘汰,那些其实还有救的数据就白白浪费了,最后能用的数据量会更少,训练出来的模型可能因为见过的场景不够丰富而变得死板。
第三步是初步多样性筛选和细粒度质量打分。有些数据源特别"肥大"，比如某个阅读理解数据集原本有6万多条，但因为内容重复度高，用了一种叫k-center greedy的算法，从嵌入空间的角度挑出语义上最具代表性、最不重复的一批，压缩到5000条左右。
k-center greedy: 一种从大量候选项里挑选"代表性子集"的算法思路，目标是让选出来的样本尽可能覆盖整体的语义分布，而不是随机抽或者挑最容易的。
之后又用了一个更强的模型（GPT-5.6-Terra）做打分，这次的评分维度更细，比如解题类数据会分别打分"题目是否合理""答案是否正确""推理过程是否正确""是否完整""相关性""表达是否清晰"，每一项都要及格，核心维度比如正确性还要求更高的分数才能过关。这一轮筛下来，只剩12万条出头。
第四步是按token预算做多样性挑选。这一步的逻辑挺巧妙：不同类型的教学任务，回答的长度天差地别。一段完整的辅导对话可能有几千字，一个简短的提示可能只有一两句话。如果按"样本数量"来分配训练资源，那些短小的任务会被长对话样本挤占大量篇幅，导致模型学到的辅导技巧被稀释。所以团队改成按"监督用的token数量"来分配预算，在每个细分任务类别内部，用同样的k-center greedy方法挑出语义覆盖面最广的样本，直到用完这个类别分配到的token额度。这一步之后，教育相关数据定格在60951条，大约1200万个监督token。
这就像是给不同的菜系分配厨房台面空间,不是按"菜的数量"分,而是按"处理这道菜实际需要的操作时间"分,不然一道需要慢炖三小时的红烧肉,和一道两分钟就能炒好的青菜,占用的资源该是一样的吗？
第五步是给每条数据配上"教学系统指令"。这一步呼应了谷歌LearnLM提出的一个理念，叫"教学指令跟随"。
教学指令跟随：一种训练思路，让模型的教学行为根据当前场景明确切换，而不是用同一套说话方式应对所有情况。
具体做法是，团队设计了20套系统指令模板，覆盖诸如"推理解题""阅读理解""诊断纠错""苏格拉底式提问""辅导对话"等不同的行为模式，每条训练样本根据它所属的任务类别，被绑定一条对应的系统指令，原始的用户提问和模型回答内容保持不变。
这个设计的用意很直接：同一个模型，面对解题任务时应该给出并论证最终答案，面对辅导场景时却可能要故意"憋住"答案，先一步步引导学生自己想明白。如果不做这种区分，用一套笼统的指令去训练，模型很容易在两种行为之间"精神分裂"，该直接讲的时候吞吞吐吐，该引导的时候又忍不住直接甩答案。
最后一步是最终整合，把所有样本转成统一格式，图片素材对齐，再做一轮完整性检查。加上9048条通用指令数据（用来保持模型的通用对话能力、多语言能力和图表推理能力），最终形成一个含69999条样本、总计1596万监督token的训练语料。
三种尺寸，三张成绩单
数据准备好了，团队用它训练了三个不同规模的模型：4B、9B、27B（B代表模型参数量，数字越大模型通常能力越强，但也更耗资源）。
评测覆盖三大维度，对应前面提到的能力分类：课程定位能力（用K12-Bench、MathFish、EDUMATH三个基准测试）、K-12解题能力（用GAOKAO-Bench高考题库、EXAMS-V多语言多模态考题、MDK12-Bench多学科考试题）、教学辅导能力（用MathTutorBench、TutorBench、LongTutor三个专门评估"教得好不好"的基准）。此外还测了通用能力（指令遵循、科学推理、多模态理解），看看专攻教育会不会让模型"偏科"到丢掉基本功。
先看课程定位这块的成绩单。
模型规模 K12-Bench EM K12-Bench F1 MathFish准确率 EDUMATH MaC
Qwen3.5-4B-Base（基座） 42.72% 69.20% 80.33% 47.60%
OmniEdu-4B 54.25% 71.75% 83.19% 68.40%
Qwen3.5-9B-Base（基座） 48.52% 71.99% 79.66% 58.60%
OmniEdu-9B 55.46% 73.68% 83.70% 74.00%
Qwen3.8-27B（基座） 52.11% 73.48% 83.54% 70.60%
OmniEdu-27B 63.12% 76.69% 85.89% 86.95%
这里能看出个规律：三个尺寸的模型，经过教育数据微调后，全都稳步超越了各自的基座模型。27B版本的K12-Bench精确匹配率（EM，即答案完全对上标准答案的比例）从52.11%涨到63.12%，涨了整整11个百分点。EDUMATH（考察模型能否根据课程标准生成对齐教学大纲的数学题）这项上，27B版本更是从70.60%冲到86.95%，仅次于对比中最强的商业模型Kimi-K3。
再看K-12解题这块。
模型规模 GAOKAO-Bench满分率 EXAMS-V综合 MDK12-Bench综合
Qwen3.5-4B-Base（基座） 88.98% 44.69% 35.43%
OmniEdu-4B 90.46% 57.62% 46.36%
Qwen3.5-9B-Base（基座） 92.94% 63.00% 44.50%
OmniEdu-9B 93.66% 66.40% 50.80%
Qwen3.8-27B（基座） 91.55% 68.65% 46.04%
OmniEdu-27B 94.87% 69.52% 57.76%
值得一提的是MDK12-Bench里区分了"客观题"和"开放题"两类，OmniEdu-27B在开放题上的正确率从62.08%提升到78.77%，涨幅特别明显，说明这个模型不只是选择题做得准，遇到需要主观解释的题目也能给出更靠谱的答案。
最后是教学辅导这块，也是最能体现"教育专属能力"的部分。
模型规模 MathTutorBench脚手架胜率 MathTutorBench困难场景胜率 LongTutor证据得分 LongTutor教学均分
Qwen3.5-4B-Base（基座） 20.42% 18.36% 25.67% 1.60
OmniEdu-4B 75.79% 84.77% 65.88% 2.29
Qwen3.5-9B-Base（基座） 14.00% 13.67% 5.81% 1.48
OmniEdu-9B 75.26% 81.64% 66.63% 2.66
Qwen3.8-27B（基座） 57.16% 55.86% 36.80% 2.74
OmniEdu-27B 78.74% 83.59% 78.20% 3.02
这组数字的跃升幅度非常夸张。9B模型的脚手架胜率（衡量模型能否用循序渐进的方式引导学生而不是直接甩答案）从14.00%飙升到75.26%，涨了61个百分点。这说明基座模型本身几乎没有"扶着学生走"的意识，而教育数据训练能几乎从零把这种能力"种"出来。
LongTutor是专门考察长期个性化辅导能力的基准，看模型能不能基于学生过去的学习历史做出针对性诊断。这个基准里有个"证据得分"，衡量模型有没有真的用上学生的历史信息，而不是每次都当成新学生对待。27B模型在这项上从36.80%涨到78.20%，涨幅超过一倍。虽然商业模型Claude-Opus-5在证据得分上略高，但OmniEdu-27B拿下了所有参评模型里最高的"教学均分"3.02分。
这几组数字放在一起看，你会发现一个有意思的现象：专攻解题的模型（比如Confucius3-Math）在辅导类任务上表现相当挣扎，在MathTutorBench上脚手架胜率只有27.68%，说明"会解题"和"会教"完全是两码事，前者练的是知识储备，后者练的是沟通策略和耐心。
那专攻教育会不会让模型"偏科"，丢了通用能力？
团队也做了这方面的检查。用IFEval（测指令遵循）、GPQA（测高难度知识推理）、MMMU-Pro（测多模态综合理解）三项通用基准跑了一遍，结果显示三个尺寸的模型在教育微调后，这几项通用指标基本都在提升，而不是下降。比如MMMU-Pro的整体准确率，27B模型从64.97%提升到67.98%。
这说明一件事：给模型补充结构化、高质量的教育数据，不是"占用"了它原有的能力，反而可能通过更清晰的任务边界和更规范的表达训练，间接强化了它的通用理解力。
这有点反常识，因为大家通常担心"专才训练会牺牲通才能力"，就像你担心一个学生天天刷奥数题会不会耽误语文成绩。但如果刷题的过程本身逻辑清晰、表达严谨，说不定连带着把语文里的逻辑写作能力也练扎实了。
写在后面
读完这篇论文,最触动我的其实不是那些百分点的提升,而是那张"四种能力"的分类地图本身。
它其实在提醒我们一件容易被技术乐观主义掩盖的事：把AI教育化，不是简单的"把题库喂给模型"，而是需要先想明白，一个好老师到底是由哪几种能力叠加而成的。这篇论文选的四种能力（学科知识、课程定位、诊断推理、教学行动），未必是唯一正确的划分方式，但它至少提供了一种可操作的框架，让"教育智能"这个模糊的词第一次有了可以拆解、可以分别度量的维度。
还有一个细节值得单独说说：论文里提到，市面上一些专精数学解题的教育模型（比如Confucius3-Math），在K12-Bench上的表现几乎是灾难级的，EM只有5.23%，MathFish准确率甚至是0.00%。这不是说这个模型不会做题，而是说它对课程结构、知识点归属这类"元认知"层面的东西完全没有概念。这提醒我们，一个模型考试分数高，不代表它真正理解自己在教什么。这种"高分低能"的现象，或许在人类学生身上也似曾相识。
论文里也留了一个没完全解决的问题：LongTutor测试里，各家模型在"知识状态诊断"这一项的准确率普遍偏低，OmniEdu-27B也只有54.04%。这说明，让AI准确判断一个学生"到底哪里没学会"，依然是个远没有攻克的难题。毕竟，人类老师判断学生的知识盲区，靠的常常是经验直觉，而不是能明确写成规则的东西。这块硬骨头，恐怕还得再啃很久。
一个能做对题的AI已经不稀奇了。真正稀缺的，是一个知道"你为什么错"、并且愿意慢下来陪你把这道弯路走完的AI。
Q&A
Q1：OmniEdu是什么？
A：OmniEdu是北京大学等机构联合推出的开源K-12教育大模型家族，包含4B、9B、27B三种规模，专门针对课程定位、解题能力、教学辅导三方面能力设计训练数据。
Q2：OmniEdu和其他教育类AI模型有什么不同？
A：多数教育AI只专注解题或只专注辅导对话，OmniEdu把教育能力拆成学科能力、课程定位、诊断推理、教学行动四类，用分类清晰的数据同时训练这四种能力，让模型既会做题又会教学。
Q3：OmniEdu训练数据是怎么来的？
A：团队从100多个教育资源中汇总约134万条原始样本，经过六阶段清洗筛选（含大模型语义审核、多样性挑选、防泄题处理等），最终精选出69999条高质量样本用于训练。