数学の問題を一瞬で解くAIがあるとしよう。生徒が 1/2 + 1/3 = 2/5 と間違えて書いたとき、このAIが「間違いだよ、正解は5/6だ」としか答えないなら、計算は完璧でも良い先生とは言えない。答えを知っていることと、生徒が自力で答えにたどり着けるよう手助けすることは、別の能力だからだ。OmniEduは、まさにこの二つを一つのモデルに収めようとする試みである。
OmniEduは、小・中・高(K-12)教育を狙ったオープンなファウンデーションモデルだ。ファウンデーションモデルとは、さまざまなタスクに幅広く使えるよう広く学習させておいた「土台」となるモデルのことを指す。ここに教育データをさらに重ねて、専門家へと育て上げた。サイズは4B・9B・27Bの三種類が公開されている。Bとは、パラメータ(モデルが学習によって調整する値)が数十億(billion)単位であることを意味する。パラメータはモデルの知識と判断を担う「脳細胞」に近い — 数が多いほど、より微妙なパターンまで学習できるが、その分だけ計算資源とコストもかさむ。
このモデルの核心となる決定は一つだ。学習データを「どこから来たのか(出所)」ではなく「どんな能力を育ててくれるのか(能力)」を基準に組み直したこと。なぜそれが重要なのかは、冒頭の間違った分数一つを最後まで追いかけてみると、手に取るように分かる。
1/2 + 1/3 = 2/5。生徒は分子どうしを足し、分母どうしを足した。よくある間違いだ。良い先生は、この一行を前にして四つのことを同時にやってのける。
まず、正解を知っている。 5/6だ。これが教科の能力だ。問題そのものを正確に解き切る実力である。
次に、この問題がどこに位置するのかを知っている。 分母の異なる分数の足し算、つまり通分を学ぶ単元だということを押さえる。いま扱っている内容がカリキュラムのどの道筋にあるのかを把握すること、これがカリキュラムの根拠だ。
そして、なぜ間違えたのかを診断する。 「計算ができない」ではなく「分母が違うのに、そのまま横に足した」という具体的な誤概念を突き止める。診断的推論である。どこで滑ったのかが分からなければ、次の説明も空回りする。
最後が一番難しい。正解をすぐには教えない。代わりに「分母が違うのに、このまま足してもいいのかな?」と問い返す。生徒が自力で通分を思い出せるよう、足がかりを一つ置いてあげるのだ。これが指導行動と足場かけ(scaffolding)である。
| 能力 | 間違った分数を前にしてやること |
|---|---|
| 教科の能力 | 正解が5/6であることを知っている |
| カリキュラムの根拠 | 「通分」の単元の問題だと押さえる |
| 診断的推論 | 分母どうしをそのまま足した誤概念を突き止める |
| 足場かけ | 答えの代わりに「このまま足してもいい?」というヒントを出す |
問題を解くことだけが得意なモデルは、最初のマスで止まる。会話だけが得意なチューターモデルは、四番目のマスは真似できても一番目が心もとない。OmniEduが狙ったのは、四つのマスを一つのモデルの中にすべて埋めることだ。
問題は、これまでの教育用AIデータが、この四つのマスをまんべんなく満たすようには集まっていなかった点にある。
従来は、学習データを出所別・課題別にまとめていた。図書館で本を出版社別だけで整理しておくのに似ている。本棚は整っているが、肝心の「この本がどんな能力を育ててくれるのか」という視点が抜け落ちる。その結果、診断する能力、足場を置く能力といった、教育にしかない能力がデータの中でまばらに欠けてしまう。
そこで研究陣は、基準そのものを能力へと変えた。100を超える教育リソースと一般指示データを、先の四つの軸に合わせて並べ直したのだ。
ここで重要なのは、ただやみくもにかき集めたわけではないという点だ。研究陣はまず機械的なルールで明らかな誤りや重複を取り除き、残った内容が実際に筋の通るものかを一つひとつ意味を吟味して書き直したうえで、データごとに用途に合った基準で品質スコアを付けて優れた例を選り抜いた。さらに決められた分量(トークン、モデルが文章を処理する最小単位)の予算の中で、似たタイプばかりが積み上がらないよう多様に選び、例ごとに「これはどんな教育的意図で答えるべきか」という指示を付けた。幾つもの段階にわたって丹念に磨き上げたのである。
こうして選り抜いた結果が69,999例、そのうち教育に特化したものが60,951例だ。文字の分量にすると、教師あり応答トークンが約1,596万個。100あまりの資料を何度も濾し、磨いて7万個に絞り込んだわけである。研究陣はこのデータで三サイズのモデルをファインチューニング(汎用モデルに専門データを追加学習させて特化させる過程)した。
評価は、カリキュラムの根拠、問題解決、指導という三つの軸に、さらに一般能力を加えて行われた。最大のOmniEdu-27Bの成績は以下のとおりだ。ただしパーセント表記には注意がいる。MathFish・EDUMATHは100点満点を基準に読めばよいが、下で触れるMathTutorBenchの数字だけは「素点」ではなく、意味が異なる。
| ベンチマーク | 何を測るか | 27B成績 |
|---|---|---|
| MathFish | 問題がカリキュラム基準に合っているかの判断 | 85.89% |
| EDUMATH | カリキュラム・生徒の関心に合わせた問題生成 | 86.95% |
| K12-Bench | カリキュラム理解 — 概念・先修関係・カリキュラム内の位置の把握 (EM=正解と完全に一致した割合、F1=適合率と再現率を併せて反映したスコア) | EM 63.12% / F1 76.69% |
| MathTutorBench | 足場(ヒント)で導く指導(Scaffold設定の比較勝率=win rate) | 78.74%(勝率) |
| LongTutor | 長い息の指導の品質 | 3.02 |
二つだけ先に押さえておこう。一つ、一番下のLongTutorの3.02はパーセントではなく、指導の品質を採点したスコアだ。尺度が上の%指標とは異なるので、同じ列に並べて比べてはいけない。もう一つ、MathTutorBenchの78.74%は見た目こそパーセントだが、これは100点満点の素点ではない。Scaffold(足場かけ)設定で、比較相手に対してどれだけ勝ったかを示す勝率(win rate)である。だから「85.89%より低いね」のように他の%指標と同じ「成績」として横並びに読むと、指標の意味を取り違えてしまう。どちらもそれ自体として別に読むべき数字だ。
総合すると、OmniEduはカリキュラムに合わせて理解する能力(MathFish・EDUMATH・K12-Bench)と、生徒を導く能力(MathTutorBench・LongTutor)の両方でまんべんなく良い結果を示した。問題解決の実力そのものは、上の表の外でGAOKAO-Bench・EXAMS-V・MDK12-Benchによって別途評価されている。片方の能力を押し上げるために、もう片方が削られるトレードオフ(trade-off)が見られないという意味だ。能力を基準にデータを組み直した戦略が有効だったことを示唆している。
ただし、解釈の限界ははっきりさせておこう。アブストラクトはこれらのスコアが「上がった」と述べるにとどまり、どのモデルより何点高いといった直接比較の数値はほとんど示していない。明示された比較は一つだけ — LongTutorの指導品質の平均で、OmniEduが評価対象モデルの中で最も高かったということであり、この指標がよりによって「教える能力」を見る側であるという点が目を引く。だから上の表の数字は「OmniEduがおおよそどのあたりに到達したか」として読むべきであって、他のモデルとの勝ち負けと解釈すると根拠を超えてしまう。MathTutorBenchの勝率も同様で、benchmark内の比較設定での一数値にすぎず、他の教育モデルを総じて打ち負かした証拠として読むことはできない。
アブストラクトだけで判断すると、まだ開いたままのものが多い。
導入を検討するなら、この四つは原文と後続の評価で別途確認する必要がある。
いいえ。誤概念の診断や足場かけは、教師の「仕事」を支える補助ツールに近いものです。どんな足場を置くかについての最終判断、そして生徒との人間的な交流は、依然として教師の役割です。
アブストラクトは、教育志向のチューニングの効果が三サイズすべてで一貫して現れたと述べています。小さいモデルを使っても、能力チューニングの恩恵そのものは得られるという意味です。ただし絶対的なスコアは大きいモデルのほうが高いので、品質とコストのどちらを優先するかで選べばよいでしょう。
ONTLEは、繰り返し業務に追われる小規模企業や一人起業家のそばに、AIプロジェクトマネージャーを派遣するサービスだ。OmniEduから持ち込めるのはモデルではなく、その設計哲学一つである — 「答えを代わりに出すこと」と「自力で判断できるよう手助けすること」を、最初から別の能力として捉えてデータを分けた発想だ。
顧客企業から「来週予定だった納品を2週間延ばしてください」というメッセージが来たとしよう。一番単純なAIは、スケジュール表の日付だけを変える。さきほどの分数でいえば、「正解を知っている」最初のマスで止まった状態だ。四番目のマスまで届くAI PMなら、動き方が違う。この納品がプロジェクトのどの道筋にあるのかを見て(文脈)、本当のボトルネックが資材なのか人員なのかを突き止め(診断)、「延ばしました」の一行で終わらせず、後ろにずれる後続の予定と選べる選択肢を整理して、社長が何を決めればよいのかを判断材料として返してくれる(足場)。
ただし、はっきりさせておくべきことがある。OmniEduが数字で見せたのは、あくまで教育ベンチマークの成績であって、業務現場での成果ではない。だから「このモデルをそのまま持ってきて使えばいい」という話は成り立たない。ONTLEのAI PMも、「レポート作成」「スケジュール調整」といった課題のリストではなく、「文脈を読む」「詰まったところを診断する」「次の決定を口に運んであげるのではなく整理してあげる」といった能力の軸でデータを集めるときに、より使える相棒になりうる。これはすでに検証済みの応用ではなく、私たち自身で確かめてみるべき仮説だ。