README.zh-CN.md

语言: English | 中文

InnoSpark3.0-397B-260712

InnoSpark3.0-397B-260712 是 InnoSpark3.0 系列中的 397B 教育增强模型。该模型基于 NEX 397B 模型家族训练，并与 Qwen3.5-397B-A17B、Nex-N2-Pro 以及评测表中提供的其他 SOTA 模型进行对比评测。

InnoSpark3.0-397B-260712 面向教育问答、教学辅助、学习陪伴，以及课堂或作业场景中的解释生成、分层讲解、引导式推理和教学策略建议等任务。我们在 SFT 阶段引入了通用数据与教育领域数据，并通过多阶段 RL pipeline 进一步强化模型的推理能力、教育场景问答能力、agent 能力与指令遵循能力。我们没有专门优化视觉能力；视觉语言指标主要用于透明呈现模型能力变化。

模型信息

项目	说明
模型名称	InnoSpark3.0-397B-260712
训练来源	NEX 397B 模型家族
对比基线	Qwen3.5-397B-A17B、Nex-N2-Pro、评测表中的 SOTA 模型
参数规模	397B
训练 pipeline	SFT + 多阶段 RL
SFT 数据	通用数据 + 教育领域数据
RL 强化方向	推理、教育问答、agent 场景、指令遵循
主要应用场景	教育问答、学习辅导、教学辅助、教育 agent、通用助手任务

训练方法

后训练流程主要包含两个阶段：

1. 监督微调（SFT）：使用通用指令数据与教育领域数据混合训练，提升模型在教学问答、概念解释和课堂指令遵循等任务上的表现。
2. 多阶段强化学习（RL）：针对推理、教育场景问答、agent 任务求解和指令遵循稳定性进行进一步优化。

评测结果

以下所有分数均统一为 100 分制。EduBench 在原始评测表中为 10 分制，这里乘以 10 后展示。每一行中最高分使用粗体标出。缺失结果统一显示为 -。

通用能力评测

类型	能力维度	评测集	Qwen3.5-397B-A17B	Nex-N2-Pro	InnoSpark3.0-397B	Nex-N2-Pro-math-rl	GLM-5.2	DeepSeekV4-Pro	Kimi-2.6	GPT-5.5	Gemini-3.1-Pro	Claude-opus-4.8
语言	知识	MMLU-Pro	87.8	87.76	87.83	-	84.3	73.5	86.87	-	91	-
语言	知识	C-Eval	93	93.24	93.68	-	92.27	93.1	95.17	-	-	-
语言	知识	SimpleQA-Verified	53.1	59.5	60.4	-	34.1	55.2	41.1	-	75.6	-
语言	指令遵循	IF-Eval	92.6	94	90.39	-	90.39	91.9	94.5	-	-	-
语言	指令遵循	IF-bench	76.5	64.97	70.67	-	73.3	68.03	64.63	-	-	-
语言	STEM 与推理	GPQA Diamond	85.86	90.7	90.4	-	91.2	90.1	90.5	93.6	94.3	-
语言	STEM 与推理	LiveCodeBench v6	83.6	67.39	66.54	-	54.12	93.5	89.6	-	91.7	-
语言	STEM 与推理	AIME25	93.33	96.67	93.33	90	80	90	93.33	-	96.67	-
语言	STEM 与推理	AIME26	91.3	90	96.67	93.33	99.2	96.67	96.4	98.3	100	95.7
语言	Coding Agent	SWE-bench Verified-Agentic	76.4	80.8	78.4	-	82	80.6	80.2	82.9	80.6	-
语言	Coding Agent	Terminal-Bench 2.1	52.5	75.3	57.3	-	81	67.9	66.7	83.4	68.5	74.6
语言	General Agent	BFCL_v4	72.9	64.14	65.16	-	76.66	72.95	67.82	-	-	-
语言	General Agent	TAU3-bench	68.3	71.1	60.43	-	47.73	56.63	64.7	-	50.67	-
视觉语言	STEM 与 Puzzle	MMMU-Pro	85.9	85.72	86.24	-	-	-	82.6	83.2	83	-
视觉语言	通用 VQA	MMBenchEN-DEV-v1.1	92.93	93.3	93.44	-	-	-	93.44	-	-	-
视觉语言	文档理解	OCRBench	91	87.5	88	-	-	-	90.4	-	-	-

教育能力评测

教育能力评测覆盖 EduBench 和 Pedagogy 相关评测设置。下表展示评测表中提供的 EduBench 与 Pedagogy Benchmark Multilingual 详细指标。

评测集	指标	Qwen3.5-397B-A17B	Nex-N2-Pro	InnoSpark3.0-397B	Nex-N2-Pro-math-rl	GLM-5.2	DeepSeekV4-Pro	Kimi-2.6	GPT-5.5	Gemini-3.1-Pro	Claude-opus-4.8
EduBench	总分	91.2	90.6	96.3	-	93.5	91.9	93.2	92.7	94.5	90.6
EduBench	指令遵循与任务完成	93.7	93.7	98.2	-	96.1	96.8	90.5	98.1	97.8	86.5
EduBench	角色与语气一致性	95.1	94.2	99.1	-	98.5	97.7	98.2	98.4	98.3	96.6
EduBench	内容相关性与范围控制	98.8	97.8	99.1	-	99.3	98.7	98.6	99.2	99.2	95.9
EduBench	基础事实准确性	97.6	96.1	98	-	98.7	97.4	97.4	98.9	98.8	96.3
EduBench	领域知识准确性	94.1	94.5	98.7	-	97.1	94.8	97	96.3	97.3	95
EduBench	清晰性、简洁性与启发性	88.7	88.7	96.4	-	91.9	89.2	93	90.9	92.9	90.9
EduBench	高阶思维与能力培养	78.8	76.1	91.2	-	81.6	78.2	86.1	76.9	83.6	80.4
EduBench	场景要素整合	72.8	73.6	81.3	-	75.8	72.9	76	73.3	76.3	75.8
EduBench	个性化、适应性与学习支持	95.6	96.7	99.7	-	99.1	97.7	99.5	97.8	99.3	99.4
EduBench	推理过程严谨性	95	95.8	98.6	-	97.5	94.4	96.4	96.9	98.3	92.8
Pedagogy Benchmark Multilingual	平均分	87.72	88.59	97.28	88.48	87.17	86.52	82.5	92	92	89
Pedagogy Benchmark Multilingual	评估	90.13	91.48	97.76	91.03	89.24	87.89	85.65	92	92	89
Pedagogy Benchmark Multilingual	课堂管理	83.33	83.33	100	83.33	100	100	83.33	92	92	89
Pedagogy Benchmark Multilingual	教育理论	96.67	93.33	100	96.67	96.67	93.33	86.67	92	92	89
Pedagogy Benchmark Multilingual	学生理解	84.14	83.7	96.04	84.58	85.46	83.7	78.85	92	92	89
Pedagogy Benchmark Multilingual	教学策略	87.94	89.56	97.45	88.86	86.31	86.77	82.6	92	92	89

使用方法

Transformers

import torch
from transformers import AutoProcessor, AutoModelForMultimodalLM

model_id = "sii-research/InnoSpark3.0-397B-260712"

processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForMultimodalLM.from_pretrained(
    model_id,
    torch_dtype="auto",
    device_map="auto",
    trust_remote_code=True,
)

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "text",
                "text": "请用适合初中生的方式讲解一元二次方程的求根公式，并给出一个例题。",
            }
        ],
    }
]

inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=1024)
response = processor.decode(
    outputs[0][inputs["input_ids"].shape[-1]:],
    skip_special_tokens=True,
)
print(response)

vLLM

vllm serve sii-research/InnoSpark3.0-397B-260712 --trust-remote-code

适用场景

InnoSpark3.0-397B-260712 适用于教育 AI 相关研究与应用开发，包括：

• 概念解释与分步辅导
• 教育问答与作业辅助
• 教案设计与教学材料生成
• 面向学生的对话式学习 agent
• 面向教师的教学辅助工作流
• 通用指令遵循、推理和 agent 类任务

局限性

与其他大语言模型一样，InnoSpark3.0-397B-260712 可能生成不准确、不完整或带有偏见的内容。在高风险学习、评价或学生指导场景中，模型输出应由具备资质的教育工作者进行审核。该模型不应作为事实核验、评分决策、心理咨询、医疗建议、法律建议或其他安全关键决策的唯一依据。

评测结果可能受到 prompt 格式、解码参数、评测实现方式和数据版本影响。用户在生产环境或真实课堂环境部署前，应结合具体场景进行额外评估。

主要贡献

姓名	负责工作	个人链接
刘文涛	训练 pipeline + SFT 通用和教育数据处理 + 教育 RL 训练	Google Scholar
宋思宇	RL 训练环境基础设施搭建 + 通用 RL 训练 + 教育 RL 训练	Google Scholar
卢烨	SFT 训练 + 指令遵循能力 RL	GitHub, Google Scholar
谢轩豪	RL 训练环境基础设施搭建 + SFT 通用和教育数据合成和训练	Homepage
王圣尧	教育 agent 场景 RL 数据处理和训练	GitHub
钱毅	通用指标 + 教育指标评测	GitHub
刘家豪	通用指标 + 教育指标评测	GitHub
吴文博	通用 agent 评测管线搭建	Homepage

引用

@misc{innospark3_397b_260712,
  title = {InnoSpark3.0-397B-260712},
  author = {SII Research},
  year = {2026},
  howpublished = {\url{https://huggingface.co/sii-research/InnoSpark3.0-397B-260712}}
}

请同时遵循相关基座模型和对比模型的引用与许可证要求。