haolpku/K12-KGraph

解决的问题

K12-KGraph 解决了现代 LLM 缺乏「课程认知」的问题。虽然模型可以定义概念，但它们往往难以理解教育概念之间的结构化关系——例如先修条件、分类学邻接关系，以及验证或测试某个概念的具体实验或练习。

如何工作

该项目从官方的 K-12 STEM 教科书（数学、物理、化学、生物）构建一个与课程对齐的知识图谱（KG）。该流程包括：

1. 提取：使用 MinerU 进行 PDF 解析，使用 GPT-5.2 进行基于模式约束的概念、技能和实验提取。
2. 结构化：对数据进行分层合并，并通过 DAG（有向无环图）验证以确保逻辑流程。
3. 资产生成：利用 KG 生成两个主要资产：
   • K12-Bench：包含 23,640 个多选问题的基准测试，用于评估结构化推理能力。
   • K12-Train：包含 2,267 个指令-响应对的数据集，用于监督微调（SFT），以教授模型课程结构。

适用对象

从事教育类 LLM、课程感知 AI 研究，或对 STEM 学科中结构化推理进行基准测试的 AI 研究人员和开发者。

主要亮点

• 多维对齐：在定义、公式、实验、练习和教科书位置等多个维度上对齐概念。
• 高质量：经领域专家验证（Fleiss' κ = 0.84）和自动 DAG 验证。
• 即用型模型：提供三个在课程数据上特别训练的微调检查点（Llama 3.1、Qwen 3.5、Qwen 3）。
• 全面的模式：包含 7 种节点类型（如 Concept、Skill、Experiment）和 9 种边类型（如 prerequisites_for、verifies），用于映射教育依赖关系。