README.md

---
license: apache-2.0
language:
- en
- zh
base_model:
- Qwen/Qwen3-30B-A3B
---
# IE-Code-30B

<p align="center">
  <b>面向交互式教学内容生成的教育大模型</b><br>
  <i>An Educational LLM for Interactive Instructional Content Generation</i>
</p>

<p align="center">
  🤗 Model &nbsp;|&nbsp; 📊 Edu-Interact Dataset &nbsp;|&nbsp; 🧪 Edu-Eval Benchmark &nbsp;|&nbsp; 📄 Paper
</p>

---

## 简介

IE-Code-30B（Interactive Education Code）是一个面向 **K-12 交互式教学内容生成** 的领域专用大模型。与主要以文本对话进行知识讲解的教育大模型不同，IE-Code-30B 将教学内容生成建模为一个**“运行后质量可观测”的多模态约束优化问题**：模型输出被视为可在浏览器中运行的教学程序（HTML/JS/CSS），其质量只有在代码可执行、页面可渲染、交互行为可达、且交互过程服务于教学目标时才真正成立。

模型以稀疏混合专家（MoE）架构的 **Qwen3-30B-A3B-Coder** 为基座，通过 **“SFT 冷启动 + GRPO 强化学习”** 两阶段训练，使其具备将自然语言教学意图转化为高保真交互式 HTML 教学素材的能力，可覆盖知识讲解、动态演示、参数探究与即时反馈等关键教学交互模式。

## 核心特性

- **交互式富媒体生成**：直接生成可在 Web 端运行的 HTML5/JavaScript 交互式教学页面（参数滑块、动态图示、Canvas 仿真、即时反馈组件等），而非静态图文或线性讲解。
- **多模态层级化奖励对齐**：融合代码可执行性（L1）、教学/科学逻辑（L2）、视觉渲染质量（L3）与交互响应（L4）的层级奖励，并引入**隐式交互引导（Potential Bonus）**缓解冷启动、**反作弊正则化（Anti-Hacking）**抑制“表面交互堆砌”的奖励投机。
- **高效 MoE 架构**：总参数约 30.5B，单次推理仅激活约 2.4B 参数，兼顾生成质量与推理/部署成本。
- **自带自动化评测体系**：配套 Edu-Eval 基准与级联评估管线，将“可执行、可渲染、可交互、可教学”转化为可计算的结构化指标。

## 模型信息

| 项目 | 说明 |
| --- | --- |
| 基座模型 | Qwen3-30B-A3B-Coder（MoE） |
| 总参数 / 激活参数 | 30.5B / 2.4B |
| 训练范式 | 两阶段：SFT 冷启动 → GRPO 强化学习 |
| 训练数据 | Edu-Interact（$\mathcal{D}_{SFT}$ 10k + $\mathcal{D}_{RL}$ 4k） |
| 评估器（Judge） | Qwen3-VL-235B（多模态联合评分） |
| 输出格式 | HTML / JavaScript / CSS 单页交互式教学应用 |
| 适用学段 | K-12（小学、初中、高中） |
| 覆盖学科 | 数学、语文、英语、物理等核心学科 |

## 性能表现

在独立基准 **Edu-Eval**（600 条与训练数据严格互斥的零样本指令）上，采用四层多模态评估体系（L1 语法 / L2 逻辑 / L3 视觉 / L4 交互）的对比结果：

| 模型 | 总分 | 语法 (L1) | 逻辑 (L2) | 视觉 (L3) | 交互 (L4) |
| --- | :---: | :---: | :---: | :---: | :---: |
| DeepSeek-v3.2-0122 | 43.9 | 34.8 | 65.0 | 70.3 | 46.0 |
| Gemini-3-pro-preview | 48.9 | 44.0 | 66.7 | 59.4 | 55.0 |
| Qwen3-235B-Instruct | 52.8 | 45.5 | **71.0** | 67.9 | 56.4 |
| Qwen3-Coder-30B-Instruct（基座） | 55.0 | 46.9 | 65.3 | 64.3 | 64.8 |
| **IE-Code-30B (Ours)** | **63.1** | **49.6** | 61.4 | **74.9** | **77.7** |


## 快速开始

```python
from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "IE-Code-30B"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto",
)

instruction = "为初中物理设计一个交互式教学页面：用滑块调节摩擦系数，实时观察小车在斜面上的运动状态变化。"

messages = [
    {"role": "system", "content": "你是一个交互式教学内容生成助手，输出可在浏览器中运行的 HTML/JS 教学页面。"},
    {"role": "user", "content": instruction},
]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt").to(model.device)

outputs = model.generate(**inputs, max_new_tokens=8192, temperature=0.7, top_p=0.8)
html = tokenizer.decode(outputs[0][inputs.input_ids.shape[-1]:], skip_special_tokens=True)

# 将模型输出的 HTML 保存后用浏览器打开即可
with open("lesson.html", "w", encoding="utf-8") as f:
    f.write(html)
```

> 建议将生成结果保存为 `.html` 文件在现代浏览器中打开；页面依赖的外部 CDN 资源需保证网络可访问。


<!-- ## 引用

```bibtex
@article{zhang2026iecode,
  title   = {交互式教学内容生成大模型的构建与自动化评估
             (Building Large Language Models for Interactive Instructional
             Content Generation and Automated Evaluation)},
  author  = {张若华 and 刘涛 and 卢烨 and 宋思宇 and 刘文涛 and 周爱民 and 郝昊},
  journal = {自动化学报 (Acta Automatica Sinica)},
  year    = {2026},
  doi     = {10.16383/j.aas.c260145}
}
``` -->