WoW数据集：教育知识图谱驱动的全周期LLM训练语料

中文教育语料的困局与WoW的破题思路

现有中文教育语料长期存在碎片化覆盖和缺乏系统性组织的问题，这直接制约了基座模型在知识密集型任务上的表现。来自rss的一篇论文提出了WoW（World Knowledge）数据集，试图从根源上解决这一痛点。与常见的“爬取-清洗-堆叠”式语料构建不同，WoW的核心思路是以教育知识图谱作为分类骨架，系统性地收集并补全各学段缺失的教育模块。

这一设计让数据集不再是零散文本的集合，而是有结构、可追溯的知识体系。论文指出，该数据集面向基础模型的全周期训练设计，覆盖从预训练到后续阶段的完整需求。

教育知识图谱是面向教育领域的结构化知识库，通常以学科、学段、知识点及其先修关系为节点和边，形成层次化的知识网络。与通用知识图谱（如Wikidata）不同，教育知识图谱强调教学逻辑与认知顺序，例如数学中“分数”概念通常先于“分式方程”。在语料构建中，这种图谱可作为分类学骨架，确保语料按学科和学段有序组织；同时可作为缺口检测工具，通过对比图谱节点与已有语料的覆盖情况，定位缺失模块。WoW正是利用这一特性，将语料收集从“爬取-清洗-堆叠”转变为“图谱驱动-缺口补全”的系统化流程。

知识图谱如何充当语料的“骨架”

从分类骨架到模块补全

WoW的构建由教育知识图谱驱动。图谱在此扮演双重角色：一是作为分类学主干，为语料划定清晰的学科与学段边界；二是作为缺口检测工具，识别出各层级教育中尚未被现有语料覆盖的模块，并针对性地进行补全。这种“先建骨架、再填血肉”的路径，与单纯扩大语料规模的做法形成鲜明对比。

多模态信号指除纯文本外，图像、音频、视频等不同模态的数据。在教育场景中，多模态信号可包括图表、公式图像、教学视频片段、语音讲解等。引入多模态信号意味着语料不再局限于文字，而是能覆盖更丰富的知识表达形式，例如几何图形辅助理解空间关系、实验视频展示操作步骤。对于基础模型而言，多模态语料有助于训练跨模态理解与生成能力，顺应模型从纯文本向多模态演进的发展趋势。WoW明确支持多模态信号，表明其设计已考虑模型全周期训练中对多模态数据的潜在需求。

系统性、质量与规模的三重提升

论文明确将本次迭代与先前版本做了对比，强调三个维度的增强：系统性更强、质量更优、规模更大。同时，新版本引入了多模态信号，不再局限于纯文本，并明确支持模型开发的每一个阶段。这意味着WoW的定位不是单一任务的评测集，而是贯穿训练全流程的语料基础设施。

实验表现与社区配套

论文的实验结果表明，WoW在多样化的基准测试上显著提升了模型性能。虽然摘要未披露具体的基准名称与提升幅度，但“显著改善”的表述结合多基准验证，说明其收益并非局限于单一场景。

为方便社区研究，作者还提供了一个交互式平台，支持基于图谱的数据选择与检索。这一配套工具的价值在于：研究者可以按知识图谱的节点定位所需语料，而不必在海量文本中盲目筛选。对于需要针对特定学科或学段做定向训练与评测的团队，这种图谱化检索能力比单纯的语料规模更具实用意义。

交互式平台在此处指一个允许研究者基于知识图谱进行数据选择与检索的在线工具。其核心功能是将语料与图谱节点关联，用户可通过点击学科、学段或知识点节点，快速定位并筛选出对应语料，而无需在海量文本中手动搜索。这种设计提升了语料使用的效率与精准度，尤其适合需要针对特定教学模块进行定向训练或评测的团队。平台还可能支持数据预览、下载和统计功能，从而降低社区使用门槛，促进语料共享与协作研究。

对中文LLM训练语料建设的启示

WoW的思路揭示了一个容易被忽视的问题：语料的“量”与“结构”并非等价。碎片化语料即便规模庞大，也难以支撑模型形成系统的知识表征；而以知识图谱为骨架的语料，则能在训练中传递更清晰的知识组织逻辑。

教育知识图谱驱动的构建方式，也为语料的可解释性和可维护性提供了基础——当语料与图谱节点一一对应时，缺失与冗余都变得可定位、可修补。多模态信号的加入则顺应了基础模型向多模态方向演进的趋势。

当然，论文摘要未展开说明图谱的构建细节、多模态信号的具体类型以及平台的实际可用性，这些仍有待全文披露。但就方向而言，WoW代表了中文教育语料从“堆量”走向“结构化”的一次有意义的尝试。