IV.5Образование и развитие навыков

OmniEdu-27B — мультимодальная образовательная модель, разработанная исследователями Пекинского университета, Университета Китайской академии наук и Zhongguancun Academy. Она дообучена полным параметрическим обучением на основе Qwen/Qwen3.8-27B и предназначена для обучения и преподавания в школе: решает задачи по разным предметам, связывает вопросы и решения с учебной программой, выявляет пробелы в знаниях и помогает подбирать учебную поддержку. Модель имеет плотную архитектуру Qwen3_5ForConditionalGeneration и 27 млрд параметров. Она принимает текст и изображения и генерирует текст; длина обучающей последовательности составляет 32 768 токенов, но это не гарантирует аналогичную длину контекста при использовании. В README не перечислены поддерживаемые языки, поэтому языковую специализацию определить нельзя. Модель показала лучшие результаты среди сравниваемых моделей в указанных образовательных тестах, включая K12-Bench, MathFish и LongTutor Teaching. Она предназначена для образовательных исследований, вспомогательных инструментов для учителей и прототипов поддержки обучения. Лицензия указана как other; необходимо учитывать условия лицензий обучающих наборов и исходных материалов. Модель может ошибаться в решениях и привязке к учебной программе, а рекомендации могут быть неподходящими; результаты тестов не подтверждают улучшение учебных результатов в классе.

TutorDesk Qwen3-4B — созданная в проекте TutorDesk AI LoRA-адаптация Qwen/Qwen3-4B для учителей, занимающихся по индийской программе CBSE/NCERT. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и формат safetensors; длина контекста — до 40 960 токенов. Обучение проводилось на примерах по математике и естественным наукам для 6–10 классов. Модель генерирует экзаменационные вопросы с ответами и объяснениями по заданным классу, предмету, теме и уровню сложности, классифицирует сложность вопроса и оценивает ответы учеников с распределением баллов по шагам и краткой обратной связью. Основной язык — английский; хинди поддерживается частично. Модель принимает и выдаёт текст. Она не предназначена для гуманитарных дисциплин, языковых предметов, экзаменов JEE/NEET и классов вне диапазона 6–10; оценивание эссе ненадёжно, распознавание рукописного текста не поддерживается. Лицензия модели — Apache-2.0.

CogEvol-4B — открытая дообученная модель семейства CogEvol, разработанная для генерации учебных сред по краткому заданию на естественном языке. Она создаёт структурированную JSON-страницу слайда или автономную интерактивную HTML-страницу с симуляциями, визуализациями и упражнениями, работающую в браузере. Модель основана на Qwen3.5-4B и использует плотную архитектуру Qwen3_5ForConditionalGeneration; в карточке указаны диалоговый режим и текстовая генерация. Обучение включало SFT и два этапа RL для генерации слайдов и интерактивного HTML на 53 687 проверенных примерах, с автоматической проверкой интерактивности. Модель подходит для создания учебных материалов и интерактивных занятий по текстовому описанию курса. README рекомендует отключать режим thinking при генерации и использовать поставляемый шаблон системного запроса для слайдов. Доступны варианты запуска через sglang, vLLM и llama.cpp; для исходного чекпойнта указаны библиотека Transformers и формат safetensors. Лицензия — Apache-2.0.

ishwarbb23/finetuned-baseline-phase-1 — дообученная компактная модель T5, основанная на valhalla/t5-small-e2e-qg. Она предназначена для генерации вопросов по заданному тексту. Модель содержит 38,5 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт текст.

InnoSpark3.0-35B-260709 — образовательная мультимодальная модель с 35 млрд параметров из серии InnoSpark3.0, разработанная исследовательской командой sii-research на основе семейства NEX 35B. Модель дообучена на общих и образовательных данных с помощью SFT и многоэтапного обучения с подкреплением; архитектура относится к семейству Qwen3.5 MoE. Она принимает текст и изображения и предназначена для диалога и генерации ответов на образовательные вопросы. Модель подходит для объяснения понятий, пошагового обучения, помощи с домашними заданиями, подготовки уроков и учебных материалов, а также для диалоговых помощников учеников и преподавателей. Обучение усиливало рассуждение, следование инструкциям и агентные возможности; визуальные способности специально не оптимизировались. Лицензия — Apache-2.0. Как и другие большие языковые модели, InnoSpark может выдавать неточные, неполные или предвзятые ответы. В образовательных и особенно высокозначимых сценариях результаты следует проверять; модель не следует использовать как единственный источник для проверки фактов, выставления оценок или критически важных решений.

iarfmoose/t5-base-question-generator — модель генерации вопросов, разработанная на основе предобученной T5-base и дообученная на наборах SQuAD, CoQA и MSMARCO. Она принимает ответ и контекст в одной текстовой последовательности и генерирует предложение-вопрос в стиле задач на понимание прочитанного. Обучающая выборка содержала около 200 тысяч примеров. Модель подходит для автоматического создания вопросов с ответами, извлечёнными из текста, например для учебных материалов, тестов и систем проверки понимания текста. Лучше всего она работает, когда ответ представляет собой полное предложение; поддерживаются также отдельные слова и короткие фразы. Архитектура — T5 encoder-decoder, около 123,7 млн параметров, контекст до 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Генерация ориентирована на стиль SQuAD, CoQA и MSMARCO. Вопросы могут быть наводящими или отражать предвзятость исходного контекста; короткий или отсутствующий контекст и несоответствие ответа контексту могут привести к бессвязным вопросам. В предоставленных данных лицензия не указана.

PrepareBuddy IELTS-9B — дообученная PrepareBuddy модель Qwen3.5-9B для генерации учебных материалов к IELTS. Это плотная текстовая модель с архитектурой Qwen3_5ForCausalLM, примерно 7,2 млрд параметров и контекстом до 262 144 токенов. Она создаёт материалы для Reading, Writing, Listening и Speaking: тексты, задания, вопросы, транскрипты и ключи ответов с пояснениями. Модель рассчитана на генерацию больших объёмов практики, в том числе фактологически насыщенных текстов, и особенно хорошо справляется с ответами для заданий на дополнение предложений, которые находятся в исходном тексте. Работает с английским языком и предназначена для текстового ввода и вывода. По данным карточки, версия 9B показывает наилучшую в семействе точность фактов при генерации текстов с нуля, но не улучшает рассуждение при вынесении вердиктов. Модель не оценивает ответы учащихся. Для работы в bf16 требуется около 18 ГБ видеопамяти; квантизация до 4 бит снижает потребность примерно до 5–6 ГБ. Известен перекос ответов в заданиях с выбором варианта в пользу B, поэтому ключи следует проверять и распределять позиции ответов при подготовке заданий. Лицензия — Apache-2.0.

InnoSpark3.0-9B-260630 — мультимодальная модель на 9 млрд параметров, разработанная sii-research на базе Qwen/Qwen3.5-9B. Её дообучили на общих и образовательных данных с помощью supervised fine-tuning и многоэтапного обучения с подкреплением. Модель принимает текст и изображения и формирует текстовые ответы; карточка указывает поддержку английского и китайского языков. Модель предназначена для образовательных вопросов и ответов, пошагового объяснения понятий, помощи с домашними заданиями, подготовки уроков и учебных материалов, а также диалоговых помощников для учеников и преподавателей. Она также поддерживает общие задачи следования инструкциям, рассуждения и агентные сценарии. В README сообщается, что визуальные возможности специально не улучшали; по оценке авторов, их показатели снизились примерно на 1–2% относительно базовой модели. Модель распространяется по лицензии Apache-2.0. Она может выдавать неточные, неполные или предвзятые ответы; авторы рекомендуют проверять результаты педагогам, особенно при оценивании и других важных решениях. Перед внедрением в учебную среду следует провести дополнительную оценку.

fbellame/llama2-pdf-to-quizz-13b — дообученная модель на базе meta-llama/Llama-2-13b-hf, созданная с помощью H2O LLM Studio. Она принимает текст документа и генерирует вопрос с четырьмя вариантами ответа и буквой правильного варианта; обучение описано на примере подготовки учебных тестов по содержимому документа. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 12,9 млрд параметров и имеет контекст до 4096 токенов. В карточке указан английский язык; модель распространяется в формате safetensors и предназначена для запуска через Transformers. Карточка предупреждает, что ответы могут быть ошибочными, нерелевантными или предвзятыми. Лицензия в предоставленных данных не указана.

Модель isy-thl/multilingual-e5-base-learning-outcome-skill-tuned — Sentence Transformer, дообученный на базе intfloat/multilingual-e5-base для сопоставления результатов обучения, описаний курсов и описаний навыков ESCO. Она кодирует текст в плотные векторы размерностью 768 и подходит для семантического поиска, ранжирования совпадений, кластеризации и классификации текстов. Для сравнения векторов используется косинусное сходство. Модель построена на XLM-RoBERTa с усреднением токенных представлений и нормализацией векторов. В метаданных указано 305,2 млн параметров и контекст до 514 токенов; README указывает максимальную длину последовательности 512 токенов. Оценка на наборе learning_outcome_esco_pairs показывает cosine_accuracy@1 0,8582 и @5 0,9716. Модель принимает текст и выдаёт эмбеддинги; обучение описано для корпуса course-esco-skill-retrieval из 9 562 примеров. Лицензия в предоставленных данных не указана.

QuestionGenerationComQ6 — модель семейства T5, дообученная автором Gayathri142214002 на основе Gayathri142214002/Question_Generation_ComQ_5. Она предназначена для генерации вопросов по входному тексту. Модель содержит 123,8 млн параметров, работает с текстом и имеет контекст до 512 токенов. В карточке приведён результат оценки: loss 0,2626. Данных о языках, обучающем наборе и конкретных ограничениях применения нет. Модель распространяется по лицензии Apache-2.0.

valhalla/t5-base-qg-hl — модель семейства T5, разработанная Valhalla и дообученная для генерации вопросов с учётом заданного ответа. Она принимает текст, в котором целевой фрагмент выделен специальными маркерами, и формулирует вопрос, на который этот фрагмент будет ответом. Модель подходит для автоматического создания вопросов по учебным материалам, статьям и другим текстам, например для подготовки наборов вопросов и ответов. Модель содержит 123,7 млн параметров, использует архитектуру T5ForConditionalGeneration и рассчитана на контекст до 512 токенов. В карточке указан датасет SQuAD, формат весов — PyTorch, лицензия — MIT. Пример использования показывает генерацию одного вопроса по выделенному ответу; качество и применимость к текстам за пределами обучающих данных могут различаться.

voidful/bart-eqg-question-generator — модель последовательность-к-последовательности, разработанная на основе предварительно обученной BART-base и дообученная на корпусе EQG-RACE. Она принимает текстовый контекст и генерирует по нему вопрос в экзаменационном формате с вариантами ответа; вход передаётся как одна последовательность без специальной разметки. Модель содержит 95,2 млн параметров, использует архитектуру BART и поддерживает контекст до 1024 токенов. По карточке модель рассчитана на англоязычные тексты. Она подходит для автоматической подготовки проверочных и экзаменационных вопросов по учебному материалу. Генерируемые вопросы могут требовать проверки на соответствие контексту и качеству вариантов ответа. Форматы весов — PyTorch и Safetensors; лицензия в предоставленных данных не указана.

Карточка модели ronigold/dictalm2.0-instruct-fine-tuned на Hugging Face совпадает с карточкой ronigold/dictalm2.0-instruct-fine-tuned-alpaca-gpt4-hebrew, поэтому описание составлено по ней. Модель разработал Roni Goldshmidt: это дообученная Dicta-IL dictalm2.0-instruct на базе Mistral с 7,1 млрд параметров. Она предназначена для генерации вопросов и ответов на иврите по фрагментам текста, в частности по энциклопедическим материалам; карточка описывает синтетический набор данных, созданный на основе статей Википедии на иврите. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors по лицензии MIT. Подходит для подготовки учебных вопросов, проверки понимания текста и создания пар «вопрос—ответ» по предоставленному материалу. В описанной автором оценке на синтетическом отложенном наборе указаны F1 88% и exact match 75%; эти результаты относятся к данному набору и не гарантируют точность на других данных. Модель может воспроизводить смещения обучающих данных, а ответы требуют проверки; её не рекомендуют использовать для критически важных медицинских или юридических сведений без проверки человеком.

Модель разработал Roni Goldshmidt: это дообученная Dicta-IL dictalm2.0-instruct на базе Mistral с 7,1 млрд параметров. Она предназначена для генерации вопросов и ответов на иврите по фрагментам текста, в частности по энциклопедическим материалам; карточка описывает синтетический набор данных, созданный на основе статей Википедии на иврите. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors по лицензии MIT. Подходит для подготовки учебных вопросов, проверки понимания текста и создания пар «вопрос—ответ» по предоставленному материалу. В описанной автором оценке на синтетическом отложенном наборе указаны F1 88% и exact match 75%; эти результаты относятся к данному набору и не гарантируют точность на других данных. Модель может воспроизводить смещения обучающих данных, а ответы требуют проверки; её не рекомендуют использовать для критически важных медицинских или юридических сведений без проверки человеком.

Модель tokhey/egyptian-mcq-generator-qwen-2.5-7b-synthetic — дообученная и объединённая с базовой моделью Qwen/Qwen2.5-7B-Instruct языковая модель от автора репозитория tokhey. Она предназначена для генерации вопросов с несколькими вариантами ответа на английском языке в стиле выпускных экзаменов Министерства образования Египта, включая задания по грамматике и лексике с учётом учебной программы и заданной темы или раздела. Модель основана на плотной архитектуре Qwen2, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Обучение проводилось методом LoRA на экзаменационных вопросах, метаданных учебной программы и синтетических примерах; адаптер был объединён с базовой моделью. Ответы формируются в виде JSON с вопросами, правильными ответами, отвлекающими вариантами и пояснениями. Лицензия — Apache-2.0. Модель подходит для подготовки учебных заданий и материалов для проверки знаний по английскому языку. Качество и соответствие учебной программе требуют проверки преподавателем; автор также характеризует модель как экспериментальную исследовательскую разработку.

kiddom/modernbert-readability-grade-predictor — англоязычная модель ModernBERT-base, дообученная Kiddom для регрессионной оценки читательской сложности текста. Она предсказывает уровень чтения по шкале американских классов от 0 до 12 и выше: от дошкольного уровня до колледжа. Модель содержит 149 млн параметров, принимает текст и поддерживает контекст до 8192 токенов; обучена на данных CLEAR и текстах с оценками Lexile и Flesch–Kincaid. Модель предназначена для оценки сложности учебных материалов и подбора текстов под нужный уровень чтения. В README приведены RMSE 1,41 и R² 0,81. Модель распространяется по лицензии MIT. Оценки могут быть менее точными для специализированных и технических материалов, а тексты короче 10 слов могут давать ненадёжный результат. Модель обучена только на английском языке и откалибрована для системы образования США.

OmniEdu-27B — мультимодальная модель для обучения и преподавания в школе, разработанная исследователями Пекинского университета, Университета Китайской академии наук и Zhongguancun Academy. Она дообучена методом полного параметрического supervised fine-tuning на базе Qwen/Qwen3.8-27B и использует архитектуру Qwen3_5ForConditionalGeneration. В репозитории веса в формате safetensors; лицензия указана как other. Модель предназначена для решения учебных задач K–12, привязки вопросов и объяснений к учебной программе, выявления пробелов и ошибочных представлений учащихся, пошагового наставничества и помощи в подготовке занятий. Она принимает текст и изображения и формирует текстовые ответы; обучение проводилось с длиной последовательности 32 768 токенов, но это не гарантирует аналогичную эффективность на длинном контексте. В работе заявлены лучшие среди трёх размеров семейства результаты на ряде образовательных бенчмарков. Модель может давать неверные решения, неподтверждённые привязки к учебной программе или неподходящие рекомендации; материалы для учеников следует проверять. Результаты бенчмарков не доказывают улучшения обучения в классе, а качество зависит от предмета, программы, языка и качества изображения. Предназначена для образовательных исследований, инструментов помощи учителям и прототипов поддержки обучения; при использовании нужно соблюдать лицензионные условия исходных датасетов и материалов.

Question_Generation_ComQ_12 — дообученная модель семейства T5, разработанная на основе Gayathri142214002/Question_Generation_ComQ_11. Она предназначена для генерации вопросов по текстовому контексту. Модель содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает контекст длиной до 512 токенов. В карточке приведён результат оценки: loss 0,2199. Данные обучения и подробности об оценке не раскрыты, поэтому этот показатель не позволяет судить о качестве на других наборах данных. Модель распространяется по лицензии Apache-2.0.

QuestionGenerationComQ9 — дообученная модель семейства T5, разработанная на основе Gayathri142214002/Question_Generation_ComQ_8. Она предназначена для генерации вопросов; в README приведён результат оценки Loss 0,2350, но подробности набора данных и условий оценки отсутствуют. Модель содержит 123,8 млн параметров, принимает текстовый контекст длиной до 512 токенов и формирует текст. Распространяется в формате safetensors по лицензии Apache-2.0.

Readabert-en — модель классификации текста на основе BERT-base, дообученная на англоязычной части корпуса ReadMe++ для оценки читаемости предложений по шестибалльной шкале CEFR. Она предназначена для анализа сложности англоязычных текстов, например для подбора учебных материалов под уровень читателя или предварительной сортировки текстов по сложности. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт категорию читаемости. Доступна в формате safetensors; лицензия Apache-2.0.

Это дообученная Mohammad Khosravi модель RoBERTa Large для определения уровня владения английским языком по шкале CEFR. Она относит текст учащегося к одному из шести уровней — от A1 до C2 — с помощью классификационной головы и совместной функции потерь, учитывающей дисбаланс классов и порядковое расстояние между уровнями. Модель содержит около 454,1 млн параметров, принимает текст и рассчитана на последовательности до 514 токенов; карточка указывает английский язык и формат весов safetensors. Модель предназначена для автоматической оценки ученических работ, отслеживания прогресса изучающих английский и подбора учебных материалов по уровню. В README приведены высокие метрики на внутренней проверке и отдельном тесте, но они получены на данных EFCAMDAT и не гарантируют такой же точности на других текстах. Лучше всего модель подходит для сочинений неносителей английского; на художественной прозе, речи носителей и узкоспециализированных текстах качество может снижаться. Тексты длиннее лимита токенизатора могут обрезаться. Лицензия — MIT.

Activity Generation Model v0.2 — языковая модель, разработанная для проекта MyVillage и дообученная на базе Qwen/Qwen2.5-0.5B-Instruct с помощью supervised fine-tuning и LoRA. Она принимает описание того, что ученик изучил, практиковал, создал, исследовал или испытал, и предлагает одно небольшое следующее учебное занятие, которое развивает предыдущий опыт. Результат содержит название, описание, инструкции и тип занятия из семи категорий: REFLECTION, RESEARCH, COLLABORATE, CREATE, PRACTICE, EXPERIENCE и TEACH. Модель имеет плотную архитектуру Qwen2, около 494 млн параметров и контекст до 32 768 токенов. Карточка указывает английский язык; лицензия — Apache-2.0. Модель предназначена для генерации конкретных следующих шагов в адаптивном обучении и для передачи структурированных занятий в прикладные системы. Среди ограничений: в обучающих данных есть синтетические примеры, качество не подтверждено полным отложенным бенчмарком, а соответствие, уместность и сложность предложений требуют проверки, особенно для тем за пределами обучающего распределения.

Модель vlada22/Meta-Llama-3.1-8B-Instruct-finki-edu-5c разработана Влатко Николoвски и дообучена на базе unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit для задач высшего образования. Это плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации, улучшения и предварительной оценки экзаменационных вопросов с учётом учебных целей, ясности формулировок и сложности. Модель поддерживает диалоговый режим и контекст до 131 072 токенов. В обучении использовались категории экзаменационных вопросов и уровни когнитивных задач по таксономии Блума; карточка указывает английский язык. Модель может помогать преподавателям готовить и рецензировать задания, но её оценки требуют проверки человеком, особенно при принятии важных образовательных решений. Возможны смещения из обучающих данных, а специализация на экзаменационных сценариях ограничивает применение в других областях. Лицензия — Apache-2.0.

OmniEdu-9B — мультимодальная модель для обучения и преподавания в школах, разработанная исследователями Пекинского университета, Университета Китайской академии наук и Zhongguancun Academy. Она дообучена методом полного supervised fine-tuning на базе Qwen/Qwen3.5-9B-Base и использует архитектуру Qwen3_5ForConditionalGeneration; в репозитории хранятся веса Safetensors. Модель принимает текст и изображения и предназначена для задач K–12: решения учебных задач по разным предметам, привязки вопросов и решений к учебной программе, диагностики пробелов и поддержки обучения. Модель обучена на 69 999 примерах с последовательностями длиной 32 768 токенов; это длина обучения, а не подтверждённая гарантия качества на длинном контексте. Карточка приводит результаты на учебных бенчмарках, но они не подтверждают улучшения результатов обучения в классе. Модель может ошибаться в решениях, сопоставлении с учебной программой и педагогических рекомендациях; материалы следует проверять перед использованием с учениками. Лицензия указана как other, а условия использования компонентов обучающих данных необходимо соблюдать отдельно.

prithivMLmods/Phi-4-Math-IO — дообученная на математических задачах и рассуждениях модель на базе Microsoft Phi-4. Она предназначена для генерации пошаговых решений, логических объяснений, учебных ответов и ответов на технические вопросы. В карточке описаны SFT и итеративная DPO-настройка для улучшения полезности, безвредности и ответственного поведения; заявлены синтетические данные, отфильтрованные общедоступные материалы и академические книги и наборы вопросов и ответов. Модель использует плотную архитектуру с причинно-языковой генерацией, содержит 14,1 млрд параметров и рассчитана на контекст до 16 384 токенов. Основной язык карточки — английский; модель принимает текст и генерирует текст. Заявленная лицензия — MIT. Карточка предупреждает о возможных ошибках и предвзятости, ограниченных знаниях о текущих событиях и необходимости проверки ответов, особенно в чувствительных областях.

AraBERTv02+Word+CE — модель оценки читабельности арабского текста, разработанная CAMeL Lab дообучением AraBERTv02-base с функцией потерь cross-entropy. Модель использует вариант Word из корпуса BAREC-Corpus-v1.0 и предназначена для классификации текста по уровню читабельности; пример в карточке показывает получение уровня из результата text-classification. Модель построена на архитектуре BERT, содержит 162,4 млн параметров и принимает последовательности длиной до 512 токенов. Она рассчитана на арабский язык и доступна для использования через библиотеку Transformers. В карточке указана лицензия MIT.

pymlex/roberta-spanish-cefr — испаноязычный классификатор текста, дообученный автором на базе bertin-project/bertin-roberta-base-spanish для определения уровня владения испанским по шкале CEFR. Модель использует архитектуру RoBERTa с классификационной головой и содержит 151,8 млн параметров; максимальная длина контекста — 514 токенов. Модель предназначена для оценки уровня испанских текстов учащихся и автоматической классификации по шести уровням CEFR. В README приведены результаты на тестовой выборке датасета UniversalCEFR/caes_es: F1 0,9894 и accuracy 0,9882. Эти показатели относятся к указанному тестовому набору и сами по себе не гарантируют такую же точность на других текстах. Модель принимает текст и выдаёт метку класса. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — GPL-3.0.

WritingBench-Critic-Model-Qwen-7B — языковая модель на 7,1 млрд параметров, дообученная на базе Qwen/Qwen2.5-7B-Instruct. Разработчики дообучили её на наборе из 50 тысяч примеров для оценки качества текстов. Модель предназначена для оценивания ответа по отдельным критериям: по каждому критерию она выставляет балл по десятибалльной шкале и приводит обоснование. Это подходит для проверки письменных ответов и сравнения их качества. Модель использует архитектуру Qwen2 с плотной причинно-следственной языковой сетью, поддерживает контекст до 32 768 токенов и работает с текстом. В карточке указана лицензия Apache-2.0. Языки, на которых модель была обучена или для которых она специально предназначена, не обозначены; результаты оценки могут зависеть от языка и критериев, заданных пользователем.

Gurveer05/bge-base-eedi-2024 — англоязычная модель Sentence Transformers, дообученная разработчиком на базе BAAI/bge-base-en-v1.5 на наборе из 2 940 примеров. Она кодирует предложения и абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству; архитектура включает BERT, пулинг по CLS-токену и нормализацию. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. В обучающих примерах используются вопросы и ответы по математике и варианты типичных ошибочных рассуждений учащихся. Это делает модель подходящей для поиска похожих учебных задач и сопоставления ответа с типом ошибки. Максимальная длина последовательности — 512 токенов. В метаданных указаны 136,7 млн параметров и лицензия не приведена.