EduRaccoon è un modello linguistico di grandi dimensioni fine-tunato a partire da LLaMA 3.1 8B (Unsloth), progettato come assistente educativo multilingue.
Il modello è in grado di rispondere nella lingua in cui viene interpellato (es. italiano, inglese, spagnolo, francese…) e di fornire risposte strutturate, chiare e didattiche a domande di carattere educativo.
Per domande non educative, risponde comunque in modo breve e naturale, sfruttando la base del modello.

📌 Caratteristiche principali

🔤 Multilingue: risponde nella lingua della domanda.
🎓 Orientato all’educazione: ottimizzato per domande scolastiche e accademiche.
📚 Competenze coperte: scienze, matematica, storia, letteratura, filosofia, educazione civica, competenze digitali.
⚡ Ottimizzato con Unsloth: addestramento 2x più veloce e ridotto uso di memoria.
🛠️ Basato su Hugging Face TRL (SFT) per supervised fine-tuning.

📂 Dati di addestramento

Base model: unsloth/meta-llama-3.1-8b-unsloth-bnb-4bit
Dataset: collezione di prompt educativi (civic education, human rights, competenze digitali, etc.)
Dimensione dataset: ~100k esempi
Tecnica: Supervised Fine-Tuning (SFT) con TRL

🚀 Utilizzo

Con `transformers` (full precision / GPU A100)

python

from transformers import AutoTokenizer, AutoModelForCausalLM

model_id = "matteoangeloni/EduRaccoon"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    device_map="auto",
    torch_dtype="auto"
)

inputs = tokenizer("Spiega la differenza tra competenze chiave europee e life skills.", return_tensors="pt").to("cuda")

outputs = model.generate(**inputs, max_new_tokens=200)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

matteoangeloni/EduRaccoon

🦝 EduRaccoon – Educational AI Assistant

📌 Caratteristiche principali

📂 Dati di addestramento

🚀 Utilizzo

Con transformers (full precision / GPU A100)

matteoangeloni/
EduRaccoon

Con `transformers` (full precision / GPU A100)