本研究评估了多个基准生成模型在教育对话中的表现，发现GPT-4在教师-学生聊天记录子集上表现优越。数据集特征对微调模型的一般化能力造成了挑战，强调了对这些生成模型进行评估的需求。

本研究评估了多个生成模型在教育对话中的表现，发现GPT-4在教师-学生聊天记录子集上表现优越。数据集特征对微调模型的一般化能力造成了挑战，需要评估这些生成模型的能力。