III.1Стратегия, продукт и бизнес-модели

Это модель BERT multilingual basecased, дообученная автором репозитория на корейском корпусе отзывов о фильмах NSMC (Naver Sentiment Movie Corpus). Она предназначена для классификации тональности корейских текстов, прежде всего отзывов о кино, и может использоваться через конвейер sentiment-analysis в Transformers. Модель содержит около 205,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса тональности. В репозитории указаны веса PyTorch. Модель подходит для автоматической разметки отзывов зрителей и анализа мнений о фильмах. Хотя базовая модель многоязычная, дообучение проводилось на корейском корпусе; подтверждённая основная языковая специализация этой версии — корейский. Лицензия в предоставленных сведениях не указана.

ankitanand9/bert-finetuned-imdb — модель классификации текста на основе BERT, дообученная автором репозитория от google-bert/bert-base-uncased. Она предназначена для классификации отзывов о фильмах по тональности и может использоваться для автоматического определения положительной или отрицательной оценки отзыва. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и сохранена в формате safetensors; для работы используется библиотека Transformers. В README приведены результаты оценки: accuracy 0,915 и F1 0,9157, однако набор данных обозначен как неизвестный, а подробности обучения и ограничений не раскрыты. Модель распространяется по лицензии Apache-2.0.

Это модель Sentence Transformers, дообученная разработчиком seroe на базе BAAI/bge-m3 на наборе vodex-turkish-triplets-large. Она преобразует предложения и абзацы на турецком языке в плотные векторы размерностью 1024 для семантического сходства и поиска. Архитектура основана на XLM-RoBERTa с пулингом по токену CLS и нормализацией; максимальная длина последовательности — 8192 токена, сходство измеряется косинусом. Обучение ориентировано на телекоммуникационные тексты: мобильные услуги, счета, кампании и условия подписки. Модель выпущена под лицензией Apache-2.0. Модель также подходит для поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. В README приведены высокие показатели cosine accuracy на указанных тестах и размерностях, однако они не гарантируют аналогичного качества на других данных. Из-за специализации на турецком телеком-домене качество за его пределами может быть ниже; результаты следует проверять на целевых данных.

Модель tahp0604/finbert-sentfin — англоязычный классификатор тональности финансовых новостных заголовков Индии, созданный дообучением ProsusAI/finbert на наборе SEntFiN 1.0. Это плотная BERT-модель для классификации последовательностей с 136,7 млн параметров и контекстом до 512 токенов; на практике она оптимизирована для коротких заголовков длиной до 128 токенов. Модель присваивает тексту одну из трёх меток: положительную, отрицательную или нейтральную. Она предназначена для оценки тональности новостей об индийских компаниях и акциях NSE/BSE, а также для использования в контурах анализа финансовых сигналов. По данным карточки, на отложенной выборке индийских финансовых заголовков модель достигла F1 0,873. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Обучающие примеры — заголовки Economic Times и Moneycontrol за 2002–2017 годы, связанные с компаниями NSE500. Модель может хуже работать с новыми финансовыми инструментами и регуляторной терминологией, полными статьями, товарами, валютами и глобальными рынками; её оценки не следует считать самостоятельной основой для инвестиционных решений.

yiyanghkust/finbert-tone-chinese — дообученная на частном наборе предложений из аналитических отчетов модель для анализа тональности финансовых текстов на китайском языке. Она основана на bert-base-chinese и использует архитектуру BERT для классификации последовательностей; размер составляет 129,5 млн параметров, контекст — до 512 токенов. Модель относит текст к одному из трех классов: нейтральный, положительный или отрицательный. Модель подходит для определения тональности предложений в аналитических отчетах и других финансовых текстах на китайском языке. В README указаны точность 0,88 и macro F1 0,87 на тестовой выборке. Модель распространяется по лицензии Apache-2.0. Ее качество на других типах текстов и вне китайского языка не подтверждено; обучающий набор частный.

Qwen3.5-2B Financial Sentiment Extractor — дообученная компанией Tuned Tensor модель Qwen/Qwen3.5-2B для извлечения тональности из финансовых твитов и публикаций в соцсетях. На вход подаётся одна короткая публикация, на выходе модель формирует компактный JSON с меткой bearish, bullish или neutral, числовым классом и кратким обоснованием. Модель основана на плотной архитектуре Qwen3.5 с 2 млрд параметров и обучена на 4 080 примерах датасета zeroshot/twitter-financial-news-sentiment в течение одной эпохи с точностью bf16. README сообщает о повышении оценок на тестовой и валидационной выборках относительно базовой модели и о корректном JSON-формате во всех проверенных примерах. Репозиторий использует safetensors и библиотеку Transformers. Модель предназначена для классификации рыночного настроения в коротких финансовых публикациях и выдачи структурированного результата для последующей обработки. Неоднозначные публикации со смешанными сигналами могут классифицироваться сложнее. Модель не является инвестиционным советником, торговой системой или источником фактических рыночных данных. Лицензия — Apache-2.0.

seroe выпустил sentence-transformers-модель эмбеддингов на основе Qwen/Qwen3-Embedding-0.6B, дообученную на 70 941 турецком триплете из телекоммуникационной области. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; сходство между ними можно оценивать по косинусной близости. Максимальная длина последовательности — 32 768 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Matryoshka-обучение позволяет использовать усечённые векторы размерностью 768, 512 или 256. В README приведены результаты оценки на турецких триплетах и all-nli-test, но они не гарантируют аналогичного качества на других данных. Модель особенно ориентирована на телекоммуникационные запросы о мобильных услугах, счетах, кампаниях и подписках; вне этой области качество может снижаться. Поддерживается турецкий язык. Лицензия — Apache-2.0.

bramb0/roberta-steam-review-emotions — англоязычная модель классификации текста, разработанная на основе RoBERTa и дообученная для распознавания 28 эмоциональных состояний в отзывах об играх. Модель возвращает оценки для меток, охватывающих, например, радость, раздражение, разочарование, любопытство и нейтральную реакцию. Она предназначена для анализа отзывов Steam, а также игровых обсуждений в Reddit и Discord, в том числе для определения эмоциональной реакции игроков. Модель имеет архитектуру RoBERTa для классификации последовательностей, содержит 151,8 млн параметров и поддерживает контекст до 514 токенов. Обучение проводилось на синтетических эмоциональных метках, созданных с помощью LLM для датасета игровых отзывов. Лицензия — MIT.

tf-allociné — модель анализа тональности французских отзывов, разработанная Тэофилем Бларом. Она основана на CamemBERT и дообучена на большом наборе пользовательских отзывов с сайта Allociné.fr. Модель классифицирует текстовые отзывы, например, чтобы определить их эмоциональную окраску. Модель содержит 137,8 млн параметров, построена на архитектуре CamemBERT и доступна в формате TensorFlow. Максимальная длина контекста — 514 токенов. В README указаны точность 97,44% и F1-мера 97,34% на тестовой выборке; эти результаты относятся к оценке на данных проекта и не гарантируют аналогичного качества на других текстах. Карточка не указывает лицензию, поэтому условия использования по ней определить нельзя. Модель предназначена для классификации французских текстов и может хуже работать на других языках, длинных текстах или отзывах, не похожих на данные Allociné.fr.

FinBERT-FOMC — модель классификации тональности финансовых текстов, разработанная Ziwei Chen на основе ProsusAI/finbert и дообученная на материалах протоколов заседаний FOMC за период с января 2006 года по февраль 2023 года. Для сложных предложений в обучающих данных метки тональности были уточнены методом Sentiment Focus. Модель предназначена для определения положительной, отрицательной или нейтральной тональности финансовых высказываний, в том числе сложных формулировок из протоколов Федерального комитета по операциям на открытом рынке США. Архитектура — BERT для классификации последовательностей, размер — 137 млн параметров; контекст ограничен 512 токенами. Модель работает с текстом и распространяется в формате PyTorch. Авторы сообщают о более высокой точности на сложных финансовых предложениях по сравнению с исходной FinBERT. Обучение ориентировано на протоколы FOMC, поэтому результаты на других финансовых текстах могут отличаться. Лицензия в предоставленных данных не указана.

Модель abhshkp/footfall-analysis-vit-stage1 — дообученный Vision Transformer для бинарной классификации изображений людей по категориям female и male. Разработчик в карточке не назван. Модель основана на google/vit-base-patch16-224: представление токена [CLS] передаётся линейному классификатору, который выдаёт два логита. Веса предназначены для обработки обрезанных изображений людей, например, после детектора и трекера объектов, в системах анализа потока посетителей и розничной аналитики. Модель подходит для получения агрегированной статистики о распределении предсказанных категорий в магазинах, общественных пространствах и местах проведения мероприятий. Она принимает изображения и выдаёт метку класса. Лицензия — Apache 2.0. Классификация ограничена двумя категориями и не отражает всего разнообразия гендерных идентичностей. Качество может снижаться при низком разрешении, размытии, сильных ракурсах и перекрытиях; возможны различия в точности для людей разного возраста и этнической принадлежности, а также при разном освещении.

juliensimon/distilbert-amazon-shoe-reviews — модель классификации текстов на основе DistilBERT, дообученная автором на базе distilbert-base-uncased. Она предназначена для классификации отзывов об обуви Amazon; README приводит результаты оценки: accuracy 0,579 и значения F1 по пяти классам от 0,470 до 0,737. Модель принимает текст, работает с контекстом до 512 токенов и выдаёт метку класса. Модель опубликована в форматах PyTorch и Safetensors под лицензией Apache-2.0. README не раскрывает названия классов и описывает данные обучения как None, поэтому интерпретировать конкретные категории и переносить результаты на другие типы отзывов без дополнительной проверки затруднительно.

ihsan31415/fewshot-finetuned-ihsg-sbert — Sentence Transformer на базе firqaaa/indo-sentence-bert-large, дообученный для сопоставления индонезийских предложений, в том числе текстов об индексе IHSG. Модель кодирует предложения и абзацы в плотные векторы размерности 2048; сходство можно оценивать косинусной мерой. Архитектура включает BertModel и слои пулинга, максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска, оценки сходства, поиска перефразирований, кластеризации и классификации текста на основе эмбеддингов. Дообучение описано на датасете из 220 примеров с TripletLoss, что ограничивает основания для оценки качества на широком наборе задач. Репозиторий содержит веса Safetensors; лицензия в предоставленных данных не указана.

baptle выпустила дообученную модель FinBERT для классификации финансовых новостей по реакции рынков на события. Модель обучена на заголовках новостей о мировых фондовых рынках и использует рыночные последствия как основу для анализа тональности; в карточке это противопоставляется разметке по субъективным оценкам экспертов. Модель построена на архитектуре BERT и содержит 136,7 млн параметров. Она принимает текст и выполняет классификацию последовательностей; контекст ограничен 512 токенами. Разработчик сообщает о сравнительных улучшениях точности и полноты относительно нескольких моделей, однако приведённые метрики на валидации составляют 0,497 для macro F1 и 0,563 для micro F1. Модель предназначена для анализа финансовых новостей, но качество на других типах текста или рынках карточкой не подтверждено. Лицензия в предоставленных данных не указана.

KR-FinBert — корейская BERT-модель, разработанная для финансовой тематики. Авторы дополнительно предварительно обучили её на финансовых текстах, а затем настроили для анализа тональности. В обучающие данные вошли новости компаний и аналитические отчёты, а также корейская Википедия, общие новости, юридические тексты и комментарии. Модель имеет архитектуру BertForMaskedLM, содержит около 128,6 млн параметров и принимает текстовые последовательности длиной до 512 токенов. В опубликованном репозитории указаны веса PyTorch. Основной сценарий по карточке — предсказание замаскированных токенов; анализ тональности упомянут как задача настройки модели, но отдельный pipeline для него в метаданных отсутствует. Модель рассчитана на корейский язык и финансовые тексты. Карточка не сообщает условия лицензии и не описывает ограничения качества или области применения.

StockLLM — открытая дообученная языковая модель примерно на 1,2 млрд параметров, разработанная как основа RAG-системы для прогнозирования финансовых временных рядов. В метаданных указана архитектура LlamaForCausalLM и поддержка диалогового режима; модель распространяется в формате safetensors и рассчитана на контекст до 131 072 токенов. Модель предназначена для финансовых сценариев, где языковая модель работает в составе системы с поиском и извлечением данных и помогает анализировать временные ряды и строить прогнозы. Карточка не приводит сведения о конкретных обучающих данных или измеренных результатах. Метаданные указывают английский язык; вход и выход — текст. Лицензия — MIT. Авторы позиционируют проект для академических и образовательных целей и предупреждают, что его результаты не являются финансовой, юридической или инвестиционной рекомендацией; точность прогнозов не гарантируется.

onewind2024/business-news-generator — дообученная модель генерации текста на базе HuggingFaceTB/SmolLM-135M, разработанная автором репозитория onewind2024. Модель содержит 134,5 млн параметров, использует плотную архитектуру семейства Llama и предназначена для генерации текста; название указывает на сценарий создания деловых новостей, однако карточка не подтверждает специализацию примерами или описанием обучения. Модель принимает текст и выдаёт текст, работает с контекстом до 2048 токенов и распространяется в формате Safetensors через Transformers. В карточке приведён результат оценки Loss 3,2300, но набор данных и методика оценки не раскрыты, поэтому это значение не позволяет судить о качестве для конкретных задач. Лицензия — Apache-2.0.

Модель textattack/distilbert-base-uncased-imdb — классификатор текстовых последовательностей на архитектуре DistilBERT, дообученный TextAttack на датасете IMDb. Она предназначена для определения тональности отзывов о фильмах и различения положительных и отрицательных отзывов. Модель работает с текстом; максимальная длина последовательности в метаданных составляет 512 токенов, а при обучении использовалась длина до 128 токенов. На проверочной выборке модель достигла точности 0,88; лучший результат был получен после двух эпох обучения. Это специализированная модель для классификации отзывов, поэтому её результаты на других темах или типах текстов могут быть хуже. Модель сохранена в формате PyTorch; сведения о лицензии в доступных данных отсутствуют.

lvwerra/distilbert-imdb — модель классификации текста на базе DistilBERT, дообученная автором репозитория на наборе данных IMDb. Она предназначена для определения тональности отзывов о фильмах: на оценочном наборе автор сообщает точность 0,928 и значение функции потерь 0,1903. Модель принимает текст и выдаёт метку класса; контекст ограничен 512 токенами. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. README не приводит дополнительных сведений о тренировочных данных и ограничениях применения.

vamossyd разработал emtract-distilbert-base-uncased-emotion — модель классификации текстов на основе DistilBERT, дообученную для определения эмоций в финансовых публикациях. Она относит текст к одной из семи категорий: нейтральность, радость, грусть, гнев, отвращение, удивление или страх. Модель обучалась на объединённом наборе примерно из 250 тысяч текстов с эмоциональными метками, а затем адаптировалась на 10 тысяч вручную размеченных сообщений StockTwits. Модель предназначена для анализа эмоциональной окраски сообщений в финансовых соцсетях, в частности для изучения настроений инвесторов и публикаций о рынке. Максимальная длина контекста по метаданным — 512 токенов; в описании обучения указан размер последовательности 64. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT. Результаты классификации могут зависеть от тематики и стиля исходных сообщений: модель специализировалась на финансовых текстах StockTwits, а карточка не приводит численные значения метрик качества.ений

Модель textattack/roberta-base-imdb разработана TextAttack на основе roberta-base и дообучена для классификации текстов на датасете IMDb. Она определяет тональность англоязычных отзывов о фильмах, относя их к положительному или отрицательному классу. Модель содержит около 151,8 млн параметров; архитектура — RoBERTa для классификации последовательностей. В README указаны обучение в течение пяти эпох, максимальная длина входа 128 токенов и точность 0,91436 на оценочной выборке, достигнутая после двух эпох. Метаданные указывают контекст до 514 токенов. Доступны варианты весов PyTorch и Flax. Лицензия в предоставленных данных не указана.

Martsv07 разработал эту русскоязычную модель распознавания именованных сущностей в коротких поисковых запросах для продуктовых и интернет-магазинов. Это дообученная модель BERT на основе DeepPavlov/rubert-base-cased с архитектурой BertForTokenClassification и разметкой BIO. Модель содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель выделяет тип или категорию товара, бренд, объём или количество, а также процентные значения, например жирность. Она рассчитана на короткие неформальные запросы и справляется с вариантами регистра, сокращениями и небольшими опечатками. Обучение проводилось на закрытом наборе обезличенных русских поисковых запросов X5 Group, поэтому переносимость на другие предметные области и форматы запросов может быть ограничена. Опубликованы веса и конфигурация токенизатора; лицензия — Apache-2.0.

Это модель классификации тональности комментариев о турецком фондовом рынке на положительные, нейтральные и отрицательные. Она предназначена для анализа настроений инвесторов и финансовых обсуждений на турецком языке. Модель построена на архитектуре BERT для классификации последовательностей, содержит 137,8 млн параметров и принимает текст длиной до 512 токенов. В README заявлена точность 97% на тестовом наборе, однако описание не приводит протокол оценки и подробности датасета. Модель дообучена на базе google-bert/bert-base-uncased согласно метаданным; README называет другой источник — dbmdz/bert-base-turkish-uncased. Лицензия — MIT.

Модель Pakkapon/wangchanberta-fine-tune-fin-news-sentiment-finnlp-th — дообученная версия nlp-chula/augment-sentiment-finnlp-th для классификации текста. Она основана на архитектуре CamemBERT и содержит 132,5 млн параметров; максимальная длина контекста — 512 токенов. В README приведены результаты оценки: точность 0,7516 и loss 0,8258. Название указывает на анализ тональности финансовых новостей на тайском языке, однако карточка не уточняет обучающий датасет, набор классов и конкретные сценарии применения. Весы опубликованы в формате safetensors. Условия лицензии в доступных данных не описаны.

yimiwang/bert-petco-emailbody-ctr — дообученная модель на архитектуре BERT для классификации текста. В метаданных указана задача text-classification, а размер модели составляет 136,7 млн параметров; базовая модель — bert-base-uncased. Модель принимает текст и выдаёт результат классификации. Контекст — до 512 токенов. В README приведены метрики на оценочном наборе: MSE 0,0143, RMSE 0,1197, MAE 0,0727 и R² 0,7276. Название указывает на применение к телам писем Petco, однако описание назначения и данных обучения отсутствует, поэтому нельзя подтвердить конкретные классы или целевую переменную. Распространяется по лицензии Apache-2.0.

PhiMarketing — языковая модель для маркетинга, разработанная Marketeam на основе Phi-3-mini-128k-instruct. Это плотный авторегрессионный трансформер с 3,7 млрд параметров, дообученный продолжением предобучения на маркетинговом корпусе объёмом более 43 млрд токенов. Модель принимает и генерирует текст на английском языке; в README указана длина контекста около 3 тысяч токенов, а в метаданных — 4096 токенов. Модель предназначена для исследований применения LLM в маркетинге: генерации маркетинговых текстов, ответов на профильные вопросы и изучения маркетинговой информации. Это ранний базовый чекпойнт без инструкционной настройки. Разработчики рекомендуют адаптировать его для конкретных задач с помощью SFT или RLHF либо использовать контекстное обучение. README предупреждает, что версия пока не адаптирована для безопасного, уместного и профессионально обоснованного применения, и не рекомендует использовать её в реальной практике. Репозиторий распространяется по лицензии Microsoft Public License (MS-PL).

Harsha901/tinybert-imdb-sentiment-analysis-model — компактная модель классификации текста на базе TinyBERT, дообученная для определения тональности отзывов о фильмах. Она относит отзыв к одному из двух классов: положительный или отрицательный. Модель использует архитектуру BERT и содержит 15,6 млн параметров. В метаданных указан контекст до 512 токенов; в README для обучения описана максимальная длина 300 токенов. Модель обучена на подмножестве IMDB из 4 000 тренировочных и 1 000 тестовых отзывов; на тестовой выборке из 1 000 примеров точность составила 88,02%. Поддерживаемый язык — английский. Модель подходит для автоматической сортировки и анализа англоязычных отзывов о кино. Её результаты могут быть менее надёжны на других жанрах текста, языках или темах, поскольку обучение описано только на небольшом подмножестве IMDB. Лицензия — MIT.

Модель shae2977/xlm-roberta-hinglish-sentiment-analysis разработана автором shae2977 для определения тональности текстов на хинглише — смеси хинди и английского, часто записанной латиницей. Это дообученная для классификации последовательностей модель XLM-RoBERTa с 305,2 млн параметров, принимающая текст и выдающая одну из трёх меток: положительная, отрицательная или нейтральная тональность. Максимальная длина контекста — 514 токенов. Модель предназначена прежде всего для анализа комментариев YouTube об индийской музыке, развлечениях и поп-культуре. На отложенной выборке таких комментариев автор сообщает weighted F1 0,67; нейтральная тональность распознаётся хуже положительной и отрицательной. Модель обучена на более чем 3 000 вручную размеченных примерах и может хуже работать в других темах, например в политике или спорте. Лицензия — Apache-2.0.

Arakandar 3B Base — базовая причинная языковая модель на 3,1 млрд параметров для локального помощника по исследованию рынков. Разработчики Arakandar предназначили её для объяснения структурированных рыночных данных, новостных свидетельств и сигналов, переданных приложением. Модель построена на основе Qwen2 и дообучена; архитектура использует grouped-query attention с 16 головами запросов и 2 головами ключей/значений, контекстное окно — 32 768 токенов. Репозиторий содержит веса Transformers в формате SafeTensors. Для практического запуска рекомендуется NVIDIA GPU с 10–12 ГБ видеопамяти; на CPU модель работает значительно медленнее. В приложении Arakandar языковая модель объясняет результаты, а решение BUY, HOLD или SELL остаётся за отдельной детерминированной моделью LightGBM. Эта базовая версия не является автономной торговой системой; разговорная специализация поставляется отдельно как LoRA-адаптер. Модель ориентирована на английский язык. Лицензия — Apache-2.0.

SinaLab/ArBanking77 — модель классификации намерений в банковских запросах на арабском языке, разработанная исследовательской группой SinaLab. Это дообученная на корпусе ArBanking77 модель семейства BERT с архитектурой BertForSequenceClassification и 162,4 млн параметров. Она принимает текст и относит запрос к одному из 77 банковских намерений, например о доставке карты, привязке карты, обменном курсе или автоматическом пополнении. Корпус содержит 31 404 вручную адаптированных и локализованных примера на современном литературном арабском, палестинском, саудовском, марокканском и тунисском вариантах. В README сообщается о F1-мере 92% для MSA и 90% для палестинского варианта. Модель подходит для маршрутизации банковских обращений и определения намерения клиента; контекст составляет 512 токенов. Модель распространяется по лицензии MIT. Результаты качества приведены только для MSA и палестинского арабского, поэтому качество на остальных диалектах и вне банковского домена по этим данным оценить нельзя.