III.1Стратегия, продукт и бизнес-модели

XYZ-Aquila-mini — модель с открытыми весами для глубокого агентного поиска, разработанная XYZ AI Lab. Она дообучена на базе Qwen3.6-35B-A3B с помощью процесса AI4AI, в котором люди задают целевые возможности, ограничения и критерии приёмки, а агенты ИИ помогают находить ошибки и предлагать изменения. Модель предназначена для многошагового поиска и исследования: планирования, поиска в интернете на английском и китайском языках, сбора и проверки сведений из нескольких источников, а также восстановления после неудачных действий с инструментами. Это thinking-модель с совместимыми с Qwen форматами рассуждений и вызова инструментов. В README заявлены результаты на внешних бенчмарках агентного поиска; конкретные инструменты поиска, извлечения страниц и исполнения Python предоставляет обвязка AxisAgentic, а не сам чекпойнт. Модель использует архитектуру семейства Qwen3.5 MoE и распространяется в формате Safetensors. В метаданных указана лицензия Apache-2.0. README описывает оценивание с контекстом до 256K токенов в поисковой обвязке; это не подтверждает собственный предел контекста модели. Доступные сведения не устанавливают её точный размер. Применение для поиска зависит от совместимой обвязки и подключённых инструментов.

Apodex-1.0-4B-SFT — модель для агентного глубокого исследования с акцентом на проверку фактов, разработанная командой Apodex и дообученная на базе Qwen/Qwen3.5-4B. Это плотная модель семейства Qwen3.5, работающая через Transformers и распространяемая в формате safetensors. Она предназначена для диалогов и сценариев ReAct с вызовом инструментов: поиска источников, сбора свидетельств и подготовки ответов с проверяемыми обоснованиями. Карточка описывает также режим Apodex-1.0-H с несколькими специализированными агентами и общим верификатором; это режим развертывания, а не отдельная характеристика данного чекпойнта. Модель дообучена по рецепту, включающему SFT, агентный DPO и обучение с подкреплением на длинных агентных траекториях. В README заявлено сохранение общих способностей базовой модели, включая знания, математику, программирование и следование инструкциям. Метаданные указывают английский и китайский языки, а базовая модель описана как мультимодальная Qwen на 4 млрд параметров; при этом карточка конкретного чекпойнта не уточняет поддержку изображений и длину контекста. Модель подходит для исследовательских агентов и ассистентов, которым нужно искать информацию, пользоваться инструментами и формировать ответы с цепочками свидетельств. Карточка приводит результаты бенчмарков глубокого исследования, но наиболее высокие показатели относятся к Apodex-1.0-H и не должны автоматически приписываться варианту 4B-SFT. Лицензия — Apache-2.0.

MiniMax-M1 — крупная модель рассуждений с открытыми весами, разработанная MiniMax. Она предназначена для генерации ответов и решения задач, требующих многошагового рассуждения и обработки длинного контекста. Модель использует гибридную архитектуру Mixture-of-Experts (MoE) и механизм lightning attention. В доступных сведениях не приведены размер модели, длина контекста, поддерживаемые языки и лицензия, поэтому эти характеристики нельзя уточнить.

Карточка модели Mihaiii/Pallas-0.3 на Hugging Face совпадает с карточкой Mihaiii/Pallas-0.4, поэтому описание составлено по ней. Mihaiii/Pallas-0.4 — инструкционная дообученная языковая модель на архитектуре Llama, созданная на базе migtissera/Tess-34B-v1.4. Она содержит 33,9 млрд параметров и поддерживает контекст до 200 000 токенов. Модель предназначена для рассуждений и понимания текста, хорошо работает с длинными системными промптами. Её можно использовать для ответов на вопросы и анализа длинных текстовых материалов; для художественного повествования она не предназначена. Обучение выполнено на частном датасете. Лицензия указана как other.

TSFT-RAG Gemma-3-12B-IT — модель на базе Gemma-3-12B-IT, которую Sascha Frank разработал в рамках исследовательского проекта TSFT-RAG. Это полно-параметрическое дообучение с архитектурой Gemma3ForConditionalGeneration и 12 млрд параметров; модель предназначена для генерации ответов в системах поиска с дополненной генерацией (RAG), а не для универсального диалога. Она принимает текстовые запросы и контекст документов и формирует текстовые ответы, включая структурированный JSON. Модель обучалась отвечать по найденным источникам, выявлять вопросы без достаточных подтверждений, извлекать темы, ключевые сообщения и аргументы, а также генерировать цитаты. В оценке проекта улучшились общая агрегированная оценка и распознавание неподтверждённых вопросов относительно базовой модели, однако результат на grounded QA немного снизился. Основные ограничения: общее открытое общение не было целью оптимизации, оценка проводилась преимущественно на немецкоязычных наборах данных, мультимодальные возможности не оценивались. Для юридических, медицинских и других критически важных решений нужны проверка человеком и атрибуция источников. Лицензия — Gemma.

GPT-6 Sol Pro — вариант GPT-6 Sol от OpenAI, работающий с режимом рассуждений pro для получения более качественных ответов на сложных задачах. Модель принимает текстовые запросы и выдаёт текстовые ответы; карточка не уточняет архитектуру, размер, контекст и поддерживаемые языки. В метаданных задача модели указана как image-text-to-text, однако README описывает только текстовый режим и не сообщает о работе с изображениями. Лицензия в предоставленных данных не указана.

Многоязычная модель для анализа тональности по аспектам (ABSA), разработанная автором репозитория yangheng на основе microsoft/deberta-v3-base и обученная с использованием PyABSA. Она классифицирует тональность текста применительно к заданному аспекту; в связке с PyABSA также может использоваться для извлечения аспектов и классификации их тональности за один проход. Модель построена на архитектуре DeBERTa-v3-base с backbone FAST-LCF-BERT и механизмом Local Context Focus, который помогает учитывать слова и фразы, относящиеся к конкретному аспекту. Это текстовый классификатор с 211,6 млн параметров и контекстом до 512 токенов. В карточке заявлена поддержка английского, арабского, китайского, нидерландского, французского, русского, испанского и турецкого языков. Модель подходит для анализа отзывов, обращений в поддержку, публикаций в социальных сетях и рыночных мнений с разбивкой по аспектам. Компактный encoder позволяет выполнять вывод без LLM и с меньшими вычислительными затратами; заявления карточки о превосходстве качества не подкреплены приведёнными здесь численными результатами. Распространяется по лицензии MIT.

ChartVerse-2B — компактная мультимодальная модель для понимания графиков и диаграмм, разработанная в рамках проекта opendatalab/ChartVerse. Она дообучена на базе Qwen/Qwen3-VL-2B-Instruct и принимает изображения графиков вместе с текстовыми запросами, выдавая текстовые ответы и объяснения. Модель предназначена для вопросов по данным на графиках и многошагового анализа, включая рассуждения по цепочке мыслей. Модель содержит 2 млрд параметров и обучена на наборах ChartVerse-SFT-600K и ChartVerse-RL-40K. По данным карточки, она набрала в среднем 54,3% на шести сложных бенчмарках по графикам и превзошла приведённые в README специализированные модели на 7 млрд параметров. Репозиторий использует архитектуру Qwen3-VL, библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0.

Модель yangheng/deberta-v3-base-end2end-absa разработана на основе microsoft/deberta-v3-base и дообучена для сквозного анализа тональности по аспектам. Она совместно выделяет в тексте аспекты и определяет тональность каждого аспекта одной головой классификации токенов, используя метки в формате IOB с категориями Positive, Negative и Neutral. Результаты включают символьные границы найденных фрагментов исходного текста. Модель построена на архитектуре DeBERTa-v3-base, содержит 211,6 млн параметров и принимает текст с контекстом до 512 токенов. Карточка указывает поддержку английского и китайского языков. Модель подходит для анализа отзывов и других текстов, где нужно связать оценку с конкретным аспектом продукта или услуги. Распространяется по лицензии MIT. Длинные входы обрезаются до предельной длины последовательности. Схема тональности ограничена положительной, отрицательной и нейтральной категориями; для дополнительных категорий модель нужно переобучить.

yangheng/deberta-v3-large-absa-v1.1 — мультиязычная модель анализа тональности по аспектам (ABSA), разработанная для PyABSA на базе microsoft/deberta-v3-large. Это плотный энкодер DeBERTa-v2 с классификационной головой и механизмом FAST-LCF-BERT, который выделяет контекст, относящийся к заданному аспекту. Модель содержит 533,8 млн параметров и рассчитана на контекст до 512 токенов. Модель определяет тональность конкретных аспектов в тексте, например отдельно оценивает еду и обслуживание в отзыве. Она подходит для анализа отзывов, обращений в поддержку, публикаций в соцсетях и обратной связи о продуктах. Поддерживаются английский, арабский, китайский, нидерландский, французский, русский, испанский и турецкий языки. Модель распространяется по лицензии MIT. Это специализированный классификатор, а не универсальная языковая модель: для анализа нужно передать целевой аспект, а заявленные возможности генерации текста и диалога к ней не относятся. Указанные в README заявления о точности и скорости не сопровождаются здесь численными результатами бенчмарков; фактическая производительность зависит от оборудования и сценария применения.

Fin-o1-14B — плотная языковая модель на 14 млрд параметров, созданная TheFinAI дообучением Qwen3-14B. Она предназначена для диалогов и решения финансовых задач, особенно для математических рассуждений. Модель обучали методом SFT и GRPO на TheFinAI/FinCoT — наборе, основанном на FinQA, TATQA, DocMath-Eval, Econ-Logic, BizBench-QA и DocFinQA. Модель принимает текст и генерирует текст; карточка указывает контекст до 40 960 токенов и английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README расходится в названии базовой версии и токенизатора, но метаданные и раздел Model Details указывают базовую модель Qwen3-14B.

PRIMERA — модель Allen Institute for AI для суммаризации нескольких документов, основанная на пирамидальном маскированном предобучении предложений. Это версия для Hugging Face на архитектуре LED (Longformer Encoder-Decoder) с примерно 252,8 млн параметров и контекстом до 4096 токенов. Модель принимает текст и генерирует текстовое резюме; в карточке указана поддержка английского языка. Модель предназначена для объединения информации из нескольких источников в одно краткое изложение. В проверке на наборе MultiNews авторы сообщают для версии PRIMERA-hf значения ROUGE-1 41,7, ROUGE-2 13,6 и ROUGE-L 20,5; результаты немного отличаются от оригинала из-за различий реализаций Longformer и LED. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Reviews-Sentiment-Analysis — модель Kaludi для классификации тональности отзывов о товарах и услугах на положительные и отрицательные. Она предназначена для оценки удовлетворённости клиентов и анализа обратной связи о продукте или сервисе. Модель построена на архитектуре DeBERTa-v2, содержит 211,6 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В README приведены метрики проверки: accuracy 0,952 и F1 0,951. Карточка связывает модель с англоязычным датасетом отзывов; лицензия в доступных данных не указана.

Модель MarieAngeA13/Sentiment-Analysis-BERT разработана авторами GRP209 для определения тональности пользовательских комментариев о товарах и услугах. Это классификатор последовательностей на архитектуре BERT с 136,7 млн параметров; он относит текст к положительной, отрицательной или нейтральной тональности. Модель предназначена для анализа отзывов и комментариев, чтобы помочь компаниям понять реакцию потребителей и выявить проблемы продукта или сервиса. В карточке также описана возможность предлагать более позитивную редакцию нейтрального или негативного текста, но не уточняется, реализована ли она непосредственно этой моделью-классификатором. Модель принимает текст, поддерживает английский язык и имеет контекстное окно до 512 токенов. Опубликованные веса представлены в формате PyTorch. Лицензия — BSD 3-Clause.

dnzblgn/Sentiment-Analysis-Customer-Reviews — англоязычная модель классификации тональности отзывов покупателей, созданная на основе microsoft/deberta-v3-base и дообученная для бинарного определения положительной или отрицательной оценки текста. Она предназначена для анализа отзывов о товарах, например для автоматической сортировки откликов и мониторинга удовлетворённости клиентов. Модель построена на архитектуре DeBERTa v3 Base и содержит 306 млн параметров. Она принимает текст и выдаёт метку класса с оценкой уверенности; максимальная длина контекста — 512 токенов. В README приведены результаты на подмножестве датасета Amazon Reviews: accuracy 0,98, precision 0,98, recall 0,99 и F1 0,98. Эти показатели относятся к описанной оценке и не гарантируют такое же качество на других источниках отзывов. Лицензия — Apache-2.0.

Многоязычная модель классификации тональности clapAI/roberta-base-multilingual-sentiment, разработанная на базе FacebookAI/xlm-roberta-base и дообученная на датасете clapAI/MultiLingualSentiment. Она определяет тональность текста, например отзывов о товарах и местах, и подходит для анализа пользовательских мнений на разных языках. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров. Она поддерживает более 16 языков, включая английский, русский, китайский, вьетнамский, французский, испанский, португальский, немецкий, итальянский, японский, корейский и арабский; длина контекста — 514 токенов. В README приведена оценка F1 81,8 на тестовой части указанного датасета. Модель принимает текст и выдаёт метки классов тональности. Для работы используется библиотека Transformers, веса доступны в формате safetensors. Лицензия — Apache-2.0. Оценка в README относится к конкретному тестовому датасету и не гарантирует такие же результаты на других типах текстов или языках.

Fibro v0.1.0 — языковая модель на архитектуре Llama 3 с 7,5 млрд параметров, разработанная taddeusb90 для финансовых задач. Модель дообучена на Finbro Dataset, включающем более 300 тысяч записей: пары вопросов и ответов, финансовые отчёты и примеры различных финансовых задач. Заявленное окно контекста составляет 1 048 576 токенов. Модель предназначена для извлечения информации из неструктурированных финансовых документов и объяснения финансовых материалов пользователям с разным уровнем подготовки. Её можно применять для ответов на финансовые вопросы и разбора документов. В README указано, что обучение ещё продолжается и точность следует проверять; для использования в сервисе автор рекомендует добавить собственный слой выравнивания и защитные ограничения. Модель принимает и генерирует текст, поддерживает английский язык и распространяется по лицензии Meta Llama 3 Community License Agreement. Лицензия содержит собственные условия использования Meta Llama 3.

clapAI разработала modernBERT-base-multilingual-sentiment — мультиязычную модель классификации тональности на базе ModernBERT-base, дообученную на наборе данных clapAI/MultiLingualSentiment. Она предназначена для определения тональности текстов, в том числе отзывов о товарах и местах, на 16 языках и более: среди них английский, китайский, вьетнамский, корейский, японский, арабский, немецкий, испанский, французский, хинди, индонезийский, итальянский, малайский, португальский, русский и турецкий. Модель использует архитектуру ModernBertForSequenceClassification, содержит 149 млн параметров и принимает текст с контекстом до 8192 токенов. В оценке на тестовой части указанного набора данных достигла F1-score 80,16. Для работы требуется Transformers версии 4.48.0.dev0 или новее с поддержкой ModernBERT; FlashAttention может ускорить инференс. Модель распространяется по лицензии Apache-2.0.

clapAI/modernBERT-large-multilingual-sentiment — мультиязычная модель классификации тональности, разработанная на базе ModernBERT-large и дообученная командой clapAI на наборе clapAI/MultiLingualSentiment. Она предназначена для определения тональности текста, в том числе отзывов о товарах и местах, на языках из набора обучения. Модель использует плотный двунаправленный энкодер ModernBERT с архитектурой ModernBertForSequenceClassification и содержит около 395 млн параметров. Максимальная длина контекста — 8192 токена. В README для неё указан F1-score 81,4 на тестовой выборке MultiLingualSentiment; результат зависит от языка и данных конкретного применения. Модель поддерживает 16 языков, включая английский, китайский, вьетнамский, корейский, японский, арабский, немецкий, испанский, французский, хинди, индонезийский, итальянский, малайский, португальский, русский и турецкий. Для работы требуется библиотека Transformers с поддержкой ModernBERT; README рекомендует FlashAttention для ускорения вывода. Распространяется по лицензии Apache-2.0.

Это модель классификации тональности текста, разработанная автором chawki17 путём дообучения DistilBERT-base-uncased. Она относит текст к одному из трёх классов: положительный, нейтральный или отрицательный. Модель предназначена для анализа отзывов о товарах, клиентской обратной связи и публикаций в социальных сетях. Модель принимает текст и выдаёт метку тональности с оценкой уверенности. Она основана на DistilBERT, использует библиотеку Transformers и поддерживает контекст до 512 токенов. По данным README, на валидационной выборке достигнуты accuracy 0,89 и macro F1 0,88; качество зависит от соответствия входных текстов обучающим данным. Модель распространяется по лицензии Apache-2.0.

google/pix2struct-infographics-vqa-large — модель Google семейства Pix2Struct для визуальных вопросов и ответов по инфографике. Это плотная модель архитектуры Pix2StructForConditionalGeneration: визуальный кодировщик преобразует изображение, а текстовый декодер формирует ответ. Pix2Struct предварительно обучалась на парах изображение–текст, в том числе на разборе замаскированных снимков веб-страниц в упрощённый HTML, и рассчитана на адаптацию к задачам понимания визуально представленного языка. Модель принимает изображение и текстовый вопрос и выдаёт текстовый ответ. Её можно применять для извлечения сведений из инфографики, чтения подписей и сопоставления визуальных элементов с вопросом. В карточке указана поддержка английского, французского, румынского и немецкого языков; README также описывает широкие области применения семейства, включая документы, иллюстрации, интерфейсы и обычные изображения. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Возможные ошибки распознавания мелкого текста, сложных диаграмм и визуально неоднозначных данных следует учитывать при использовании ответов; отдельные показатели качества для этой версии в карточке не приведены.

Модель seara/rubert-base-cased-russian-sentiment — RuBERT, дообученная для многоклассовой классификации тональности коротких текстов на русском языке. Она относит текст к одному из трёх классов: нейтральный, положительный или отрицательный. Модель построена на архитектуре BERT и содержит 205,1 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для анализа отзывов, новостей и других коротких русскоязычных текстов. В обучении использовано объединение наборов RuReviews, RuSentiment, Linis Crowd 2015, Linis Crowd 2016 и Kaggle Russian News Dataset. На тестовой выборке автор сообщает macro F1 0,77; F1 для положительного класса составил 0,84, для нейтрального и отрицательного — по 0,73. Модель распространяется по лицензии MIT.

Модель tanaos/tanaos-emotion-detection-v1 разработана Tanaos с использованием библиотеки Artifex и дообучена на базе microsoft/Multilingual-MiniLM-L12-H384. Это компактная модель BERT для классификации текста: она определяет основную эмоцию в сообщении и относит его к одной из 12 категорий, включая радость, гнев, страх и нейтральный тон. По карточке, модель рассчитана на английский язык; базовая архитектура многоязычная. Размер модели — 124,3 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для анализа отзывов, обратной связи клиентов, публикаций в социальных сетях и других текстов, где требуется определить эмоциональный тон. Она может служить лёгкой альтернативой более крупным моделям в мониторинге мнений и анализе настроений. Обучение проводилось на синтетическом наборе из 10 000 высказываний. Лицензия — MIT. Результаты ограничены заранее заданными категориями эмоций, поэтому модель может хуже работать в специализированных областях, где эмоциональные оттенки отличаются от обучающих категорий. Хотя в карточке заявлена многоязычная применимость, указанным языком модели является английский.

Palmyra-Fin-70B-32K — большая языковая модель компании Writer, дообученная на базе Palmyra-X-003 для финансовых сценариев. Она построена на архитектуре Qwen2 и содержит 71,5 млрд параметров. Модель поддерживает генерацию текста и диалоговый режим, а также интерфейс вызова инструментов. Карточка описывает модель как англоязычную и указывает контекстное окно 131 072 токена. Она предназначена для финансовых задач, включая работу с длинными текстовыми материалами. Модель распространяется по лицензии Writer Open Model License.

Pleias-Pico — компактная языковая модель PleIAs на 353,4 млн параметров для генерации ответов в системах поиска с дополненной генерацией (RAG). Это плотная авторегрессионная модель семейства Llama, дообученная продолжением предобучения базовой Pleias-350m на 45 млрд токенов данных Common Corpus с примерами поисковых и RAG-задач. Длина контекста — 2048 токенов. Модель принимает запросы и предоставленные источники в специальной структурированной форме, анализирует релевантность и качество источников и генерирует ответы с цитатами и выдержками, привязанными к исходным материалам. Поддерживаются английский, французский, немецкий, испанский, итальянский, нидерландский, португальский, латинский и польский языки. Разработчик сообщает об улучшении фактической точности и проверяемости ответов в RAG-сценариях; модель также применялась в проектах PleIAs. Модель распространяется с лицензией Apache-2.0. Она не заменяет полноценную RAG-систему: ошибки поиска, сложные документы и запросы могут ухудшить ответы, а цитаты следует проверять. Дополнительное выравнивание безопасности не проводилось; возможны предвзятые или проблематичные ответы, несмотря на заявленный низкий уровень токсичности.

spacesedan выпустил дообученную модель Longformer для классификации тональности текста по пяти категориям — от очень негативной до очень позитивной. Модель предназначена для анализа длинных пользовательских текстов, в частности публикаций Reddit, отзывов и сообщений на форумах. Она использует архитектуру LongformerForSequenceClassification, содержит 151,8 млн параметров и поддерживает контекст длиной до 4098 токенов. Модель обучена на данных GoEmotions, Amazon Reviews и наборах анализа тональности Twitter и Reddit; 27 эмоциональных меток GoEmotions преобразованы в пятибалльную шкалу. В карточке приведены результаты оценки: accuracy 0,671, macro F1 0,642 и weighted F1 0,673. Модель работает с английским текстом и распространяется под лицензией, указанной в метаданных Hugging Face; лицензия в предоставленных данных не приведена.

apriandito/indobert-sentiment-classifier — классификатор тональности индонезийского текста, разработанный apriandito на базе indobenchmark/indobert-large-p2. Это модель семейства BERT для классификации последовательностей с 433,9 млн параметров и контекстом до 512 токенов. Она принимает тему и текст в формате [CLS] context [SEP] text [SEP] и определяет тональность текста относительно заданной темы: отрицательную, нейтральную или положительную. Модель предназначена для анализа отзывов, новостей и высказываний, когда оценка зависит от обсуждаемой темы. В README для тестового набора из 4 704 примеров приведены accuracy 88,1% и macro F1 0,856; результаты относятся к описанному набору и сравнению с указанными базовыми моделями. Обучение проводилось на 31 360 парах «контекст–текст» по 188 темам. Модель принимает текст и выдаёт метку класса; заявленная поддержка языка — индонезийский. Распространяется по лицензии MIT.

Lsthf/multilingual-emotion-classification — многоязычная модель Tabularis AI для многометочной классификации эмоций в тексте. Это дообученная на базе FacebookAI/xlm-roberta-base модель XLM-RoBERTa с 305,2 млн параметров и контекстом до 514 токенов. Она независимо оценивает 11 категорий: гнев, презрение, отвращение, страх, раздражение, благодарность, радость, любовь, нейтральность, грусть и удивление; одному тексту можно присвоить несколько меток или не присвоить ни одной. Модель предназначена для анализа эмоций в сообщениях социальных сетей, отзывах о продуктах и обратной связи клиентов, мониторинга бренда и отслеживания эмоциональной окраски диалогов. Карточка сообщает о поддержке 23 языков и приводит метрики на синтетическом многоязычном тестовом наборе; перед применением на реальных данных качество следует проверять отдельно. Эмоциональные метки отражают культурно обусловленные интерпретации и не являются достоверным измерением внутреннего состояния человека. Указана лицензия CC BY-NC 4.0; README предлагает связаться с разработчиком для получения коммерческой лицензии.

BEE-spoke-data/pegasus-x-base-synthsumm_open-16k — англоязычная модель для создания кратких пересказов, разработанная на основе Google PEGASUS-X Base и дообученная на синтетических кратких пересказах длинных документов из разных источников и областей. Это модель типа encoder-decoder с архитектурой Pegasus-X, содержащая 187,1 млн параметров и принимающая контекст до 16 384 токенов. Модель предназначена для обобщения длинных текстов и заявлена как универсальная модель суммаризации для своего размера. В README рекомендуется декодирование с beam search. Модель работает с текстом на входе и выдаёт текстовый пересказ; карточка указывает английский язык. Распространяется под лицензией Apache-2.0. README отмечает, что качество модели оказалось неожиданно хорошим, но не приводит количественных оценок или подробного сравнения; данные обучения состоят из синтетических пересказов, поэтому качество может зависеть от соответствия исходного текста обучающим данным.

Модель j-hartmann/sentiment-roberta-large-english-3-classes — англоязычный классификатор тональности на базе RoBERTa, разработанный J. Hartmann и дообученный на 5 304 вручную размеченных публикациях из социальных сетей. Она относит текст к одному из трёх классов: положительная, нейтральная или отрицательная тональность. Модель подходит для анализа отзывов, сообщений и публикаций на английском языке, в том числе для автоматической разметки тональности в потоках пользовательского контента. Это плотная архитектура RoBERTa с классификационной головой, около 454,1 млн параметров и контекстом до 514 токенов. В README указана точность 86,1% на отложенной выборке. Модель принимает текст и выдаёт метки классов с оценками. Обучающие данные ограничены небольшим набором вручную размеченных публикаций в социальных сетях, поэтому точность на других жанрах и предметных областях может отличаться. Репозиторий распространяет веса в формате PyTorch; лицензия в предоставленных данных не указана.