III.1Стратегия, продукт и бизнес-модели

Модель Shahzad Sohail — дообученная DistilBERT для многометочной классификации эмоций в английском тексте по упрощённому набору меток GoEmotions от Google. Она предназначена для анализа комментариев в социальных сетях, определения эмоциональной окраски сообщений, мониторинга мнений о бренде и добавления распознавания эмоций в чат-боты. Модель принимает текст и выдаёт метки эмоций; использует архитектуру DistilBERT и поддерживает контекст до 512 токенов. Лицензия — Apache 2.0. Модель не предназначена для клинической диагностики или обработки неанглоязычного текста; она может ошибаться на сленге, диалектах, сарказме и неоднозначных сообщениях, поэтому результаты в чувствительных сценариях требуют проверки человеком.

taufiqdp/indonesian-sentiment — модель классификации тональности на основе IndoBERT Base Uncased, дообученная автором репозитория на данных indonlu (SmSA) и Indonesian_sentiment. Она относит индонезийские комментарии и отзывы к одному из трёх классов: отрицательный, нейтральный или положительный. Модель построена на архитектуре BERT с головой классификации последовательностей, содержит 137,8 млн параметров и принимает текст длиной до 512 токенов. Она предназначена для анализа тональности индонезийских отзывов и комментариев. Распространяется по лицензии MIT.

Perplexity Sonar — лёгкая модель Perplexity для встраивания функций вопросов и ответов в корпоративные продукты. Она предназначена для быстрых и недорогих ответов на запросы пользователей; поддерживает цитирование источников и настройку источников, на которые опираются ответы. Каталог классифицирует модель как image-text-to-text, однако предоставленные сведения не описывают работу с изображениями, поэтому эта модальность не подтверждена карточкой. Карточка не сообщает размер модели, архитектуру, поддерживаемые языки, длину контекста или лицензию. По доступному описанию Sonar подходит для интеграции в прикладные сервисы, где важны скорость, стоимость и возможность показать источники ответа; качество ответов и ограничения модели в README не раскрыты.

clapAI разработала mmBERT-small-multilingual-sentiment — мультиязычную модель классификации тональности на основе энкодера ModernBERT. Модель дообучена на датасете clapAI/MultiLingualSentiment и предназначена для определения тональности текстов, включая отзывы о товарах и местах. Модель содержит около 140,5 млн параметров, принимает последовательности длиной до 8192 токенов и поддерживает более 16 языков, в том числе английский, русский, китайский, вьетнамский, французский, испанский, немецкий, итальянский, японский, корейский и арабский. На тестовой выборке указанного датасета авторы сообщают результат F1 = 82,2. Для ускорения вывода на совместимых GPU заявлена поддержка FlashAttention-2. Модель подходит для автоматической сортировки и анализа отзывов на нескольких языках. Результат зависит от тематики и языка текста; показатели из карточки получены на конкретном тестовом наборе. Лицензия — MIT.

roberta-large-multilingual-sentiment — многоязычная модель классификации тональности из коллекции Multilingual-Sentiment, разработанная clapAI. Она дообучена на датасете clapAI/MultiLingualSentiment от FacebookAI/xlm-roberta-base и предназначена для определения тональности текстов, в том числе отзывов о товарах и местах. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей, содержит 658,7 млн параметров и принимает текст с контекстом до 514 токенов. Модель поддерживает 16 языков, включая английский, китайский, вьетнамский, корейский, японский, арабский, немецкий, испанский, французский, хинди, индонезийский, итальянский, малайский, португальский, русский и турецкий. В README приведены результаты оценки на тестовой части датасета, но указанная там таблица относится к другим моделям коллекции и не позволяет установить результат этой модели. Для запуска нужна библиотека Transformers; лицензия — Apache-2.0.

Adaptive Sentiment Classifier — модель MemChainAI для классификации английских текстов по тональности на положительные, отрицательные и нейтральные. Она основана на DistilBERT и создана с помощью библиотеки adaptive-classifier; обучение проводилось на примерах из набора SetFit/tweet_sentiment_extraction с применением адаптивного и непрерывного обучения. Модель предназначена для анализа отзывов, сообщений в социальных сетях и пользовательского контента. В карточке особо отмечена обработка технических описаний, вопросов и образовательных текстов как нейтральных. Заявленная точность на тесте составляет 80%; лицензия — MIT. Модель оптимизирована для английского языка и текстов, похожих на твиты, отзывы и вопросы. Качество может снижаться на текстах длиннее 200 символов и при наличии специализированной терминологии; результаты обучения могут отражать смещения исходных данных. Не следует использовать её как единственное основание для важных решений.

Модель ahs95/banglabert-sentiment-analysis разработана на основе csebuetnlp/banglabert и дообучена на наборе SentiGOLD для пятиуровневого анализа тональности текстов на бенгальском языке. Она относит текст к одному из классов: очень негативный, негативный, нейтральный, позитивный или очень позитивный. Модель построена на архитектуре ELECTRA, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для анализа публикаций в социальных сетях, отзывов о товарах и клиентских комментариев. В README указана поддержка формального и неформального бенгальского текста; перед подачей рекомендуется нормализация с помощью Bangla Normalizer. В тестировании на SentiGOLD заявлены macro F1 0,666 и точность 0,667. Качество может снижаться на текстах со смешением бенгальского и английского языков, а также при сарказме и сильно контекстных выражениях. Для критически важных решений требуется проверка человеком. Лицензия модели — Apache-2.0.

preetham315/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная автором на парах вопросов и ответов по финансовым текстам. Она основана на BAAI/bge-base-en-v1.5 с архитектурой BERT и создаёт нормализованные плотные эмбеддинги размерностью 768 для семантического поиска, сравнения предложений и ранжирования текстов. Обучение с MatryoshkaLoss позволяет усекать векторы до 512, 256, 128 или 64 измерений; в README приведены оценки поиска для этих размерностей. Модель подходит для поиска ответов и сведений в финансовых документах, семантического сопоставления запросов с фрагментами текста, кластеризации и классификации текстов с использованием эмбеддингов. Максимальная длина входа — 512 токенов, функция сравнения — косинусное сходство. Модель принимает текст и выдаёт векторы; она не генерирует ответы самостоятельно. Выпускается по лицензии Apache-2.0.

kaixkhazaki/turkish-sentiment — модель классификации тональности турецкого текста, разработанная дообучением BERTurk dbmdz/bert-base-turkish-cased. Она использует архитектуру BertForSequenceClassification, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Модель относит текст к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель предназначена для анализа турецких публикаций в социальных сетях, отзывов о товарах и других текстов. В README приведены результаты оценки: accuracy 0,9688 и macro F1 0,9454; эти показатели относятся к указанному оценочному набору. Модель обучена на наборе winvoker/turkish-sentiment-analysis-dataset, содержащем 440 679 обучающих и 48 965 валидационных примеров. Распространяется по лицензии MIT.

Модель Mateo Rúa для классификации тональности отзывов о покупках в интернет-магазинах на испанском языке. Это дообученная многоязычная DistilBERT-модель для классификации последовательностей; она относит отзыв к одному из трёх классов: отрицательному, нейтральному или положительному. Контекст ограничен 512 токенами, доступны веса в форматах Safetensors и ONNX. Модель предназначена для выявления недовольных покупателей, мониторинга отзывов о товарах и продавцах, построения сводок клиентского опыта и приоритизации обращений для модерации и поддержки. Обучение проведено на 30 тысячах испаноязычных отзывов Amazon с оценками, преобразованными в три класса тональности. На тестовой выборке указаны F1 macro 0,697 и accuracy 0,730. Сильнее всего модель различает положительные и отрицательные отзывы; нейтральный класс распознаётся хуже из-за неоднозначности отзывов и дисбаланса классов. Возможны ошибки на сарказме и иронии, а качество может снижаться для других областей, например ресторанов, услуг и соцсетей. Модель рассчитана только на испанский язык; лицензия — Apache-2.0.

gauneg/deberta-v3-base-absa-ate-sentiment — англоязычная модель на базе Microsoft DeBERTa-v3-base, дообученная для извлечения аспектных терминов из текста и определения тональности, выраженной по отношению к каждому аспекту. Она выполняет классификацию токенов; для получения выделенных фрагментов README показывает использование через Transformers pipeline с задачей NER и объединением токенов. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации токенов и поддерживает контекст до 512 токенов. Обучение проводилось на наборах SemEval ABSA 2014–2016 и MAMS. В README приведены результаты оценки на тестовых наборах, включая отзывы об отелях; показатели различаются в зависимости от набора и метрики. Модель подходит для анализа отзывов и другого англоязычного текста, где требуется найти упомянутые аспекты и оценить их тональность. Она выпущена под лицензией MIT. Карточка описывает обучение и оценку на задачах аспектного анализа тональности; обобщение на иные языки и домены не подтверждено.

DistilCamemBERT-Sentiment — модель cmarkea для анализа тональности франкоязычных отзывов. Она дообучена на базе cmarkea/distilcamembert-base и использует архитектуру CamemBERT для классификации текста по пяти оценкам: от одной звезды (крайне негативная оценка) до пяти звёзд (крайне положительная). При обучении использовались отзывы Amazon и рецензии Allociné, сочетание коротких и длинных текстов. Модель предназначена для анализа отзывов о товарах и фильмах, включая присвоение рейтинга и выделение негативных, нейтральных и позитивных оценок. В README заявлено сокращение времени инференса примерно вдвое по сравнению с некоторыми моделями на CamemBERT и приведены результаты оценки на тестовых данных. Модель содержит 81,2 млн параметров, поддерживает контекст до 514 токенов и доступна в форматах PyTorch, TensorFlow, ONNX и safetensors. Модель рассчитана на французский язык. В тестах точность точного совпадения составила 61,01%, а точность попадания верной оценки в две наиболее вероятные — 88,80%; результаты зависят от данных и постановки задачи. Лицензия — MIT.

Mungert/LongWriter-Zero-32B-GGUF — GGUF-версия языковой модели LongWriter-Zero-32B, подготовленная Mungert на основе Qwen2.5-32B-Base; исходная модель разработана командой THU-KEG. Это авторегрессионная текстовая модель для генерации связных сверхдлинных текстов объёмом более 10 000 токенов, а также для общих и писательских задач. Она ориентирована на создание книг, технических отчётов и других структурированных материалов с контролем длины, связности, плавности и полезности ответа. Модель содержит 32 млрд параметров и обучалась с использованием reinforcement learning, включая Group Relative Policy Optimization (GRPO), Length Reward Model, Writing Reward Model и Format Reward Model. В исходную подготовку входили 30 млрд токенов продолжительного предобучения на длинных книгах и технических отчётах. Поддерживаемые языки — английский и китайский. Формат GGUF предназначен для запуска через совместимые инструменты, включая llama.cpp; конкретные варианты квантования и размер контекстного окна в карточке не указаны. Сильной стороной модели является специализация на ультрадлинной генерации и планировании структуры текста; заявлено сопоставимое или превосходящее качество по сравнению с моделями масштаба 100 млрд параметров в соответствующих сценариях. Ограничения включают возможные потери качества из-за квантования, зависимость результатов от выбранного GGUF-варианта и отсутствие в карточке подробных сведений о требованиях к оборудованию и точном контекстном окне. Модель распространяется по лицензии Apache-2.0.

Это англоязычная RoBERTa-base для анализа тональности, разработанная Anna Chierici. Модель дообучена на базе cardiffnlp/twitter-roberta-base-sentiment-latest на данных SemEval и твитах, отправленных аккаунту @AmazonHelp, и предназначена для оценки удовлетворённости клиентов и репутации компаний. Модель принимает текст и относит его к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Её можно применять для анализа отзывов и клиентских сообщений, в том числе публикаций в Twitter. Архитектура — RoBERTa для классификации последовательностей, размер — 151,8 млн параметров, контекст — до 514 токенов. Модель работает с английским языком. Лицензия в предоставленных данных не указана. Качество за пределами описанных данных и сценариев не охарактеризовано; обучающие данные включают твиты, связанные с обращениями в поддержку Amazon.

AREX-Turbo — компактная модель-агент для глубокого исследования, разработанная Beijing Academy of Artificial Intelligence (BAAI). Это плотная модель на 4 млрд параметров, дообученная на Qwen/Qwen3.5-4B; она поддерживает контекст до 262 144 токенов и предназначена для многоэтапного поиска информации с использованием инструментов. Модель собирает и сопоставляет сведения из источников, формирует предварительный ответ, проверяет его по заданным ограничениям и при необходимости уточняет или начинает исследование заново. Она также обновляет контекст исследования, сохраняя проверенные выводы, источники, отвергнутые варианты и нерешённые вопросы. AREX-Turbo рассчитана на сценарии, где важны стоимость обслуживания и скорость итераций; метаданные указывают поддержку диалога и интерфейса вызова инструментов. Модель основана на Qwen3.5-4B и выпущена в формате safetensors для Transformers. В карточке заявлены сценарии поиска, просмотра источников, интеграции свидетельств и построения ответов; оценки приведены для длинных исследовательских задач с инструментами. Лицензия — Apache-2.0. README не описывает отдельные ограничения качества или безопасности.

GPT-5.6 Luna Pro — вариант GPT-5.6 Luna от OpenAI, работающий с режимом рассуждений `pro` для получения более качественных ответов на сложные задачи. По карточке модели это тот же базовый модельный экземпляр, что и GPT-5.6 Luna, с другим режимом обслуживания.

Mungert/pokee_research_7b-GGUF — GGUF-версия модели PokeeResearch-7B, разработанной Pokee AI и дообученной на базе Qwen2.5-7B-Instruct. Модель предназначена для автоматизации глубоких исследовательских задач: декомпозиции сложных запросов, работы с внешними источниками, многошагового рассуждения, проверки и синтеза информации. Она может использоваться как самостоятельный исследовательский ассистент или как компонент многоагентных систем, а также адаптироваться для научного поиска, извлечения документов и многоисточникового суммирования. Модель содержит около 7 миллиардов параметров, относится к инструментально расширяемым языковым моделям и поддерживает текстовые сценарии. В карточке указаны английский, китайский и другие языки, однако отдельно отмечено ограниченное качество для неанглоязычных задач. Контекст ограничен 32 768 токенами. Обучение проводилось на датасете MiroRL-GenQA с использованием RLOO и сигналов RLAIF, включая оценку смысловой эквивалентности и соблюдение формата поведения агента. Данная публикация представляет собой GGUF-сборку, созданную с помощью llama.cpp; применённый подход к квантованию повышает точность отдельных важных слоёв, но увеличивает размер файла, при этом конкретный уровень квантования не указан. Сильные стороны модели — ориентация на исследовательские рабочие процессы, самопроверку, верификацию и синтез данных из нескольких независимых направлений. Результаты зависят от качества внешних источников и поиска; возможны смещения от AI-обратной связи и галлюцинации при противоречивых или недостаточных данных. Модель не предназначена для непроверенных утверждений и единоличного принятия решений в медицинских, юридических или финансовых задачах. Лицензия — Apache 2.0.

German-RAG-MISTRAL-7B-v3.0-SFT-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Это SFT-дообучение модели German-RAG-MISTRAL-7B-v3.0-CPT-HESSIAN-AI для сценариев генерации с контекстом, полученным через поиск. Модель рассчитана прежде всего на немецкоязычные бизнес-сценарии: ответы на вопросы по найденным документам, извлечение релевантной информации, суммаризацию и рассуждения, в том числе о временных связях. Поддерживает немецкий и английский языки. Размер — 7,1 млрд параметров, длина контекста — до 32 768 токенов. В обучающих примерах также предусмотрен формат для интеграции с контекстом и ссылками на источники. Модель выдаёт текст и может генерировать недостоверные ответы; факты следует проверять. В README также отмечены риски предвзятых и вредоносных ответов при отсутствии фильтрации безопасности. Модель и код доступны по лицензии Apache 2.0.

Bogula/pinktilde30b_64k — дообученная с помощью LoRA и SFT модель на базе TildeAI/TildeOpen-30b-64k, созданная для немецкоязычного обучения и ответов с опорой на документы. Она использует архитектуру Llama, содержит 29,9 млрд параметров и принимает текстовый контекст длиной до 65 536 токенов. Модель предназначена для диалогового обучения и работы с длинными корпоративными документами и материалами по управлению, продажам и педагогике. Обучение проходило в два этапа: на инструкциях, немецких сводках и корпоративных диалогах, затем на многоходовых диалогах и RAG-документах с отвлекающими фрагментами. Поддерживается немецкий язык; формат весов — SafeTensors, библиотека — Transformers. Модель может ошибаться; её ответы не следует использовать для принятия юридических, финансовых или медицинских решений без проверки. Лицензия указана как «other»; в обучающих данных использовался NVIDIA Nemotron под лицензией ODC-By, для которой требуется атрибуция.

Llama3-ChatQA-1.5-8B — разговорная языковая модель NVIDIA для ответов на вопросы в диалоге и генерации с дополнением извлечёнными сведениями (RAG). Она дообучена на базе Llama 3 и содержит дополнительные данные для улучшения ответов по документам, работы с таблицами и арифметических вычислений. В репозитории указаны 7,5 млрд параметров, архитектура Llama с плотной причинной языковой моделью, формат safetensors и контекст до 8192 токенов. Модель предназначена для сценариев, где вопрос сопровождается контекстом: документ можно передать целиком, если он помещается в контекст, либо предварительно извлечь релевантные фрагменты для длинных документов. Модель принимает текст и генерирует текст; карточка указывает английский язык. В README приведены результаты оценки на наборах для conversational RAG, включая Doc2Dial, QuAC и QReCC. Модель является дообучением NVIDIA Llama3-ChatQA-1.5-8B. Чекпойнты были первоначально обучены с Megatron-LM и конвертированы в формат Hugging Face. Лицензия — Llama 3 Community License. Результаты зависят от качества переданного контекста или поиска; заявленные улучшения арифметики и таблиц не гарантируют точность в каждом запросе.

A.X 4.0 — большая языковая модель SK Telecom для понимания корейского языка и применения в корпоративной среде. Репозиторий skt/A.X-4.0 содержит плотную авторегрессионную модель семейства Qwen2, с классом Qwen2ForCausalLM и весами в формате safetensors; README указывает, что модель основана на Qwen2.5 и дополнительно обучена на крупных корейских наборах данных. Метаданные каталога указывают 71,1 млрд параметров, а заявленная длина контекста составляет 131 072 токена. Модель предназначена для диалогов, понимания длинных документов и текстовых задач на корейском языке; интерфейс также поддерживает вызов инструментов. README сообщает о результатах на корейских тестах KMMLU и CLIcK и об экономном использовании токенов при обработке корейского текста. В карточке также упомянута облегчённая версия A.X 4.0 Light, но этот репозиторий содержит основную модель. Для запуска README указывает Transformers версии 4.46.0 или новее; для использования вызова инструментов через vLLM — версии 0.6.4.post1 или новее. Лицензия обозначена как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

German-RAG-LLAMA-3.1-8B-MERGED-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Это объединённая модель семейства Llama 3.1 объёмом 7,5 млрд параметров, предназначенная для немецкоязычных RAG-систем и задач ответов на вопросы по предоставленному контексту. Она также подходит для извлечения релевантных сведений и краткого пересказа источников; в карточке заявлена поддержка немецкого и английского языков. Нативная длина контекста — 131 072 токена. Модель распространяется в формате safetensors и поддерживает чатовый режим. Метаданные Hugging Face указывают лицензию llama3.1, тогда как README заявляет Apache 2.0; лицензионные условия следует уточнить перед использованием. В оценке объединённая версия показала более низкий результат извлечения, чем варианты SFT и ORPO из той же серии. Ответы могут содержать фактические ошибки, а без фильтрации модель может генерировать вредный или чувствительный контент.

Llama3-ChatQA-1.5-70B — разговорная языковая модель NVIDIA для ответов на вопросы, в том числе по документам с использованием retrieval-augmented generation (RAG). Она построена на базе Llama 3 и обучена по улучшенной методике из работы ChatQA; дополнительное обучение на данных разговорного вопросно-ответного взаимодействия улучшает ответы по таблицам и арифметические вычисления. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 69,5 млрд параметров. Модель рассчитана прежде всего на ответы с предоставленным контекстом: можно передать документ целиком, если он помещается в контекст, или добавить найденные поиском фрагменты. Она также поддерживает диалоговые вопросы без контекста. Рекомендуется использовать указанный авторами формат диалога. Контекстное окно — 8192 токена; модель принимает текст и генерирует текст. Карточка приводит результаты оценки на наборах для conversational QA и RAG. Модель предназначена для англоязычных сценариев. Веса опубликованы в формате safetensors, а лицензия — Llama 3 Community License. Это производная от базовой Llama 3 модель, поэтому условия её использования определяются лицензией Llama 3; перед применением следует учитывать её ограничения.

slim-summary-phi-3 — специализированная модель llmware для суммаризации текста. Она принимает текст и формирует список кратких тезисов, извлечённых из сложных деловых документов. Модель построена на архитектуре Phi-3 и содержит около 3,7 млрд параметров; карточка указывает английский язык, а метаданные — контекст 4096 токенов и поддержку диалогового режима. Репозиторий содержит базовую версию в формате PyTorch, предназначенную в том числе для дальнейшего дообучения. Лицензия — Apache 2.0.

GLM-Z1-Rumination-32B-0414-GGUF — это квантизированная версия языковой модели GLM-Z1-Rumination-32B-0414, разработанной командой THUDM. Сборку GGUF выполнил bartowski с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации текста и поддерживает китайский и английский языки; в README она описана как модель для глубокого исследовательского поиска, анализа информации и подготовки отчётов с использованием инструментов и браузерного взаимодействия. Модель имеет размер 32B параметров и поставляется в форматах GGUF с различными уровнями квантизации — от BF16 до Q4 и IQ4, что позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. Рекомендуемые варианты включают Q4_K_M, Q5_K_M, Q6_K и Q6_K_L; файлы имеют размер примерно от 19 до 66 ГБ. Доступен специальный формат prompt, включающий системные инструкции для исследовательских задач. Сведения о точной архитектуре, размере контекстного окна, мультимодальности, результатах оценки и ограничениях исходной модели в README не указаны. Лицензия — MIT.

LongCite-glm4-9b — диалоговая модель семейства ChatGLM от организации zai-org, предназначенная для генерации ответов с цитатами по длинным документам. Она дообучена на наборе THUDM/LongCite-45k и ориентирована на задачи LongCite: ответы на вопросы с подтверждающими цитатами из контекста. Модель содержит 10,7 млрд параметров, использует плотную архитектуру ChatGLM и принимает контекст длиной до 131 072 токенов. Репозиторий содержит веса в формате safetensors; для работы применяется библиотека Transformers. В карточке указаны английский и китайский языки. Лицензия в предоставленных данных не указана.

PEGASUS-X Base — модель Google Research, основанная на PEGASUS и предназначенная прежде всего для абстрактивного суммирования длинных текстов. Это encoder-decoder Transformer с блочно-локальным вниманием и глобальными токенами энкодера; модель содержит около 187,1 млн параметров и поддерживает входной контекст до 16 384 токенов. Модель принимает текст и генерирует текстовое резюме. PEGASUS-X расширяет PEGASUS дополнительным предобучением на длинных последовательностях; в исследовании авторы сообщают о сильных результатах на задачах суммирования длинных текстов при сравнительно небольшом размере модели. Карточка Hugging Face не содержит сведений о конкретных языках обучения или лицензии, поэтому они здесь не уточняются.

MemAgent ReadTwice Rewrite-1024 Repair SFT — это объединённый чекпойнт Qwen2ForCausalLM класса 7B, обученный командой или автором репозитория Xirui1208 как продолжение SFT-модели ReadTwice Rewrite-1024. Модель предназначена для диалоговой генерации текста и ответов на вопросы по длинным документам с использованием протокола ReadTwice: текст обрабатывается секциями, а компактная память объёмом до 1 024 токенов полностью заменяется по мере чтения. В обучении использованы длинные сценарии исправления и задачи переноса между типами заданий. В README приведены результаты оценивания на контекстах до 448 тыс. токенов в протоколе ReadTwice, а также результаты на наборах LongBench. При этом собственный предел позиций конфигурации составляет 32 768 токенов; для длинных запросов в оценивании применялось масштабирование YaRN. Чекпойнт опубликован в формате safetensors, библиотека — Transformers. Лицензия в предоставленных данных не указана.

yuyijiong/T5-large-sentiment-analysis-Chinese 是基于 IDEA-CCNL/Randeng-T5-784M-MultiTask-Chinese 微调得到的中文情感分析模型，参数量约 385,7 млн. Разработчик указывает, что эта версия улучшает предыдущую yuyijiong/Randeng-T5-large-sentiment-analysis-Chinese за счёт решения проблемы переобучения. Модель построена на архитектуре T5 и распространяется в формате PyTorch. Модель извлекает из текста объекты, мнения, аспекты и полярность тональности, представляя результат в структурированном виде. Можно задавать стиль извлечения мнения, анализировать тональность для выбранных аспектов и разрешать модели дополнять отсутствующий объект. Карточка описывает обучение на нескольких китайских и англоязычных наборах данных, включая SemEval 2016 Task 5. Основное назначение — аспектный анализ тональности текстовых отзывов и других высказываний. Хотя метаданные задают тег text-generation, доступная карточка описывает именно извлечение структурированных результатов анализа тональности. В README указано, что это улучшение более ранней версии; условия лицензии и численная длина контекста в доступных данных не приведены.

MoritzLaurer/roberta-large-zeroshot-v2.0-c — модель классификации текста с нулевым обучением, разработанная Морицем Лаурером на основе RoBERTa Large. Она определяет, следует ли считать заданную гипотезу истинной или ложной относительно входного текста; pipeline Hugging Face позволяет использовать этот подход для классификации по категориям без обучающих примеров. Модель содержит 454,1 млн параметров, принимает текстовые последовательности длиной до 514 токенов и построена на архитектуре RobertaForSequenceClassification. Доступны веса Safetensors и формат ONNX. Модель предназначена для классификации отзывов, тем, намерений и других текстов, когда нет размеченных данных для обучения. Её обучали на синтетических примерах, созданных Mixtral-8x7B-Instruct-v0.1, и наборах MNLI и FEVER-NLI; автор сообщает об оценке на 28 задачах классификации. Английский указан как язык карточки. Лицензия репозитория — MIT, а суффикс «-c» означает, что для обучения использовались данные, обозначенные автором как коммерчески совместимые. Модель поддерживает выбор одного или нескольких классов через настройку multi_label. Качество зависит от формулировки гипотезы и названий категорий; автор отмечает возможные смещения из-за базовой модели, данных NLI и синтетических данных. Она рассчитана только на классификацию текста и может работать медленнее более компактного варианта RoBERTa.