III.1Стратегия, продукт и бизнес-модели

Waktaverse-Llama-3-KO-8B-Instruct — корейская диалоговая языковая модель команды Waktaverse AI, дообученная на основе meta-llama/Meta-Llama-3-8B-Instruct. Модель с плотной архитектурой Llama содержит 7,5 млрд параметров, принимает текст и генерирует текст; контекст — до 8192 токенов. Основные языки — корейский и английский. Для улучшения ответов на корейском разработчики рекомендуют задавать системный промпт на корейском языке. Модель подходит для выполнения инструкций, продолжения текста, суммаризации и ответов на вопросы, в том числе по коммерческим текстам на корейском языке из обучающего набора KoCommercial-Dataset. Для запуска можно использовать Transformers. Лицензия — Llama 3. Как и другие языковые модели, она может воспроизводить смещения из обучающих данных, ошибаться на необычных запросах и неверно понимать культурный контекст. Разработчики не рекомендуют применять её для решений с высокими ставками в медицине, праве и критически важных для безопасности сценариях.

MoritzLaurer/bge-m3-zeroshot-v2.0 — модель нулевой классификации текста, разработанная Moritz Laurer и дообученная на базе BAAI/bge-m3-retromae. Она использует архитектуру XLM-RoBERTa с классификационной головой и определяет, следует ли считать гипотезу истинной или неистинной относительно входного текста; этот формат NLI позволяет формулировать задачу как выбор одной или нескольких меток без обучающих примеров. Модель содержит 658,7 млн параметров, принимает текстовые входы длиной до 8194 токенов и доступна в форматах Safetensors и ONNX. Модель предназначена для классификации отзывов, тем, намерений и других текстов по заданным пользователем категориям на CPU или GPU. В оценке на 28 задачах классификации автор сообщает средний macro-F1 0,59 для zero-shot режима; результаты зависят от формулировок гипотез и меток. Модель поддерживает многоязычные сценарии, хотя README не приводит список конкретных языков. Ограничение модели — работа только с классификацией текста; возможны смещения из базовой модели, данных NLI и синтетических обучающих данных. Лицензия репозитория — MIT.

Карточка модели TigerByteCyber/bge-m3-zeroshot-v2.0 на Hugging Face совпадает с карточкой MoritzLaurer/bge-m3-zeroshot-v2.0, поэтому описание составлено по ней. MoritzLaurer/bge-m3-zeroshot-v2.0 — модель нулевой классификации текста, разработанная Moritz Laurer и дообученная на базе BAAI/bge-m3-retromae. Она использует архитектуру XLM-RoBERTa с классификационной головой и определяет, следует ли считать гипотезу истинной или неистинной относительно входного текста; этот формат NLI позволяет формулировать задачу как выбор одной или нескольких меток без обучающих примеров. Модель содержит 658,7 млн параметров, принимает текстовые входы длиной до 8194 токенов и доступна в форматах Safetensors и ONNX. Модель предназначена для классификации отзывов, тем, намерений и других текстов по заданным пользователем категориям на CPU или GPU. В оценке на 28 задачах классификации автор сообщает средний macro-F1 0,59 для zero-shot режима; результаты зависят от формулировок гипотез и меток. Модель поддерживает многоязычные сценарии, хотя README не приводит список конкретных языков. Ограничение модели — работа только с классификацией текста; возможны смещения из базовой модели, данных NLI и синтетических обучающих данных. Лицензия репозитория — MIT.

Модель lxs1/DistilBertForSequenceClassification_6h_768dim — классификатор тональности на основе DistilBERT, дообученный для отнесения текста к положительной или отрицательной категории. В архитектуре 6 голов внимания, размер скрытого представления 768 и промежуточный слой размером 4 × 768; модель принимает последовательности длиной до 512 токенов. Модель предназначена для анализа отзывов, публикаций в социальных сетях и других текстов: например, для оценки реакции на товары и услуги, мониторинга тональности упоминаний бренда и фильтрации контента по тональности. В обучающих данных использовались социальные публикации, отзывы о товарах и фильмах; тексты приводились к нижнему регистру, из них удалялись стоп-слова, имена пользователей и URL. Разработчик предупреждает о возможных смещениях из обучающих данных и о том, что качество на текстах вне обучающего распределения может быть нестабильным. Лицензия в предоставленных данных не указана.

Ertas AI выпустила дообученную модель SegEnc на базе Salesforce/socratic-pretraining-qmsum для суммирования найденных фрагментов стенограмм встреч с учётом вопроса пользователя. Она использует архитектуру Segment Encoder с Fusion-in-Decoder поверх BART-large: стенограмма делится на сегменты, кодируемые независимо, а декодер учитывает их совместно. Модель содержит 406,3 млн параметров; метаданные указывают 252,8 млн. Веса представлены в формате safetensors, размер контекста по метаданным — 1024 токена, а заявленная в README ёмкость обработки при разбиении на сегменты — до 4008 токенов. Модель предназначена для сценария locate-then-summarize на датасете QMSum: сначала извлекаются релевантные фрагменты, затем они суммируются в ответ на запрос. Поддерживаемый язык — английский. Авторы сообщают о сопоставимых метриках с их системой на 1,2 млрд параметров при меньшем числе параметров и меньшем пиковом потреблении памяти, однако статистическая эквивалентность не установлена. Лицензия — BSD 3-Clause.

Moritz Laurер разработал DeBERTa-v3-base-zeroshot-v2.0 — англоязычную модель классификации текста с нулевым обучением, основанную на Microsoft DeBERTa-v3-base и дообученную для задачи Natural Language Inference. Модель сравнивает текст с гипотезой и оценивает, следует ли она из текста; этот подход позволяет классифицировать данные по заданным пользователем категориям без размечающих примеров и обучения под каждую задачу. Модель подходит для классификации отзывов, тем, намерений и других текстовых данных. Категории можно задавать в формулировке гипотезы, а режим multi_label определяет, выбрать один класс или несколько. В README приведены результаты оценки на 28 задачах классификации; модель показала качество выше указанного базового классификатора BART-large-MNLI в среднем по этим наборам. Она содержит 211,6 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах Safetensors и ONNX для Transformers. Может работать на CPU и GPU. Модель лицензирована по MIT. Карточка рекомендует DeBERTa-v3 для более высокой точности и отмечает, что она медленнее RoBERTa. Поддерживается только классификация текста; на результаты могут влиять смещения базовой модели, обучающих данных NLI и синтетических данных.

Stockmark-2-VL-100B-beta — мультимодальная модель компании Stockmark Inc. с 100 млрд параметров, предназначенная прежде всего для понимания японских документов и ответов на вопросы по изображениям. Она построена на архитектуре LLaVA-OneVision: использует Stockmark-2-100B-Instruct-beta как языковую основу и визуальный энкодер SigLIP2. Модель поддерживает диалоговый режим и визуальное рассуждение с цепочкой мыслей. Модель рассчитана на чтение документов, деловых слайдов и диаграмм, а также на задачи визуальных вопросов и ответов общего назначения. В оценках авторов она показала высокие результаты на японских бенчмарках понимания документов и VQA. Карточка перечисляет японский и английский языки; основная специализация — японский. Это beta-версия, которая продолжает проходить улучшения и оценивание. Она может не соблюдать требования к формату ответа и включать в него ход рассуждений; также авторы предупреждают, что модель не полностью откалибрована с точки зрения социальных норм, этики и законодательства. Репозиторий распространяется под лицензией Qwen; конкретные условия следует сверять с текстом лицензии в репозитории.

yuyijiong/T5-large-sentiment-analysis-Chinese-MultiTask — модель на архитектуре T5 для многозадачного анализа тональности на китайских и английских текстах. Разработчик дообучил её на нескольких наборах данных для анализа тональности; часть данных была сгенерирована ChatGPT. Модель содержит около 385,7 млн параметров и распространяется в формате PyTorch для библиотеки Transformers. Модель извлекает из текста объекты, мнения, аспекты и полярность тональности, выдавая их в структурированном текстовом формате. Можно задавать аспекты для анализа, например товары, доставку, продавца или платформу, а также управлять длиной формулировки мнения. При необходимости модель может заполнить отсутствующий в исходном тексте объект предположением. Карточка не сообщает лицензию. Качество извлечения и обобщения мнений может зависеть от формулировки входного текста; режимы с сокращением или дополнением объектов способны привести к результатам, которых нет в исходнике. Контекстное окно и отдельные оценки качества в доступных сведениях не приведены.

Модель ignacio-ave/beto-sentiment-analysis-spanish — модель классификации тональности испаноязычных текстов, дообученная на BETO, испанской версии BERT. Она относит текст к одной из трёх категорий: отрицательной, нейтральной или положительной. Модель реализована как BertForSequenceClassification, содержит 137,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch через библиотеку Transformers. Модель предназначена для анализа отзывов, публикаций и других коротких текстов на испанском языке, например для оценки общего настроения сообщений или сортировки отзывов по тональности. В README приведена точность 67,59% для трёх классов; F1 составляет 0,68 для отрицательного, 0,58 для нейтрального и 0,76 для положительного класса. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Модель lxyuan/distilbert-base-multilingual-cased-sentiments-student разработана на основе distilbert-base-multilingual-cased и обучена дистилляцией с учителя MoritzLaurer/mDeBERTa-v3-base-mnli-xnli. Она предназначена для классификации тональности текста на нескольких языках. Архитектура — DistilBertForSequenceClassification; модель принимает текст длиной до 512 токенов и выдаёт метку класса тональности. Поддерживаются английский, арабский, немецкий, испанский, французский, японский, китайский, индонезийский, хинди, итальянский, малайский и португальский языки. Репозиторий содержит форматы PyTorch, SafeTensors и ONNX. Лицензия — Apache-2.0.

ERNIE-21B-A3B-Claude-4.5-High-OPUS-Thinking — текстовая MoE-модель Baidu, дообученная автором DavidAU на наборе рассуждений TeichAI/claude-4.5-opus-high-reasoning-250x. Модель предназначена для генерации текста общего назначения, компактных подробных рассуждений, творческого письма и диалогов. Архитектура использует 64 эксперта; в метаданных указано 3,3 млрд параметров, а базовая модель имеет контекст до 131 072 токенов. Карточка отмечает свободную манеру ответов, пригодность для мозгового штурма, прозы и сюжетов, а также стабильность рассуждений при разных настройках температуры. Модель принимает текст и генерирует текст; карточка и теги указывают английский язык. Лицензия — Apache-2.0. Автор предупреждает, что при низких квантизациях возможны циклические повторы; результаты зависят от параметров генерации.

Это чекпойнт LED-base, дообученный командой Immich для суммаризации совещаний. Модель обучена на подходящей для задачи части AMI Meeting Corpus с seed обучения 42; вариант pipeline описан как базовая обработка полной записи встречи или иерархическая последовательность сегментации, извлечения и генерации. Модель содержит 95,2 млн параметров, использует архитектуру LED и сохранена в формате safetensors. Она предназначена для создания краткого содержания диалогов совещаний; карточка указывает загрузку через Transformers как seq2seq-модель. Лицензия — MIT.

Модель NajafAli01/sentiment_results разработана Najaf Ali и представляет собой дообученный DistilBERT для трёхклассовой классификации тональности английского текста: отрицательная, нейтральная и положительная. Она основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBertForSequenceClassification и обучена на датасете syedkhalid0/Sentiment-Analysis объёмом около 105 тысяч примеров. Для работы с текстом модель принимает до 512 токенов и выдаёт класс тональности. Модель подходит для анализа отзывов о товарах и развлечениях, публикаций и комментариев в социальных сетях, клиентских обращений и ответов на опросы. Лицензия — Apache 2.0. В карточке приведены примеры предсказаний, но метрики тестирования оставлены незаполненными, поэтому качество по ним оценить нельзя.

Tanaos разработала эту компактную модель классификации тональности на базе microsoft/Multilingual-MiniLM-L12-H384 и дообучила её с помощью библиотеки Artifex на синтетических размеченных текстах. Модель относит текст к одному из пяти классов: очень негативный, негативный, нейтральный, позитивный или очень позитивный; нейтральный класс предназначен для фактических текстов и случаев без явно выраженной тональности. Модель подходит для анализа отзывов о товарах и фильмах, публикаций в социальных сетях и отзывов клиентов. Она использует архитектуру BERT для классификации последовательностей, содержит 124,3 млн параметров и принимает текст длиной до 512 токенов. Карточка заявляет английский язык, хотя базовая модель многоязычная. Модель распространяется по лицензии MIT. Синтетические данные обучения и ограниченная специализация могут снижать качество на технических и узкоспециализированных текстах; для таких сценариев README рекомендует дополнительное дообучение.

Mistral-Interact — языковая модель на основе Mistral-7B-v0.1, разработанная авторами проекта Mistral-Interact и полностью дообученная на наборе Intention-in-Interaction (IN3). Она предназначена для диалогов, в которых нужно оценить, насколько пользовательская инструкция расплывчата, выявить недостающие детали, задать уточняющие вопросы с предложениями и затем явно суммировать намерение пользователя. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке заявлены улучшенное распознавание неоднозначности инструкций, выявление важных пропусков и дружелюбное уточнение требований; авторы также сообщают о сопоставимых с GPT-4 результатах по ряду оценок взаимодействия. Модель принимает и генерирует текст, обучена для английского языка. Доступна по лицензии Apache-2.0. Заявления о сравнительной производительности основаны на описании авторов; README отсылает к статье и репозиторию за подробностями.

oliverguhr/german-sentiment-bert — модель классификации тональности немецкоязычных текстов на основе архитектуры Google BERT. Она обучена на 1,834 млн примеров из разных источников: Twitter, Facebook, а также отзывов о фильмах, приложениях и отелях. Модель предназначена для определения тональности текстов и может применяться для анализа публикаций и отзывов на немецком языке. Модель содержит 136,3 млн параметров и поддерживает контекст до 512 токенов. Для получения лучших результатов входные тексты необходимо предварительно обрабатывать так же, как при обучении; авторы предоставляют пакет Python germansentiment, который включает предобработку и инференс. В README приведены показатели F1 для нескольких наборов данных, в том числе 0,9568 на holidaycheck и 0,9418 на scare. Репозиторий доступен в форматах PyTorch, TensorFlow, Flax, ONNX и Safetensors. Лицензия — MIT.

google/pix2struct-infographics-vqa-base — модель семейства Pix2Struct, разработанная Google. Это базовая версия для визуальных вопросов и ответов по инфографике: модель принимает изображение и текстовый вопрос, а затем формирует текстовый ответ. Архитектура — кодировщик изображений и декодер текста Pix2Struct; предварительное обучение включало преобразование скриншотов веб-страниц в упрощённый HTML, а модель адаптирована к задаче visual question answering. Модель предназначена для извлечения ответов из инфографики и других изображений с визуально представленными данными. Pix2Struct использует представление входа с переменным разрешением и интеграцию текстового вопроса с изображением. В карточке указана поддержка английского, французского, румынского и немецкого языков. Доступна под лицензией Apache-2.0. Модель специализируется на визуальных вопросах и ответах и может ошибаться при сложной компоновке, мелком тексте или неоднозначных данных на изображении. README не приводит отдельные количественные оценки качества именно этой версии.

blanchefort/rubert-base-cased-sentiment — русскоязычная модель классификации тональности коротких текстов, созданная на базе DeepPavlov/rubert-base-cased-conversational и дообученная на агрегированном корпусе из 351 797 текстов. Она присваивает тексту одну из трёх меток: нейтральная, положительная или отрицательная тональность. Модель построена на архитектуре BERT и предназначена для анализа коротких сообщений и отзывов на русском языке, включая публикации в соцсетях, отзывы о товарах и медицинских учреждениях. Контекст ограничен 512 токенами; для работы доступны версии в форматах PyTorch, TensorFlow и Flax, включая веса Safetensors. Обучение использовало RuTweetCorp, RuReviews, RuSentiment и отзывы о медицинских учреждениях. Это специализированный классификатор тональности, поэтому его метки не заменяют подробный анализ мнений, аспектов или сарказма; качество на длинных и иных тематических текстах может отличаться. Условия лицензии в предоставленных источниках не описаны.

Standard One 3B — мультиязычная модель решений от StandardThinking на базе дообученной и слитой версии Ministral 3 3B Instruct. Она оценивает заданный сценарий и возвращает вероятности для вариантов ответа: выбора из списка, ответа «да/нет» или порядковой шкалы; свободный текст модель не генерирует. Поддерживается ввод изображений, однако приведённые в карточке результаты относятся к текстовым решениям. Модель рассчитана на сценарии, где нужно ранжировать ограниченный набор вариантов или оценить их вероятности, включая вопросы с большим числом ответов и длинными документами. Контекст при описанной конфигурации обслуживания — до 32 768 токенов. Обучающая смесь включает английский, японский, китайский, испанский, французский, немецкий, португальский, русский и в меньшей доле корейский языки. Контрольные результаты зависят от распределения задач и способа обслуживания; для существенно отличающегося распределения рекомендуется повторно настроить температуры. Вероятности в локальном и серверном режимах могут различаться. Лицензия — Apache-2.0.

Supply Chain RAG Embeddings — дообученная Varun Mathur модель эмбеддингов на базе all-MiniLM-L6-v2 для поиска по материалам о цепочках поставок. Она преобразует текстовые запросы и документы в векторные представления для retrieval-сценариев, включая поиск исторических прецедентов, сведений об экспортном контроле, источниках поставок в Индии и пар вопрос–ответ о мерах снижения рисков. Модель построена на архитектуре BERT, содержит 25,9 млн параметров и рассчитана на контекст до 512 токенов. Модель подходит для семантического поиска и подбора контекста в системах RAG по тематике цепочек поставок. В карточке указана лицензия Apache-2.0. README показывает пример кодирования текстового запроса через Sentence Transformers; качество зависит от соответствия корпуса и запросов тематике обучения.

cardiffnlp/twitter-roberta-base-topic-sentiment-latest — модель Cardiff NLP для определения тональности текста относительно заданной цели или упомянутого объекта. Это RoBERTa-base с 151,8 млн параметров, предварительно обученная на 154 млн твитов до конца декабря 2022 года и дообученная на наборе TweetSentiment из SuperTweetEval. Модель принимает текст, содержащий сообщение и цель анализа, и относит тональность к одному из пяти классов: от резко отрицательной до резко положительной, включая промежуточные отрицательные, нейтральные и положительные оценки. Модель предназначена для анализа тональности публикаций в Twitter и похожих коротких сообщений, в том числе для выяснения отношения автора к конкретному бренду, человеку или теме. Максимальная длина контекста составляет 514 токенов. Поддерживаемый язык — английский; модель использует архитектуру RoBERTa и формат PyTorch. Распространяется по лицензии MIT. Специализация на твитах и английском языке помогает классифицировать короткие сообщения с упоминаниями и хештегами. Результат представляет собой один из пяти классов тональности и оценку уверенности; модель не предназначена для многоязычного анализа и может ошибаться на неоднозначных формулировках, сарказме или текстах вне домена коротких публикаций.

tbluhm/clf-sentimentos-cmts — классификатор тональности коротких текстов в социальных сетях на бразильском португальском языке. Модель разработана на основе XLM-RoBERTa и дообучена для определения положительной, отрицательной или нейтральной тональности комментариев; README также описывает обработку эмодзи. Архитектура — XLM-RoBERTa для классификации последовательностей, размер — 305,2 млн параметров, максимальная длина контекста — 514 токенов. Модель предназначена для анализа комментариев, отзывов и других коротких текстов, например, для мониторинга реакции аудитории на товары, услуги и публичные профили. README упоминает датасет с комментариями к профилям политиков, артистов и автомобильных компаний; карточка также приводит более общее описание обучающих данных как многоязычного набора из отзывов и коротких текстов. Эти сведения расходятся, поэтому область применения лучше считать ориентированной прежде всего на бразильские соцсети. Модель может ошибаться в интерпретации сложных оттенков человеческих эмоций и отражать смещения обучающих данных. Распространяется по лицензии MIT.

QuantFactory/finance-Llama3-8B-GGUF — квантованная версия модели finance-Llama3-8B, разработанной командой instruction-pretrain на базе Llama 3 8B и преобразованной с использованием llama.cpp. Модель создана в рамках подхода Instruction Pre-Training, при котором исходные корпуса дополняются синтетическими парами инструкций и ответов для улучшения обучения языковых моделей. Модель предназначена для генерации текста и решения задач финансовой предметной области: анализа финансовых документов, извлечения сведений, ответов на вопросы по контексту и выполнения инструкций на основе финансовых данных. Указан английский язык. Это текстовая авторегрессионная модель размером около 8 млрд параметров; поддерживаемые модальности ограничены текстом. Максимальная длина контекста и конкретный тип квантования в README не указаны. К сильным сторонам относятся специализация на финансовых сценариях и обучение с использованием instruction-response данных, что может улучшать выполнение прикладных инструкций и понимание финансовых текстов. Ограничения включают зависимость качества от точности исходного контекста, отсутствие гарантии корректности финансовых выводов и недостаток сведений о формате квантования, требованиях к ресурсам и предельной длине контекста. Лицензия указана как llama3.

Monomer-24b-preview-e1 — экспериментальная модель рассуждений от разработчика zake7749, дообученная на базе mistralai/Mistral-Small-3.1-24B-Instruct-2503. Она предназначена для диалогов и задач планирования, проектирования и написания текстов на китайском и английском языках; примеры показывают развёрнутые творческие ответы и пошаговую подачу рассуждений. Модель использует архитектуру Mistral3 с 24 млрд параметров и поддерживает обработку изображений вместе с текстом; для запуска в README приведён пример с контекстом до 16 384 токенов в vLLM. README рекомендует использовать стандартный системный промпт и предупреждает, что режим без рассуждений ещё дорабатывается и может давать неожиданные результаты. Модель распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

NuMind NuSentiment-multilingual — модель компании NuMind для получения векторных представлений текста, ориентированных на анализ тональности. Это версия multilingual E5, дообученная на размеченной части корпуса mC4; эмбеддинги можно применять напрямую или дополнительно настраивать на специализированных наборах данных. Модель основана на XLM-RoBERTa, содержит около 305,2 млн параметров, принимает текст и рассчитана на контекст до 514 токенов. В метаданных перечислены английский, арабский, французский, немецкий, португальский, итальянский, испанский, китайский, японский и корейский языки. Модель распространяется по лицензии MIT. Ее назначение — представление текста для задач анализа тональности; README не сообщает результатов оценки качества и ограничений по отдельным языкам или сценариям.

Модель MonoHime/rubert-base-cased-sentiment-new разработана Татьяной Волошиной для классификации тональности русскоязычных текстов. Это модель семейства BERT на базе архитектуры BertForSequenceClassification с 205,1 млн параметров и контекстом до 512 токенов. Она присваивает тексту одну из трёх меток: нейтральная, положительная или отрицательная тональность. Модель подходит для автоматической разметки отзывов, сообщений и других русскоязычных текстов по тональности, а также для включения в конвейеры анализа мнений. Она обучалась на наборе Tatyana/ru_sentiment_dataset и распространяется в форматах PyTorch и Safetensors. Лицензия в доступных сведениях не определена. Предсказания могут содержать стереотипы и смещения, в том числе в отношении защищённых групп и чувствительных социальных характеристик. Перед применением в значимых сценариях следует учитывать эти ограничения и проверять качество на целевых данных.

cardiffnlp/twitter-roberta-base-sentiment-latest — модель Cardiff NLP на архитектуре RoBERTa-base, дообученная для анализа тональности на бенчмарке TweetEval. Базовая RoBERTa обучалась примерно на 124 млн сообщений Twitter за период с января 2018 по декабрь 2021 года; размер модели — 151,8 млн параметров, контекст — до 514 токенов. Модель классифицирует англоязычные тексты, в том числе публикации в социальных сетях, по трём категориям: отрицательная, нейтральная и положительная тональность. Её можно применять для анализа мнений и мониторинга тональности сообщений; доступны веса PyTorch и TensorFlow. Модель предназначена для английского языка и обучена на данных Twitter, поэтому её результаты могут быть менее надёжны на других языках, в иных жанрах текста и вне распределения обучающих данных. Лицензия — CC BY 4.0.

Многоязычная модель Cardiff NLP на архитектуре XLM-RoBERTa-base для определения тональности сообщений в Twitter и других коротких текстов. Модель обучена примерно на 198 млн твитов и дообучена для классификации тональности на восьми языках: арабском, английском, французском, немецком, хинди, итальянском, испанском и португальском. Авторы указывают, что она может применяться и к другим языкам. Модель содержит 305,2 млн параметров, принимает текст и выдаёт метку класса тональности. Максимальная длина контекста — 514 токенов. Подходит для анализа тональности публикаций и коротких сообщений; качество за пределами восьми языков дообучения может быть ниже. В карточке указаны форматы PyTorch и TensorFlow. Лицензия в предоставленных данных не указана.

Это модель классификации тональности terrencewee12 на базе XLM-RoBERTa, дообученная на данных tyqiangz/multilingual-sentiments и других наборах для анализа тональности. Она относит текст к одной из трёх категорий: положительной, отрицательной или нейтральной. Модель предназначена для анализа текстов на английском, малайском и китайском языках, в том числе сообщений в социальных сетях. Архитектура — XLMRobertaForSequenceClassification, размер — 305,2 млн параметров, максимальный контекст — 514 токенов. В карточке приведены результаты оценки: accuracy 0,844 и F1 0,844. Модель принимает текст и выдаёт метку тональности. Качество может снижаться на других языках, доменах и типах текста, не представленных в обучающих данных. Лицензия — Apache-2.0.

Belall87 разработал эту модель, дообучив aubmindlab/bert-base-arabertv02 для бинарной классификации тональности арабского текста. Она относит текст к положительной или отрицательной тональности и предназначена, в частности, для анализа отзывов, сообщений в соцсетях и обратной связи клиентов. Архитектура — BERT для классификации последовательностей; в метаданных указаны 162,4 млн параметров и контекст до 512 токенов. Модель распространяется в формате safetensors по лицензии MIT. В README заявлены точность и F1-score 92,87% на использованном наборе данных. При обучении нормализовали варианты написания арабских букв, удаляли диакритические знаки и фильтровали URL, упоминания и хештеги. Модель обучалась на смеси современного литературного арабского и диалектов; README рекомендует подавать тексты короче 256 токенов. Классификация ограничена двумя метками, а на специализированной лексике качество может снижаться.