III.1Стратегия, продукт и бизнес-модели

ComparEdge разработала эту модель семантического поиска SaaS-продуктов и рекомендаций. Она сопоставляет запрос на естественном языке с описаниями инструментов в базе ComparEdge, чтобы находить подходящие сервисы по категории, сценарию использования, функциям и ценовым условиям. Модель дообучена для поиска на базе sentence-transformers/all-MiniLM-L6-v2. Это плотная BERT-модель с 25,9 млн параметров, которая принимает текст и создаёт эмбеддинги; максимальный контекст — 512 токенов. README сообщает о 331 продукте в каталоге и оценке на отложенных запросах: точность в топ-1 около 78%, в топ-5 — около 94%, MRR — 0,85. Для поиска нужны эмбеддинги товаров и индекс продуктов; в репозитории приведены готовые файлы для них и пример CLI. Модель предназначена для SaaS-рекомендаций и поиска в каталоге ComparEdge, а её обучающие данные охватывают 28 категорий. Метаданные указывают английский язык и лицензию Apache-2.0. Показатели качества относятся к описанной в README оценке и не гарантируют аналогичных результатов на других каталогах или запросах.

distil-qwen3-0.6b-posthog-narrator — специализированная языковая модель на 507,9 млн параметров, разработанная на платформе Distil Labs и предназначенная для анализа событий пользовательских сессий PostHog. На вход она получает поток событий с временными метками, а на выходе формирует ровно три предложения на английском языке в прошедшем времени, описывающие действия пользователя. Модель дообучена на базе Qwen/Qwen3-0.6B с помощью управляемого платформой fine-tuning. В обучении использованы 10 033 синтетических примера, созданных на основе 25 вручную подготовленных пар «сессия — описание»; gpt-oss-120b выступала учителем. Контекст составляет до 40 960 токенов. Модель ориентирована на конкретные события сессии и должна отмечать признаки затруднений, например повторные ошибки, rage clicks и уход пользователя, не добавляя неподтверждённых событий. В оценке на пяти отложенных примерах модель получила 100% по оценке LLM-судьи и 63,98% ROUGE; проверка формата на десяти сессиях дала 10 успешных результатов. Это небольшие выборки, поэтому они не гарантируют аналогичное качество на других данных. Доступны веса Safetensors и GGUF F16; лицензия — Apache-2.0.

AdaptLLM/finance-LLM — специализированная языковая модель для финансовой области, разработанная авторами исследования AdaptLLM. Это плотная авторегрессионная модель семейства LLaMA с 6,6 млрд параметров, полученная продолжением предобучения LLaMA-1-7B на финансовых корпусах, преобразованных в тексты для чтения с пониманием. Такой подход призван сохранить способность модели следовать запросам и отвечать на вопросы, одновременно расширяя её финансовые знания. Модель предназначена для генерации текста и ответов на финансовые вопросы, а также для задач вроде анализа финансовых новостей и документов. Она ориентирована на английский язык. Авторы сообщают о конкурентных результатах по сравнению с более крупными специализированными моделями, однако карточка рекомендует для более качественного диалога использовать отдельную чат-модель. Длина контекста в предоставленных данных не указана. Модель распространяется в форматах PyTorch и safetensors. README не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя.

OVHaiLLM/Llama-Open-Finance-8B — дообученная специалистами Dragon LLM и AGEFI модель Llama для вопросов и анализа в сфере финансов, экономики и бизнеса. Она предназначена для ответов на сложные запросы, объяснения экономических показателей, анализа рынков и инвестиционных инструментов, а также работы с финансовыми и регуляторными документами. Модель поддерживает английский, французский и немецкий языки. Согласно README, обучение охватывало финансовые и экономические материалы, включая рыночные отчёты, регуляторные документы, публикации центробанков и академические исследования; также заявлены примеры для перевода и retrieval-augmented generation. Модель основана на Llama 3.1 8B Instruct и распространяется в формате safetensors через Transformers. Лицензия — Llama 3.1. Модель может помогать готовить финансовые сводки, интерпретировать нормы и формировать аналитические черновики, но существенные выводы и актуальные финансовые данные следует проверять по официальным источникам. Заявления README о точности, безопасности и качестве не сопровождаются приведёнными здесь независимыми результатами оценки.

distil-qwen3-0.6b-posthog-narrator — компактная специализированная модель Distil Labs на базе Qwen3-0.6B, дообученная на платформе Distil Labs. Она преобразует поток событий пользовательской сессии PostHog с временными метками в связный рассказ ровно из трёх предложений на английском языке в прошедшем времени. Предназначена для анализа сессий в составе инструментария distil-posthog-traffic-analyser: описывает посещённые страницы, нажатия, ошибки и поисковые запросы, а также признаки затруднений или отказа от действия, опираясь на переданные события. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 508 млн параметров и контекст до 40 960 токенов. README сообщает о 10 033 синтетических обучающих примерах, расширенных из набора seed-примеров; базовая модель — Qwen/Qwen3-0.6B. Репозиторий содержит веса safetensors и GGUF в формате F16. Лицензия — Apache 2.0. В оценке на небольшом отложенном наборе модель получила 100% по оценке LLM-судьи и 63,98% ROUGE; проверка формата на десяти сессиях прошла успешно. Эти результаты относятся к ограниченным тестовым наборам и не гарантируют качество на произвольных данных. Для достоверного описания модели необходимы структурированные события PostHog; она должна следовать формату из трёх предложений и может ошибаться или упускать детали за пределами обучения.

AdaptLLM/finance-LLM-13B — англоязычная доменная языковая модель для финансовых задач, разработанная авторами исследования AdaptLLM. Это плотная авторегрессионная модель семейства LLaMA с 12,9 млрд параметров, созданная на основе LLaMA-1-13B посредством непрерывного предварительного обучения на финансовых корпусах, преобразованных в тексты для чтения и понимания. Такой подход предназначен для обогащения модели отраслевыми знаниями и сохранения способности отвечать на запросы в формате промптов. Модель подходит для генерации ответов и выполнения задач финансового анализа на английском языке, включая сценарии с финансовыми вопросами и тестовыми наборами ConvFinQA, FiQA_SA, Headline и FPB. Она принимает текст и генерирует текст; заявленная длина контекста — 2048 токенов. Это базовая модель до выравнивания, поэтому инструкции для чат-моделей могут ей не подходить. Репозиторий содержит веса PyTorch в формате safetensors. В предоставленных данных условия лицензии не описаны.

bamibert-hotel-acsa-multilabel — модель классификации текста на архитектуре RoBERTa с 129 млн параметров. Она обучена с нуля на неизвестном наборе данных и предназначена для многометочной классификации аспектов и тональности отзывов об отелях; карточка не приводит подробностей о метках или оценке качества. Модель принимает текст и выдаёт метки классов. Максимальная длина контекста — 2050 токенов. Используется библиотека Transformers, веса доступны в формате safetensors. Лицензия в предоставленных данных не указана.

Ties/gpt-business-complexity — дообученная языковая модель на архитектуре Llama, разработанная как сопутствующая модель к работе Bernard et al. (2026) «Using GPT to measure business complexity». Она предназначена для генерации текста в рамках оценки сложности бизнеса. В метаданных указаны 7,5 млрд параметров, контекст до 8192 токенов, поддержка диалога и английский язык. Модель основана на meta-llama/Meta-Llama-3-8B и распространяется в формате safetensors по лицензии Llama 3.

billerjully/BERT-absa-rest-reviews-asc — русскоязычный классификатор тональности отзывов о ресторанах, разработанный на базе cointegrated/rubert-tiny2 и дообученный для классификации последовательностей. По полному тексту отзыва модель предсказывает одну из трёх меток: положительная, отрицательная или нейтральная тональность; при использовании через Transformers можно получить вероятности для всех классов. Модель содержит 29 млн параметров, использует архитектуру BERT и принимает текст на русском языке. Она предназначена для автоматического анализа общей тональности ресторанных отзывов и может применяться вместе с моделью извлечения аспектов billerjully/BERT-absa-rest-reviews-ate. Обучение проводилось на 7 253 русскоязычных отзывах о ресторанах. Модель не определяет тональность отдельных аспектов, рассчитана только на русский язык и ресторанную тематику. Метаданные указывают контекст 2048 токенов. Лицензия — Apache-2.0.

FinLLaVA — открытый мультимодальный чат-бот для финансовой сферы, созданный дообучением FinLLaMA-instruct на наборах инструкций с изображениями и текстом, сгенерированных GPT. Это авторегрессионная модель на архитектуре Transformer, работающая с изображениями и текстом; в карточке Hugging Face указаны библиотека Transformers и формат safetensors. Модель предназначена для исследований финансовых мультимодальных LLM и для специалистов финансовой области. Она обучалась на данных для понимания OCR, таблиц и диаграмм, а также на общем наборе инструкций LLaVA. Это позволяет использовать её для вопросов по финансовым изображениям, графикам и таблицам. README не сообщает размер модели и длину контекста. Репозиторий предназначен для академического и образовательного использования. Авторы отдельно предупреждают, что ответы не являются финансовой, юридической или инвестиционной консультацией, не гарантируют точность и предоставляются без гарантий. Лицензия в предоставленных данных не указана.

krimits выпустил DistilBERT hotel-review sentiment classifier — модель классификации тональности отзывов об отелях, полученную полным дообучением distilbert/distilbert-base-uncased. Она принимает текст на английском языке и относит отзыв к одному из двух классов: положительному или отрицательному. Архитектура — DistilBertForSequenceClassification, размер — около 67 млн параметров; максимальный контекст по метаданным — 512 токенов. Модель предназначена для анализа отзывов гостей, например для автоматической сортировки отзывов или подсчёта положительных и отрицательных оценок. В README приведены результаты на отложенной выборке из 13 263 отзывов Booking.com: macro-F1 0,9642 и accuracy 97,33%. Обучающие данные — англоязычные отзывы о европейских отелях за период с 2015 по 2017 год; отзывы со смешанной тональностью исключались. Модель распространяется по лицензии MIT. Её оценки относятся к данным и условиям описанного эксперимента: качество может отличаться на отзывах из других источников, периодов или тематик. Классификатор выдаёт только два класса и обучался с одним значением seed.

FINRA-LM v2 1.5B — специализированная языковая модель для финансового анализа, дообученная автором репозитория на Qwen2.5-1.5B-Instruct с помощью QLoRA. Это плотная причинная модель семейства Qwen2 с 1,5 млрд параметров, рассчитанная на генерацию текста и диалог; нативный контекст составляет 32 768 токенов. Модель принимает текст и выдаёт текст. Модель предназначена для анализа акций и финансовой отчётности, инвестиционно-банковских сценариев, облигаций, ставок, деривативов, финансовых новостей и личных финансов. Она может разбирать показатели вроде P/E и EV/EBITDA, обсуждать DCF, M&A, LBO и IPO, а также классифицировать тональность новостей как положительную, нейтральную или отрицательную. Карточка заявляет, что модель отклоняет вопросы вне финансовой тематики. Модель поддерживает английский язык; её компактный размер удобен для локального запуска, включая LM Studio. Лицензия — Apache-2.0. Результаты финансового анализа и сведения о регуляторных требованиях следует проверять: карточка не приводит оценок точности или гарантий корректности.

EnvironmentalBERT-environmental — модель на базе RoBERTa, разработанная для классификации экологических текстов в сфере ESG. Она создана дополнительным дообучением EnvironmentalBERT-base на наборе из примерно 2 тысяч экологических примеров и предназначена для обнаружения текстовых фрагментов, относящихся к экологической тематике. Модель подходит для автоматической разметки экологических сообщений и анализа экологической составляющей ESG-коммуникаций. Она принимает текст на английском языке и выдаёт результат классификации. Число параметров — 95,2 млн, максимальный контекст — 514 токенов; формат весов — PyTorch. Модель выпущена под лицензией Apache-2.0. Её специализация и небольшой объём обучающего набора означают, что качество на иных доменах и типах текстов может быть ограничено; для критически важных выводов результаты следует проверять.

FinBERT-ESG — модель семейства BERT, разработанная командой HKUST и дообученная для классификации финансовых текстов по темам ESG. Она относит текст к одной из категорий: экологические вопросы (Environmental), социальные вопросы (Social), корпоративное управление (Governance) или None. Модель предназначена для анализа предложений из ESG- и годовых отчётов компаний, а также для выявления связанных с устойчивостью бизнеса тем и рисков. Модель содержит 137 млн параметров, принимает текст и выдаёт метку класса. Она обучена на 2 000 вручную размеченных предложениях из отчётов компаний; максимальная длина контекста составляет 512 токенов. Для использования подходит библиотека Transformers. Карточка не сообщает лицензию. Классификация ограничена четырьмя указанными категориями и не заменяет комплексную оценку ESG.

Abdu-GH/AraRest-Arabic-Restaurant-Reviews-Sentiment-Analysis — дообученная модель AraBERT для классификации арабских отзывов о ресторанах по тональности: положительная или отрицательная. Она основана на aubmindlab/bert-base-arabertv02 и обучена с помощью Hugging Face Transformers на датасете hadyelsahar/ar_res_reviews; архитектура — BERT с классификационной головой, размер — 162,4 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для анализа отзывов о ресторанах на арабском языке, например для автоматической сортировки отзывов и подсчёта положительных и отрицательных оценок. В README указаны точность 87,40% и сбалансированный обучающий набор из 2418 примеров каждого класса; текст при подготовке очищали от неарабских символов и нормализовали арабские буквы. Модель распространяется по лицензии Apache-2.0.

EnvRoBERTa-environmental — модель на архитектуре RoBERTa, разработанная авторами исследования о применении NLP для анализа коммуникаций в сфере ESG. Она дообучена на наборе из 2 тысяч экологических текстов для классификации текстовых образцов и выявления материалов экологической тематики в ESG-коммуникациях. Модель содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов; заявленный язык — английский. Модель подходит для отбора экологических текстов при анализе ESG-коммуникаций и для крупномасштабной классификации таких материалов. В карточке рекомендуется более компактная EnvironmentalBERT-environmental: она быстрее и требует меньше ресурсов, при этом её качество лишь немного ниже. Модель распространяется по лицензии Apache-2.0.

Модель marma/bert-base-swedish-cased-sentiment — классификатор тональности на базе BERT, опубликованный пользователем marma. Она дообучена на примерно 20 тысячах отзывов App Store на шведском языке и выдаёт метку тональности с оценкой уверенности. Репозиторий содержит веса PyTorch и Flax; число параметров — 151,9 млн, максимальная длина контекста — 512 токенов. Модель предназначена для определения тональности шведских текстов, в частности отзывов приложений. В карточке показан пример с положительной меткой для короткой фразы. Обучение на отзывах App Store ограничивает основания для переноса результатов на другие типы текстов и языки. Лицензия в предоставленных данных не указана.

FinanceConnect — англоязычная чат-модель CeADAR Connect Group для обсуждения финансов и экономики. Это плотная авторегрессионная модель семейства Llama 2 с 12,9 млрд параметров и контекстом 4096 токенов, дообученная на FinTalk-19k и Alpaca. Модель предназначена для генерации ответов и объяснений по финансовым темам: например, о денежно-кредитной политике, состоянии экономики и личном бюджетировании. В карточке приведены примеры таких запросов и результаты тестов MMLU, FPB, ARC и HellaSwag. Модель рассчитана прежде всего на английский язык; качество на других языках может быть ниже. Модель распространяется по лицензии Apache-2.0. Разработчики предупреждают о возможных смещениях в обучающих данных, ошибках и устаревании знаний; ответы не заменяют экспертную оценку. Карточка также отмечает, что модель не предназначена для общих разговоров и задач вне финансовой области.

Qwen3-4B-Evasion — разработанная FutureMa специализированная плотная языковая модель на архитектуре Qwen3, дообученная на базе Qwen/Qwen3-4B-Instruct-2507 для классификации ответов руководителей компаний на вопросы в ходе финансовых звонков. Модель относит ответ к одной из трёх категорий по таксономии Rasiah: прямой ответ, частично уклончивый или полностью уклончивый. Модель предназначена для анализа прозрачности корпоративных ответов, исследования финансовой коммуникации и разметки стенограмм earnings call. Она содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. В README указаны обучение на 27 097 парах вопросов и ответов и точность 75,08% на тесте из 297 размеченных человеком примеров. Поддерживается английский язык; лицензия — Apache-2.0. На тесте полнота для прямых ответов составляла 54,74%, поэтому модель может пропускать такие ответы; качество на других типах текста не установлено, а оценки уверенности могут требовать калибровки. Результаты не следует использовать как единственное основание для инвестиционных решений; для важных применений рекомендуется проверка человеком.

BERT-absa-rest-reviews-ate — русскоязычная модель для извлечения аспектных терминов из отзывов о ресторанах. Её разработчик дообучил cointegrated/rubert-tiny2 — компактный BERT-энкодер на 29 млн параметров — для классификации токенов с BIO-разметкой. Модель находит упоминания еды, обслуживания, цен, интерьера и доставки и присваивает им соответствующие категории. Модель предназначена для первого этапа анализа тональности по аспектам (ABSA): она выделяет слова и выражения, к которым относятся мнения в отзыве. Обучение проводилось на 7 253 русскоязычных отзывах о ресторанах с разметкой на уровне токенов. Модель принимает текст и выдаёт размеченные токены и категории; в карточке указано контекстное окно 2048 токенов. Модель специализирована на ресторанных отзывах, поэтому на текстах из других областей качество снижается. Большинство аспектов в обучающих данных состоят из одного токена, поэтому многословные выражения извлекаются редко; модель также может пропускать аспекты, особенно редкие упоминания цен и доставки. Распространяется по лицензии Apache-2.0.

Eva-4B — плотная языковая модель на архитектуре Qwen3, разработанная Шицзянем Ма для выявления уклончивых ответов руководителей компаний на вопросы аналитиков во время публикации финансовых результатов. Она принимает пару «вопрос—ответ» на английском языке и относит её к одному из трёх классов: прямой ответ, частичное уклонение или полный уход от ответа. Модель дообучена всеми параметрами на 30 000 сбалансированных примеров из EvasionBench; исходная модель — Qwen/Qwen3-4B-Instruct-2507. Размер составляет 3,7 млрд параметров, контекст — до 262 144 токенов. Eva-4B предназначена для исследований и инструментов анализа качества корпоративных раскрытий и ответов на earnings calls. В README сообщается точность 81,3% на тесте из 1 000 примеров с человеческой разметкой; модель особенно часто путает прямые и частично уклончивые ответы. Она рассчитана на английские финансовые диалоги, а классификация промежуточного класса субъективна. Результаты следует проверять человеком и не использовать как финансовую рекомендацию. Модель распространяется по лицензии Apache-2.0.

NoLBERT — англоязычный двунаправленный трансформерный энкодер, разработанный для анализа текста с учётом временной точки и снижения временной утечки при прогнозировании. Он основан на архитектуре DeBERTa base и использует токенизатор ByteLevelBPE, обученный на том же корпусе. По метаданным модель содержит 136,3 млн параметров, принимает последовательности длиной до 512 токенов и распространяется под лицензией MIT. Модель предобучена на корпусе примерно из 1 млрд слов, собранном из материалов 1976–1995 годов; валидационные данные относятся к 1996 году. Корпус включает парламентские вопросы и ответы, диалоги телешоу, тексты песен, патенты, документы FOMC, книги, газеты, предвыборные материалы и научные статьи. Ограничение периода призвано уменьшить lookahead bias при тестировании стратегий на данных после 1995 года и lookback bias, связанный с изменением значений слов во времени. Основная задача по метаданным — заполнение маскированных токенов; README также описывает получение текстовых представлений. Авторы сообщают о результатах на COLA, SST-2, QQP, MNLI и QNLI, но качество на конкретных задачах зависит от настройки и данных пользователя.

qwen3.5-0.8b-finance — компактная текстовая причинно-следственная модель на архитектуре Qwen3.5, созданная siddhartha-addy-globalids-labs на базе Qwen/Qwen3.5-0.8B. В метаданных указаны 581,4 млн параметров, контекст до 262 144 токенов и библиотека Transformers. Модель дообучена с применением обобщённой дистилляции знаний (GKD) на датасете gbharti/finance-alpaca; в чекпойнк также слит LoRA-адаптер. Модель предназначена для генерации текста в финансовых сценариях, включая ответы на вопросы и диалог по финансовой тематике. Карточка сообщает о дистилляции от модели Qwen/Qwen3.5-2B с адаптером, однако не описывает качество, охват финансовых задач или поддерживаемые естественные языки. Доступные файлы safetensors загружаются через AutoModelForCausalLM без PEFT. Лицензия в предоставленных данных не указана. Как специализированную доработку компактной базовой модели её следует оценивать на целевых финансовых запросах перед практическим применением; фактическая точность и ограничения в README не приведены.

Real Estate Listing Analysis — модель на архитектуре mBART для классификации текстов объявлений о недвижимости. Она предназначена для отнесения объектов к категориям по типу, определению объявлений о новостройках и бизнес-центрах, выявления удобств, классификации по местоположению и анализа ценовых тенденций. Модель содержит 457,4 млн параметров, принимает текст с контекстом до 1024 токенов и распространяется в формате safetensors. Карточка описывает применение в анализе объявлений о недвижимости, однако конкретные метки классов и результаты оценки качества не приведены. Лицензия в доступных данных не указана.

likeyellow/klue-review-star — модель классификации текста, разработанная автором репозитория и дообученная на klue/bert-base с использованием датасета KR3. Она оценивает текст корейского отзыва о ресторане по шкале от 1 до 5 звёзд и выдаёт оценку уверенности. Модель использует BERT-архитектуру с 137,8 млн параметров; максимальная длина контекста — 512 токенов. Оценка вычисляется по вероятностям трёх классов — отрицательный, положительный и неоднозначный — с опорными значениями 1, 5 и 3 звезды. Уверенность основана на энтропии распределения и может помогать снижать вес неоднозначных отзывов при подсчёте среднего рейтинга ресторана. На тестовой выборке из 15 000 отзывов автор сообщает точность 0,768, macro F1 0,751 и среднюю абсолютную ошибку рейтинга 0,640. Модель предназначена для извлечения рейтинга из текста отзыва без использования отдельно указанной оценки. Для нересторанных текстов она всё равно назначает один из трёх классов и может смещаться к положительной оценке; неоднозначный класс содержит шумные метки, мягко отрицательные формулировки могут оцениваться ниже человеческой оценки, а уверенность не откалибрована и не равна вероятности правильного ответа. Лицензия — CC BY-NC-SA 4.0.

souflex56/qanchor-reranker-qwen3-0.6b-merged — дообученный полносвязный кросс-энкодерный реранкер на базе Qwen3, разработанный для финансового RAG-конвейера QAnchor. Модель оценивает релевантность фрагментов документов запросу и ранжирует уже найденные кандидаты для ответов на вопросы по китайским годовым отчётам компаний A-share и связанным финансовым документам. Модель использует архитектуру последовательной классификации Qwen3ForSequenceClassification, содержит 507,6 млн параметров и поддерживает контекст до 40 960 токенов. Основной язык и область дообучения — китайский; веса опубликованы в формате safetensors. В описанном авторами тестировании дообученная версия улучшила MRR@10 с 0,6115 до 0,7758 и NDCG@10 с 0,7572 до 0,8761 относительно того же конвейера без дообучения. Реранкер предназначен для второго этапа поиска после первичного извлечения кандидатов, а не для самостоятельной генерации ответов или открытого поиска по коллекции. Качество зависит от сохранения шаблона форматирования qwen3_template; обучающие данные слабо размечены и не опубликованы, а результаты оценены на ограниченном наборе запросов. Лицензия — Apache-2.0.

CentralBankRoBERTa-sentiment-classifier — модель на архитектуре RoBERTa, дообученная для анализа предложений из коммуникаций центральных банков. Она определяет тональность как положительную или отрицательную применительно к домохозяйствам, компаниям, финансовому сектору или правительству. Модель предназначена для анализа заявлений и публикаций центральных банков; в карточке указаны accuracy, F1, precision и recall по 0,88. Модель содержит 151,8 млн параметров, принимает текст и выдаёт метки классификации. Максимальная длина контекста — 514 токенов. В метаданных указан английский язык, формат PyTorch и лицензия MIT. Для текстов на других языках качество не подтверждено; также карточка не описывает поведение на предложениях вне сферы коммуникаций центральных банков.

Eva-4B-V2 — языковая модель FutureMa, дообученная на базе Qwen/Qwen3-4B-Instruct-2507 для выявления уклончивых ответов в сессиях вопросов и ответов на звонках о финансовых результатах компаний. Модель анализирует текст вопроса и ответа и относит ответ к одному из трёх классов: прямой, частично уклончивый или полностью уклончивый. Она также поддерживает генерацию текста как производная от Qwen3ForCausalLM. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и рассчитана на английский язык. Контекстное окно составляет до 262 144 токенов. В оценке на EvasionBench для Eva-4B-V2 указана Macro-F1 84,9%; результат относится к этому набору и сам по себе не гарантирует аналогичного качества на других типах диалогов. Модель распространяется по лицензии Apache 2.0.

Модель seninoseno/rubert-base-cased-sentiment-study-feedbacks-solyanka — русскоязычная модель классификации тональности отзывов об учебном процессе. Она дообучена для этой предметной области на основе blanchefort/rubert-base-cased-sentiment-rurewiews, который, согласно карточке, основан на DeepPavlov/rubert-base-cased-conversational. Модель использует архитектуру BERT с классификационной головой BertForSequenceClassification, содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для определения тональности отзывов об обучении и может применяться при анализе обратной связи студентов. Доступна в формате PyTorch; метаданные указывают лицензию? В карточке лицензия не приведена.

Project Manager-SLM — компактная языковая модель, обученная с нуля для роли менеджера проектов. Это плотный LLaMA-подобный трансформер примерно с 989 млн параметров, использующий RoPE, RMSNorm и SwiGLU; заявлена длина контекста до 5 млн токенов. Модель обучалась три эпохи с градиентным чекпойнтингом; в карточке приведено лучшее значение eval loss 3,15. Модель предназначена для генерации текста по задачам управления проектами, включая планирование, Agile-процессы и управление рисками. Карточка указывает английский язык. Весы доступны в формате safetensors, лицензия — MIT. Заявленное окно контекста не подтверждает качество обработки столь длинных входов; в карточке нет данных о независимых оценках качества или проверке на практических сценариях.