III.1Стратегия, продукт и бизнес-модели

MatCha — модель визуального языка на базе Pix2Struct, дообученная на наборе PlotQA-v2. Её разработали Fangyu Liu, Francesco Piccinno и соавторы; в экосистему Hugging Face модель добавил Younes Belkada. Архитектура реализована классом Pix2StructForConditionalGeneration и принимает изображение графика вместе с текстовым вопросом, чтобы сформировать текстовый ответ. Модель предназначена прежде всего для ответов на вопросы по графикам и диаграммам, включая задачи, требующие извлечения и сопоставления числовых значений. В основе MatCha — предварительное обучение для математических рассуждений и восстановления структуры графиков; в карточке сообщается о высоких результатах на бенчмарках PlotQA и ChartQA и улучшении переноса на скриншоты, схемы из учебников и иллюстрации в документах. Карточка советует задавать конкретные вопросы для более стабильных ответов. Репозиторий содержит веса PyTorch. Указана лицензия Apache-2.0. Языковые теги метаданных включают английский, французский, румынский и немецкий; основное назначение карточки связано с PlotQA-v2, поэтому отдельный приоритетный язык не выделен.

faysal725/product-review-sentiment-classifier — классификатор тональности отзывов о товарах, разработанный на основе SetFit и paraphrase-mpnet-base-v2. Он относит текст отзыва к одному из двух классов: положительный или отрицательный, и выдаёт калиброванную оценку уверенности. Модель предназначена для анализа отзывов покупателей, мониторинга обратной связи и группировки мнений по тональности. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст на английском языке. По README, её обучали методом SetFit на 256 примерах с контрастивным обучением; калибровку оценок выполняли методом Platt scaling. На сбалансированной подвыборке Amazon Reviews Binary заявлены accuracy 91,2%, F1 0,913 и Brier score 0,079. Контекстное окно — 514 токенов. Лицензия модели — MIT.

Ling-3.0-flash-Fin — финансовая модель семейства Ant Ling, разработанная Ant Group совместно с финансовыми организациями и отраслевыми экспертами. Она получена дальнейшим обучением Ling-3.0-flash на финансовых данных и предназначена для финансовых исследований и агентных рабочих процессов. Модель помогает искать и проверять финансовые сведения по источникам, сопоставлять данные из отчетов, пресс-релизов о результатах и регуляторных документов, выполнять оценку компаний и работать с электронными таблицами. Она рассчитана на многошаговые сценарии с использованием инструментов и контекстом до 256 тысяч токенов. В README указано 124 млрд параметров, из которых активируются 5,1 млрд; метаданные каталога указывают 3,5 млрд параметров. Эти сведения о размере расходятся. Контрольная точка выпущена в BF16, архитектура — гибридная MoE Bailing; доступны веса safetensors и чат-возможность. Лицензия — MIT. Модель требует дополнительной проверки в сложных длительных сценариях; оценки и выводы об инвестициях должны проходить профессиональную проверку и не являются инвестиционной рекомендацией.

MatCha — модель обработки изображений и текста на основе Pix2Struct, разработанная Fangyu Liu, Francesco Piccinno и коллегами и дообученная на наборе Chart2text-pew. Этот вариант предназначен прежде всего для создания текстовых сводок по диаграммам и графикам. Модель принимает изображение графика и формирует текстовый ответ или описание. Семейство MatCha обучалось для анализа графиков и числовых рассуждений; карточка сообщает о результатах на задачах PlotQA и ChartQA, а также об улучшении переноса на диаграммы из учебников, документы и скриншоты. В метаданных указаны языки en, fr, ro и de, формат PyTorch и лицензия Apache-2.0.

InnerJev-27B-LoRA — модель принятия решений из семейства InnerJev-27B, разработанная автором репозитория и основанная на Qwen/Qwen3.8-27B. Она возвращает распределение вероятностей по вариантам, заданным пользователем, для задач выбора, бинарных и вероятностных задач Noul, а также упорядоченного оценивания Score. Обучение на 39 279 вопросах нацелено на формирование распределений решений и не включает обычное дообучение для свободного диалога. Модель использует архитектуру Qwen3.5 с 27 млрд параметров; адаптация выполнена LoRA ранга 64 и альфы 128, а веса экспортированы после слияния адаптера. Адаптированы только указанные языковые слои, тогда как эмбеддинги, выходная голова, нормализация и параметры зрения заморожены. Хотя архитектура сохраняет компоненты для изображений, обучение решений и интерфейс инференса рассчитаны на текстовый ввод. BF16-чекпойнт получил 80,1517 из 100 на фиксированном наборе из 58 бенчмарков принятия решений; это результат одного чекпойнта, а полный повтор оценки уже слитых BF16-весов не проводился. Репозиторий распространяется по лицензии Apache-2.0.

LongWriter-Zero-32B — языковая модель для генерации связных длинных текстов, разработанная командой THU-KEG на основе Qwen2.5-32B-Base. Модель обучали продолжительным предобучением на книгах и технических отчётах, а затем оптимизировали с помощью обучения с подкреплением GRPO и составной функции награды, учитывающей длину, связность, полезность и формат ответа. Модель предназначена для создания текстов объёмом более 10 000 токенов: например, развёрнутых статей, отчётов и других материалов, требующих последовательного изложения и контроля длины. Архитектура — плотная Qwen2 с 32 млрд параметров; нативный контекст составляет 32 768 токенов. Карточка указывает английский и китайский языки. Для работы используется Transformers, веса доступны в формате safetensors. В README заявлены высокие результаты на WritingBench и Arena-Write, однако конкретные значения результатов в доступном тексте отсутствуют. Для генерации применяется специальный шаблон чата и протокол управления ответом; токенизатор и шаблон отличаются от Qwen2.5-32B-Instruct. Модель распространяется по лицензии Apache-2.0.

OpenForecaster-8B-i1-GGUF — квантизированная версия модели OpenForecaster-8B, разработанной пользователем nikhilchandak и преобразованной в формат GGUF пользователем mradermacher. Модель обучалась с использованием набора данных OpenForesight; заявленный язык — английский. Лицензия — MIT. Модель предназначена для задач прогнозирования, рассуждений и ответов на вопросы, а также связана с калибровкой и reinforcement learning. README не содержит подробностей о базовой архитектуре, максимальном контексте, поддерживаемых модальностях или точных методах обучения, поэтому её следует рассматривать прежде всего как англоязычную текстовую модель для сценариев forecasting и связанных аналитических задач. Репозиторий предоставляет множество вариантов квантизации GGUF с размером примерно от 2,2 до 6,8 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; среди рекомендованных указаны i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Конкретные характеристики и качество зависят от выбранного варианта квантизации.

Многоязычная модель Tabularis AI для многометочной классификации эмоций в тексте. Она дообучена на FacebookAI/xlm-roberta-base и использует архитектуру XLM-RoBERTa с 305,2 млн параметров; для входного текста выдаёт оценки по 11 классам: гнев, презрение, отвращение, страх, фрустрация, благодарность, радость, любовь, нейтральность, грусть и удивление. Каждая метка оценивается независимо, поэтому текст может получить несколько эмоциональных меток или ни одной при пороге 0,5. Модель предназначена для анализа эмоций в публикациях соцсетей, отзывах о товарах и клиентских обращениях, мониторинга бренда, маркетинговых исследований и отслеживания эмоциональной окраски диалогов. Заявлена поддержка 23 языков; карточка перечисляет 22 языковых кода, включая русский, английский, китайский, испанский и хинди. Контекст — до 514 токенов. В README приведены результаты на отложенной многоязычной выборке из 11 500 примеров: micro F1 0,840, macro F1 0,839 и sample Jaccard 0,794. Обучение проводилось на синтетических многоязычных данных, поэтому качество на реальных текстах и культурно обусловленных выражениях эмоций следует проверять отдельно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

sonda-1.0 — дообученная модель для оценки вероятностей вариантов ответа в задачах принятия решений на польском и английском языках. Она разработана авторами проекта Sonda на базе JevK5, которая, в свою очередь, создана на основе Qwen3.5-4B. Модель имеет плотную архитектуру Qwen3.5 и около 3,4 млрд параметров; в репозитории представлены веса safetensors. Указанная длина контекста — 262 144 токена. На вход подаются свидетельства или состояние (state), вопрос одного из заданных типов — да/нет, выбор из вариантов или оценка — и варианты ответа. Модель за один проход вычисляет калиброванные вероятности для каждого варианта, извлекая их из логитов букв ответов; генерация токенов для этого не требуется. Её предназначение — структурированная оценка решений через сервер sonda-server или совместимый рабочий процесс, а не свободный диалог. В описанных авторами тестах модель показывает высокую точность и калибровку на английском и польском языках. Модель распространяется по лицензии Apache-2.0. README указывает на применение через sonda-server или vLLM и сообщает о требовании NVIDIA GPU для описанной серверной конфигурации. Результаты для французского языка не подтверждены: авторы отмечают, что он не входил в обучающие языки. Хотя в метаданных стоит задача text-generation и заявлена возможность chat, карточка описывает модель как специализированную систему принятия решений, а не разговорную модель.

HumanLM-Opinion — диалоговая языковая модель-симулятор пользователей, разработанная исследователями Стэнфорда на базе Qwen3-8B. Она генерирует ответы, стараясь передать предполагаемые убеждения, эмоции, позицию, ценности, цели и стиль общения пользователя. Модель дообучена методом GRPO с выравниванием по состояниям на наборе Humanual-Opinion: ответах пользователей Reddit в дискуссиях на личные темы. Перед формированием ответа она рассуждает о скрытых состояниях пользователя, а затем выдаёт текст от его лица. Модель предназначена для пользовательских исследований, проверки реакции аудитории на контент, генерации обратной связи и моделирования мнений в онлайн-сообществах. Она содержит 7,6 млрд параметров, использует архитектуру Qwen3 и поддерживает контекст до 40 960 токенов; основной язык карточки — английский. В оценках на Humanual-Opinion модель превзошла указанный базовый вариант по показателю согласованности с состоянием пользователя; в пользовательском исследовании её ответы часто оценивались как естественные. Эти результаты относятся к описанным в карточке оценкам и не гарантируют точного воспроизведения реальных людей или мнений. Обучающие данные основаны на обсуждениях Reddit, поэтому ответы могут отражать их особенности и смещения. Лицензия — Apache-2.0.

MatCha ChartQA — визуально-языковая модель Google на архитектуре Pix2Struct, дообученная для ответов на вопросы по диаграммам и графикам. Она принимает изображение диаграммы и текстовый вопрос, а затем формирует текстовый ответ; в карточке также отмечено дообучение на наборе Chart2text-pew. Модель предназначена для извлечения сведений из графиков и численного рассуждения по их данным, например для сравнения значений или проверки их суммы. В описании MatCha указаны предварительное обучение для разбора графиков и численных рассуждений, а также улучшения результатов на бенчмарках PlotQA и ChartQA. Модель поддерживает английский, французский, румынский и немецкий языки. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Ответы зависят от формулировки вопроса: README рекомендует задавать конкретные вопросы. Заявленные результаты относятся к бенчмаркам и не гарантируют точность на любых типах диаграмм или формулировках.

gauneg/roberta-base-absa-ate-sentiment — дообученная Gauneg модель на архитектуре RoBERTa для аспектного анализа тональности. Она размечает токены входного текста, выделяя аспекты, о которых выражено мнение, и определяя полярность тональности для каждого аспекта. Модель предназначена прежде всего для анализа отзывов, в том числе ресторанных и гостиничных, и обучена на наборах SemEval по aspect-based sentiment analysis за 2014–2016 годы и MAMS. Модель основана на FacebookAI/roberta-base, содержит 151,8 млн параметров и имеет контекст до 514 токенов. Это англоязычная модель для входного текста; карточка приводит результаты оценки на тестовых наборах SemEval, включая F1 71,07 для извлечения аспектов и 54,08 для извлечения аспектов вместе с тональностью на отзывах об отелях SemEval 2015. Распространяется по лицензии Apache-2.0.

Модель blanchefort/rubert-base-cased-sentiment-rurewiews — русскоязычный классификатор тональности отзывов на товары. Она разработана на основе DeepPavlov/rubert-base-cased-conversational и обучена на наборе RuReviews. Архитектура — BERT для классификации последовательностей; модель относит текст к одному из трёх классов: нейтральный, положительный или отрицательный. Модель предназначена для анализа отзывов на русском языке, например для автоматической сортировки и мониторинга обратной связи о товарах. Максимальная длина контекста — 512 токенов; опубликованы форматы PyTorch, TensorFlow и Flax, включая веса safetensors. Лицензия в предоставленных данных не указана.

Мультиязычная модель nlptown на архитектуре BERT, дообученная на отзывах о товарах для анализа тональности. Она относит отзыв к одной из пяти оценок — от одной до пяти звёзд — и предназначена для классификации отзывов на английском, нидерландском, немецком, французском, итальянском и испанском языках. Модель содержит 194,6 млн параметров, принимает текст длиной до 512 токенов и доступна в форматах PyTorch, TensorFlow и Flax. Модель подходит для автоматической оценки отзывов в каталогах товаров, мониторинга клиентской обратной связи и дальнейшего дообучения для близких задач анализа тональности. В README приведены результаты проверки на отложенных отзывах: точное совпадение числа звёзд составляет 57–67% для трёх указанных языков, а прогноз с расхождением не более одной звезды — 93–95%. Лицензия — MIT. Карточка рекомендует посетить сайт NLP Town за обновлённой версией с заявленным снижением ошибки на 40%.

CommentOpinionExtract — модель на основе ChatGLM, разработанная для извлечения ключевых слов и основных мнений из отзывов об электронной коммерции. Она обучена на 5 000 отзывах Taobao: GPT-4 использовалась для первичного извлечения ключевых слов, после очистки данных на них дообучили ChatGLM. В примерах модель выделяет как положительные оценки, так и претензии к товару, упаковке, цене и эффекту использования. Модель содержит 8,1 млрд параметров и опубликована в формате PyTorch под лицензией Apache 2.0. Карточка указывает китайский язык. Метаданные Hugging Face обозначают задачу как text-classification, тогда как каталог также относит модель к text-generation; примеры README описывают получение текстовых ключевых слов и мнений из отзыва.

Это дообученная модель DistilBERT от SebasLopez-ai для определения тональности англоязычных отзывов о товарах Amazon. Она присваивает отзыву один из трёх классов: Negative для оценок 1–2 звезды, Neutral для 3 звёзд и Positive для 4–5 звёзд; её можно использовать для анализа отзывов, фильтрации по тональности и построения рекомендаций. Модель основана на distilbert-base-uncased и содержит около 66 млн параметров: 6 слоёв трансформера, размер скрытого состояния 768 и 12 голов внимания. Контекст ограничен 512 токенами. Обучение проведено на датасете Amazon Reviews 2023; по README, точность на тестовой выборке составила 77,26%. Модель особенно хорошо распознаёт положительные отзывы и редко путает положительную и отрицательную полярность, но хуже различает нейтральные отзывы и не распознаёт сарказм надёжно. Для загрузки доступны веса SafeTensors и формат ONNX; модель рассчитана на использование через Transformers. Лицензия — MIT.

Модель Steeve2ml/globatrend-absa-english-classifier разработана как часть независимого портфолио-проекта GlobaTrend Insights. Это энкодер DistilBERT, дообученный для классификации тональности по конкретному аспекту отзыва: на вход подаются текст отзыва и название аспекта, а на выходе — метка «отрицательная», «нейтральная» или «положительная». Модель предназначена для анализа англоязычных отзывов, в частности ресторанных и интернет-магазинных, когда нужно определить, что именно понравилось или не понравилось клиенту. Модель решает задачу классификации последовательностей по паре предложений и принимает текст. Она обучена на отзывах ресторанов из SemEval-2014 Task 4; метки conflict при обучении объединены с нейтральным классом. Контекст модели составляет 512 токенов. На отложенной части обучающей выборки указаны accuracy 0,767 и macro F1 0,698. Модель не извлекает аспекты из текста — их нужно передать отдельно или получить другим компонентом. Качество снижается на длинных отзывах с несколькими аспектами и меняющейся тональностью: общий тон текста может повлиять на оценки отдельных аспектов. Смешанное мнение об одном аспекте может классифицироваться как нейтральное. Обучение и проверка проводились на ресторанных отзывах, поэтому для других областей нужна отдельная проверка и, возможно, дообучение. Лицензия — MIT.

LiYuan/amazon-review-sentiment-analysis — модель на архитектуре BERT, дообученная на наборе отзывов покупателей Amazon из США. Она классифицирует отзыв по тональности, предсказывая оценку от одной до пяти звёзд. Модель рассчитана на отзывы на английском, нидерландском, немецком, французском, испанском и итальянском языках; регистр букв не влияет на обработку. Размер модели — 194,6 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для автоматической оценки тональности и рейтинга товаров по текстам отзывов, а также для дообучения на близких задачах анализа отзывов. В описанной оценке на отложенной выборке указана точность 0,8. Модель основана на nlptown/bert-base-multilingual-uncased-sentiment и распространяется по лицензии Apache-2.0.

Sailesh9999/bge-base-financial-matryoshka_3 — англоязычная модель Sentence Transformers, дообученная автором на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она преобразует предложения и абзацы в плотные векторы и предназначена для семантического поиска, оценки сходства и ранжирования текстов, поиска перефразировок, кластеризации и классификации.

Caramelo 4.4.1 — дообученная Guilherme Favaron модель на основе google/gemma-4-E4B-it. Она предназначена для диалога и написания текстов в прямом, аргументированном стиле автора: отвечает на бразильском португальском, подкрепляет мысль данными и примерами, избегает рекламного тона и эмодзи. Модель доступна через API, веб-приложение и CLI; веса также можно запускать локально. Основа модели использует архитектуру Gemma4ForConditionalGeneration, однако этот LoRA обучен только для текстового декодера: Caramelo принимает текст и генерирует текст, а возможности обработки изображений и аудио базовой модели здесь не задействованы. Обучение выполнено методом QLoRA на 414 парах для коррекции стиля; в репозитории опубликованы объединённые веса bf16 и GGUF Q4_K_M. GGUF занимает около 5 ГиБ и, по карточке, работает на CPU. В README приведены результаты слепого сравнения на 24 запросах, но это внутренняя оценка проекта. Лицензия — Apache-2.0, как у базовой модели. В опубликованных весах нет серверной защитной прослойки, используемой в размещённом сервисе, поэтому для самостоятельного развёртывания следует настроить собственную модерацию. Настройка на голос автора и португальский язык ограничивает пригодность модели для иных стилей и языков.

LFM2-2.6B-Transcript-GGUF — компактная языковая модель Liquid AI, созданная на основе LFM2-2.6B при сотрудничестве с AMD. Это квантованный вариант в формате GGUF, предназначенный для запуска через llama.cpp и совместимые инструменты, прежде всего на локальных устройствах с ограниченными ресурсами. Модель специализируется на суммаризации длинных расшифровок совещаний продолжительностью примерно 30–60 минут. Она формирует структурированные результаты, включая ключевые пункты, принятые решения и задачи, а также может создавать краткие и подробные резюме, выделять участников и обсуждавшиеся темы. Поддерживаются сценарии внутренних встреч, звонков с клиентами, заседаний совета директоров, исполнительных брифингов и работы с чувствительными данными без передачи информации в облако. Заявлены запуск на CPU, GPU и NPU, использование менее 3 ГБ RAM для длинных встреч и быстрое получение резюме. Поддерживаемый язык — английский. Модель рассчитана на однократное взаимодействие со специальным форматом входных данных, содержащим сведения о встрече и реплики участников; рекомендуется системная инструкция для анализа расшифровки и температура 0,3. Ограничениями являются узкая специализация на суммаризации встреч, англоязычная поддержка и зависимость качества от соблюдения рекомендованного формата. В метаданных указана лицензия lfm1.0; тип лицензии обозначен как other.

NYTK/sentiment-ohb3-hubert-hungarian — венгерская модель для аспектного анализа тональности, разработанная NYTK. Она основана на huBERT, дообученном на корпусе OpinHuBank (OHB), и классифицирует тональность в одну из трёх категорий: отрицательную, нейтральную или положительную. В примере из карточки аспект отделён от текста маркером [SEP]. Модель содержит 137,8 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текст длиной до 512 токенов по метаданным; в README указано ограничение max_seq_length=256. Карточка сообщает результат 82,30 на OHB для huBERT против 80,59 для XLM-R. Модель распространяется под лицензией Apache-2.0.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная разработчиком Baba-Voss на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и извлечения релевантных фрагментов, например, из финансовой отчётности. Архитектура основана на BERT: модель использует CLS-пулинг и нормализацию эмбеддингов. Контекст ограничен 512 токенами. Благодаря Matryoshka-обучению векторы можно сокращать до 512, 256, 128 или 64 измерений; в карточке приведены оценки поиска для этих размерностей. Модель также подходит для поиска дубликатов и кластеризации, а эмбеддинги можно использовать как признаки для классификации. Модель принимает текст и выдаёт векторные представления. Она обучена на 6300 парах текстов из датасета json, включая вопросы и ответы по корпоративным документам и финансовой отчётности. Лицензия — Apache-2.0. Карточка не приводит результатов на широком наборе финансовых задач, поэтому качество за пределами указанного набора поиска может отличаться; длина входа ограничена 512 токенами.

haophancs/bge-m3-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-m3 для сравнения предложений и поиска по финансовым текстам. Она преобразует предложения и абзацы в нормализованные плотные векторы для вычисления косинусного сходства; архитектура включает XLM-RoBERTa, пулинг по CLS-токену и нормализацию. Размер модели — 658,7 млн параметров, максимальная длина последовательности — 8192 токена. Обучение на 6300 парах запросов и релевантных фрагментов использует MatryoshkaLoss и поддерживает векторы размерности 1024, 768, 512 и 384. Модель подходит для семантического поиска финансовых сведений, оценки сходства и перефразирования, кластеризации и классификации текста. В README приведены метрики поиска по нескольким размерностям векторов, однако название и примеры датасета указывают на финансовое назначение, а результаты нельзя автоматически переносить на другие наборы данных или языки. Указана лицензия Apache-2.0.

distil-qwen3-1.7b-posthog-extractor — специализированная языковая модель на 1,7 млрд параметров, разработанная Distil Labs на базе Qwen3-1.7B. Она принимает краткое описание поведения пользователя и возвращает только JSON с обнаруженными ошибками и пробелами пользовательского опыта: указывает тип находки и серьёзность от 1 до 5. Для чистой сессии модель должна вернуть пустой список находок. Модель предназначена для извлечения продуктовых наблюдений из пользовательских сессий в составе аналитического конвейера PostHog. Модель представляет собой дообученную плотную авторегрессионную архитектуру Qwen3ForCausalLM; поддерживает текстовый ввод и генерацию текста, имеет контекст 40 960 токенов. В карточке указаны форматы safetensors и GGUF F16. Дообучение выполнено на платформе Distil Labs на синтетических примерах, расширенных из 25 подготовленных вручную пар; README сообщает о результате 80% на отложенной оценке платформы и о путанице между ошибкой и пробелом UX в неоднозначных случаях. Лицензия — Apache-2.0.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она преобразует предложения и абзацы в плотные нормализованные векторы размерностью до 768 и подходит для семантического поиска, сравнения текстов и поиска релевантных фрагментов в финансовых документах. Для сравнения векторов используется косинусное сходство. Модель построена на BERT с пулингом CLS-токена и поддерживает Matryoshka-представления размерностью 768, 512, 256, 128 или 64, что позволяет выбирать баланс между компактностью эмбеддингов и качеством поиска. Максимальная длина входной последовательности — 512 токенов. В карточке приведены результаты оценки поиска по нескольким размерностям и обучающая выборка из 6 300 пар запросов и релевантных текстов. Модель рассчитана на английский язык и распространяется по лицензии Apache-2.0. Она создаёт эмбеддинги, а не готовые ответы; вход длиннее 512 токенов требует предварительного разбиения. Результаты оценки относятся к указанным в карточке наборам данных и не гарантируют такое же качество на других финансовых корпусах.

FIN-LLAMA — языковая модель для финансовых сценариев, представленная Bavest. Это дообученная Llama с 32,3 млрд параметров; в метаданных указана архитектура LlamaForCausalLM и генерация текста. Модель обучали на наборе bavest/fin-llama-dataset и позиционируют для финансовых задач, включая бюджетирование, инвестиционные стратегии и управление рисками. Модель предназначена для генерации финансовых рекомендаций и планов, например для малого бизнеса. Контекст составляет 2048 токенов. В README описана загрузка с 4-битной квантизацией через Transformers и bitsandbytes, однако в репозитории указаны форматы PyTorch, а сама модель характеризуется как дообучение. README предупреждает, что 4-битный вывод работает медленно, вычисления в fp16 могут быть нестабильны, а для корректной генерации следует установить tokenizer.bos_token_id в 1. Указана лицензия GPL; датасет выпущен под BigScience OpenRAIL-M, что не определяет лицензию весов модели.

transformer3/H1-keywordextractor — модель суммаризации, созданная с помощью AutoTrain. Это плотная encoder-decoder модель семейства BART с 252,8 млн параметров, предназначенная для генерации краткого текста по входному тексту. Карточка указывает датасет transformer3/autotrain-data-finance6, поэтому модель обучалась на финансовых данных. Модель принимает текст и выдаёт текстовое резюме. Валидационные метрики карточки: ROUGE-1 30,417, ROUGE-2 20,332 и ROUGE-L 28,167; указанная средняя длина генерации — около 20 токенов. Максимальный контекст составляет 1024 токена. Модель опубликована в формате PyTorch под лицензией, не установленной по предоставленным сведениям.

3liel разработал арабоязычный классификатор тональности публикаций в Twitter/X на основе дообученной модели UBC-NLP/MARBERTv2. Он относит текст к одной из трёх категорий: отрицательной, нейтральной или положительной; подходит для анализа мнений в арабоязычных сообщениях и оценки тональности публикаций.

AnkitAI/reviews-roberta-base-sentiment-analysis — дообученная модель RoBERTa для определения тональности отзывов Amazon. Она создана на основе cardiffnlp/twitter-roberta-base-sentiment-latest и использует классификационную голову для бинарной классификации: положительная или отрицательная тональность. Модель подходит для автоматической разметки отзывов и анализа мнений покупателей. Архитектура RobertaForSequenceClassification содержит 151,8 млн параметров, максимальная длина контекста — 514 токенов. Модель принимает текст и выдаёт метку класса; карточка указывает английский язык. Доступны веса в форматах Safetensors и OpenVINO. Модель распространяется по лицензии MIT. Карточка описывает дообучение на Amazon Reviews, но не приводит метрики качества; результаты на других жанрах текста могут отличаться.