III.1Стратегия, продукт и бизнес-модели

Русскоязычный классификатор тональности отзывов, разработанный как проект Capstone #1 в Attractor School. Это модель BERT для классификации последовательностей, дообученная на ai-forever/ruBert-base; число параметров — 205,5 млн, максимальная длина контекста — 512 токенов. Модель относит русскоязычные отзывы к положительным, отрицательным или нейтральным и подходит для анализа пользовательских отзывов из разных источников. В README указана точность 77% на тестировании. Модель обучалась один эпоху на наборе отзывов из нескольких областей, включая маркетплейсы, кино, аниме и геолокационные сервисы, поэтому качество может меняться на специализированных темах. Распространяется по лицензии Apache-2.0.

BEAT (Behavioral Encoder for Action Trajectories) — трансформерная модель для преобразования последовательностей пользовательских событий в плотные эмбеддинги размерности 768. Автор карточки представляет её как основу для анализа поведения пользователей; модель учитывает типы событий и временные интервалы между ними. Архитектура BEATModel содержит 12 слоёв и 12 голов внимания, всего 113,6 млн параметров. Модель предварительно обучена на наборе REES46 с данными об электронной коммерции: более 20 млн событий от 50 000 пользователей. В README описаны задачи прогнозирования оттока, сегментации пользователей и выбора следующего действия; эмбеддинги можно использовать как признаки или дообучать с предсказательной головой. Входом служат последовательности поведенческих событий, выходом — векторы признаков. Лицензия — Apache-2.0.

deter3/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная разработчиком deter3 на базе BAAI/bge-base-en-v1.5 на 6 300 парах текстов финансовой тематики. Она кодирует предложения и абзацы в плотные векторы размерностью 768, нормализует их и сравнивает по косинусному сходству; Matryoshka-обучение позволяет сокращать размерность векторов для поиска с меньшими затратами памяти и вычислений. Модель предназначена для семантического поиска по финансовым документам, сравнения вопросов и фрагментов текста, поиска перефразировок, кластеризации и использования в качестве признаков для классификации. Архитектура — BERT с пулингом CLS-токена; максимальная длина входа — 512 токенов. В README приведены результаты оценки поиска при размерностях от 64 до 768, но они не гарантируют качество на других данных. Модель принимает английский текст и выдаёт векторы для сравнения и поиска. Лицензия — Apache-2.0. Она не генерирует ответы и её специализация на финансовых текстах не означает, что она заменяет проверку финансовых выводов.

Модель neuralnaut/deberta-wrime-sentiment разработана для анализа тональности японского текста. Это регрессионная модель на базе DeBERTa V3, дообученная на субъективных оценках авторов в датасете WRIME v2. Она предсказывает непрерывную оценку полярности от −2 (сильная негативная тональность) до +2 (сильная позитивная); логиты модели нормализованы в диапазон от −1 до +1, поэтому для исходной шкалы результат нужно умножить на 2 и ограничить диапазоном от −2 до +2. Модель подходит для оценки тональности коротких публикаций в соцсетях, отзывов и комментариев, количественного анализа обратной связи и мониторинга репутации. Архитектура DeBERTa V3 для классификации последовательностей содержит 187,7 млн параметров; максимальный контекст по метаданным — 512 токенов, а карточка рекомендует ограничивать вход 128 токенами. На тестовой выборке WRIME v2 указаны RMSE 0,9224, MAE 0,7254 и корреляция Пирсона 0,6787. Модель ориентирована на японский язык и субъективное восприятие автора текста, а не читателя. Она обучена на разговорных коротких текстах и хуже оценивает нейтральную тональность; также отмечены склонность к слегка завышенным позитивным оценкам и трудности с сарказмом. Лицензия — MIT.

Qwen3-8B Financial — плотная языковая модель на архитектуре Qwen3, дообученная на базе Qwen/Qwen3-8B. Она предназначена для понимания финансовых текстов и поддерживает ответы на вопросы, выбор вариантов ответа, анализ тональности, классификацию тем и суммаризацию. Модель содержит 7,6 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. В метаданных перечислена поддержка английского, китайского, японского, испанского, греческого и индонезийского языков. Для генерации автор рекомендует передавать запрос напрямую, без системного сообщения и обёртки чата, с жадным декодированием при temperature 0. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или сведений о финансовых данных и ограничениях применимости ответов.

Модель incidelen/bert-base-turkish-sentiment-analysis-cased — классификатор тональности турецких текстов, созданный дообучением BERTurk на наборе TRSAv1. Он относит текст к одному из трёх классов: положительный, нейтральный или отрицательный. Основной сценарий — анализ отзывов о товарах в электронной торговле, например для оценки мнений покупателей и группировки отзывов по тональности. Модель построена на BERTurk с архитектурой BERT для классификации последовательностей, содержит 137,8 млн параметров и принимает тексты длиной до 512 токенов. В описанной оценке на TRSAv1 указаны accuracy 83,69% и F1 83,65%; качество различается по классам, при этом нейтральные отзывы распознаются хуже положительных и отрицательных. Базовая модель — dbmdz/bert-base-turkish-cased. Репозиторий содержит веса в формате safetensors; сведения о лицензии не приведены в доступных данных.

fabriceyhc/bert-base-uncased-amazon_polarity — модель BERT для классификации тональности отзывов покупателей Amazon. Она дообучена на наборе данных amazon_polarity и предназначена для определения полярности текста отзыва. Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. На оценочной выборке модель показала точность 0,9465 и loss 0,2945. Она принимает текст и выдаёт метку класса; эти результаты относятся к указанной оценочной выборке и не гарантируют аналогичное качество на других данных. Модель распространяется под лицензией Apache-2.0.

HooshvareLab/bert-fa-base-uncased-sentiment-deepsentipers-binary — модель классификации тональности персидских текстов, разработанная на основе ParsBERT. Авторы дообучили ParsBERT v1.1 на новых персидских корпусах; эта версия предназначена для бинарного определения тональности отзывов о цифровых товарах: положительной или отрицательной. Для обучения и оценки использовался сбалансированный набор DeepSentiPers, в котором нейтральные примеры исключены из бинарной разметки. Модель построена на архитектуре BERT и имеет около 190 млн параметров; максимальная длина контекста составляет 512 токенов. Она принимает текст и выдаёт метку класса, а карточка сообщает результаты F1 для бинарной классификации SentiPers на уровне 92,42. Подходит для анализа отзывов и пользовательских комментариев на персидском языке. Распространяется по лицензии Apache-2.0.

Copycats/koelectra-base-v3-generalized-sentiment-analysis — модель классификации текста, построенная на архитектуре ELECTRA и предназначенная для определения тональности отзывов на корейском языке. Она различает два класса: отрицательный и положительный отзыв. Модель содержит 140,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и работает через библиотеку Transformers. Модель подходит для автоматической сортировки отзывов по тональности и анализа мнений в корейских текстах. Веса доступны в форматах PyTorch и Safetensors. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.

kwoncho/ko-sroberta-multitask-informative — дообученная разработчиком версия корейской модели KoR-SRoBERTa на базе jhgan/ko-sroberta-multitask. Это RoBERTa-модель для классификации релевантности корейских новостных заголовков и вводных предложений, связанных с компаниями и финансами. Модель присваивает тексту метку релевантности 1 или 0 и предназначена для отбора значимых новостей о конкретных компаниях и последующего анализа корпоративных текстов. Модель обучена на подборке новостей о компаниях, сформированной по методологии академического исследования 2022 года. Она рассчитана на корейский язык и финансово-корпоративную лексику; в README отдельно отмечено, что обобщать её применение на произвольный анализ корейского языка не следует. Для решений с высокими финансовыми последствиями требуется проверка человеком. Размер модели — 137,8 млн параметров, контекст — до 514 токенов. Лицензия CC-BY-SA-4.0; при использовании необходимо учитывать требования лицензии и атрибуции базовой модели и исследования.

Модель mr4/phobert-base-vi-sentiment-analysis разработана автором репозитория mr4 на основе PhoBERT-Base от VinAI. Это модель классификации последовательностей на архитектуре RoBERTa с 162,4 млн параметров, предназначенная для определения тональности вьетнамских текстовых отзывов. Она присваивает тексту метку «позитивный», «негативный» или «нейтральный» и показывает оценки для этих классов. Модель обучена на отредактированной выборке из 31 436 отзывов о товарах. Модель использует библиотеку Transformers и доступна в форматах PyTorch и Safetensors. Её контекст составляет 258 токенов; основной язык — вьетнамский. Лицензия в предоставленных данных не указана.

Qwen-Marketing — специализированная языковая модель Marketeam для маркетинговых задач, дообученная на базе Qwen/Qwen3-8B. Это декодерный трансформер с 8 млрд параметров, рассчитанный на генерацию текста и диалоговое взаимодействие; карточка указывает контекст до 32 768 токенов. Модель предназначена для создания маркетинговых материалов, разработки кампаний и стратегий, ответов на вопросы о маркетинге и анализа отзывов клиентов. Модель ориентирована на маркетологов, бренд-стратегов, менеджеров продуктов и аналитиков. Она может помогать писать описания продуктов с заданным тоном бренда, создавать варианты рекламных сообщений и писем, разрабатывать персоны аудитории и обобщать отзывы. README характеризует релиз как ранний исследовательский чекпойнт и не рекомендует его для производственного применения; заявленные внутренние сравнения не сопровождаются формальным академическим бенчмарком. Модель распространяется по лицензии MIT.

Модель RemBERT, дообученная ISSAI для анализа тональности отзывов о товарах на казахском языке. Она классифицирует отзыв как положительный или отрицательный и подходит для автоматической сортировки отзывов и оценки отношения покупателей к продуктам. По данным карточки, модель дообучена на наборе KazSAnDRA; для классификации текста можно использовать библиотеку Transformers. В README указаны accuracy 0,89, precision 0,81, recall 0,82 и F1 0,81. Модель распространяется по лицензии CC BY 4.0.

Модель sanvo/vietnamese-sentiment-phobert — дообученная VinAI/PhoBERT-base модель для классификации тональности отзывов о товарах на вьетнамском языке. Она использует архитектуру RoBERTa с классификационной головой и присваивает тексту одну из трёх меток: положительную, нейтральную или отрицательную. Модель обучалась на более чем 10 тысячах вьетнамских отзывов, сбалансированных по классам и обработанных с сегментацией слов. В README указаны точность 85% и взвешенная F1-мера 0,84. Модель принимает текст и выдаёт метку тональности с оценкой. Размер — 162,4 млн параметров, максимальная длина контекста — 258 токенов. Репозиторий содержит веса в формате Safetensors. Лицензия MIT.

HooshvareLab/bert-fa-base-uncased-sentiment-digikala — модель классификации тональности персидских пользовательских отзывов, созданная на основе ParsBERT v1.1 и дообученная на персидских корпусах. Она предназначена для определения эмоциональной окраски комментариев, в частности отзывов Digikala, и различает три класса: «рекомендуется», «не рекомендуется» и «неопределённо». Модель использует архитектуру BERT для классификации последовательностей, содержит около 190 млн параметров и принимает текстовый контекст длиной до 512 токенов. В README для набора Digikala указан результат F1 81,72. Метаданные указывают Apache-2.0 и доступность весов в форматах PyTorch, TensorFlow и Flax.

Это дообученный классификатор на базе RoBERTa-large, разработанный Quim Motger для многометочной классификации эмоций в предложениях из англоязычных отзывов о мобильных приложениях. Модель размечает предложения по восьми эмоциям Плутчика — радость, доверие, страх, удивление, грусть, отвращение, гнев и предвкушение — и метке Neutral; для одного предложения может быть выбрано несколько меток. Модель содержит 454,1 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт оценки классов. Обучение использовало BCE-потери с повышенным весом редких положительных классов и синтетические отзывы, созданные языковой моделью, чтобы улучшить распознавание гнева, страха и удивления. В 10-кратной перекрёстной проверке на размеченных людьми данных достигнута macro-F1 0,591 ± 0,054; это оценка рецепта обучения, а не гарантированный результат данного чекпойнта, который переобучен на полном обучающем наборе. Для сопоставимой разметки следует применять правило порога 0,5, выбирать наиболее вероятную метку при отсутствии превышений и ограничивать число меток тремя. Лицензия — MIT.

ProsusAI FinBERT — англоязычная модель классификации финансовых текстов на основе BERT. Её разработчики дополнительно обучили BERT на финансовом корпусе, а затем настроили для анализа тональности на датасете Financial PhraseBank. Модель с 136,7 млн параметров выдаёт оценки для трёх классов: положительная, отрицательная и нейтральная тональность. Она принимает текст и рассчитана на последовательности длиной до 512 токенов. FinBERT подходит для определения тональности новостей, финансовых комментариев и других экономических текстов. Это исследовательский проект Prosus; веса доступны для PyTorch, TensorFlow и JAX/Flax. Лицензия — CC BY-NC-SA 4.0, а использование Reuters TRC2 и Financial PhraseBank также связано с условиями доступа и лицензирования этих данных.

FLANG-ELECTRA — предварительно обученная языковая модель семейства ELECTRA, разработанная SALT-NLP для финансовых текстов. Модель получила дополнительное обучение в финансовой области с приоритетным маскированием финансовых терминов и выражений, чтобы формировать более подходящие для этой области представления текста. В репозитории указана архитектура ElectraForPreTraining, размер — 433,9 млн параметров, формат весов — PyTorch, максимальная длина контекста — 512 токенов. Модель предназначена как основа для финансовых языковых задач, включая анализ тональности, классификацию новостных заголовков, ответы на вопросы и распознавание именованных сущностей. Она также включена в контекст бенчмарка FLUE для оценки понимания финансового языка. В README заявлено улучшение представлений благодаря доменным знаниям и словарю, однако конкретные численные результаты для этой модели не приведены. Модель работает с английским языком. Условия лицензии в предоставленных данных не описаны.

Fixaro разработала модель много меточной классификации для выявления аспектов в отзывах на товары и услуги на бирманском языке. Это первый этап двухэтапного конвейера аспектно-ориентированного анализа тональности (ABSA): для каждого отзыва модель определяет наличие до пяти аспектов — качества товара или услуги, доставки и скорости выполнения заказа, цены и ценности, работы персонала и сервиса, а также разнообразия и доступности товаров. Модель основана на XLM-RoBERTa Base (xlm-roberta-base) с архитектурой XLMRobertaForSequenceClassification: 12 слоёв трансформера, размер скрытого представления 768 и классификационная голова с пятью выходами. Она содержит 305,2 млн параметров и принимает текст с контекстом до 514 токенов. Для обработки аспектов каждого отзыва используется независимая многометочная классификация; README сообщает Macro F1 0,9314 и Micro F1 0,9279 на тестовой выборке из 529 отзывов. Модель обучена на отзывах о товарах и услугах, поэтому её качество на других темах не гарантируется; возможны ошибки на смешанном бирманско-другом языке и неоднозначных отзывах. Порог 0,5 может потребовать настройки под конкретное применение. Лицензия — MIT.

BaxterAI/SentimentClassifier — модель классификации текста на базе DistilBERT, дообученная на наборе данных amazon_polarity. Она предназначена для определения тональности отзывов о товарах: модель различает положительные и отрицательные отзывы. На оценочной выборке указаны accuracy 0,91 и F1 0,91. Контекст модели — до 512 токенов. Модель принимает текст и выдаёт метку класса. Распространяется по лицензии Apache-2.0.

Карточка модели HooshvareLab/bert-fa-base-uncased-sentiment-deepsentipers-multi на Hugging Face совпадает с карточкой HooshvareLab/bert-fa-base-uncased-sentiment-deepsentipers-binary, поэтому описание составлено по ней. HooshvareLab/bert-fa-base-uncased-sentiment-deepsentipers-binary — модель классификации тональности персидских текстов, разработанная на основе ParsBERT. Авторы дообучили ParsBERT v1.1 на новых персидских корпусах; эта версия предназначена для бинарного определения тональности отзывов о цифровых товарах: положительной или отрицательной. Для обучения и оценки использовался сбалансированный набор DeepSentiPers, в котором нейтральные примеры исключены из бинарной разметки. Модель построена на архитектуре BERT и имеет около 190 млн параметров; максимальная длина контекста составляет 512 токенов. Она принимает текст и выдаёт метку класса, а карточка сообщает результаты F1 для бинарной классификации SentiPers на уровне 92,42. Подходит для анализа отзывов и пользовательских комментариев на персидском языке. Распространяется по лицензии Apache-2.0.

Это дообученная модель генерации текста на базе marin-community/marin-8b-base, разработанная AmberYifan. Она предназначена для диалоговых задач в финансовой тематике и обучена на наборе capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_cap_b1000_s0. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и использует контекст до 4096 токенов. Репозиторий содержит веса safetensors; в метаданных заявлена поддержка чата. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели и сопутствующих материалах.

sahikjaman/cloudsentimen-gojek — модель классификации тональности отзывов о приложении Gojek в Google Play Store. Это дообученная на indонезийских отзывах модель indobenchmark/indobert-base-p1 на архитектуре BERT с 151,6 млн параметров; она относит текст к одному из трёх классов: положительный, нейтральный или отрицательный. Модель рассчитана на классификацию коротких пользовательских отзывов на индонезийском языке и поддерживает контекст до 512 токенов. Для обучения использовались публичные отзывы Google Play, а метки автоматически выводились из рейтинга: 4–5 звёзд — положительная тональность, 3 — нейтральная, 1–2 — отрицательная. Перед подачей текста требуется применить ту же очистку, что и при обучении: привести текст к нижнему регистру, удалить ссылки, эмодзи и пунктуацию, нормализовать сленг и удалить стоп-слова средствами Sastrawi. Весы опубликованы в формате safetensors; лицензия — MIT.

arnabdhar/distilbert-base-amazon-multi — модель классификации текста на основе DistilBERT, дообученная на наборе mteb/amazon_reviews_multi. Она предназначена для классификации отзывов Amazon на нескольких языках. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и рассчитана на контекст до 512 токенов. На тестовой выборке указаны accuracy 0,6055 и коэффициент корреляции Мэттьюса 0,5072. Модель подходит для автоматической категоризации отзывов, но приведённые показатели следует учитывать при оценке качества для конкретного языка и сценария. Лицензия — Apache-2.0.

AdamCodd подготовил DistilBERT для классификации тональности отзывов о товарах: модель дообучена на DistilBERT Base Uncased с использованием подмножества Amazon Polarity. Она принимает текст и относит его к классу положительной или отрицательной тональности, что подходит для анализа отзывов и обратной связи покупателей. По README, обучение включало 360 тысяч примеров, валидацию — 40 тысяч, тестирование — 40 тысяч; на тестовом наборе указаны accuracy 0,961 и F1 0,960. Модель создана на архитектуре DistilBERT, поддерживает контекст до 512 токенов и доступна в форматах PyTorch, Safetensors и ONNX. Лицензия — Apache-2.0. Результаты отражают оценку на данных Amazon Polarity и не гарантируют такую же точность для других тематик, языков или распределений отзывов.

BexRedpill/distilbert-on-yelp-reviews-full-epoch-2 — дообученная модель классификации последовательностей на архитектуре DistilBERT, основанная на BexRedpill/distilbert-on-yelp-reviews-full. Репозиторий содержит веса в формате safetensors; модель предназначена для классификации текстов, а README сообщает о дообучении на датасете Yelp reviews. В качестве сценария применения подходят классификация и анализ тональности отзывов о товарах или услугах. В README приведены результаты оценки: accuracy 0,6508, F1 0,6490, precision 0,6480 и recall 0,6508. Контекст модели — 512 токенов. Лицензия — Apache-2.0.

Fixaro разработал модель классификации тональности по аспектам для отзывов о товарах и услугах на бирманском языке. Это второй этап двухэтапного конвейера ABSA: на вход подаются текст отзыва и категория аспекта, а модель определяет тональность — отрицательную, нейтральную или положительную. Для автоматической оценки аспектов сначала требуется отдельная модель их обнаружения. Модель основана на XLM-RoBERTa и использует архитектуру XLMRobertaForSequenceClassification; размер — 305,2 млн параметров, максимальная длина контекста — 514 токенов. Она обучена на 5 247 аспектных аннотациях отзывов и предназначена для пяти категорий: качество товара, доставка и скорость, цена и ценность, персонал и обслуживание, ассортимент и наличие. В тесте заявлены F1 Macro 0,8671 и F1 Weighted 0,9115. Модель может быть полезна для анализа отзывов и построения конвейеров аспектного анализа тональности. Ограничения включают низкую представленность нейтрального класса, чувствительность к сарказму и контексту, необходимость явно передавать аспект и возможное снижение качества вне отзывов о товарах и услугах. Лицензия — MIT.

Модель juliensimon/reviews-sentiment-analysis — версия DistilBERT, дообученная для определения тональности англоязычных отзывов о товарах. Она выполняет классификацию текста и подходит для анализа отдельных отзывов или обработки их потока в приложении; для запуска приведён пример с библиотекой Transformers, а также упомянут ноутбук для Amazon SageMaker. Модель основана на distilbert-base-uncased, использует архитектуру DistilBertForSequenceClassification и принимает текст с контекстом до 512 токенов. Модель ориентирована на английский язык и отзывы о товарах; её можно применять для первичной оценки мнений покупателей. Веса доступны в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

SBERT-ru-sentiment-RuReviews — модель семейства SBERT-Large, дообученная на наборе RuReviews с русскоязычными отзывами о товарах категории «Женская одежда и аксессуары» на крупной российской площадке электронной коммерции. В метаданных указана архитектура BERT для классификации последовательностей, размер около 525,7 млн параметров и контекст до 512 токенов. Модель предназначена для классификации тональности русскоязычных отзывов о товарах. Её можно применять для автоматической сортировки отзывов по тональности и анализа мнений покупателей в указанной товарной категории. Доступны версии весов PyTorch и Flax; карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

star-predictor — модель классификации текстов на основе BERT, дообученная разработчиком Yanni8 на наборе данных app_reviews. Она предназначена для классификации отзывов о приложениях; карточка не описывает конкретные классы и показатели качества. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Базовая модель google-bert/bert-base-uncased ориентирована на английский язык. Модель распространяется по лицензии Apache-2.0.