III.1Стратегия, продукт и бизнес-модели

Amit Aminov разработал классификатор отзывов на основе BERT-base, дообученный для предсказания оценки от 1 до 5 звёзд по тексту отзыва. Модель использует архитектуру BertForSequenceClassification: 12 слоёв, размер скрытого представления 768; содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для определения рейтинга в англоязычных отзывах о ресторанах, компаниях и товарах, написанных в привычном формате оценок от одной до пяти звёзд. Она обучена на наборе yelp_review_full и выдаёт одну из пяти меток LABEL_0–LABEL_4, соответствующих оценкам от 1 до 5 звёзд. Для использования указана библиотека Transformers; веса опубликованы в формате safetensors. Классификатор можно применять для автоматической сортировки отзывов по предполагаемой оценке и анализа пользовательских впечатлений. Точность на отложенной выборке в карточке не приведена. Короткие фрагменты, тексты не в формате отзывов и другие языки могут снижать надёжность предсказаний; оценки также могут отражать смещения обучающих данных. Лицензия — Apache-2.0.

Модель philschmid/distilbert-base-multilingual-cased-sentiment — дообученная версия distilbert-base-multilingual-cased для классификации тональности отзывов. Её представил автор philschmid; обучение проводилось на наборе amazon_reviews_multi. Модель использует архитектуру DistilBERT и предназначена для классификации текста. Модель подходит для определения тональности отзывов покупателей и автоматической разметки пользовательских оценок. В README указаны результаты на тестовой выборке: accuracy и F1 — 0,7648. Максимальная длина контекста — 512 токенов. Доступны веса PyTorch, лицензия — Apache-2.0. Поддержка нескольких языков следует из базовой модели, однако перечень языков для этой версии не приведён.

Модель Sengil предназначена для аспектно-ориентированного анализа тональности турецкого текста: она определяет положительную, нейтральную или отрицательную оценку, относящуюся к конкретному аспекту в предложении. Это дообученная Sengil модель на основе BERTurk — регистрозависимого BERT-энкодера dbmdz/bert-base-turkish-cased. Она содержит 137,8 млн параметров и принимает контекст до 512 токенов. Модель обучена на наборе Turkish-ABSA-Wsynthetic с полу-синтетическими примерами отзывов о ресторанах. Её можно применять для анализа отзывов по отдельным темам, например обслуживанию или ценам, а также дообучать для похожих задач в электронной коммерции, гостиничном бизнесе и анализе обратной связи. В описанном тестировании указаны accuracy 95,48% и weighted F1 95,46%; результаты относятся к тестовому набору и не гарантируют такое же качество на других данных. Модель разработана Sengil, распространяется по лицензии Apache-2.0 и использует библиотеку Transformers. Она рассчитана на турецкий язык; редкие или неоднозначные аспекты и отличающийся от ресторанных отзывов словарь могут ухудшить качество.

LED-Large для Amazon All_Beauty — англоязычная модель AllenAI, дообученная автором репозитория vltruong01 на отзывах покупателей Amazon Reviews 2023. Она принимает название товара и структурированные блоки нескольких отзывов и составляет одну краткую абстрактивную сводку об общем впечатлении, повторяющихся достоинствах и жалобах. Это не модель для суммаризации отдельного отзыва: числовой рейтинг товара рассчитывается отдельно по исходным оценкам. Модель использует архитектуру LED (Longformer Encoder-Decoder) с 252,8 млн параметров и базируется на allenai/led-large-16384. В README для её применения указан предел входа в 4096 токенов; для работы с длинными текстами в обучении глобальное внимание назначалось заголовку товара, границам отзывов и строкам с оценками. Модель обучалась только на категории All_Beauty; обучающие целевые сводки были синтетическими, созданными учителем. На отложенной выборке из 196 примеров указаны ROUGE-1 0,4806, ROUGE-2 0,1607 и ROUGE-L 0,3264. При ручной проверке отмечены читаемость и способность объединять повторяющиеся мнения, но также повторяющиеся формулировки, дрейф характеристик товара, фактические ошибки и искажение тональности или значимости отдельных отзывов. Для пользовательских сценариев сводки следует сверять с исходными отзывами. Лицензия — Apache-2.0.

soob3123/amoral-gemma3-4B-v2 — дообученная модель семейства Gemma 3 4B от автора репозитория soob3123, основанная на google/gemma-3-4b-it. Она предназначена для диалоговой генерации аналитически нейтральных ответов на чувствительные и спорные вопросы, с упором на фактическую точность, сдержанный тон и избегание оценочных формулировок. Архитектура — плотная Gemma 3; репозиторий содержит веса Safetensors, интерфейс рассчитан на чат. Модель поддерживает английский язык; базовая Gemma 3 также мультимодальна, однако в карточке этой версии заявлена только генерация текста. Модель может быть полезна для подготовки нейтральных объяснений и анализа противоречивых тем. Указанная лицензия — Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; нейтральный стиль и заявленная фактическая точность не гарантируют беспристрастность или достоверность ответов.

Модель Aardiiiiy/indobertweet-base-Indonesian-sentiment-analysis разработана на основе IndoBertweet-base-uncased и дообучена для анализа тональности текстов на индонезийском языке. Она классифицирует текст по трём категориям: негативная, позитивная и нейтральная; обучалась на сообщениях Twitter и других социальных платформ по темам политики, катастроф и образования. Модель построена на архитектуре BERT для классификации последовательностей, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Для оценки использовались accuracy, F1-score, precision и recall, а подбор гиперпараметров выполнялся с Optuna. Подходит для анализа тональности публикаций и реакций в соцсетях. Результаты могут зависеть от культурных особенностей и состава обучающих данных; модель может хуже справляться с событиями и контекстами, отсутствовавшими при обучении. Три класса не охватывают всю сложность эмоций. Лицензия — MIT.

FISA-conclave/klue-roberta-news-sentiment — модель классификации тональности корейских новостных статей в отношении конкретной компании, созданная дообучением KLUE-RoBERTa. Она относит текст к одному из трёх классов: негативному, нейтральному или позитивному. Модель предназначена для анализа финансовых новостей и мониторинга репутации компаний. В README указаны результаты на тестировании: accuracy 0,8426, macro-F1 0,8468 и weighted-F1 0,8422. Модель содержит 137,8 млн параметров, использует архитектуру RoBERTa и поддерживает контекст до 514 токенов. Для обучения использовалось 9 992 примера из корейских наборов данных по финансовой тональности. Лицензия — Apache 2.0. Результаты зависят от данных и контекста: классификация может не отражать тональность в отношении нужной компании, если она не выделена или упоминается неоднозначно.

Palmyra-Fin-70B-32K-GGUF — это квантованная GGUF-версия модели Palmyra-Fin-70B-32K, разработанной компанией Writer и подготовленной к квантованию пользователем bartowski. Модель предназначена для генерации текста и ориентирована на финансовую сферу, включая банки, управление благосостоянием, анализ фондового рынка, опционов и фьючерсов, интерпретацию ценовых графиков, прогнозирование трендов и подготовку аналитических материалов для финансовых специалистов. Из доступных данных известно, что модель имеет размер 70 млрд параметров, поддерживает контекст до 32 000 токенов и работает с текстом на английском языке. Она позиционируется как instruct-модель для корпоративного использования и способна формировать подробные ответы по финансовым вопросам, например анализировать преимущества и риски выпуска новых акций с точки зрения привлечения капитала, размывания долей и отношений с инвесторами. Сильными сторонами модели являются специализация на финансовой тематике, большой контекст и ориентация на профессиональные сценарии. Ограничения включают поддержку только английского языка в заявленных данных, отсутствие подтверждённых сведений о точной архитектуре и параметрах квантования, а также потенциальную необходимость дополнительной проверки точности и актуальности финансовых выводов. Модель распространяется по Writer Open Model License; в карточке указано, что использование разрешено только в некоммерческих целях, если не приобретена отдельная лицензия у Writer.

Модель HassanB4/t2_s4_camelbert_text_target — классификатор арабских публикаций по отношению к заданной теме, созданный для Track 2 соревнования StanceEval-2026 командой NAMAA Community. На вход она принимает арабский твит и целевую тему, а на выходе определяет позицию автора: поддержка (Favor), несогласие (Against) или нейтральное, не относящееся к теме либо неясное отношение (None). Это дообученная модель CAMeL-Lab/bert-base-arabic-camelbert-da на основе архитектуры BERT, с 136,3 млн параметров и контекстом до 512 токенов. Она обучалась на данных Track 2 из набора Mawqif-v2 и предназначена для обобщения на темы, которые не встречались при обучении. На отладочной выборке указана метрика Favg2 74,98. Модель подходит для автоматического анализа позиции в арабских сообщениях по заданным темам. Она рассчитана на арабский язык и классификацию тональности позиции, а не на свободную генерацию текста. Распространяется по лицензии Apache-2.0; результат на отладочной выборке не гарантирует такое же качество на других источниках, диалектах или темах.

activebus/BERT-DK_rest — модель семейства BERT, опубликованная как часть набора ReviewBERT. Она основана на BERT-base-uncased и дополнительно обучена на корпусе отзывов Yelp о ресторанах; в README указан объём корпуса 1G и 19 типов ресторанов. Модель предназначена для представления ресторанных отзывов и изучения их тональности, аспектов и предпочтений клиентов в электронной коммерции. Это плотная модель с архитектурой BertForMaskedLM и 136,7 млн параметров. Она принимает текст, поддерживает задачу заполнения маски и рассчитана на контекст до 512 токенов. В репозитории представлены веса PyTorch и Flax. Лицензия в доступных данных не указана.

Eneskck разработал эту модель как дообученную версию BERTurk для бинарной классификации тональности отзывов о товарах на турецком языке. Модель на базе dbmdz/bert-base-turkish-cased определяет положительную или отрицательную тональность текста; нейтральный класс и анализ тональности по отдельным аспектам не предусмотрены. В карточке указан корпус примерно из 235 тысяч отзывов, а модель содержит 137,8 млн параметров и поддерживает контекст до 512 токенов. На тестовой выборке из 47 029 отзывов автор сообщает accuracy 0,9688 и macro-F1 0,8630; оценка учитывает несбалансированность классов и более слабое качество на отрицательных отзывах. Модель рассчитана на турецкие отзывы о товарах, поэтому её качество на текстах из других областей может снижаться. Этикетки обучающих данных получены из звёздных оценок и могут противоречить содержанию отзыва. Лицензия модели — MIT.

CAI-20B-v2-i1-GGUF — это набор квантизированных файлов в формате GGUF для текстовой генерации. Он создан пользователем mradermacher на основе модели tigres2526/CAI-20B-v2; квантизация выполнена с использованием imatrix. В метаданных указаны английский язык и библиотека Transformers, однако подробности исходной архитектуры и обучения базовой модели в README не приведены. Модель предназначена для локального запуска задач генерации текста, включая сценарии, связанные с маркетингом, электронной коммерцией, Meta Ads, scaling laws и reinforcement learning, что отражено в тегах проекта. Доступны варианты квантизации от крайне компактных IQ1 и IQ2 до более качественных IQ3, IQ4, IQ5 и IQ6; размер файлов составляет примерно от 12,1 до 22,3 ГБ. В README рекомендуются варианты i1-Q4_K_M как быстрые и i1-Q4_K_S как оптимальные по соотношению размера, скорости и качества. Более низкие уровни квантизации экономят память, но могут заметно снижать качество. Модель поддерживает только текстовый ввод и вывод; сведения о контекстном окне, точном числе параметров, архитектуре, производительности и дополнительных языках не указаны. Это вариант для локального использования, требующий совместимого ПО для GGUF. Лицензия — MIT.

Это англоязычная модель классификации тональности финансовых новостей, созданная mrm8488 путём дообучения microsoft/deberta-v3-small. Она предназначена для определения тональности предложений из финансовых новостей и может применяться для анализа новостных потоков и сортировки публикаций по тональности. В основе лежит архитектура DeBERTa V3 с шестью слоями и размером скрытого представления 768; общий размер модели по метаданным — 155 млн параметров, контекст — до 512 токенов. В README указана оценка F1 0,994 на тестовом наборе из 4 840 предложений англоязычных финансовых новостей с метками тональности. Модель распространяется по лицензии MIT. Результаты на этом наборе не гарантируют такую же точность на других источниках и типах финансового текста. README не уточняет название набора данных и детальную схему классов тональности.

DISC-FinLLM — специализированная финансовая языковая модель, разработанная и открытая лабораторией Data Intelligence and Social Computing Университета Фудань (Fudan-DISC). Она основана на Baichuan-13B-Chat и дообучена с помощью LoRA на наборе DISC-Fin-SFT примерно из 250 тысяч инструкций. В метаданных указаны архитектура Baichuan с причинной языковой моделью, размер 12,9 млрд параметров и формат PyTorch; лицензия — Apache-2.0. Модель предназначена для диалоговых финансовых консультаций на китайском языке, анализа финансовых текстов, расчётов и ответов на вопросы по финансовым знаниям. Она может извлекать информацию, определять тональность и классифицировать тексты, объяснять финансовые понятия, рассчитывать ставки и темпы роста, выполнять статистические расчёты и применять модели Black-Scholes и EDF. Модуль вопросов и ответов использует сведения из финансовых новостей, аналитических отчётов и нормативных документов для анализа событий и разъяснения политики. Модель ориентирована на финансовый контекст Китая и может помогать с широким кругом финансовых задач. Авторы предупреждают, что результаты следует использовать только как справочную информацию: модель может ошибаться и не заменяет профессиональных финансовых аналитиков и экспертов. В README отмечено, что опубликованные веса могут отличаться от версии демонстрационного сервиса.

Tayyab-ilyas/distilbert-finetuned-feedback — дообученная модель классификации текста на базе DistilBERT, разработанная пользователем Tayyab-ilyas. Она предназначена для отнесения входного текста к классам; название репозитория указывает на обратную связь как целевую область применения, однако карточка не раскрывает метки классов и конкретные сценарии. Модель использует архитектуру DistilBertForSequenceClassification, веса сохранены в формате safetensors, максимальная длина контекста составляет 512 токенов. Базовая модель — distilbert/distilbert-base-uncased, ориентированная на английский язык. В карточке приведено значение loss 0,5989 на оценочном наборе, но датасет указан как None, а его состав, метрики и условия оценки не описаны. Лицензия — Apache-2.0. Из-за недостатка сведений о классах и данных качество модели для конкретной задачи обратной связи следует оценивать отдельно.

BaxterAI разработала модель классификации текста на основе DistilBERT и дообучила её на distilbert-base-uncased с использованием набора данных amazon_polarity. Модель предназначена для определения тональности отзывов Amazon: она классифицирует текст по полярности. В карточке указаны результаты на оценочной выборке: accuracy 0,9225 и F1 0,9241. Модель использует PyTorch и рассчитана на контекст до 512 токенов. Лицензия — Apache-2.0.

ytu-ce-cosmos разработала ModernBERT-TR Aspect Polarity — турецкий классификатор на базе ModernBERT примерно на 149 млн параметров. Он принимает предложение и указанный аспект, а затем определяет тональность именно этого аспекта: отрицательную, нейтральную или положительную. Модель дообучена на турецких отзывах и наборах пар «аспект — тональность»; поддерживает контекст до 8192 токенов. Модель предназначена для аспектно-ориентированного анализа тональности турецких отзывов, например для оценки отдельных характеристик товара в одном отзыве. На тестовом наборе ABSA-TR опубликованный чекпойнт получил macro-F1 72,87%. Доступны веса Safetensors и ONNX; лицензия — Apache-2.0. Результат может быть менее точным на текстах и предметных областях, отличающихся от турецких отзывов, использованных при обучении.

Mastika разработала модель классификации тональности сообщений об авиакомпаниях в Twitter на основе BERT. Это дообученная модель BERT для классификации текста по трём категориям: отрицательная, нейтральная и положительная тональность. Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов; веса опубликованы в формате safetensors. Модель подходит для анализа тональности отзывов и сообщений пассажиров об авиакомпаниях. В описанных испытаниях точность составила около 82%; F1 для отрицательной тональности — 0,89, нейтральной — 0,62, положительной — 0,76. Результаты по нейтральным сообщениям заметно слабее, а автор отмечает колебания качества между эпохами и риск переобучения. В README лицензия не указана.

Модель j-hartmann/purchase-intention-english-roberta-large — англоязычная модель классификации текста на основе RoBERTa, разработанная Йоханнесом Хартманном. Она определяет, выражает ли публикация в социальных сетях намерение совершить покупку: модель относит текст к одному из двух классов — «намерение купить» или «намерения купить нет». Модель дообучена на 2 000 вручную размеченных публикаций; в README указана точность 95% на отложенной выборке при случайном базовом уровне 50%. Для вывода доступны оценки обоих классов. Модель содержит 454,1 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текст с контекстным окном 514 токенов. Она предназначена для анализа англоязычных публикаций и других текстов, в которых выражено или не выражено покупательское намерение. Результат следует интерпретировать с учётом ограниченного объёма обучающей выборки и ориентации на тексты из социальных сетей. Сведения о лицензии в предоставленных данных отсутствуют.

RuBERT Russian Financial Sentiment — русскоязычный классификатор тональности финансовых и экономических текстов, разработанный автором репозитория на основе модели blanchefort/rubert-base-cased-sentiment-rusentiment. Это BERT-модель для классификации последовательностей объёмом 205,1 млн параметров; она относит текст к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель дообучена на наборе mteb/SentiRuEval2016 и рассчитана на анализ новостных заголовков и статей, публикаций в социальных сетях и комментариев об экономике, компаниях и рынках. Метаданные указывают максимальный контекст в 512 токенов, тогда как README сообщает ограничение обучения и использования в 128 токенов; для длинных текстов автор рекомендует разбиение или усечение. На тестовой выборке из 3 000 примеров указаны accuracy 0,8123 и macro F1 0,8108; чаще всего модель смешивает нейтральные и положительные высказывания. Она лицензирована по Apache 2.0. Результаты не следует использовать как единственное основание для финансовых решений.

Англоязычный классификатор тональности комментариев YouTube, разработанный Rishiraj Gupta. Модель основана на CardiffNLP Twitter-RoBERTa-base-sentiment-latest и дообучена на наборе более чем из миллиона размеченных комментариев YouTube. Архитектура RoBERTa для классификации последовательностей содержит 151,8 млн параметров и принимает текст длиной до 514 токенов. Модель относит комментарии к отрицательной, нейтральной или положительной тональности. Она предназначена для анализа комментариев, мониторинга реакции аудитории, аналитики авторов и отслеживания тональности упоминаний бренда. В README сообщается о точности 88% на специально собранном внешнем бенчмарке и 77,43% на отложенной тестовой выборке; результаты зависят от данных и не гарантируют такую же точность в других условиях. Лицензия — MIT. Классификатор может ошибаться при сарказме, иронии, неоднозначных шутках и без контекста других комментариев. Разработчик также не рекомендует использовать его для медицинских, юридических или финансовых решений и в высокорисковых автоматизированных системах.

Модель albert-fa-sentipers-3class разработана MahdiAlikhah для классификации персидского текста по тональности. Это дообученная модель ALBERT-base с классификационной головой: она относит предложение или короткий фрагмент к одному из трёх классов — отрицательному, нейтральному или положительному. Модель предназначена прежде всего для анализа отзывов о товарах, похожих на отзывы Digikala из обучающего набора DeepSentiPers. Для текстов из отложенной тестовой выборки DeepSentiPers указаны точность 0,830 и macro F1 0,802. Контекст модели — 512 токенов; при описанной авторами предобработке вход обрезается и дополняется до 128 токенов. Лицензия в метаданных — Apache-2.0; README отмечает, что она унаследована от базовой модели и рекомендует сверить её условия с лицензией базового репозитория. Обучающие данные происходят с одной платформы электронной коммерции, а положительных примеров в наборе больше, чем отрицательных. Качество может снижаться на других жанрах, регистрах, диалектах, смешанном тексте и языках, кроме персидского; сведение исходной пятибалльной шкалы к трём классам теряет различия в интенсивности тональности.

Карточка модели soob3123/amoral-gemma3-1B-v2 на Hugging Face совпадает с карточкой soob3123/amoral-gemma3-4B-v2, поэтому описание составлено по ней. soob3123/amoral-gemma3-4B-v2 — дообученная модель семейства Gemma 3 4B от автора репозитория soob3123, основанная на google/gemma-3-4b-it. Она предназначена для диалоговой генерации аналитически нейтральных ответов на чувствительные и спорные вопросы, с упором на фактическую точность, сдержанный тон и избегание оценочных формулировок. Архитектура — плотная Gemma 3; репозиторий содержит веса Safetensors, интерфейс рассчитан на чат. Модель поддерживает английский язык; базовая Gemma 3 также мультимодальна, однако в карточке этой версии заявлена только генерация текста. Модель может быть полезна для подготовки нейтральных объяснений и анализа противоречивых тем. Указанная лицензия — Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; нейтральный стиль и заявленная фактическая точность не гарантируют беспристрастность или достоверность ответов.

Модель rttl-ai — англоязычный чекпойнт BERT для многоклассовой классификации отзывов Yelp. Она основана на bert-base-uncased и дообучена на датасете Yelp Review Full; перед этим применялось адаптивное к задаче предобучение (TAPT) на отзывах Yelp с повышенной долей маскируемых токенов и WWM. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт класс текста. Модель подходит для автоматической категоризации отзывов Yelp и похожих англоязычных отзывов. Она распространяется в формате PyTorch по лицензии Apache-2.0. Оценки качества и точная схема классов в карточке не приведены.

Модель AmberYifan/capsd-finance-fincot-finqa-clean6k-marin-8b-base-finance_random_b1000_s0 — дообученная на финансовых данных версия Marin 8B Base от marin-community. Она построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и использует Transformers. Модель предназначена для генерации текста в диалоговом формате; обучение проводилось на наборе capsd_marin-8b-base-n6000-finance-fincot-finqa-clean6k__mix_finance_random_b1000_s0, связанном с финансовыми текстами и вопросами и ответами по финансам. Контекст модели — до 4096 токенов. Модель может быть полезна для генерации ответов на финансовые вопросы и работы с финансовыми текстами. Карточка не приводит оценок качества, подробностей обучения или ограничений. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

9mark9/finbert-minilm-sentiment — разработанная 9mark9 компактная модель-классификатор тональности финансовых текстов. Это MiniLM-L12-H384-uncased на базе BERT, дообученная на Financial PhraseBank; метаданные указывают 40 млн параметров, а карточка модели — 33,4 млн. Модель относит текст к одному из трёх классов: отрицательному, нейтральному или положительному. Она принимает текст и выдаёт метку тональности; контекст модели — 512 токенов, а в описанных экспериментах длинные входы обрезаются до 96 токенов. Модель предназначена для оценки коротких формальных финансовых текстов, например новостных заголовков, сводок о доходах, аналитических заметок и регуляторных документов. В README сообщается о точности 95,29% и macro-F1 0,9368 на отложенной выборке Financial PhraseBank Sentences_AllAgree. Модель рассчитана на английский язык и распространяется по лицензии MIT. Обучающая выборка преимущественно нейтральная, поэтому надёжность для отрицательного класса может быть ниже. Качество на неформальной речи, сообщениях в соцсетях, сленге и эмодзи не оценивалось; результаты классификации не являются финансовыми рекомендациями.

WhitePeak/bert-base-cased-Korean-sentiment — модель для анализа тональности отзывов покупателей на корейском языке, созданная дообучением многоязычной модели BERT google-bert/bert-base-multilingual-cased. Она использует архитектуру BertForSequenceClassification и предназначена для классификации текста отзыва по тональности. В README указаны результаты оценки: accuracy 0,9234 и F1 0,9238. Модель содержит 205,1 млн параметров, работает с текстом и поддерживает контекст до 512 токенов. Для использования подходят сценарии анализа корейских отзывов о товарах и автоматической классификации мнений покупателей. Лицензия — Apache-2.0.

Модель ramonmedeiro1/bertimbau-products-reviews-pt-br — дообученная версия BERTimbau от Neuralmind для классификации отзывов о товарах. Она предназначена для анализа отзывов покупателей интернет-магазинов на бразильском португальском языке, в частности для отнесения текста отзыва к одному из классов классификатора. Модель основана на архитектуре BERT и содержит 136,1 млн параметров; максимальная длина контекста — 512 токенов. Для дообучения использован открытый набор B2W-Reviews01 с более чем 130 тысячами отзывов с сайта Americanas.com. В README приведены результаты трёх эпох: accuracy около 0,62 и F1 до 0,56, поэтому качество классификации ограничено и требует оценки на целевых данных. Проект создан в учебных целях и обучался около 50 минут на GPU T4. Весовые файлы доступны в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

BinomialTechnologies/binomial-shannon-2 — специализированная модель Binomial Technologies для структурированного анализа финансовых новостей на английском языке. Она обрабатывает новости о компаниях с тикерными тегами и макроэкономические материалы: встроенный маршрутизатор выбирает один из двух наборов выходных голов. Модель построена на плотном энкодере примерно со 150 млн параметров и MLP-головах; поддерживает контекст до 4096 токенов, по умолчанию при инференсе используется 1024. Для макроэкономических статей она определяет тему и серьёзность, а также оценивает направленность новости для рисковых активов. Для новостей компаний выдаёт признаки событий, тональность, предполагаемое направление влияния, новизну и характеристики утверждений. Модель предназначена для разметки и обогащения потоков финансовых новостей, включая смешанные корпоративные и макроэкономические ленты. В описанной автором временной тестовой выборке точность классификации тем макроновостей составила 0,814; качество было выше на массовых рыночных темах и ниже на технических темах и геополитике. Инференс занимает примерно 15–30 мс на CPU. Модель обучена на корпоративных и макроэкономических новостях, причём метки получены дистилляцией оценок большой reasoning-модели. Автор предупреждает, что выходы следует считать структурированными признаками, а не достоверной оценкой или самостоятельным торговым сигналом; макрокорпус состоит из англоязычных новостей и преимущественно охватывает 2024–2026 годы. Лицензия — Apache-2.0.

FinancialBERT — англоязычная модель семейства BERT, созданная Ahmed Rachid Hazourli и предварительно обученная на корпусе финансовых текстов. Она предназначена для исследований и практических NLP-задач в финансовой сфере и позволяет использовать готовую модель без значительных ресурсов, необходимых для её обучения с нуля. Модель содержит 137 млн параметров, использует архитектуру BertForMaskedLM и принимает текстовые последовательности длиной до 512 токенов. В обучающие данные вошли новости Reuters и Bloomberg, корпоративные отчёты 10-K и 10-Q, а также документы с отчётами о доходах. Основная задача по метаданным — восстановление замаскированных токенов в тексте. Доступна в формате PyTorch; лицензия в предоставленных сведениях не указана.