III.1Стратегия, продукт и бизнес-модели

NickyNicky/Financial_graph — диалоговая языковая модель на архитектуре Gemma, предназначенная для понимания и анализа финансовых новостей и информации о фондовом рынке. Она может разбирать биржевые тенденции, экономические отчёты и инвестиционный анализ, а также работать с графами в формате JSON для их визуализации и анализа. Модель содержит 2,5 млрд параметров, использует библиотеку Transformers и принимает контекст длиной до 8192 токенов. Заявлена поддержка испанского и английского языков. Веса опубликованы в формате safetensors. README не уточняет базовую модель, лицензию и результаты оценки качества.

Modern-FinBERT-large — англоязычная модель классификации финансовых текстов, созданная beethogedeon на базе answerdotai/ModernBERT-large и дообученная для анализа тональности. Она присваивает тексту вероятности трёх классов: положительная, отрицательная и нейтральная тональность. Модель содержит около 394,7 млн параметров, использует архитектуру ModernBERT и принимает контекст длиной до 8192 токенов. Модель предназначена для классификации новостей, финансовых сообщений и других текстов об экономике и рынках. Её можно использовать через Transformers для анализа тональности; при дообучении применялся датасет Financial PhraseBank. Модель распространяется по лицензии Apache-2.0. README называет её предварительно обученной, однако метаданные указывают на дообучение базовой ModernBERT-large.

Карточка модели soob3123/amoral-gemma3-12B-v2-qat на Hugging Face совпадает с карточкой soob3123/amoral-gemma3-27B-v2-qat, поэтому описание составлено по ней. Amoral-Gemma-3 — дообученная модель на архитектуре Gemma 3, разработанная автором репозитория soob3123 на основе google/gemma-3-27b-it-qat-q4_0-unquantized. Она предназначена для диалоговой генерации аналитически нейтральных ответов на чувствительные и спорные вопросы, с упором на фактическую точность, сдержанный тон и снижение оценочных формулировок. Модель содержит 28,3 млрд параметров, поддерживает контекст до 131 072 токенов и принимает текстовые запросы, выдавая текстовые ответы. В карточке заявлен английский язык; базовая модель Gemma 3 мультимодальна, однако эта версия указана как текстовая. Модель распространяется по лицензии Apache-2.0. README описывает желаемый стиль ответов, но не приводит количественных оценок качества или результатов сравнительных испытаний; нейтральность и фактическая точность зависят от запроса и могут не достигаться во всех случаях.

Модель ericsonwillians/distilbert-base-uncased-steam-sentiment разработана на основе DistilBERT-base-uncased и дообучена для бинарной классификации англоязычных отзывов Steam на положительные и отрицательные. Она принимает текст и выдаёт метку тональности с вероятностями. Архитектура — DistilBERT для классификации последовательностей; максимальная длина контекста составляет 512 токенов. Модель предназначена для анализа отзывов об играх: она может помогать системам рекомендаций учитывать оценки игроков, выявлять негативные отзывы для работы с обратной связью и собирать мнения о продукте для исследования рынка. В карточке заявлена точность около 89% на тестовой выборке, однако подробности протокола оценки не приведены. За пределами игровых отзывов качество может снижаться; сарказм, юмор и контекст модель может распознавать ненадёжно. Обучающие данные могут содержать грубые выражения и оскорбления, что способно отражаться на результатах. Лицензия — MIT.

KOlCi выпустил модель distilbert-financial-sentiment — дообученную для классификации тональности финансовых текстов версию DistilBERT. Она основана на distilbert/distilbert-base-uncased и использует архитектуру DistilBertForSequenceClassification. Модель принимает текст и относит его к классам тональности; карточка сообщает точность 0,8535 и значение loss 0,4849 на оценочном наборе, но не уточняет состав классов и набор данных. Модель подходит для автоматической разметки тональности финансовых новостей, комментариев и других текстов. Она работает с контекстом до 512 токенов, использует библиотеку Transformers и распространяется по лицензии Apache-2.0. Англоязычная базовая модель указывает на английский язык, однако отдельное описание языков в карточке отсутствует.

Модель nickmuchi/distilroberta-finetuned-financial-text-classification разработана Nick Muchi и представляет собой дообученную distilroberta-base для классификации тональности финансовых текстов. Она присваивает тексту одну из меток: негативная, нейтральная или позитивная. Обучение проводилось на финансовых новостях из Financial PhraseBank с разметкой sentence_50Agree и наборе Kaggle, включающем тексты о влиянии COVID-19 на доходы и рынки. Для компенсации дисбаланса классов веса меток были скорректированы. Модель имеет архитектуру RoBERTa и около 95,2 млн параметров; максимальная длина контекста — 514 токенов. В README сообщается о F1 0,8835 на наборе оценки. Модель подходит для анализа тональности финансовых новостей и похожих коротких текстов на английском языке, но качество на других типах данных и языках не подтверждено. Распространяется по лицензии Apache-2.0.

Модель disham993/electrical-classification-ModernBERT-base разработана как дообученная версия answerdotai/ModernBERT-base для классификации отзывов об электротехнических устройствах. Она определяет тональность отзывов о автоматических выключателях, трансформаторах, умных счётчиках, инверторах, солнечных панелях и удлинителях, присваивая классам положительную, отрицательную, нейтральную или смешанную тональность. Это encoder-only модель семейства ModernBERT с архитектурой ModernBertForSequenceClassification и 149 млн параметров. Она принимает текст на английском языке, поддерживает контекст до 8192 токенов и распространяется в формате safetensors. В описанной оценке достигнуты F1 0,8899 и точность 0,8875. Модель подходит для анализа отзывов, опросов и другой обратной связи о электротехнических товарах. Обучающие данные сбалансированы по классам, но включают синтетические примеры, созданные Llama 3.1:8b, поэтому возможны ошибки разметки и смещения. Лицензия — MIT; автор рекомендует проверять результаты перед применением в критически важных сценариях.

GovRoBERTa-governance — модель на архитектуре RoBERTa, разработанная для классификации текстов об управленческих аспектах ESG. Её создали на основе GovRoBERTa-base и дополнительно дообучили на датасете из 2 тысяч примеров governance-текстов, чтобы выявлять тексты, относящиеся к этой теме. Модель содержит 151,8 млн параметров, принимает текст и выдаёт результат классификации; максимальный контекст — 514 токенов. В карточке указан английский язык и лицензия Apache-2.0. Модель предназначена для отбора и анализа корпоративных коммуникаций по теме корпоративного управления в рамках ESG-исследований и мониторинга. Авторы рекомендуют более быструю и менее требовательную к ресурсам GovernanceBERT-governance: её качество, по их описанию, лишь немного ниже.

acrastt/IS-LM-3B — языковая модель на архитектуре StableLM Epoch, дообученная автором репозитория на наборе DataForge Economics в течение трёх эпох с помощью QLoRA. Модель содержит 2,7 млрд параметров, принимает текст и генерирует текст; для общения в карточке приведён шаблон USER/ASSISTANT. Максимальный контекст — 4096 токенов. Модель предназначена для генерации ответов и текста по экономическим темам. В репозитории доступны веса PyTorch и safetensors; в README также упомянуты GGUF-квантизации. Лицензия — CC BY-SA 4.0.

ModernFinBERT — модель классификации тональности финансовых текстов, разработанная на базе ModernBERT-base. Она относит текст к одной из трёх категорий: NEGATIVE, NEUTRAL или POSITIVE. Модель содержит 149 млн параметров, использует архитектуру ModernBERT с rotary positional embeddings, Flash Attention и активациями GeGLU; поддерживает контекст до 8192 токенов. Модель предназначена для анализа тональности финансовых новостей, пресс-релизов, стенограмм звонков о доходах, вопросов аналитиков и финансовых сообщений. Она дообучена на финансовом корпусе, включающем FinancialPhraseBank и дополнительные примеры, созданные методом Verbalized Sampling. В README приведены результаты пятиблочной кросс-валидации: accuracy 81,41% и macro F1 77,66%. Модель рассчитана только на английские тексты и выдаёт три класса тональности без аспектного анализа или более детальных категорий. В новостной части обучающих данных преобладают пресс-релизы канадских горнодобывающих компаний, что может влиять на результаты в других финансовых отраслях. Лицензия — Apache-2.0.

uer/roberta-base-finetuned-dianping-chinese — модель классификации китайских текстов, разработанная UER и дообученная с помощью UER-py на датасете Dianping. Она предназначена для определения тональности пользовательских отзывов, например, анализа отзывов о заведениях и услугах. Модель основана на RoBERTa-Base с архитектурой BertForSequenceClassification, содержит около 129,5 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель поддерживает китайский язык и доступна в форматах PyTorch, TensorFlow и Flax. Для работы требуется токенизатор; модель можно использовать через Transformers для классификации текста. В README описаны датасет и способ запуска, но конкретный состав меток именно этой версии не раскрыт. Лицензия в предоставленных данных не указана.

Модель milyiyo/selectra-small-finetuned-amazon-review — дообученная Recognai/selectra_small модель Electra для классификации текста отзывов Amazon. Она предназначена для определения классов или тональности отзывов; README приводит результаты оценки на наборе amazon_reviews_multi: accuracy 0,737 и F1 0,7438. Модель содержит 25,4 млн параметров, использует PyTorch и принимает последовательности длиной до 512 токенов. Модель подходит для автоматической сортировки и анализа отзывов, однако приведённых метрик недостаточно, чтобы оценить качество на других наборах данных или в производственной среде. Языки в использованных метаданных не обозначены. Лицензия — Apache-2.0.

Amoral-Gemma-3 — дообученная модель на архитектуре Gemma 3, разработанная автором репозитория soob3123 на основе google/gemma-3-27b-it-qat-q4_0-unquantized. Она предназначена для диалоговой генерации аналитически нейтральных ответов на чувствительные и спорные вопросы, с упором на фактическую точность, сдержанный тон и снижение оценочных формулировок. Модель содержит 28,3 млрд параметров, поддерживает контекст до 131 072 токенов и принимает текстовые запросы, выдавая текстовые ответы. В карточке заявлен английский язык; базовая модель Gemma 3 мультимодальна, однако эта версия указана как текстовая. Модель распространяется по лицензии Apache-2.0. README описывает желаемый стиль ответов, но не приводит количественных оценок качества или результатов сравнительных испытаний; нейтральность и фактическая точность зависят от запроса и могут не достигаться во всех случаях.

FinanceBERT — модель на архитектуре BERT, дообученная для анализа тональности финансовых текстов. Она классифицирует сообщения как положительные, отрицательные или нейтральные и предназначена для анализа финансовых новостей, отчётов и публикаций в социальных сетях. Модель содержит 136,7 млн параметров, принимает текст на английском языке и поддерживает контекст до 512 токенов. Для неё указаны метрики на тестовой выборке: точность 92% и взвешенная F1-мера 92%; эти результаты относятся к описанной выборке и не гарантируют такое же качество на других данных. Модель специализируется на финансовой тематике и может хуже работать с текстами из других областей. Её решения трудно интерпретировать, а качество зависит от смещений обучающих данных. Лицензия — GPL-3.0.

jniechcial/mt5-small-finetuned-amazon-en-de — модель преобразования текста в текст на базе Google mT5-small, дообученная для суммаризации. В карточке указаны результаты оценки: Loss 3,2592, ROUGE-1 14,8917, ROUGE-2 6,2159, ROUGE-L 14,3496 и ROUGE-Lsum 14,3149. Модель содержит 157,4 млн параметров и использует архитектуру MT5ForConditionalGeneration. По названию репозитория она ориентирована на данные Amazon на английском и немецком языках, однако README не описывает датасет и целевые сценарии подробнее. Веса опубликованы в формате safetensors; лицензия — Apache-2.0.

nickmuchi/sec-bert-finetuned-finance-classification — модель классификации финансовых новостей по тональности, дообученная на базе nlpaueb/sec-bert-base. Она использует архитектуру BERT и различает три класса: отрицательную, нейтральную и положительную тональность. Обучение проводилось на предложениях из Financial PhraseBank с разметкой 50% согласия и наборе Kaggle; данные включают новости о COVID-19. В README указаны accuracy 0,8755 и F1 0,8744 на оценочном наборе. Модель предназначена для автоматической разметки тональности финансовых новостей и анализа настроений в текстах на английском языке. Она содержит 136,3 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и ONNX. Лицензия — CC BY-SA 4.0.

Карточка модели soob3123/amoral-gemma3-27B-v2 на Hugging Face совпадает с карточкой soob3123/amoral-gemma3-12B-v2, поэтому описание составлено по ней. soob3123/amoral-gemma3-12B-v2 — диалоговая модель для генерации аналитически нейтральных ответов на чувствительные и спорные запросы. Она дообучена разработчиком soob3123 на базе Google Gemma 3 12B Instruct с использованием набора TheDrummer/AmoralQA-v2; в репозитории представлены веса Safetensors. Модель предназначена для ответов с нейтральным тоном, без выраженных моральных оценок и с акцентом на фактическую точность и эпистемическую сдержанность. Архитектура — плотная Gemma 3; базовая модель мультимодальна и поддерживает понимание изображений, однако карточка этой версии заявляет текстовую генерацию и не описывает её работу с изображениями. В метаданных указан английский язык. README сообщает, что версия V2 улучшает аналитические способности и немного реже отказывает в ответах; для общих запросов различия с V1 могут быть малозаметны. Лицензия в предоставленных данных не приведена.

BexRedpill/distilbert-on-polarity-yelp-reviews — модель классификации текста на базе DistilBERT, дообученная на задаче анализа тональности отзывов Yelp. Она предназначена для определения полярности пользовательских отзывов и может применяться для сортировки или мониторинга отзывов о заведениях и услугах. В README приведены результаты на оценочной выборке: accuracy 0,9156 и F1 0,9157. Модель принимает текст, поддерживает контекст до 512 токенов и распространяется в формате safetensors по лицензии Apache-2.0. README указывает, что модель дообучена на датасете, обозначенном как None, поэтому состав и охват обучающих данных неясны. Оценочные результаты не гарантируют такое же качество на других доменах, языках или типах текста.

Модель hazrulakmal/distilbert-optimised-finetuned-financial-sentiment — дообученная версия distilbert-base-uncased для классификации тональности финансовых текстов. Она построена на DistilBERT и предназначена для определения эмоциональной окраски финансовых высказываний; поддерживает входной контекст длиной до 512 токенов. В карточке приведены результаты оценки: accuracy 0,8582 и F1 0,8581 при loss 0,3112. Данные для обучения обозначены как None, поэтому результаты нельзя уверенно переносить на конкретные источники и типы финансовых текстов. Модель опубликована под лицензией Apache-2.0.

Finance Sentiment FR (base) — модель bards.ai для классификации тональности французских финансовых новостей. Она основана на CamemBERT base и дообучена на французском переводе датасета Financial PhraseBank за 10 эпох. Модель относит текст к одному из трёх классов: положительный, отрицательный или нейтральный. Модель содержит 137,8 млн параметров, принимает текст длиной до 514 токенов и доступна в форматах PyTorch и Safetensors для библиотеки Transformers. В карточке приведены macro F1 0,963, точность 0,959 и полнота 0,967; эти показатели относятся к оценке авторов на их тестировании. Модель распространяется по лицензии MIT.

Модель разработана в рамках проекта hotel-review-nlp и представляет собой дообученную для бинарной классификации тональности грекоязычного текста модель nlpaueb/bert-base-greek-uncased-v1. Она использует архитектуру BERT для классификации последовательностей, содержит 140,1 млн параметров и принимает текст длиной до 512 токенов. Метки результата: отрицательная и положительная тональность. Модель предназначена для анализа коротких текстов на греческом языке, включая отзывы, комментарии и сообщения в соцсетях. На тестовом наборе из 767 примеров исходного корпуса политических твитов 2015 года указаны macro-F1 0,9086 и accuracy 0,9087. Эти результаты относятся к исходному домену корпуса; качество на отзывах об отелях отдельно не оценивалось. Модель обучена на корпусе DGurgurov/greek_sa с лицензией MIT. В карточке модели указана лицензия MIT. Токенизатор базовой модели включён в репозиторий; README сообщает о прежней проблеме с отсутствующими файлами токенизатора и её исправлении.

huggingface-course разработала эту модель, дообучив Google mT5-small для суммаризации англоязычных отзывов Amazon с переводом результата на испанский язык. Это компактная модель преобразования текста в текст на архитектуре mT5 с 157,4 млн параметров; репозиторий содержит веса PyTorch. В README приведены результаты оценки: ROUGE-1 16,97, ROUGE-2 8,30 и ROUGE-L 16,84. Модель предназначена для получения краткого испанского резюме по английскому отзыву о товаре. Она подходит для экспериментов и небольших сценариев анализа отзывов; качество на опубликованной оценке ограничено приведёнными значениями ROUGE. Лицензия — Apache-2.0.

Модель blanchefort/rubert-base-cased-sentiment-med — русскоязычный классификатор тональности медицинских отзывов, созданный на основе DeepPavlov/rubert-base-cased-conversational и обученный на отзывах о медицинских учреждениях. Архитектура — BERT для классификации последовательностей; модель содержит 205,1 млн параметров и принимает текст длиной до 512 токенов. Модель присваивает отзыву один из трёх классов: нейтральный, положительный или отрицательный. Она предназначена для автоматического анализа отзывов пациентов о клиниках и других медицинских учреждениях. Доступны версии весов для PyTorch, TensorFlow и Flax, включая формат safetensors. Лицензия в предоставленных данных не указана.

Это дообученная AmberYifan модель Marin 8B Base для генерации текста, созданная на основе marin-community/marin-8b-base. По названию набора данных дообучение связано с финансовыми текстами, FinCoT и FinQA; карточка не описывает конкретные сценарии использования и результаты оценки. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 4096 токенов. Она принимает текст и генерирует текст; метаданные указывают поддержку чата. Базовая модель ориентирована на английский язык, но отдельные языковые возможности производной модели в карточке не уточнены. Модель опубликована в формате safetensors под лицензией other; условия лицензии следует уточнить в репозитории. README не приводит ограничений или результатов оценки, поэтому качество на финансовых задачах по имеющимся данным определить нельзя.

LRieser/ceo-responsible-leadership-modernbert-base — англоязычный классификатор предложений, разработанный для анализа писем генеральных директоров акционерам. Это дообученная для классификации последовательностей модель ModernBERT-base с 149 млн параметров и контекстом до 8192 токенов; в описанном сценарии ей передают одно предложение. Модель относит его к одному из двух классов: responsible — высказывание о заинтересованных сторонах, сотрудниках, обществе, окружающей среде, этике или долгосрочной ценности; not_responsible — обычное деловое или финансовое содержание. Модель предназначена для выявления ответственного лидерства в корпоративных коммуникациях и исследовательского анализа писем CEO. На размеченной выборке из 5 418 предложений средний macro-F1 при повторной стратифицированной 5-блочной кросс-валидации составил 0,890, а точность — 0,910. Ошибки возможны: ценностные заявления и шаблонные формулировки могут ошибочно распознаваться как ответственное лидерство, а финансовые высказывания, связанные с ценностью для заинтересованных сторон, — пропускаться. Модель распространяется по лицензии Apache-2.0.

FLAME2 — мультиязычная модель для определения тональности финансовых заголовков с учётом перспективы локального рынка. Её разработчик дообучил XLM-RoBERTa-large на 145 637 заголовках из десяти языков, размеченных с учётом перспективы местных инвесторов. Архитектура — XLM-RoBERTa для классификации последовательностей; размер модели составляет 658,7 млн параметров, максимальный контекст — 514 токенов. Модель предназначена для классификации финансовых новостей: один и тот же новостной повод может получать разные оценки тональности в зависимости от рыночной перспективы. Для обработки заголовку добавляют языковой префикс, например [EN] или [AR]. Карточка приводит результаты по отдельным языкам, но доступные данные показывают только часть таблицы, поэтому сравнить качество по всем десяти языкам нельзя. Модель выпущена под лицензией Apache-2.0. Она обучалась на заголовках финансовых новостей; качество на длинных текстах и вне этой области не подтверждено. Контекст ограничен 514 токенами.

uer/roberta-base-finetuned-jd-binary-chinese — модель классификации китайских текстов, разработанная UER и дообученная с помощью UER-py на бинарном наборе отзывов JD. Она предназначена для определения полярности пользовательских отзывов и доступна для запуска через Transformers как модель классификации последовательностей. Это плотная архитектура семейства BERT с 129,5 млн параметров и контекстом до 512 токенов; в репозитории представлены веса PyTorch, TensorFlow и Flax. Модель рассчитана на китайский язык и не предназначена для генерации текста. Для её использования нужны входной текст и токенизатор модели. Обучение проводилось на размеченных отзывах JD; результаты на других доменах и типах текстов могут отличаться. Лицензия в предоставленных данных не указана.

soob3123/amoral-gemma3-12B-v2 — диалоговая модель для генерации аналитически нейтральных ответов на чувствительные и спорные запросы. Она дообучена разработчиком soob3123 на базе Google Gemma 3 12B Instruct с использованием набора TheDrummer/AmoralQA-v2; в репозитории представлены веса Safetensors. Модель предназначена для ответов с нейтральным тоном, без выраженных моральных оценок и с акцентом на фактическую точность и эпистемическую сдержанность. Архитектура — плотная Gemma 3; базовая модель мультимодальна и поддерживает понимание изображений, однако карточка этой версии заявляет текстовую генерацию и не описывает её работу с изображениями. В метаданных указан английский язык. README сообщает, что версия V2 улучшает аналитические способности и немного реже отказывает в ответах; для общих запросов различия с V1 могут быть малозаметны. Лицензия в предоставленных данных не приведена.

FinBertPTBR — модель на базе BERT, разработанная Vinicius Carmo, Julia Pocciotti, Luísa Heise и Lucas Leme для анализа финансовых текстов на бразильском португальском языке. Авторы продолжили обучение BERTimbau на крупном финансовом корпусе и настроили модель для классификации тональности. Модель предназначена для определения тональности финансовых новостей и других текстов, связанных с финансовой тематикой. Это плотная архитектура BERT с классификационной головой, примерно 136,1 млн параметров и контекстом до 512 токенов. Доступна в формате PyTorch. Карточка помечает модель как устаревшую и сообщает о наличии более новой версии. Модель распространяется по лицензии Apache-2.0.

FinSentinel — модель Ahmed Walid BOUANZOUL для классификации тональности финансовых текстов на французском языке. Она дообучена на базе camembert-base на 12 816 финансовых предложениях и относит текст к одному из трёх классов: негативная (Bearish), позитивная (Bullish) или нейтральная тональность. Модель использует архитектуру CamemBERT с 137,8 млн параметров и принимает текст длиной до 514 токенов. В README указаны точность 78,08% и F1 0,7759; качество неодинаково по классам: нейтральный класс распознаётся заметно лучше, чем негативный и позитивный. Модель распространяется по лицензии MIT.