III.2Исследование рынка и маркетинг

Многоязычная модель анализа тональности tabularisai/multilingual-sentiment-analysis разработана Tabularis AI и дообучена на distilbert/distilbert-base-multilingual-cased. Она использует архитектуру DistilBERT для классификации текста на пять категорий: очень негативная, негативная, нейтральная, позитивная и очень позитивная тональность. Модель принимает текст и выдаёт метку тональности с оценками классов. Модель предназначена для анализа публикаций в социальных сетях, отзывов о товарах и обратной связи от клиентов на разных языках, а также для мониторинга брендов и рыночных исследований. Поддерживаются английский, китайский, испанский, хинди, арабский, бенгальский, португальский, русский, японский, немецкий, малайский, телугу, вьетнамский, корейский, французский, турецкий, итальянский, польский, украинский, тагальский, нидерландский, швейцарский немецкий и суахили. Контекст модели — до 512 токенов. Для обучения использовались синтетические многоязычные данные. Авторы рекомендуют проверять качество на реальных данных целевого сценария. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

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.

cardiffnlp/twitter-roberta-base-topic-sentiment-latest — модель Cardiff NLP для определения тональности текста относительно заданной цели или упомянутого объекта. Это RoBERTa-base с 151,8 млн параметров, предварительно обученная на 154 млн твитов до конца декабря 2022 года и дообученная на наборе TweetSentiment из SuperTweetEval. Модель принимает текст, содержащий сообщение и цель анализа, и относит тональность к одному из пяти классов: от резко отрицательной до резко положительной, включая промежуточные отрицательные, нейтральные и положительные оценки. Модель предназначена для анализа тональности публикаций в Twitter и похожих коротких сообщений, в том числе для выяснения отношения автора к конкретному бренду, человеку или теме. Максимальная длина контекста составляет 514 токенов. Поддерживаемый язык — английский; модель использует архитектуру RoBERTa и формат PyTorch. Распространяется по лицензии MIT. Специализация на твитах и английском языке помогает классифицировать короткие сообщения с упоминаниями и хештегами. Результат представляет собой один из пяти классов тональности и оценку уверенности; модель не предназначена для многоязычного анализа и может ошибаться на неоднозначных формулировках, сарказме или текстах вне домена коротких публикаций.

Модель разработана Cardiff NLP: это RoBERTa-large, предварительно обученная на 154 млн твитов до конца декабря 2022 года и дообученная на наборе TweetSentiment из SuperTweetEval для определения тональности текста с учётом заданной цели. На вход подаются текст и целевая сущность, объединённые в одну строку; модель относит их тональность к одному из пяти классов: «сильно негативная», «негативная», «негативная или нейтральная», «позитивная» и «сильно позитивная». Она подходит для анализа мнений о конкретных людях, компаниях, продуктах или темах в сообщениях Twitter и похожих коротких текстах. Модель использует архитектуру RoBERTa-large, содержит около 454,1 млн параметров и имеет контекст длиной до 514 токенов. В метаданных указан английский язык. Репозиторий содержит веса в формате Safetensors; лицензия — MIT. Результат представляет собой метку класса и оценку уверенности. Обучение на твитах до конца 2022 года ограничивает актуальность модели для новых языковых тенденций, а её классы не дают отдельной нейтральной категории: для неё предусмотрено сочетание «негативная или нейтральная».

Модель lxyuan/distilbert-base-multilingual-cased-sentiments-student разработана на основе distilbert-base-multilingual-cased и обучена дистилляцией с учителя MoritzLaurer/mDeBERTa-v3-base-mnli-xnli. Она предназначена для классификации тональности текста на нескольких языках. Архитектура — DistilBertForSequenceClassification; модель принимает текст длиной до 512 токенов и выдаёт метку класса тональности. Поддерживаются английский, арабский, немецкий, испанский, французский, японский, китайский, индонезийский, хинди, итальянский, малайский и португальский языки. Репозиторий содержит форматы PyTorch, SafeTensors и ONNX. Лицензия — Apache-2.0.

Модель lxs1/DistilBertForSequenceClassification_6h_768dim — классификатор тональности на основе DistilBERT, дообученный для отнесения текста к положительной или отрицательной категории. В архитектуре 6 голов внимания, размер скрытого представления 768 и промежуточный слой размером 4 × 768; модель принимает последовательности длиной до 512 токенов. Модель предназначена для анализа отзывов, публикаций в социальных сетях и других текстов: например, для оценки реакции на товары и услуги, мониторинга тональности упоминаний бренда и фильтрации контента по тональности. В обучающих данных использовались социальные публикации, отзывы о товарах и фильмах; тексты приводились к нижнему регистру, из них удалялись стоп-слова, имена пользователей и URL. Разработчик предупреждает о возможных смещениях из обучающих данных и о том, что качество на текстах вне обучающего распределения может быть нестабильным. Лицензия в предоставленных данных не указана.

clapAI разработала modernBERT-base-multilingual-sentiment — мультиязычную модель классификации тональности на базе ModernBERT-base, дообученную на наборе данных clapAI/MultiLingualSentiment. Она предназначена для определения тональности текстов, в том числе отзывов о товарах и местах, на 16 языках и более: среди них английский, китайский, вьетнамский, корейский, японский, арабский, немецкий, испанский, французский, хинди, индонезийский, итальянский, малайский, португальский, русский и турецкий. Модель использует архитектуру ModernBertForSequenceClassification, содержит 149 млн параметров и принимает текст с контекстом до 8192 токенов. В оценке на тестовой части указанного набора данных достигла F1-score 80,16. Для работы требуется Transformers версии 4.48.0.dev0 или новее с поддержкой ModernBERT; FlashAttention может ускорить инференс. Модель распространяется по лицензии Apache-2.0.

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.

TabularisAI разработала англоязычную модель анализа тональности на основе DistilBERT, дообученную для классификации текста. Она относит текст к одному из пяти классов: «очень негативный», «негативный», «нейтральный», «позитивный» и «очень позитивный». Модель подходит для анализа публикаций в социальных сетях, отзывов о товарах и обратной связи клиентов, а также для мониторинга брендов и изучения рынка. Обучение проводилось только на синтетических данных. Модель использует архитектуру DistilBERT для классификации последовательностей, принимает текст с контекстом до 512 токенов и распространяется по лицензии Apache-2.0. Авторы сообщают об улучшении точности и снижении частоты ошибок в обновлении от декабря 2024 года, но в карточке нет численных результатов оценки; возможны смещения, и качество следует проверять на данных конкретной задачи.

Модель seara/rubert-base-cased-russian-sentiment — RuBERT, дообученная для многоклассовой классификации тональности коротких текстов на русском языке. Она относит текст к одному из трёх классов: нейтральный, положительный или отрицательный. Модель построена на архитектуре BERT и содержит 205,1 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для анализа отзывов, новостей и других коротких русскоязычных текстов. В обучении использовано объединение наборов RuReviews, RuSentiment, Linis Crowd 2015, Linis Crowd 2016 и Kaggle Russian News Dataset. На тестовой выборке автор сообщает macro F1 0,77; F1 для положительного класса составил 0,84, для нейтрального и отрицательного — по 0,73. Модель распространяется по лицензии MIT.

yangheng/deberta-v3-large-absa-v1.1 — мультиязычная модель анализа тональности по аспектам (ABSA), разработанная для PyABSA на базе microsoft/deberta-v3-large. Это плотный энкодер DeBERTa-v2 с классификационной головой и механизмом FAST-LCF-BERT, который выделяет контекст, относящийся к заданному аспекту. Модель содержит 533,8 млн параметров и рассчитана на контекст до 512 токенов. Модель определяет тональность конкретных аспектов в тексте, например отдельно оценивает еду и обслуживание в отзыве. Она подходит для анализа отзывов, обращений в поддержку, публикаций в соцсетях и обратной связи о продуктах. Поддерживаются английский, арабский, китайский, нидерландский, французский, русский, испанский и турецкий языки. Модель распространяется по лицензии MIT. Это специализированный классификатор, а не универсальная языковая модель: для анализа нужно передать целевой аспект, а заявленные возможности генерации текста и диалога к ней не относятся. Указанные в README заявления о точности и скорости не сопровождаются здесь численными результатами бенчмарков; фактическая производительность зависит от оборудования и сценария применения.

Модель Shahzad Sohail — дообученная DistilBERT для многометочной классификации эмоций в английском тексте по упрощённому набору меток GoEmotions от Google. Она предназначена для анализа комментариев в социальных сетях, определения эмоциональной окраски сообщений, мониторинга мнений о бренде и добавления распознавания эмоций в чат-боты. Модель принимает текст и выдаёт метки эмоций; использует архитектуру DistilBERT и поддерживает контекст до 512 токенов. Лицензия — Apache 2.0. Модель не предназначена для клинической диагностики или обработки неанглоязычного текста; она может ошибаться на сленге, диалектах, сарказме и неоднозначных сообщениях, поэтому результаты в чувствительных сценариях требуют проверки человеком.

Это модель классификации тональности текста, разработанная автором chawki17 путём дообучения DistilBERT-base-uncased. Она относит текст к одному из трёх классов: положительный, нейтральный или отрицательный. Модель предназначена для анализа отзывов о товарах, клиентской обратной связи и публикаций в социальных сетях. Модель принимает текст и выдаёт метку тональности с оценкой уверенности. Она основана на DistilBERT, использует библиотеку Transformers и поддерживает контекст до 512 токенов. По данным README, на валидационной выборке достигнуты accuracy 0,89 и macro F1 0,88; качество зависит от соответствия входных текстов обучающим данным. Модель распространяется по лицензии Apache-2.0.

Многоязычная модель классификации тональности clapAI/roberta-base-multilingual-sentiment, разработанная на базе FacebookAI/xlm-roberta-base и дообученная на датасете clapAI/MultiLingualSentiment. Она определяет тональность текста, например отзывов о товарах и местах, и подходит для анализа пользовательских мнений на разных языках. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров. Она поддерживает более 16 языков, включая английский, русский, китайский, вьетнамский, французский, испанский, португальский, немецкий, итальянский, японский, корейский и арабский; длина контекста — 514 токенов. В README приведена оценка F1 81,8 на тестовой части указанного датасета. Модель принимает текст и выдаёт метки классов тональности. Для работы используется библиотека Transformers, веса доступны в формате safetensors. Лицензия — Apache-2.0. Оценка в README относится к конкретному тестовому датасету и не гарантирует такие же результаты на других типах текстов или языках.

Это бинарный классификатор тональности индонезийского текста, разработанный apriandito и дообученный на базе IndoBERT Large P2. Он определяет полярность в контексте заданной темы и возвращает один из двух классов: NEGATIF или POSITIF; нейтральный класс не предусмотрен. В README указан формат входа с контекстом темы и текстом, разделёнными специальными токенами. Модель построена на архитектуре BERT, содержит около 433,9 млн параметров по метаданным и поддерживает контекст длиной до 512 токенов. Модель подходит для мониторинга отзывов о брендах и продуктах, анализа общественного мнения и обнаружения кризисных реакций, когда нужна только положительная или отрицательная оценка. Для проверки на отложенной выборке из 2 107 примеров автор сообщает accuracy 96,06% и macro-F1 0,949; эти показатели относятся к указанной выборке. Лицензия — MIT.

clapAI/modernBERT-large-multilingual-sentiment — мультиязычная модель классификации тональности, разработанная на базе ModernBERT-large и дообученная командой clapAI на наборе clapAI/MultiLingualSentiment. Она предназначена для определения тональности текста, в том числе отзывов о товарах и местах, на языках из набора обучения. Модель использует плотный двунаправленный энкодер ModernBERT с архитектурой ModernBertForSequenceClassification и содержит около 395 млн параметров. Максимальная длина контекста — 8192 токена. В README для неё указан F1-score 81,4 на тестовой выборке MultiLingualSentiment; результат зависит от языка и данных конкретного применения. Модель поддерживает 16 языков, включая английский, китайский, вьетнамский, корейский, японский, арабский, немецкий, испанский, французский, хинди, индонезийский, итальянский, малайский, португальский, русский и турецкий. Для работы требуется библиотека Transformers с поддержкой ModernBERT; README рекомендует FlashAttention для ускорения вывода. Распространяется по лицензии Apache-2.0.

Это англоязычная RoBERTa-base для анализа тональности, разработанная Anna Chierici. Модель дообучена на базе cardiffnlp/twitter-roberta-base-sentiment-latest на данных SemEval и твитах, отправленных аккаунту @AmazonHelp, и предназначена для оценки удовлетворённости клиентов и репутации компаний. Модель принимает текст и относит его к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Её можно применять для анализа отзывов и клиентских сообщений, в том числе публикаций в Twitter. Архитектура — RoBERTa для классификации последовательностей, размер — 151,8 млн параметров, контекст — до 514 токенов. Модель работает с английским языком. Лицензия в предоставленных данных не указана. Качество за пределами описанных данных и сценариев не охарактеризовано; обучающие данные включают твиты, связанные с обращениями в поддержку Amazon.

Модель ignacio-ave/beto-sentiment-analysis-spanish — модель классификации тональности испаноязычных текстов, дообученная на BETO, испанской версии BERT. Она относит текст к одной из трёх категорий: отрицательной, нейтральной или положительной. Модель реализована как BertForSequenceClassification, содержит 137,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch через библиотеку Transformers. Модель предназначена для анализа отзывов, публикаций и других коротких текстов на испанском языке, например для оценки общего настроения сообщений или сортировки отзывов по тональности. В README приведена точность 67,59% для трёх классов; F1 составляет 0,68 для отрицательного, 0,58 для нейтрального и 0,76 для положительного класса. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Lsthf/multilingual-emotion-classification — многоязычная модель Tabularis AI для многометочной классификации эмоций в тексте. Это дообученная на базе FacebookAI/xlm-roberta-base модель XLM-RoBERTa с 305,2 млн параметров и контекстом до 514 токенов. Она независимо оценивает 11 категорий: гнев, презрение, отвращение, страх, раздражение, благодарность, радость, любовь, нейтральность, грусть и удивление; одному тексту можно присвоить несколько меток или не присвоить ни одной. Модель предназначена для анализа эмоций в сообщениях социальных сетей, отзывах о продуктах и обратной связи клиентов, мониторинга бренда и отслеживания эмоциональной окраски диалогов. Карточка сообщает о поддержке 23 языков и приводит метрики на синтетическом многоязычном тестовом наборе; перед применением на реальных данных качество следует проверять отдельно. Эмоциональные метки отражают культурно обусловленные интерпретации и не являются достоверным измерением внутреннего состояния человека. Указана лицензия CC BY-NC 4.0; README предлагает связаться с разработчиком для получения коммерческой лицензии.

Многоязычная модель классификации эмоций Anas Hamid Alokla, дообученная на базе google-bert/bert-base-multilingual-cased на наборе multilingual_go_emotions. Она анализирует текст и присваивает ему несколько меток одновременно: 27 категорий эмоций и нейтральную категорию. Модель построена на архитектуре BERT с классификационной головой, содержит 205,1 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для анализа отзывов и обращений клиентов, мониторинга настроений в соцсетях, поддержки эмоционально чувствительных чат-ботов и разметки текстов по эмоциональным категориям. В карточке заявлена поддержка арабского, английского, французского, испанского, нидерландского и турецкого языков; модель доступна для использования через Transformers. Лицензия — MIT. Качество зависит от языка, частоты конкретной эмоции и порогов классификации; приведённые в карточке метрики относятся к тестовой выборке. Классификация эмоций не определяет намерения или психологическое состояние человека и не должна использоваться как самостоятельная оценка психического здоровья.

NuMind NuSentiment-multilingual — модель компании NuMind для получения векторных представлений текста, ориентированных на анализ тональности. Это версия multilingual E5, дообученная на размеченной части корпуса mC4; эмбеддинги можно применять напрямую или дополнительно настраивать на специализированных наборах данных. Модель основана на XLM-RoBERTa, содержит около 305,2 млн параметров, принимает текст и рассчитана на контекст до 514 токенов. В метаданных перечислены английский, арабский, французский, немецкий, португальский, итальянский, испанский, китайский, японский и корейский языки. Модель распространяется по лицензии MIT. Ее назначение — представление текста для задач анализа тональности; README не сообщает результатов оценки качества и ограничений по отдельным языкам или сценариям.

r1char9/rubert-base-cased-russian-sentiment — русскоязычная модель классификации тональности на основе RuBERT, разработанная дообучением базовой модели для многоклассового анализа коротких текстов. Она присваивает тексту одну из трёх меток: нейтральная, положительная или отрицательная тональность. Модель подходит для автоматической разметки тональности в новостях, отзывах и других коротких русскоязычных текстах. Для обучения использованы Russian News Dataset, Linis Crowd 2015 и 2016, RuReviews и RuSentiment. Архитектура — BERT для классификации последовательностей, размер — 205,1 млн параметров, максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch. Модель предназначена для русского языка; качество на длинных текстах, других языках и тематиках за пределами обучающих данных не подтверждено. Лицензия — MIT.

Модель MonoHime/rubert-base-cased-sentiment-new разработана Татьяной Волошиной для классификации тональности русскоязычных текстов. Это модель семейства BERT на базе архитектуры BertForSequenceClassification с 205,1 млн параметров и контекстом до 512 токенов. Она присваивает тексту одну из трёх меток: нейтральная, положительная или отрицательная тональность. Модель подходит для автоматической разметки отзывов, сообщений и других русскоязычных текстов по тональности, а также для включения в конвейеры анализа мнений. Она обучалась на наборе Tatyana/ru_sentiment_dataset и распространяется в форматах PyTorch и Safetensors. Лицензия в доступных сведениях не определена. Предсказания могут содержать стереотипы и смещения, в том числе в отношении защищённых групп и чувствительных социальных характеристик. Перед применением в значимых сценариях следует учитывать эти ограничения и проверять качество на целевых данных.

Карточка модели sbcBI/sentiment_analysis на Hugging Face совпадает с карточкой sbcBI/sentiment_analysis_model, поэтому описание составлено по ней. sbcBI/sentiment_analysis_model — модель классификации английских текстов по тональности, созданная дообучением bert-base-uncased. В метаданных архитектура указана как DistilBertForSequenceClassification семейства DistilBERT; доступный формат весов — PyTorch, максимальный контекст — 512 токенов. README описывает обучение на размеченном наборе данных, который обозначен в метаданных как Confidential. Модель предназначена для определения тональности текста и уже настроена на эту задачу; автор README не рекомендует использовать её для дальнейшего дообучения под другие задачи. Подходит для классификации англоязычных отзывов, комментариев и коротких сообщений. Лицензия — Apache-2.0.

Модель tanaos/tanaos-emotion-detection-v1 разработана Tanaos с использованием библиотеки Artifex и дообучена на базе microsoft/Multilingual-MiniLM-L12-H384. Это компактная модель BERT для классификации текста: она определяет основную эмоцию в сообщении и относит его к одной из 12 категорий, включая радость, гнев, страх и нейтральный тон. По карточке, модель рассчитана на английский язык; базовая архитектура многоязычная. Размер модели — 124,3 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для анализа отзывов, обратной связи клиентов, публикаций в социальных сетях и других текстов, где требуется определить эмоциональный тон. Она может служить лёгкой альтернативой более крупным моделям в мониторинге мнений и анализе настроений. Обучение проводилось на синтетическом наборе из 10 000 высказываний. Лицензия — MIT. Результаты ограничены заранее заданными категориями эмоций, поэтому модель может хуже работать в специализированных областях, где эмоциональные оттенки отличаются от обучающих категорий. Хотя в карточке заявлена многоязычная применимость, указанным языком модели является английский.

kaixkhazaki/turkish-sentiment — модель классификации тональности турецкого текста, разработанная дообучением BERTurk dbmdz/bert-base-turkish-cased. Она использует архитектуру BertForSequenceClassification, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Модель относит текст к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель предназначена для анализа турецких публикаций в социальных сетях, отзывов о товарах и других текстов. В README приведены результаты оценки: accuracy 0,9688 и macro F1 0,9454; эти показатели относятся к указанному оценочному набору. Модель обучена на наборе winvoker/turkish-sentiment-analysis-dataset, содержащем 440 679 обучающих и 48 965 валидационных примеров. Распространяется по лицензии MIT.

savasy/bert-base-turkish-sentiment-cased — модель анализа тональности турецких текстов на основе BERTurk. Это BERT-модель с головой классификации последовательностей, содержащая 137,8 млн параметров; она принимает текст и относит его к одному из двух классов тональности, обозначенных LABEL0 и LABEL1. В примерах карточки LABEL1 соответствует положительной тональности, а LABEL0 — отрицательной. Модель предназначена для классификации отзывов и комментариев на турецком языке, в том числе пакетной обработки строк из TSV-файлов. Максимальная длина контекста составляет 512 токенов. Доступны веса в форматах PyTorch, Flax и Safetensors. В карточке не приведены сведения о лицензии, поэтому условия использования по ней определить нельзя.

howey/bert-base-uncased-sst2 — модель классификации текста на базе архитектуры BERT base uncased, опубликованная пользователем howey на Hugging Face. Она предназначена для определения тональности отдельных англоязычных предложений в задаче SST-2, то есть для отнесения текста к положительному или отрицательному классу.

Ludo33/e5_Sentiment_General_v2 — дообученная модель на базе intfloat/multilingual-e5-large-instruct для классификации тональности текста. Она использует архитектуру XLM-RoBERTa с 658,7 млн параметров и принимает текст с контекстом до 514 токенов. В README указаны результаты на оценочной выборке: accuracy 0,9016 и F1 0,9021; состав выборки и методика оценки не описаны. Модель подходит для определения тональности текстов в прикладных системах анализа мнений и отзывов. Базовая E5-модель многоязычная, однако конкретные поддерживаемые языки этой версии не перечислены. Модель распространяется по лицензии MIT.

oliverguhr/german-sentiment-bert — модель классификации тональности немецкоязычных текстов на основе архитектуры Google BERT. Она обучена на 1,834 млн примеров из разных источников: Twitter, Facebook, а также отзывов о фильмах, приложениях и отелях. Модель предназначена для определения тональности текстов и может применяться для анализа публикаций и отзывов на немецком языке. Модель содержит 136,3 млн параметров и поддерживает контекст до 512 токенов. Для получения лучших результатов входные тексты необходимо предварительно обрабатывать так же, как при обучении; авторы предоставляют пакет Python germansentiment, который включает предобработку и инференс. В README приведены показатели F1 для нескольких наборов данных, в том числе 0,9568 на holidaycheck и 0,9418 на scare. Репозиторий доступен в форматах PyTorch, TensorFlow, Flax, ONNX и Safetensors. Лицензия — MIT.