III.2Исследование рынка и маркетинг

Xenova/distilbert-base-uncased-finetuned-sst-2-english — модель для анализа тональности текста, разработанная сообществом Xenova на основе distilbert-base-uncased-finetuned-sst-2-english. Она предназначена для классификации англоязычных текстов по двум категориям: POSITIVE и NEGATIVE, например для оценки эмоциональной окраски отзывов, сообщений и других коротких текстов. Модель основана на архитектуре DistilBERT и доступна с весами в формате ONNX для использования в библиотеке Transformers.js, в том числе в JavaScript- и web-сценариях. Поддерживаемая модальность — текст; заявленный язык — английский. В README не указаны размер модели, максимальная длина контекста, точные характеристики обучения и отдельная лицензия. Сильной стороной является возможность выполнять анализ тональности в средах, совместимых с Transformers.js, включая потенциально браузерные приложения. Ограничения включают бинарный набор классов и ориентацию на английский язык; надёжность для других языков, сложных контекстов или специализированных доменов не заявлена. Условия лицензирования в предоставленных данных не указаны.

Emotionality_continuous — модель классификации текста, дообученная ajrayman на базе microsoft/deberta-v3-base. Она предназначена для оценки непрерывной эмоциональности текста; в README приведены результаты на тестовой выборке: RMSE 0,2115, MAE 0,1666 и корреляция 0,2949. Модель построена на архитектуре DeBERTa v3 Base с 211,6 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт оценку для задачи классификации последовательности. Лицензия — MIT.

MahnoorIqbal/emotion-distilbert — англоязычная модель классификации текста на основе DistilBERT, дообученная для определения эмоций. Она принимает текст и выдаёт метку класса; в карточке указаны результаты оценки: accuracy 0,9255 и F1 0,9269. Базовая модель — distilbert/distilbert-base-uncased, архитектура — DistilBertForSequenceClassification, формат весов — safetensors. Контекст составляет до 512 токенов. Модель подходит для автоматической разметки эмоциональной окраски коротких текстов, например сообщений и отзывов. Она распространяется по лицензии Apache-2.0. Карточка не раскрывает набор эмоциональных классов, обучающие данные и подробности оценки, поэтому результаты могут не переноситься на тексты из других источников или доменов.

Модель j-hartmann/emotion-english-distilroberta-base разработана как дообученная версия DistilRoBERTa-base для классификации эмоций в англоязычном тексте. Она присваивает тексту один из семи классов: гнев, отвращение, страх, радость, нейтральное состояние, грусть или удивление. Архитектура — RoBERTa для классификации последовательностей; модель содержит 95,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель обучена на сбалансированной выборке примерно из 20 тысяч примеров, объединяющей тексты из Twitter, Reddit, самоотчётов студентов и диалогов телепередач. В README приведена точность 66% на оценочной выборке. Модель подходит для разметки эмоций в сообщениях и анализа эмоционального тона текстовых коллекций. Качество может снижаться на текстах, заметно отличающихся от обучающих источников, а точность в README относится к указанной оценочной выборке. Сведения о лицензии в предоставленных данных отсутствуют.

Gemma 4 Thai Performance Marketing — созданная автором yothinS модель Gemma 4 E2b, дообученная методом QLoRA на датасете yothinS/Thai_performance_marketing. Она предназначена для консультаций по performance-маркетингу на тайском языке: анализа рекламных кампаний Meta Ads и TikTok Ads, поиска причин проблем с показателями и подготовки рекомендаций в формате «если — то» с конкретными шагами. Модель принимает текст и генерирует текстовые ответы; в карточке указана архитектура Gemma4ForConditionalGeneration и формат safetensors. README также описывает объединённую 16-битную версию и LoRA-адаптер для загрузки с базовой моделью unsloth/gemma-4-E2b-it. Обучение охватывает рекламные и бизнес-метрики CPM, CTR, CPC, CVR и ROAS. Лицензия — Apache-2.0. Ответы могут быть смещены к тематике performance-маркетинга и шаблону «если — то»; выводы и статистические рекомендации следует сверять с фактическими данными рекламных кабинетов Meta и TikTok перед изменением бюджета.

German Sentiment — модель классификации тональности немецких текстов, дообученная Aaron Chibb на основе deepset/gbert-large. Она предназначена для определения тональности текста, в том числе коротких сообщений в социальных сетях. Архитектура — BERT для классификации последовательностей; модель содержит 434,5 млн параметров и принимает текст с контекстом до 512 токенов. Используются веса PyTorch и формат safetensors. Модель рассчитана на немецкий язык. README указывает на обучение на наборе данных из Twitter, поэтому подходящий сценарий — анализ тональности коротких немецких публикаций. Лицензия в предоставленных данных не указана.

apriandito/indobert-sentiment-classifier — классификатор тональности индонезийского текста, разработанный apriandito на базе indobenchmark/indobert-large-p2. Это модель семейства BERT для классификации последовательностей с 433,9 млн параметров и контекстом до 512 токенов. Она принимает тему и текст в формате [CLS] context [SEP] text [SEP] и определяет тональность текста относительно заданной темы: отрицательную, нейтральную или положительную. Модель предназначена для анализа отзывов, новостей и высказываний, когда оценка зависит от обсуждаемой темы. В README для тестового набора из 4 704 примеров приведены accuracy 88,1% и macro F1 0,856; результаты относятся к описанному набору и сравнению с указанными базовыми моделями. Обучение проводилось на 31 360 парах «контекст–текст» по 188 темам. Модель принимает текст и выдаёт метку класса; заявленная поддержка языка — индонезийский. Распространяется по лицензии MIT.

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

Alireza1044 разработал эту модель, дообучив google/mobilebert-uncased на наборе GLUE SST-2 для классификации тональности английских текстов. Модель использует архитектуру MobileBERT и содержит 59,7 млн параметров; максимальная длина контекста — 512 токенов. Формат весов — PyTorch. На оценочной выборке SST-2 модель показала точность 0,9037. Её можно применять для определения положительной или отрицательной тональности коротких высказываний, например отзывов и комментариев. Карточка не сообщает о дополнительных сценариях или ограничениях качества. Лицензия — Apache-2.0.

Карточка модели nityaak/phi4mini-stance-matrix-semeval-ezstance-qlora на Hugging Face совпадает с карточкой nityaak/phi4mini-stance-matrix-semeval-mtcsd-ezstance-qlora, поэтому описание составлено по ней. Модель nityaak — дообученная версия unsloth/Phi-4-mini-instruct-unsloth-bnb-4bit на основе архитектуры Phi-3. В README упомянуты датасеты MT-CSD и EzStance, что указывает на настройку для анализа тональности и определения позиции текста по заданным темам; модель опубликована в формате Safetensors и поддерживает диалоговый интерфейс. Модель содержит 3,8 млрд параметров и рассчитана на контекст до 4096 токенов. Она принимает текст и генерирует текстовые ответы на английском языке. Обучение выполнялось с Unsloth и Hugging Face TRL. Лицензия — Apache-2.0.

Real Estate Listing Analysis — модель на архитектуре mBART для классификации текстов объявлений о недвижимости. Она предназначена для отнесения объектов к категориям по типу, определению объявлений о новостройках и бизнес-центрах, выявления удобств, классификации по местоположению и анализа ценовых тенденций. Модель содержит 457,4 млн параметров, принимает текст с контекстом до 1024 токенов и распространяется в формате safetensors. Карточка описывает применение в анализе объявлений о недвижимости, однако конкретные метки классов и результаты оценки качества не приведены. Лицензия в доступных данных не указана.

JeremiahZ/roberta-base-sst2 — модель классификации текста на базе RoBERTa, дообученная на датасете SST-2 из набора GLUE. Она предназначена прежде всего для определения тональности коротких англоязычных текстов, например отзывов и пользовательских комментариев. Архитектура — RobertaForSequenceClassification; модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. На оценочной выборке SST-2 указана точность 93,58% и значение loss 0,2314. Модель ограничена задачей классификации и английским языком; результаты из карточки относятся к оценке на SST-2 и не гарантируют такое же качество на других жанрах или языках. Лицензия — MIT.

Prasadrao/roberta-large-go-emotions — модель RoBERTa-large, дообученная для классификации эмоций в тексте на датасете GoEmotions. Она предназначена для определения эмоциональных категорий в сообщениях и других коротких текстах. Модель содержит 454,1 млн параметров, принимает текст и выдаёт метки классов; максимальная длина контекста — 514 токенов. На оценочной выборке указаны accuracy 0,4589 и F1 0,5142. Модель опубликована под лицензией MIT. Карточка не описывает ограничения подробнее; показатели оценки стоит учитывать при использовании классификации в чувствительных сценариях.

SaBERT Spanish Sentiment Analysis — модель классификации текста на основе BERT, разработанная Azul Fuentes, Dante Reinaudo, Lucía Pardo и Roberto Iskandarani как дипломный проект по компьютерной инженерии в Университете Буэнос-Айреса. Она определяет положительную или отрицательную тональность испанского текста и подходит, например, для анализа отзывов и сообщений в социальных сетях. Модель дообучена на dccuchile/bert-base-spanish-wwm-uncased. Для обучения использовали 11 500 испаноязычных твитов из набора TASS; архитектура — BertForSequenceClassification с двумя классами. Метаданные указывают 137,1 млн параметров и контекст до 512 токенов, а в README указан предел длины входа 128 токенов. На оценочном наборе авторы сообщают accuracy и F1 86,47%. Модель предназначена для испанского текста и бинарного анализа тональности; качество на других языках, типах текста и задачах не подтверждено. Распространяется по лицензии Apache-2.0.

Etelis/Sentiment140_BERT_5E — модель классификации тональности текста, созданная дообучением bert-base-cased на наборе данных Sentiment140. Она предназначена для определения тональности коротких текстовых сообщений, например публикаций в социальных сетях. Модель основана на архитектуре BERT и содержит 135,5 млн параметров; максимальная длина контекста составляет 512 токенов. Для классификации доступна оценка accuracy 0,82 на наборе оценки. Модель принимает текст и выдаёт результат классификации. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Карточка не описывает разметку классов и подробности оценки, поэтому переносить заявленную точность на другие данные не следует.

Модель NYTK для классификации тональности отдельных венгерских предложений и коротких сообщений. Она основана на XLM-RoBERTa base и дообучена на корпусе венгерских твитов Hungarian Twitter Sentiment (HTS). Модель относит текст к одному из пяти классов: от очень негативного до очень позитивного; также предусмотрен нейтральный класс. Это модель XLM-RoBERTa для классификации последовательностей с 305,2 млн параметров. Метаданные указывают контекст до 514 токенов, а карточка рекомендует ограничивать длину последовательности 128 токенами. Репозиторий содержит веса PyTorch, лицензия — MIT. В опубликованном сравнении результат на HTS5 составляет 66,50; карточка также приводит результат 68,99 для huBERT на этом наборе, поэтому превосходство данной модели не заявлено.

socmed-comment-roberta-base-indonesian-smsa — дообученный классификатор последовательностей на базе w11wo/indonesian-roberta-base-sentiment-classifier. Модель предназначена для классификации индонезийских комментариев в социальных сетях по тональности; архитектура — RoBERTa с головой RobertaForSequenceClassification, размер — 151,8 млн параметров, контекст — до 514 токенов. Репозиторий содержит веса в формате Safetensors. В карточке указаны результаты оценки: accuracy 0,8927 и F1 0,8925; набор данных и подробности классов не раскрыты. Модель распространяется по лицензии MIT.

cardiffnlp/twitter-roberta-base-emotion-latest — Cardiff NLP разработала модель RoBERTa-base для многометочной классификации эмоций в сообщениях Twitter. Модель предварительно обучена на 154 млн твитов, опубликованных до конца декабря 2022 года, а затем дообучена на наборе TweetEmotion из SuperTweetEval. Модель принимает текст и может присваивать ему несколько меток из 11 категорий: гнев, ожидание, отвращение, страх, радость, любовь, оптимизм, пессимизм, грусть, удивление и доверие. Архитектура — RobertaForSequenceClassification, размер — 151,8 млн параметров, контекст — до 514 токенов. Карточка указывает английский язык; репозиторий содержит веса PyTorch и safetensors. Подходит для анализа тональности и эмоций в коротких сообщениях и публикациях. Модель выпущена по лицензии MIT. Она обучалась на твитах и датасете TweetEmotion, поэтому её результаты могут хуже подходить для других жанров текста и языков; предсказания отражают только заданные категории и не гарантируют точного понимания эмоционального контекста.

onnx-community/twitter-xlm-roberta-base-sentiment-ONNX — ONNX-представление мультиязычной модели twitter-XLM-RoBERTa-base-sentiment, разработанной Cardiff NLP и опубликованной в формате ONNX сообществом ONNX Community. Модель предназначена для классификации тональности текста, прежде всего сообщений из социальных сетей, и возвращает оценки для классов Positive, Neutral и Negative. В основе лежит архитектура XLM-RoBERTa-base, предварительно обученная примерно на 198 миллионах многоязычных твитов и дообученная для анализа тональности. Дообучение выполнялось на арабском, английском, французском, немецком, хинди, итальянском, испанском и португальском языках; модель может работать и с другими языками, но качество для них отдельно не гарантируется. Версия ONNX включает обычную и квантованную ONNX-модели, что подходит для локального или браузерного инференса при совместимой среде выполнения. Сильные стороны модели — мультиязычность и специализация на коротких сообщениях и социально-медийном языке. Ограничения связаны с областью обучения: результаты для обычных документов, специализированных доменов, сарказма и языков вне набора дообучения могут быть менее надежными. В карточке ONNX-модели лицензия и требования к использованию не указаны, поэтому условия следует проверять по исходной модели Cardiff NLP и ее лицензии.

XLM-EMO — мультиязычная модель классификации эмоций в текстах социальных сетей, разработанная Federico Bianchi, Debora Nozza и Dirk Hovy. Она дообучена на базе XLM-T и предназначена для выявления эмоциональных категорий в тексте, в том числе при работе с языками, для которых мало обучающих данных. Модель основана на XLM-RoBERTa и содержит около 305,2 млн параметров; максимальная длина контекста — 514 токенов. Она принимает текст и выдаёт метки классов эмоций. В карточке сообщается о F1 0,85 на тестовом наборе и конкурентных результатах в zero-shot сценарии. Авторы позиционируют модель как исследовательский инструмент; результаты на конкретных языках и типах текстов могут различаться. Лицензия в предоставленных данных не указана.

Lucyan85/xlmr-tass-sentiment — модель классификации текста на основе XLM-RoBERTa-base, дообученная для анализа тональности. Она предназначена для отнесения текстовых высказываний к тональным классам. Модель содержит около 305,2 млн параметров, использует архитектуру XLM-RoBERTa и рассчитана на контекст до 514 токенов. На оценочном наборе указаны accuracy 0,6701 и F1 0,6679. Название модели предполагает связь с TASS, однако карточка не описывает обучающие данные, набор классов, языки, целевые сценарии или ограничения качества. Модель распространяется по лицензии MIT.

Bhadresh Savani дообучил ALBERT-base-v2 для классификации эмоций в текстах. Модель построена на архитектуре ALBERT и содержит 136,3 млн параметров; она принимает текст и относит его к эмоциональным категориям. В README указано обучение на наборе данных для эмоций с использованием Hugging Face Trainer в течение восьми эпох. Метаданные указывают библиотечные форматы PyTorch, TensorFlow и Flax, контекст до 512 токенов и лицензию Apache-2.0. Модель предназначена для анализа эмоциональной окраски коротких сообщений, в частности текстов из Twitter. В README приведено сравнение с другими классификаторами на датасете эмоций, однако результаты самой этой модели там не указаны. Язык карточки и метаданные датасета указывают на английский язык.

bamibert-hotel-acsa-multilabel — модель классификации текста на архитектуре RoBERTa с 129 млн параметров. Она обучена с нуля на неизвестном наборе данных и предназначена для многометочной классификации аспектов и тональности отзывов об отелях; карточка не приводит подробностей о метках или оценке качества. Модель принимает текст и выдаёт метки классов. Максимальная длина контекста — 2050 токенов. Используется библиотека Transformers, веса доступны в формате safetensors. Лицензия в предоставленных данных не указана.

Модель nateraw/bert-base-uncased-emotion — дообученная для классификации эмоций версия bert-base-uncased. Она принимает текст и определяет эмоциональную категорию; модель обучена на датасете emotion с помощью PyTorch Lightning. Архитектура — BERT для классификации последовательностей, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Доступны веса PyTorch и Flax; модель рассчитана на английский язык. Модель подойдёт для определения эмоций в коротких сообщениях, отзывах и других текстах. В README приведена точность на валидации 0,931, однако автор отмечает, что метрика не заменяет precision, recall и F1; также автор характеризует модель как не лучшую и сообщает, что код обучения недоступен. Лицензия — Apache-2.0.

Модель textattack/bert-base-uncased-yelp-polarity — версия BERT base uncased, дообученная TextAttack для классификации тональности отзывов Yelp на положительные и отрицательные. Она обучена на наборе yelp_polarity в течение пяти эпох; наилучшая точность на проверочной выборке составила около 97%. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. Модель подходит для определения полярности отзывов и других коротких текстов на английском языке. В README указана максимальная длина последовательности 256 токенов при обучении. Карточка не сообщает условия лицензии.

liam168 разработал модель классификации текста на базе BERT для определения тональности китайских отзывов. Она обучена на корпусе диалогов на китайском языке и различает два класса: оптимистичный и пессимистичный. Модель имеет архитектуру BertForSequenceClassification, содержит 129,5 млн параметров и принимает текст длиной до 512 токенов. Модель подходит для автоматической разметки тональности китайских отзывов и диалогов, например, для сортировки отзывов по позитивной и негативной оценке. В README указан размер 410 млн, который расходится с размером из метаданных; поэтому размер в параметрах приведён по метаданным. Лицензия в предоставленных данных не указана.

copywriter-gemma4-31b-i1-GGUF — квантованная GGUF-версия модели copywriter-gemma4-31b, разработанной akwin123 и подготовленной к квантованию пользователем mradermacher. Модель относится к семейству Gemma 4 и предназначена для генерации рекламных и маркетинговых текстов: рекламных объявлений, продающих материалов, email-рассылок, текстов прямого отклика и конверсионного copywriting. Заявлены также диалоговый формат и эмоциональный интеллект. Модель содержит 31 млрд параметров. В README она обозначена как vision-модель, поэтому для работы с изображениями могут потребоваться файлы mmproj из статического репозитория. Указан английский язык. Формат GGUF позволяет использовать различные уровни квантования с разным соотношением размера, скорости и качества: от примерно 7,3 до 25,3 ГБ. Рекомендуемым вариантом назван i1-Q4_K_M, а i1-Q4_K_S — компромиссом между размером, скоростью и качеством. К сильным сторонам относятся специализация на copywriting и широкий выбор квантованных вариантов для запуска на оборудовании с разными ограничениями по памяти. Ограничения включают потенциальное снижение качества у компактных квантов, причём некоторые варианты прямо отмечены как низкокачественные; максимальная длина контекста в README не указана. Лицензия унаследована от Gemma и обозначена как gemma; конкретные условия следует проверять в лицензии базовой модели.

Elron/deberta-v3-large-sentiment — модель классификации текста, дообученная на базе microsoft/deberta-v3-large на наборе TweetEval для анализа коротких сообщений в стиле Twitter. Она предназначена для классификации эмоций, тональности, иронии, ненавистнических и оскорбительных высказываний. В README приведены результаты на тестовых данных TweetEval и сравнение с несколькими другими моделями; на указанных задачах модель показала более высокие значения в приведённой таблице. Модель построена на архитектуре DeBERTa V2 и содержит около 533,8 млн параметров. Принимает текст, контекстное окно — 512 токенов. Доступна в формате PyTorch и распространяется по лицензии MIT. Оценки в README относятся к тесту TweetEval; качество на других типах текстов и вне коротких сообщений может отличаться.

Это дообученная модель DeBERTa-v2 для определения эмоций в японском тексте. Репозиторий описывает её как одну из восьми отдельных моделей пакета DeBERTa Emotion Predictor: каждая распознаёт одну эмоцию из набора радость, грусть, ожидание, удивление, гнев, страх, отвращение и доверие. Модель принимает текст и выдаёт метку наличия соответствующей эмоции и уверенность для положительного класса. Модель предназначена для классификации эмоциональной окраски японских сообщений и текстов. Архитектура — DebertaV2ForSequenceClassification, размер — около 451,8 млн параметров, контекст — до 512 токенов. README описывает пакетный интерфейс для одиночных текстов, списков и pandas Series, а также выгрузку вероятностей в DataFrame. Для работы требуется PyTorch и Transformers; по README пакет также использует pandas. Лицензия модели — CC BY-SA 4.0. README отмечает, что первый запуск может занимать много времени, поскольку загружаются восемь моделей; при инференсе GPU-модель загружается по необходимости, чтобы экономить память.

aimanabdulmanan/distilbert-base-uncased-finetuned-emotion — модель классификации текста на основе DistilBERT, дообученная разработчиком aimanabdulmanan для распознавания эмоций. Она принимает текст и относит его к эмоциональным классам; набор меток и обучающие данные в карточке не описаны. Архитектура — DistilBertForSequenceClassification, формат весов — safetensors, максимальная длина контекста — 512 токенов. В README приведены результаты оценки: accuracy 0,927 и F1 0,9269; датасет и подробности оценки не указаны. Модель подходит для автоматической разметки эмоциональной окраски коротких текстов, например сообщений и отзывов. Базовая модель — distilbert/distilbert-base-uncased, лицензия — Apache-2.0. Англоязычная базовая модель рассчитана на текст на английском языке; качество распознавания эмоций вне языка и условий оценки не подтверждено.