III.2Исследование рынка и маркетинг

Модель esuriddick/distilbert-base-uncased-finetuned-emotion разработана автором репозитория и дообучена на базе distilbert/distilbert-base-uncased для распознавания эмоций в английском тексте. Это компактная двунаправленная архитектура DistilBERT для классификации последовательностей; она принимает текст длиной до 512 токенов и относит его к одной из шести категорий: гнев, страх, радость, любовь, грусть или удивление. Модель подходит для анализа коротких сообщений и текстов, в том числе похожих на публикации в Twitter. В README указаны результаты на оценочной выборке: точность 0,9375 и F1 0,9379. Файлы доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

uygarkurt/distilbert-base-uncased-finetuned-emotion — модель классификации текста на основе DistilBERT, дообученная на наборе данных emotion. Она предназначена для определения эмоциональной категории текста. В оценке на тестовом наборе указаны accuracy 0,92 и F1 0,92; контекст модели составляет 512 токенов. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Модель подойдёт для классификации коротких текстовых сообщений по эмоциям, например публикаций или отзывов. README не описывает набор классов, языки обучения и ограничения применения, поэтому нельзя надёжно определить, какие именно эмоции распознаются и насколько модель пригодна для языков, отличных от английского.

Это англоязычная модель классификации текста на базе DistilBERT, дообученная на наборе SST-2 для определения тональности. Репозиторий содержит динамически квантованную до INT8 версию, подготовленную с помощью Intel Neural Compressor; доступны варианты PyTorch и ONNX. Модель принимает текст и относит его к одному из классов тональности, что подходит для анализа коротких отзывов и высказываний на английском языке. В приведённой оценке на SST-2 точность INT8-версии составляет 0,9025 против 0,9106 у исходной FP32-модели; размер указан как 165 МБ против 256 МБ. Контекст модели — до 512 токенов. Лицензия — Apache-2.0. Результаты и назначение ориентированы на классификацию тональности в стиле SST-2; карточка не подтверждает качество на других языках, длинных текстах или иных задачах классификации.

distilbert-sentiment-demo — дообученная модель классификации последовательностей на базе distilbert/distilbert-base-uncased, опубликованная пользователем fnaen. Она предназначена для классификации текста; название репозитория указывает на анализ тональности, однако карточка не уточняет метки классов и целевые сценарии. Модель использует архитектуру DistilBERT и формат весов safetensors, работает с контекстом до 512 токенов и доступна через Transformers. В карточке приведены результаты оценки: loss 0,4245 и accuracy 0,8415. Датасет и методика оценки не раскрыты, поэтому эти показатели не позволяют судить о качестве на других данных. Лицензия — Apache-2.0.

bhadresh-savani/electra-base-emotion — модель классификации текста на основе ELECTRA, предназначенная для определения эмоций в сообщениях. Она обучалась для работы с эмоциональными высказываниями в Twitter; карточка приводит набор данных Twitter-Sentiment-Analysis и результат оценки на тесте с точностью 91,95% и F1 91,90%. Модель содержит 20,4 млн параметров, принимает текст длиной до 512 токенов и выдаёт метку класса эмоции. Модель подходит для анализа эмоциональной окраски коротких сообщений и изучения реакций аудитории в социальных сетях. Доступны веса в форматах PyTorch, TensorFlow и Flax. Лицензия Apache-2.0 разрешает использование и распространение с соблюдением её условий. Результаты оценки относятся к указанным данным и не гарантируют аналогичное качество на других жанрах, языках или распределениях текста.

Модель 02shanky/finetuned-twitter-xlm-roberta-base-emotion — версия XLM-RoBERTa, дообученная на наборе данных emotion для классификации эмоций в тексте. Она принимает последовательность текста и относит её к эмоциональному классу; в карточке указаны результаты на оценочной выборке: accuracy 0,9305 и F1 0,9307. Модель содержит около 305,2 млн параметров, использует архитектуру XLMRobertaForSequenceClassification и имеет контекст до 514 токенов. Опубликована в формате PyTorch. Модель подходит для анализа эмоциональной окраски коротких сообщений, в том числе текстов из Twitter/X. Она унаследована от cardiffnlp/twitter-xlm-roberta-base. Лицензия в предоставленных данных не указана.

thoriqfy/indobert-emotion-classification — модель классификации текста на основе IndoBERT, опубликованная пользователем thoriqfy. Она предназначена для распознавания эмоциональных категорий в индонезийском тексте. Модель использует архитектуру BERT с головой BertForSequenceClassification, содержит около 433,9 млн параметров и принимает последовательности длиной до 512 токенов. Модель можно применять для разметки эмоциональной окраски сообщений и анализа пользовательских текстов на индонезийском языке. Карточка показывает использование через Transformers и веса в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

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.

ytu-ce-cosmos выпустила дообученный на турецком языке классификатор токенов на архитектуре ModernBERT. Модель содержит около 149 млн параметров и извлекает из текста целевые аспекты мнений, размечая токены метками O, B-ASP и I-ASP. Она предназначена для извлечения аспектов в задачах анализа тональности по аспектам (ABSA), например для определения, о каких свойствах товара говорится в отзыве. Модель обучена на базе ytu-ce-cosmos/modernbert-tr-base с использованием переведённых записей M-ABSA и данных с метками, созданными учителем. В README приведены результаты F1 по точным границам сущностей: 64,09% на тестовой выборке ABSA-TR и 69,46% на переведённой турецкой выборке M-ABSA. Репозиторий содержит веса Safetensors и ONNX; лицензия — Apache-2.0. Указанная для базовой модели длина контекста составляет 8192 токена.

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.

Карточка модели nityaak/phi4mini-stance-matrix-mtcsd-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.

Карточка модели nityaak/phi4mini-stance-matrix-mtcsd-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.

Карточка модели nityaak/phi4mini-stance-matrix-semeval-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.

ayjays132/Quantum-NeuralAdaptiveLearningSystem — англоязычная модель классификации текста на основе BERT, предназначенная прежде всего для анализа тональности. В README описана гибридная схема с квантовым модулем и нейронной сетью; в метаданных архитектура указана как BertForSequenceClassification, размер — 136,8 млн параметров, максимальный контекст — 512 токенов. Доступны веса в форматах PyTorch, safetensors и Core ML. README указывает на три метки: общую категорию Classify и тональности Positive и Negative. Модель может применяться для определения тональности текстов и их классификации по этим категориям. Карточка описывает обучающий конвейер и компоненты, но не приводит оценки качества; заявленные квантовые компоненты не подтверждены архитектурными метаданными. Лицензия — Apache-2.0.

Sam Lowe разработал эту модель на базе roberta-base, дообучив её на наборе GoEmotions для многометочной классификации эмоций в тексте. Она выдаёт вероятности для 28 меток; для каждой метки можно отдельно подобрать порог срабатывания. Модель подходит для определения нескольких эмоций в одном сообщении, например в комментариях и коротких текстах на английском языке. Она использует архитектуру RoBERTa с 151,8 млн параметров и контекстом до 514 токенов. Модель принимает текст и выдаёт оценки классов эмоций. Качество различается по меткам: редкие категории, например облегчение, распознаются хуже, а неоднозначность и ошибки разметки в GoEmotions ограничивают результаты. В README приведены оценки на тестовой выборке и отмечено, что индивидуальная настройка порогов может улучшить баланс точности и полноты. Лицензия — MIT.

RogerKam/roberta_fine_tuned_sentiment_newsmtsc — модель RoBERTa для классификации текста, дообученная автором репозитория на базе roberta-base. Она предназначена для определения тональности текста; название репозитория указывает на новости и аспекты, однако README не описывает метки и точную схему классификации. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. Для проверки приведены результаты на оценочной выборке: accuracy 0,7713 и F1 0,7710. Модель подходит для автоматической разметки тональности коротких текстов и анализа новостных высказываний. README не раскрывает состав обучающих данных, метки классов и ограничения применения, поэтому переносить результаты на другие типы текстов следует с проверкой. Лицензия — MIT.

bsingh/roberta_goEmotion — модель классификации эмоций в тексте на основе RoBERTa, обученная на датасете GoEmotions с 58 тысячами размеченных комментариев Reddit. Она относит текст к 28 категориям, включая восхищение, гнев, радость, грусть, благодарность и нейтральный тон, и подходит для анализа эмоциональной окраски коротких пользовательских сообщений и комментариев. Модель использует архитектуру RobertaForSequenceClassification, содержит 151,8 млн параметров и принимает текст длиной до 514 токенов. В карточке приведены метрики по отдельным категориям; результаты различаются между эмоциями, а для некоторых классов показатели заметно ниже. Модель рассчитана на англоязычные тексты и распространяется по лицензии MIT.

Модель KBLab, Национальной библиотеки Швеции, — классификатор тональности на основе Megatron-BERT-large-165K, дообученный для многометочной классификации шведских текстов. Он обучен примерно на 75 тысячах текстов из разных языковых областей и наборов данных. Модель предназначена для определения тональности текста на шведском языке. Её можно применять для анализа мнений в текстовых коллекциях и разметки шведских текстов по категориям тональности. Это плотная архитектура Megatron-BERT с примерно 468,3 млн параметров и контекстом до 512 токенов. Модель распространяется по лицензии Apache-2.0. Результаты классификации зависят от соответствия входных текстов обучающим данным и охватываемым ими языковым областям.

pin/senda — модель на базе BERT, дообученная Институтом Александры для анализа тональности датских текстов. Она присваивает тексту одну из трёх меток: положительная, нейтральная или отрицательная тональность. Модель обучалась и тестировалась на размеченных твитах; её можно использовать для классификации коротких публикаций и других текстов на датском языке. Модель содержит 137,8 млн параметров и рассчитана на контекст до 512 токенов. Доступны веса для PyTorch, TensorFlow и Flax. На небольшом тестовом наборе Института Александры указаны accuracy 0,77 и macro-F1 0,73; результаты не гарантируют такого же качества на других источниках текстов. Лицензия — CC BY 4.0.

Модель alsgyu/sentiment-analysis-fine-tuned-model — дообученный разработчиком чекпойнт beomi/KcBERT-base для анализа тональности корейского текста. Она классифицирует текст по эмоциональным меткам, включая позитивную, негативную и нейтральную тональность, и подходит для анализа отзывов клиентов, мониторинга социальных сетей и определения эмоционального контекста. Модель построена на архитектуре BERT с классификационной головой BertForSequenceClassification, содержит 136,3 млн параметров и принимает последовательности длиной до 300 токенов. Обучение проводилось на корейском наборе эмоциональных данных AI Hub с нормализацией текста и кодированием меток; для работы используются Transformers и формат весов safetensors. README указывает лицензию MIT, разрешающую использование, изменение и распространение модели. Качество зависит от соответствия входного текста корейскому обучающему набору и заданным эмоциональным меткам; характеристики на других языках или в иных предметных областях не заявлены.

Модель Hamitcangultekin/sifirdan-turkce-duygu-analizi — дообученная версия турецкого BERTurk dbmdz/bert-base-turkish-cased для классификации текста. По названию она предназначена для анализа тональности на турецком языке, однако карточка не раскрывает набор классов, обучающие данные и подробности оценки. Модель содержит 137,8 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Распространяется в формате safetensors по лицензии MIT.

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.

lupinlevorace опубликовал компактную модель на основе BERT для классификации текста. Репозиторий указывает задачу text-classification; размер составляет 4,4 млн параметров, архитектура — BertForSequenceClassification, максимальная длина контекста — 512 токенов. Название и сведения в конфигурации токенизатора связывают модель с SST-2 и базовой моделью textattack/bert-base-uncased-SST-2. Это позволяет использовать её для классификации тональности англоязычных текстов, например отзывов. В карточке нет подробного описания оценки качества или условий лицензии, поэтому их нельзя надёжно охарактеризовать.

bergum/xtremedistil-l6-h384-go-emotion — модель классификации текста, дообученная на наборе данных GoEmotions на основе microsoft/xtremedistil-l6-h384-uncased. Она предназначена для определения эмоций в тексте и доступна для демонстрации в облачном сервисе aiserv.cloud. Модель построена на архитектуре BERT, содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Карточка не сообщает подробности о метках эмоций, языках обучения или качестве классификации, поэтому эти характеристики нельзя уточнить.

Карточка модели luoyou1014/age-gender-prediction на Hugging Face совпадает с карточкой abhilash88/age-gender-prediction, поэтому описание составлено по ней. Модель abhilash88/age-gender-prediction — модель компьютерного зрения на базе Vision Transformer ViT-Base, предназначенная для одновременной оценки возраста и классификации пола по изображению лица. Она принимает цветные изображения RGB размером 224×224 и использует две выходные ветви: регрессионную для возраста и классификационную для пола. Модель обучена на датасете UTKFace; в README заявлены средняя абсолютная ошибка оценки возраста 4,5 года и точность классификации пола 94,3% на этом датасете. Модель подходит для анализа демографических характеристик изображений, исследовательских задач и обработки отдельных изображений или пакетов изображений. Наилучшие результаты заявлены для взрослых 16–60 лет при хорошем освещении и фронтальном положении лица. Для использования предусмотрена лицензия Apache-2.0. Точность ниже для детей, особенно в возрасте 0–12 лет, а также может снижаться для очень пожилых людей, изображений с плохим освещением, сильным поворотом лица или окклюзиями. README предупреждает, что стандартный Transformers pipeline может возвращать метки LABEL_0/LABEL_1 вместо ожидаемых значений; для получения возраста и пола предлагается использовать вспомогательную функцию автора.

jackietung/bert-base-chinese-finetuned-sentiment — китайская модель анализа тональности, созданная дообучением google-bert/bert-base-chinese. Это BERT с классификационной головой для последовательностей, содержащий 129,5 млн параметров и принимающий текст длиной до 512 токенов. Модель определяет положительную, отрицательную или нейтральную тональность; она предназначена прежде всего для анализа отзывов о приложениях на китайском языке. При обучении использовалась Focal Loss для работы с дисбалансом классов. Модель распространяется под лицензией MIT.

maymuni/bert-base-turkish-cased-emotion-analysis — модель BERT для классификации эмоций в текстах. Она дообучена на базе dbmdz/bert-base-turkish-cased; указанный в карточке обучающий набор данных не назван. Модель предназначена для определения эмоциональной категории текста и подходит, например, для анализа тональности сообщений и отзывов. Архитектура — BertForSequenceClassification, около 137,8 млн параметров; максимальная длина контекста — 512 токенов. В карточке приведены результаты оценки: loss 0,0437, accuracy и F1 около 0,995, однако значения accuracy и F1 помечены вопросительными знаками, а сведения о наборе данных отсутствуют. Модель распространяется по лицензии MIT.

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.

M-FAC/BERT-mini-finetuned-sst2 — модель BERT-mini, дообученная на наборе SST-2 с оптимизатором второго порядка M-FAC. Репозиторий подготовлен автором под именем M-FAC; в карточке указаны архитектура BertForSequenceClassification и 12 млн параметров. Модель предназначена для классификации тональности коротких англоязычных текстов на положительные и отрицательные примеры. В README приведены результаты на валидационной части SST-2: точность выбранного запуска M-FAC составила 84,20% в сравнении с 85,46% для базового запуска Adam; авторы отмечают возможность улучшить результат настройкой гиперпараметров. Контекст модели — до 512 токенов. Модель принимает текст и выдаёт метку класса. Для использования доступны веса PyTorch; лицензия в предоставленных данных не указана.

cardiffnlp/camembert-base-tweet-sentiment-fr — дообученная CardiffNLP модель CamemBERT-base для классификации тональности франкоязычных твитов. Она принимает текст и относит его к классам тональности; модель обучена на французской части набора cardiffnlp/tweet_sentiment_multilingual. На тестовой выборке указаны accuracy 72,76% и macro F1 72,81%. Модель содержит 137,8 млн параметров, использует архитектуру CamemBERT для классификации последовательностей и поддерживает контекст до 514 токенов. Лицензия в предоставленных данных не указана.