III.2Исследование рынка и маркетинг

Bhadresh Savani дообучил DistilBERT base uncased для классификации эмоций в коротких англоязычных сообщениях, в том числе текстах из Twitter. Модель построена на DistilBERTForSequenceClassification: DistilBERT получен дистилляцией BERT на этапе предварительного обучения, а данный чекпойнт дополнительно обучен на наборе данных эмоций с помощью HuggingFace Trainer. Максимальная длина контекста — 512 токенов. Модель присваивает тексту эмоциональные классы. В README приведены результаты на наборе эмоций из Twitter: точность 93,8% и F1 93,79%; автор также сообщает о более высокой скорости обработки по сравнению с вариантами BERT и RoBERTa в своём сравнении. Эти показатели относятся к описанной оценке и не гарантируют такого же качества на других текстах. Модель распространяется по лицензии Apache-2.0.

kmkuo/distilbert-base-uncased-finetuned-emotion — модель классификации текста на основе DistilBERT, дообученная разработчиком kmkuo на неизвестном наборе данных. Название указывает на задачу распознавания эмоций, однако README не описывает метки классов или качество классификации. Модель принимает текст и выдаёт результат классификации. Она использует архитектуру DistilBertForSequenceClassification с контекстом до 512 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0.

krimits выпустил DistilBERT hotel-review sentiment classifier — модель классификации тональности отзывов об отелях, полученную полным дообучением distilbert/distilbert-base-uncased. Она принимает текст на английском языке и относит отзыв к одному из двух классов: положительному или отрицательному. Архитектура — DistilBertForSequenceClassification, размер — около 67 млн параметров; максимальный контекст по метаданным — 512 токенов. Модель предназначена для анализа отзывов гостей, например для автоматической сортировки отзывов или подсчёта положительных и отрицательных оценок. В README приведены результаты на отложенной выборке из 13 263 отзывов Booking.com: macro-F1 0,9642 и accuracy 97,33%. Обучающие данные — англоязычные отзывы о европейских отелях за период с 2015 по 2017 год; отзывы со смешанной тональностью исключались. Модель распространяется по лицензии MIT. Её оценки относятся к данным и условиям описанного эксперимента: качество может отличаться на отзывах из других источников, периодов или тематик. Классификатор выдаёт только два класса и обучался с одним значением seed.

BexRedpill/distilbert-on-yelp-reviews-full-epoch-2 — дообученная модель классификации последовательностей на архитектуре DistilBERT, основанная на BexRedpill/distilbert-on-yelp-reviews-full. Репозиторий содержит веса в формате safetensors; модель предназначена для классификации текстов, а README сообщает о дообучении на датасете Yelp reviews. В качестве сценария применения подходят классификация и анализ тональности отзывов о товарах или услугах. В README приведены результаты оценки: accuracy 0,6508, F1 0,6490, precision 0,6480 и recall 0,6508. Контекст модели — 512 токенов. Лицензия — Apache-2.0.

databoyface/distilroberta-base-omemoji-v0.1 — англоязычный классификатор эмоций, созданный дообучением distilbert/distilroberta-base на наборе OMEmoji. Модель на архитектуре RoBERTa с классификационной головой относит текст к 10 категориям эмоциональных состояний, включая доверие или любовь, радость, зависть, стыд или вину, гнев или отвращение, страх или тревогу, грусть или травму, а также нейтральные и простые позитивные или негативные случаи. Модель предназначена для классификации эмоциональной окраски англоязычных примеров по системе Orthogonal Model of Emotions. В карточке указаны 95,2 млн параметров и контекст до 514 токенов; на оценочном наборе приведены accuracy 0,9549 и loss 0,1496. Это бета-версия, поэтому качество и пригодность результатов для конкретных данных следует проверять. Модель распространяется по лицензии MIT.

Improved-MARBERT-attempt2 — дообученная модель классификации последовательностей на базе Ammar-alhaj-ali/arabic-MARBERT-sentiment, опубликованная пользователем Anwaarma. Она предназначена для классификации арабского текста; исходная модель MARBERT определяет положительную, отрицательную или нейтральную тональность, поэтому этот чекпойнт может применяться для анализа тональности арабских текстов. Архитектура — BERT для классификации последовательностей, размер — около 190 млн параметров, максимальный контекст — 512 токенов. В README приведены результаты оценки: accuracy 0,85 и loss 0,5969. Датасет дообучения обозначен как неизвестный, поэтому результаты не позволяют оценить качество на конкретных жанрах или разновидностях арабского языка. Модель опубликована в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Это модель классификации тональности текста на индонезийском языке, разработанная Wilson Wongso. Она основана на предварительно обученной Indonesian RoBERTa Base и дообучена на наборе SmSA из корпуса IndoNLU, содержащем индонезийские комментарии и отзывы. Модель имеет архитектуру RoBERTa для классификации последовательностей; в метаданных указано 151,8 млн параметров и контекст до 514 токенов. Доступны веса в форматах PyTorch, Safetensors и TensorFlow. Модель предназначена для определения тональности индонезийских отзывов и комментариев. В README сообщается о точности 93,2% и macro-F1 91,02% на тестовом наборе SmSA. Эти показатели относятся к данным бенчмарка и могут не переноситься на другие темы, источники или стили текста. Авторы также предупреждают о возможном влиянии смещений базовой модели и обучающего набора. Лицензия — MIT.

IT-EMOTION-ANALYZER — модель классификации итальянских предложений и абзацев по шести эмоциям: грусть, радость, любовь, гнев, страх и удивление. Она разработана aiknowyou и обучена с помощью AutoTrain на переводном наборе данных, включая данные, переведённые Google Translator; в метаданных также указан набор dair-ai/emotion. Модель построена на архитектуре BERT и содержит 137,1 млн параметров. Она принимает текст и возвращает класс эмоции; максимальная длина контекста — 512 токенов. В карточке приведены метрики валидации: accuracy и macro F1 по 0,828. Лицензия — CC BY-SA 4.0. Результаты могут зависеть от качества автоматического перевода обучающих данных и от того, насколько тексты соответствуют данным обучения; метрики карточки не гарантируют такое же качество на новых данных.

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

Модель Hidden-States/roberta-base-goemotions разработана Subinoy Bera и Arnab Karmakar и дообучена на базе RoBERTa-base для многометочной классификации эмоций в англоязычном тексте. Она предсказывает категории таксономии GoEmotions: 27 эмоций и нейтральную метку. Гибридная цель обучения сочетает контрастивное обучение на сходстве с классификационной функцией потерь; размер модели — 151,8 млн параметров, контекст — до 514 токенов. Модель предназначена для анализа коротких и средних текстов: публикаций в соцсетях, комментариев, обсуждений, отзывов и реплик диалога. Её можно запускать локально, в том числе на CPU; для текстового анализа она выдаёт оценки по категориям эмоций. В README приведены Macro-F1 0,56 и Micro-F1 0,62 на тестовой выборке GoEmotions. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Она не предназначена для мультиязычных или мультимодальных данных и не предсказывает эмоции за пределами 28 категорий GoEmotions. Результаты могут отражать смещения датасета и субъективность разметки; модель не проверена для критически важных применений, а её предсказания следует считать приблизительными сигналами.

Модель ayameRushia/roberta-base-indonesian-1.5G-sentiment-analysis-smsa — дообученная на датасете indonlp/indonlu модель RoBERTa для классификации тональности текста. Её можно применять для определения тональности индонезийских текстов; карточка приводит пример запуска через Transformers с задачей text-classification. Модель основана на cahya/roberta-base-indonesian-1.5G, содержит 153,2 млн параметров и имеет контекст длиной до 514 токенов. В карточке указаны accuracy 0,9262 и loss 0,4294 на оценочном наборе. Доступны веса в формате PyTorch; лицензия в предоставленных данных не указана.

Модель seara/rubert-base-cased-russian-emotion-detection-ru-go-emotions разработана на основе RuBERT и дообучена для многометочной классификации эмоций в коротких русскоязычных текстах. Она присваивает тексту одну или несколько из 28 меток, включая гнев, радость, грусть, любопытство и нейтральное состояние. Модель построена на архитектуре BERT и содержит 205,1 млн параметров; максимальная длина контекста — 512 токенов. Она обучена на русскоязычной версии набора GoEmotions ru_go_emotions и подходит для анализа эмоциональной окраски коротких сообщений. В опубликованных результатах качество различается между классами: например, для класса anger указаны precision 0,53, recall 0,30 и F1 0,39. Лицензия модели — MIT. Она ориентирована на русский язык и короткие тексты; результаты на длинных документах и текстах других языков карточкой не подтверждены.

HassanB4/t2_s1_marbert_text_target — арабоязычный классификатор выявления позиции автора твита по отношению к заданной теме, созданный для Track 2 (Unseen Targets) соревнования StanceEval-2026 командой NAMAA Community. Модель дообучена на UBC-NLP/MARBERTv2; архитектура — BERT для классификации последовательностей, размер — 190 млн параметров, максимальный контекст — 512 токенов. На вход подаются арабский твит и целевая тема, на выходе — одна из трёх меток: Favor (поддержка), Against (противодействие) или None (нейтральная, нерелевантная либо неясная позиция). Модель обучалась на данных Mawqif-v2 и оценивалась на темах, не встречавшихся при обучении; результат на dev-наборе — 82,08 Favg2. Лицензия — Apache-2.0.

Vishnou/TinyBERT_SST2 — компактная модель классификации текста, созданная дообучением huawei-noah/TinyBERT_General_4L_312D на датасете SST-2. Она использует архитектуру BERT для классификации последовательностей и содержит 15,6 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для определения тональности коротких текстов, в частности для классификации отзывов по задаче SST-2. На указанном в карточке оценочном наборе она показала accuracy 0,8865 и loss 0,5142. Данные не описывают поддержку языков помимо языка SST-2. Модель опубликована в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Twitter emotion PL (base) — модель BERT, разработанная bards.ai на основе allegro/herbert-base-cased для классификации эмоций в польских публикациях Twitter. Она дообучена на переведённой версии набора TweetEval в течение 10 эпох и относит текст к одному из четырёх классов: радость, оптимизм, грусть или гнев. Модель предназначена для анализа тональности и эмоционального состава польских постов и коротких сообщений. В README указаны macro F1 0,756, macro precision 0,767 и macro recall 0,750. Параметры модели — около 151,6 млн, максимальная длина контекста — 514 токенов; для запуска подходит библиотека Transformers. Распространяется по лицензии CC BY 4.0.

daveni/twitter-xlm-roberta-emotion-es — модель XLM-RoBERTa-base, разработанная авторами карточки и дообученная для распознавания эмоций в испаноязычных сообщениях Twitter. Она относит текст к одному из семи классов: гнев, отвращение, страх, радость, печаль, удивление или «другое». Модель содержит около 305,2 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате PyTorch. Модель создавалась для участия в соревновании EmoEvalEs на конференции IberLEF 2021 и показала там macro-F1 71,70%. Её можно применять для анализа тональности и эмоциональных реакций в испаноязычных твитах и коротких сообщениях. Базовые веса XLM-RoBERTa предварительно обучены на корпусе примерно из 198 млн твитов; для дообучения использован датасет EmoEvalEs. Лицензия в предоставленных данных не указана.

Alireza1044/albert-base-v2-sst2 — модель классификации текста на основе ALBERT, дообученная на наборе данных SST-2 из бенчмарка GLUE для определения тональности английских высказываний. Это плотная архитектура AlbertForSequenceClassification с 136,3 млн параметров и контекстом до 512 токенов. Модель принимает текст и возвращает класс тональности; на оценочной выборке SST-2 указана точность 0,9232 и функция потерь 0,3808. Модель подходит для классификации тональности коротких английских текстов, например отзывов и пользовательских комментариев. Весами можно пользоваться в формате PyTorch. Лицензия — Apache-2.0. Карточка не описывает дополнительные сценарии применения или ограничения.

billerjully/BERT-absa-rest-reviews-asc — русскоязычный классификатор тональности отзывов о ресторанах, разработанный на базе cointegrated/rubert-tiny2 и дообученный для классификации последовательностей. По полному тексту отзыва модель предсказывает одну из трёх меток: положительная, отрицательная или нейтральная тональность; при использовании через Transformers можно получить вероятности для всех классов. Модель содержит 29 млн параметров, использует архитектуру BERT и принимает текст на русском языке. Она предназначена для автоматического анализа общей тональности ресторанных отзывов и может применяться вместе с моделью извлечения аспектов billerjully/BERT-absa-rest-reviews-ate. Обучение проводилось на 7 253 русскоязычных отзывах о ресторанах. Модель не определяет тональность отдельных аспектов, рассчитана только на русский язык и ресторанную тематику. Метаданные указывают контекст 2048 токенов. Лицензия — Apache-2.0.

bert-fa-sentiment-dksf — модель классификации текста, разработанная Hezar AI. Она дообучена на базе hezarai/bert-base-fa для анализа тональности персидского текста и подходит для определения эмоциональной окраски пользовательских отзывов и сообщений. Модель использует архитектуру BERT и доступна в формате PyTorch через библиотеку Hezar. Карточка Hugging Face обозначает задачу как text-classification и язык как персидский. Размер модели, длина контекста, точный набор классов тональности и лицензия в доступных сведениях не установлены.

nisancoskun/bert-finnish-sentiment-analysis-v2 — модель классификации текста на основе BERT, дообученная на TurkuNLP/bert-base-finnish-uncased-v1 с использованием набора данных nisancoskun/finnish_sentiment_data. Она предназначена для определения тональности финскоязычных текстов. На оценочном наборе модель достигла точности 0,9578 при значении loss 0,2362. Модель содержит 151,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

pysentimiento/bert-it-emotion — модель классификации текста, опубликованная проектом pysentimiento. Она предназначена для определения эмоций в итальянском тексте и относит его к одному из четырёх классов: радость, гнев, грусть или страх. Модель использует архитектуру BERT с головой классификации последовательностей; размер составляет 137,1 млн параметров, контекст — до 512 токенов. Модель принимает текст и выдаёт метки эмоций с оценками классов. Она подходит для анализа эмоциональной окраски сообщений и других коротких текстов на итальянском языке. Проверенные источники не сообщают лицензию этой модели; отдельная карточка на Hugging Face отсутствует, поэтому дополнительные гарантии качества и ограничения применения установить нельзя.

Это модель классификации текста на основе DistilBERT, дообученная автором jasonyim2 на наборе данных emotion. Она предназначена для определения эмоциональной категории текста. В README для оценки на тестовой выборке указаны accuracy и F1 по 0,9215 и loss 0,2227. Модель принимает текст и выдаёт метки классов. Она построена на архитектуре DistilBertForSequenceClassification, работает с контекстом до 512 токенов и распространяется в формате PyTorch. Лицензия — Apache-2.0. Карточка не сообщает список эмоциональных классов и подробности обучающих данных, поэтому результаты на других языках и типах текста не подтверждены.

aajallow/distilbert-sentiment-demo — модель классификации текста на основе DistilBERT, дообученная на неизвестном наборе данных. Она предназначена для отнесения текстов к категориям, в частности для анализа тональности; в README приведены точность 0,8368 и loss 0,4304 на оценочной выборке, но названия классов и состав выборки не раскрыты. Модель принимает текст, использует архитектуру DistilBertForSequenceClassification и рассчитана на контекст до 512 токенов. Репозиторий содержит веса в форматах Safetensors и ONNX. Лицензия — 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.

Модель amir22010/fine_tuned_product_marketing_email_gemma_2_9b_model — дообученная версия Gemma 2 для генерации текста. По названию репозитория она предназначена для создания маркетинговых писем о продуктах. Модель разработал amir22010 на основе unsloth/gemma-2-9b-bnb-4bit; обучение проводилось с Unsloth и библиотекой Hugging Face TRL. Это плотная причинно-языковая модель семейства Gemma 2 с 9 млрд параметров, принимает текст и генерирует текст. Контекстное окно составляет 8192 токена; в карточке указан английский язык. Модель распространяется под лицензией Apache-2.0. README не приводит результатов оценки качества или подробностей о данных дообучения.

FernandoSudo/finetuning-sentiment-model-3000-samples — модель классификации текста на основе DistilBERT, дообученная на неизвестном наборе данных. Она предназначена для классификации текстовых последовательностей; название репозитория указывает на анализ тональности, но карточка не сообщает метки классов и детали применения. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. В README приведены результаты на оценочной выборке: accuracy 0,8733 и F1 0,8797. Данных о размере обучающей выборки, методике оценки и составе классов недостаточно, поэтому эти показатели не позволяют судить о качестве на других данных. Базовая модель — distilbert/distilbert-base-uncased; лицензия — Apache-2.0.

Это модель классификации тональности текста, созданная дообучением distilbert-base-uncased. В карточке указаны точность 0,8567 и значение loss 0,3523 на наборе для оценки, но сами данные и схема классов не описаны. Модель предназначена для определения тональности текста. Она использует архитектуру DistilBERT для классификации последовательностей, принимает текст с контекстом до 512 токенов и сохраняет веса в формате safetensors. Поддерживаемые языки и предметные области не уточнены. Модель распространяется по лицензии Apache-2.0. Результаты оценки не позволяют судить о качестве на других наборах данных; набор для оценки и ограничения применения в карточке не описаны.

joebobby/finetuning-sentiment-model-5000-samples3 — модель классификации текста на основе BERT, дообученная на bert-base-uncased. Она предназначена для классификации тональности текста. Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель использует PyTorch и распространяется по лицензии Apache-2.0. В README не приведены сведения о наборе данных, метках классов, результатах оценки и ограничениях, поэтому качество и конкретный охват классификации тональности оценить нельзя. Английский язык следует из базовой модели bert-base-uncased.

dascim/greekbart-sentiment-classification — модель классификации тональности греческих текстов, созданная авторами GreekBART в École Polytechnique путём дообучения базовой модели dascim/greekbart. Она решает задачу бинарной классификации тональности и подходит для определения эмоциональной окраски греческих отзывов, новостей и других текстов. Модель построена на архитектуре mBART и использует 95 млн параметров; максимальная длина контекста составляет 1024 токена. Для работы нужны текстовые данные, результатом являются метки классов. Модель рассчитана на греческий язык. Репозиторий использует библиотеку Transformers и формат весов safetensors. Лицензия MIT разрешает использование модели на её условиях.