III.2Исследование рынка и маркетинг

LEIA-large — модель для классификации эмоций в тексте, разработанная авторами работы «LEIA: Linguistic Embeddings for the Identification of Affect». Она основана на RoBERTa и дообучена на базе BERTweet-large: сначала модель дополнительно обучали с предпочтительным маскированием слов, связанных с эмоциями, затем настроили на части саморазмеченного набора эмоций Lykousas et al. (2019). Модель относит текст к одной из пяти категорий: гнев, страх, грусть, радость или расположение. Она принимает текст на английском языке и предназначена для распознавания эмоциональной окраски коротких сообщений и других текстовых фрагментов. Размер модели — 454,1 млн параметров, максимальный контекст — 514 токенов. Модель распространяется по лицензии MIT. Описание не приводит результатов оценки и не уточняет качество на других языках или типах текстов; категории не охватывают все возможные эмоции.

mt5-small-finetuned-amazon-en-es — дообученная модель на базе google/mt5-small, опубликованная пользователем yueyue1987. Это компактная модель семейства mT5 с архитектурой MT5ForConditionalGeneration и 157,4 млн параметров, предназначенная для суммаризации текста. Карточка сообщает метрики оценки: Loss 3,2159, ROUGE-1 6,8206, ROUGE-2 2,5316, ROUGE-L 6,5558 и ROUGE-Lsum 6,661. По названию репозитория модель связана с Amazon и английским и испанским языками, однако README не описывает набор данных и не уточняет ожидаемый формат входа или качество по отдельным сценариям. Базовая модель mT5 многоязычная и преобразует текст в текст; доступные сведения указывают на задачу суммаризации. Весы опубликованы в формате safetensors. Лицензия — Apache-2.0.

SamLowe/roberta-base-go_emotions-onnx — ONNX-версия модели SamLowe/roberta-base-go_emotions, разработанная для многоклассовой и многометочной классификации эмоций в англоязычных текстах. Модель основана на архитектуре RoBERTa base и обучена на наборе данных GoEmotions. Она предсказывает 28 эмоциональных категорий, включая восхищение, радость, гнев, страх, благодарность, грусть, удивление и нейтральное состояние. Модель предназначена для анализа эмоциональной окраски текста и может использоваться через Optimum и ONNX Runtime. Доступны полная версия ONNX размером около 499 МБ и квантованная INT8-версия размером около 125 МБ. Квантованная версия сохраняет почти идентичное качество и обеспечивает более высокую скорость вывода, особенно на CPU и при небольших пакетах; в описанных тестах она примерно в пять раз быстрее обычной Transformers-модели для пакета из одного текста. Для преобразования выходов в вероятности применяется sigmoid, а фиксированный порог 0,5 позволяет получать бинарные предсказания по каждой эмоции. Для полной версии указаны Accuracy 0,474, Precision 0,575, Recall 0,396 и F1 0,450; для INT8-версии — Accuracy 0,475, Precision 0,582, Recall 0,398 и F1 0,447. Эти показатели приведены для порога 0,5, поэтому подбор индивидуальных порогов для меток может улучшить F1 или другую целевую метрику. Ограничения модели связаны с поддержкой только английского языка, зависимостью качества от выбранного порога и относительно невысокой полнотой классификации. Модель распространяется по лицензии MIT.

dadashzadeh/roberta-sentiment-persian — модель классификации текста на основе RoBERTa, дообученная автором репозитория на базе HooshvareLab/roberta-fa-zwnj-base. Она предназначена для анализа тональности персидских текстов. Модель содержит 145,5 млн параметров, имеет контекст длиной до 514 токенов и распространяется в формате safetensors. На указанном в карточке наборе оценки она показала accuracy 0,8298 и loss 0,4350. Карточка не раскрывает метки тональности, сведения о наборе данных и ограничения модели. Лицензия — Apache-2.0.

tagasenti_model v6 — это дообученная jjjardev модель XLM-RoBERTa-large для трёхклассовой классификации тональности текстов на тагальском языке и таглише, включая переключение между тагальским и английским. Она определяет отрицательную, нейтральную или положительную тональность отзывов, комментариев и других коротких текстов. Модель содержит 658,7 млн параметров по метаданным, использует архитектуру XLM-RoBERTa для классификации последовательностей и имеет контекст длиной 514 токенов по метаданным; README указывает усечение входов до 128 токенов. Модель обучена на датасете TagaSenti v6, объединяющем реальные и дополненные примеры. В README указаны точность 84,8% и macro-F1 0,848 на отложенном тесте для тагальского; перенос на хилигайнон заметно слабее. В репозитории также есть динамически квантованная INT8-версия ONNX для развёртывания на CPU и устройствах без PyTorch. Модель распространяется по лицензии Apache-2.0. Она подходит для анализа отзывов и комментариев, мониторинга пользовательских мнений и исследования тональности в низкоресурсных языках и код-свитчинге. Модель выдаёт только три грубых класса: она не определяет отдельные эмоции или тональность аспектов. README отмечает ошибки на идиомах, отсутствие калибровки уверенности и риск усечения длинных текстов; для серьёзных решений требуется проверка человеком.

Prasadrao разработал эту модель на базе XLM-RoBERTa Large, дообучив её для классификации эмоций в тексте на наборе данных GoEmotions. Она предназначена для определения эмоциональных категорий в тексте и может использоваться для анализа тональности сообщений, отзывов и реплик. Модель содержит 658,7 млн параметров, построена на архитектуре XLM-RoBERTa для классификации последовательностей и принимает контекст до 514 токенов. Опубликована в формате safetensors по лицензии MIT. На оценочном наборе указаны accuracy 0,4521 и F1 0,5170, поэтому качество предсказаний может быть ограниченным; карточка не описывает подробности обучающих данных, список меток и языков. Для корректного применения следует сверить выходные метки с конфигурацией модели и оценить качество на данных целевого сценария.

Prasadrao/xlm-roberta-large-go-emotions-v2 — дообученная модель классификации текста на базе XLM-RoBERTa Large. Она предназначена для определения эмоций в тексте; README приводит метрики на оценочном наборе, но не раскрывает его состав или набор классов. Модель содержит 658,7 млн параметров, использует архитектуру XLMRobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. Карточка сообщает о точности 0,4521 и F1 0,5170 на оценочном наборе. Модель распространяется по лицензии MIT. Языковая поддержка явно не описана; название базовой модели указывает на GoEmotions, но данных недостаточно, чтобы установить поддерживаемые языки и точную схему меток.

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.

Это модель классификации тональности текста на индонезийском языке, созданная дообучением bert-base-indonesian-1.5G на наборе данных indonlu. Она предназначена для определения тональности коротких текстовых сообщений и отзывов. Модель построена на архитектуре BERT и содержит 137,8 млн параметров; максимальная длина контекста — 512 токенов. На тестовой выборке автор сообщает точность 0,9373 и значение функции потерь 0,3390. Модель принимает текст и выдаёт метку класса тональности. Распространяется по лицензии MIT.

BERT-base-uncased, дообученная Bhadresh Savani на наборе данных emotion с помощью Hugging Face Trainer для классификации эмоций в тексте. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Доступны версии в форматах PyTorch, TensorFlow и Flax, включая веса Safetensors. Модель предназначена для определения эмоциональной категории в тексте, в том числе в сообщениях Twitter. В сравнении на наборе emotion из Twitter в README указаны accuracy 94,05 и F1 94,06; это результаты на указанном наборе и они не гарантируют аналогичного качества на других данных. Модель рассчитана на английский язык. Лицензия — Apache-2.0.

Модель rttl-ai — англоязычный чекпойнт BERT для многоклассовой классификации отзывов Yelp. Она основана на bert-base-uncased и дообучена на датасете Yelp Review Full; перед этим применялось адаптивное к задаче предобучение (TAPT) на отзывах Yelp с повышенной долей маскируемых токенов и WWM. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт класс текста. Модель подходит для автоматической категоризации отзывов Yelp и похожих англоязычных отзывов. Она распространяется в формате PyTorch по лицензии Apache-2.0. Оценки качества и точная схема классов в карточке не приведены.

HooshvareLab/bert-fa-base-uncased-sentiment-snappfood — модель классификации тональности персидских текстов на базе Transformer ParsBERT v1.1. Разработчики восстановили словарь и дообучили модель на персидских корпусах; эта версия предназначена, в частности, для определения тональности отзывов пользователей SnappFood. Она относит текст к положительной или отрицательной категории. В наборе SnappFood использовались 70 тысяч комментариев с двумя сбалансированными метками, а для ParsBERT v2 указана оценка F1 87,98. Модель построена на архитектуре BERT для классификации последовательностей, содержит 190 млн параметров и принимает контекст длиной до 512 токенов. Поддерживаемый язык — персидский. Доступны версии в форматах PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0. Оценка из README относится к упомянутому набору данных и не гарантирует такое же качество на других текстах.

pysentimiento/bert-pt-emotion — модель классификации текста на основе BERT, опубликованная проектом pysentimiento. Она предназначена для распознавания эмоций в португальском тексте и выдаёт оценки для нескольких эмоциональных категорий, включая восхищение, радость, гнев, грусть и нейтральность. Модель содержит 136,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель подходит для анализа эмоциональной окраски пользовательских сообщений и публикаций на португальском языке. Документация pysentimiento отмечает, что для разных задач и языков используются разные данные и модели; опубликованные результаты для BERT-pt на распознавании эмоций приведены как средний macro-F1 44,4 ± 0,6%. Сведения о лицензии в доступных источниках не подтверждены.

EmoSense-ID — модель классификации эмоций в текстах на индонезийском языке, разработанная на основе NusaBERT-base. Архитектура — BERT для классификации последовательностей; модель содержит 137,8 млн параметров, принимает текст длиной до 512 токенов и выдаёт категории эмоций по модели Плутчика: ожидание, гнев, отвращение, страх, радость, печаль, удивление и доверие. Модель обучена на индонезийских твитах и предназначена для анализа эмоциональных реакций в социальных сетях. При обучении применялся подбор гиперпараметров с Optuna. Доступна по лицензии MIT. Классификация может быть смещена из-за особенностей обучающих данных; результаты следует интерпретировать с учётом этого ограничения.

IDEA-CCNL разработала Erlangshen-Roberta-110M-Sentiment — китайскую модель семейства RoBERTa, дообученную для анализа тональности. Модель основана на chinese-roberta-wwm-ext-base и обучена на 227 347 примерах из восьми китайских наборов данных для анализа тональности. В карточке указано 129,5 млн параметров и контекст до 512 токенов. Модель предназначена для классификации тональности китайских текстов, включая прикладные наборы данных, на которых она дообучалась. README приводит результаты на ASAP-SENT, ASAP-ASPECT и ChnSentiCorp. Она принимает текст и выдаёт метки классификации. Лицензия — Apache-2.0.

Erlangshen-Roberta-330M-Sentiment — разработанная командой Fengshenbang IDEA-CCNL модель на базе китайской RoBERTa-wwm-ext-large, дообученная для анализа тональности. Её обучали на восьми китайских датасетах по анализу тональности, всего на 227 347 примерах; в README также приведены результаты на наборах ASAP-SENT, ASAP-ASPECT и ChnSentiCorp. Модель предназначена для классификации тональности китайских текстов, в том числе для анализа аспектов и пользовательских отзывов. Это плотная модель семейства BERT с архитектурой BertForSequenceClassification; в репозитории указано 424,3 млн параметров, а максимальный контекст составляет 512 токенов. Используются форматы PyTorch и safetensors. Лицензия — Apache-2.0. В README опубликованы метрики на отдельных наборах данных, но они не гарантируют такие же результаты на других доменах и текстах.

Seonghaa разработал модель классификации корейского текста по шести эмоциям: гневу, тревоге, грусти, спокойствию, смущению и радости. Это дообученная на основе klue/roberta-base модель RoBERTa с 137,8 млн параметров, предназначенная для определения эмоциональной окраски коротких текстовых сообщений. Максимальная длина контекста составляет 514 токенов. Модель можно применять для разметки сообщений, анализа эмоциональной тональности и группировки текстов по эмоциональным категориям. В README приведены результаты оценки: точность 0,9831 и macro F1 0,9798; эти показатели относятся к использованному автором набору данных и не гарантируют такого же качества на других текстах. Модель принимает текст и возвращает метку эмоции с оценкой уверенности. Лицензия — MIT.

rajaadil разработал my-sentiment-model — модель классификации тональности англоязычного текста на две категории: POSITIVE и NEGATIVE. Она создана дообучением DistilBERT distilbert-base-uncased на подмножестве датасета IMDB с отзывами о фильмах. Модель предназначена для быстрой оценки тональности отзывов, комментариев и коротких сообщений обратной связи. Использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса с оценкой уверенности. Контекст — до 512 токенов; заявлена возможность работы на CPU. На указанном наборе оценки точность составила 0,869. Модель рассчитана на английский язык и бинарную классификацию. Качество может снижаться на текстах, отличающихся от отзывов о фильмах; модель плохо определяет нейтральную, саркастическую и смешанную тональность. Распространяется по лицензии Apache-2.0.

Senda — датская модель на архитектуре BERT, разработанная Lars Kjeldgaard и дообученная для определения тональности и полярности текста. Она относит датские сообщения к одному из трёх классов: положительный, нейтральный или отрицательный. Модель предназначена для классификации датских текстов, в частности публикаций в Twitter. Обучение и проверка проводились на твитах с разметкой Alexandra Institute. Это модель последовательной классификации размером 137,8 млн параметров с контекстом до 512 токенов; доступны веса PyTorch и Flax. Лицензия — CC BY 4.0. Оценки качества и ограничения на других жанрах датского текста в карточке не приведены; обучение и проверка на твитах могут ограничивать переносимость на иные типы текстов.

TaxoSplitter: Business Router (e5-base) — модель эмбеддингов, разработанная автором репозитория на основе дообучения intfloat/e5-base-v2. Она предназначена для сопоставления категорий компаний и описаний точек интереса с 14 строгими B2B-вертикалями, включая здравоохранение, строительство, недвижимость, торговлю и производство. Модель формирует нормализованные плотные векторы текста размерностью 768; архитектура Sentence Transformer построена на BERT с усреднённым pooling. В метаданных указаны 136,7 млн параметров, контекст до 512 токенов и библиотека sentence-transformers. Обучение на контрастных положительных и отрицательных парах направлено на семантическое сравнение бизнес-категорий и снижение ошибок, когда общие суффиксы вроде «компания» или «станция» перевешивают смысл основного термина. Векторы можно применять для семантического поиска, сравнения сходства, кластеризации и маршрутизации категорий; для классификации вертикали потребуется сравнение с эталонными описаниями или иной прикладной логикой. Модель работает с текстом и выдаёт эмбеддинги и оценки сходства. README не указывает лицензию, поэтому условия использования следует сверить с карточкой репозитория на Hugging Face.

desdesmond/trained_with_six_emotions — модель классификации текста, созданная дообучением ykacer/bert-base-cased-imdb-sequence-classification. Она построена на архитектуре BERT и предназначена для отнесения текста к классам. Название репозитория указывает на шесть эмоциональных категорий, однако README не уточняет метки классов и обучающий набор данных. Модель содержит 135,5 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. На указанной в README оценочной выборке приведены loss 0,2450 и accuracy 0,9284; состав и методика оценки не описаны. Лицензия — Apache-2.0.

bamibert-moe-sentiment — модель классификации текста на тональность вьетнамского языка, разработанная на основе Qualcomm AI Research BamiBERT. Она дообучена на наборе AIVN 2019 и предназначена для отнесения отзывов, сообщений и клиентских обращений к положительной или отрицательной тональности. В README описана архитектура Mixture of Experts с динамической маршрутизацией токенов между экспертами; метаданные указывают архитектуру RoBERTa и 129 млн параметров. Контекст составляет 2050 токенов. Модель ориентирована на вьетнамские социальные сети, отзывы о товарах и обратную связь клиентов, включая сленг и контекстно-зависимые выражения. Для предварительной сегментации слов README рекомендует VnCoreNLP, а также упоминает pyvi как альтернативу. В README приведены результаты оценки на AIVN 2019, включая средний macro F1 0,9045 при пятифолдовой проверке. Модель распространяется по лицензии MIT. Результаты оценки относятся к указанному набору данных и не гарантируют такое же качество на других тематиках и источниках текста; для корректной обработки рекомендуется учитывать требования к сегментации вьетнамского языка.

Модель minutillamolinara/bert-japanese_finetuned-sentiment-analysis — классификатор тональности японского текста на базе BERT, опубликованный minutillamolinara. В README сказано, что модель обучалась с нуля на наборе Japanese Sentiment Polarity Dictionary; также приведена ссылка на jarvisx17/japanese-sentiment-analysis как предварительно обученную модель, поэтому точное происхождение весов описано неоднозначно. Архитектура — BertForSequenceClassification, размер — 138,4 млн параметров, формат — PyTorch, максимальная длина контекста — 512 токенов. Модель предназначена для определения тональности японских текстов. Для токенизации в README указаны зависимости fugashi и unidic_lite. Метаданные задают задачу text-classification и японский язык. Лицензия — MIT.

Anasft9/distilbert-sentiment-demo — дообученная модель классификации текста на базе distilbert/distilbert-base-uncased, опубликованная пользователем Anasft9. Она предназначена для отнесения текстовых последовательностей к классам; название модели указывает на анализ тональности, однако README не раскрывает метки классов и обучающий набор данных. Архитектура — DistilBertForSequenceClassification, поддерживаемая длина контекста — до 512 токенов. Доступны веса в форматах Safetensors и ONNX. В README приведены результаты на оценочной выборке: accuracy 0,8443 и loss 0,4280. Эти показатели не позволяют судить о качестве на других данных, поскольку набор данных, схема меток и протокол оценки не описаны. Модель распространяется по лицензии Apache-2.0.

MilaNLProc/feel-it-italian-sentiment — модель классификации тональности итальянского текста, разработанная авторами проекта FEEL-IT. Она дообучена на базе UmBERTo на корпусе FEEL-IT и предназначена для определения положительной или отрицательной тональности сообщений, в том числе публикаций в социальных сетях. Модель построена на архитектуре CamemBERT для классификации последовательностей, содержит 137,8 млн параметров и поддерживает контекст до 514 токенов. Корпус FEEL-IT включает итальянские твиты с метками четырёх эмоций: гнев, страх, радость и грусть; в этой модели классы сведены к тональности: радость соответствует положительной, остальные эмоции — отрицательной. В описанной оценке на тестовой выборке SENTIPOLC16 модель, обученная на FEEL-IT, показала macro-F1 0,81 и точность 0,84. Она подходит для анализа итальянских текстов в социальных сетях, но опубликованная оценка и данные ориентированы на твиты, поэтому качество на других жанрах может отличаться. В README заявлена открытая лицензия, однако конкретные условия лицензирования модели не приведены.

Dejan Marketing разработала Intent-XL — демонстрационную модель многометочной бинарной классификации текста на базе дообученной ALBERT-XXLarge-v2. Она определяет поисковое намерение по запросу и присваивает ему одну или несколько из десяти меток: коммерческий или некоммерческий, брендовый или небрендовый, информационный, навигационный, транзакционный, коммерческое исследование, локальный или развлекательный запрос. Модель предназначена для автоматической пакетной обработки больших массивов поисковых запросов из Google Search Console, SEMRush, Ahrefs, Moz, Majestic и Google Ads. Модель имеет 3,3 млрд параметров, принимает текстовые запросы и выдаёт бинарные метки классов. Максимальная длина контекста — 512 токенов; в метаданных указан английский язык. Карточка отмечает, что это демонстрационная модель, которая может ошибаться; метки для брендовых и небрендовых запросов требуют дополнительного дообучения. Для коммерческих проектов разработчик обычно применяет более крупную модель или отдельную модель для конкретной предметной области. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории.

Модель разработал Jeon Duyoung (searle-j) для классификации эмоций в корейских онлайн-комментариях. Это ElectraForSequenceClassification на основе beomi/KcELECTRA-base, дообученная на наборе KOTE (Korean Online That-gul Emotions Dataset); она относит текст к нескольким эмоциональным категориям, включая недовольство, доброжелательность, восхищение, благодарность, грусть и гнев. Модель принимает текст и выдаёт метки классов с оценками. Контекст — до 512 токенов, размер — 151,7 млн параметров. Модель предназначена для анализа эмоций и тональности корейских комментариев и публикаций. В репозитории указана лицензия MIT. В документации проекта отмечено, что версия Trainer имеет несколько отличающиеся настройки и архитектуру по сравнению с вариантом из статьи, а её macro F1 составляет 0,55 против 0,56 у версии из статьи.

LoudAI/LoudGen-report-korean-2B-v1.0 — дообученная разговорная языковая модель LoudAI на архитектуре IBM Granite 3.1, предназначенная для создания структурированных бизнес-планов на корейском языке по краткому описанию проекта. Модель насчитывает 2,5 млрд параметров, использует библиотеку Transformers и формат Safetensors; метаданные указывают контекст до 131 072 токенов, тогда как при описанном обучении применялась максимальная длина последовательности 2048 токенов. Модель формирует отчёты с разделами о бизнесе, проблемах и решениях, бизнес-модели, рынке и конкурентах, маркетинге, KPI, финансах и плане реализации. Она дообучена на примерно 700 собственных структурированных примерах бизнес-планов в Markdown и рассчитана прежде всего на корейские ответы. Модель подходит для подготовки черновиков планов и отчётов по краткому описанию бизнеса. Её ограничения — специализация на фиксированном формате бизнес-плана и корейском языке; качество ответов на других языках не гарантируется. Лицензия — Apache-2.0.

Модель VictorSanh/roberta-base-finetuned-yelp-polarity — RoBERTa-base, дообученная для бинарной классификации тональности отзывов Yelp. Она относит текст отзыва к одной из двух категорий полярности и подходит для анализа пользовательских оценок и сортировки отзывов по тональности. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и рассчитана на английский язык. В README указана точность 98,08% на тестовом наборе Yelp Polarity. Это результат на конкретном наборе данных и не гарантирует такую же точность на отзывах из других источников или предметных областей. Доступные форматы включают PyTorch, Flax и Safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

robertuito-emotion-analysis — модель pysentimiento для распознавания эмоций в испанских текстах. Она основана на RoBERTuito, архитектуре RoBERTa, обученной на испанских твитах, и дообучена на корпусе TASS 2020 Task 2. Модель содержит 136,3 млн параметров и принимает последовательности длиной до 130 токенов. Модель относит текст к одной из шести эмоций по Экману — гневу, отвращению, страху, радости, грусти или удивлению — либо к нейтральному классу. Она предназначена для анализа эмоций в публикациях и коротких сообщениях на испанском языке. В оценке pysentimiento на задаче распознавания эмоций модель показала Macro F1 0,560 ± 0,010. Это классификатор текста на PyTorch. Лицензия в предоставленных данных не указана.