III.2Исследование рынка и маркетинг

Карточка модели RameshGedela/sentiment-model на Hugging Face совпадает с карточкой haideraliuk/sentiment-model, поэтому описание составлено по ней. haideraliuk/sentiment-model — модель классификации текста на основе DistilBERT, дообученная автором репозитория от distilbert/distilbert-base-uncased. Она предназначена для определения тональности текста. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст с контекстом до 512 токенов и выдаёт метку класса. В README приведены результаты оценки: accuracy 0,6598, взвешенные и макро F1 — 0,6493. Эти показатели указывают на ограниченное качество классификации; назначение меток и данные оценки не описаны. Модель распространяется под лицензией Apache-2.0.

Tuyennguyen28/tiny-bert-sst2-distilled — модель классификации последовательностей на архитектуре BERT, полученная дообучением bert-base-uncased. Репозиторий содержит веса в формате safetensors; размер модели — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для классификации текста. В карточке приведены результаты оценки: accuracy 0,8509, AUC 0,8049 и MCC 0,5681; набор данных и конкретные метки классов не описаны. Название указывает на SST-2 и тональность, но README не подтверждает состав обучающих данных или классы напрямую. Лицензия — Apache-2.0. Англоязычная базовая модель BERT и название репозитория указывают на работу с английским текстом; пригодность для других языков не заявлена.

Aimlab/xlm-roberta-base-finetuned-urdu — модель классификации текста, созданная дообучением XLM-RoBERTa-base на данных тональности на урду. Она определяет эмоциональную окраску предложения и относит его к одному из двух классов: положительному или отрицательному. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей, содержит 305,2 млн параметров и принимает текст на урду. Контекст составляет до 514 токенов. Модель подходит для анализа отзывов и коротких сообщений на урду; качество на других языках или для иных задач не подтверждено. Модель распространяется по лицензии AFL-3.0 и рассчитана на использование с библиотекой Transformers в формате PyTorch.

YoliGuadir/xlnet-tass-sentimientos — дообученная модель XLNet Base Cased для классификации тональности текстов на испанском языке. Она разработана автором репозитория и предназначена для определения тональности в задаче TASS. Модель содержит 137,8 млн параметров, построена на архитектуре XLNetForSequenceClassification и распространяется в формате safetensors; для работы используется Transformers. В карточке приведены результаты оценки: accuracy 0,5437, F1 Macro 0,5359 и F1 Weighted 0,5381. В описании также указано, что опубликованный вариант обучался с batch size 16 и показал F1 Macro 0,5339, не достигнув упомянутого baseline BETO в 64%. Лицензия — MIT. Датасет обозначен как None, поэтому детали обучающих данных неясны.

Abdu-GH/AraRest-Arabic-Restaurant-Reviews-Sentiment-Analysis — дообученная модель AraBERT для классификации арабских отзывов о ресторанах по тональности: положительная или отрицательная. Она основана на aubmindlab/bert-base-arabertv02 и обучена с помощью Hugging Face Transformers на датасете hadyelsahar/ar_res_reviews; архитектура — BERT с классификационной головой, размер — 162,4 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для анализа отзывов о ресторанах на арабском языке, например для автоматической сортировки отзывов и подсчёта положительных и отрицательных оценок. В README указаны точность 87,40% и сбалансированный обучающий набор из 2418 примеров каждого класса; текст при подготовке очищали от неарабских символов и нормализовали арабские буквы. Модель распространяется по лицензии Apache-2.0.

IsaacZhy/bert-base-goemotions — модель классификации текста на основе BERT, дообученная на наборе GoEmotions. Она присваивает тексту эмоциональные категории. Модель имеет 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. На тестовой выборке указаны F1 0,5727, ROC AUC 0,7796 и точность 0,4375. Базовая модель bert-base-uncased ориентирована на английский язык, поэтому модель подходит прежде всего для классификации англоязычных текстов. Лицензия — Apache-2.0.

koheiduck/bert-japanese-finetuned-sentiment — модель классификации японского текста, опубликованная пользователем koheiduck на Hugging Face. Она предназначена для анализа тональности японских текстов и возвращает метки классификации. Модель использует архитектуру BERT и класс BertForSequenceClassification; содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Модель работает с текстом и подходит, например, для определения тональности отзывов или сообщений на японском языке. Карточка рекомендует запуск через Transformers с задачей text-classification, но не описывает обучающие данные, точность, набор меток или лицензию; эти характеристики нельзя надёжно указать.

Rasooli/Bert-Sentiment-Fa — дообученная модель на базе dadashzadeh/roberta-sentiment-persian для классификации текстов. Она использует архитектуру RoBERTa с головой классификации последовательностей и содержит 145,5 млн параметров. Модель рассчитана на анализ тональности текстов на персидском языке; максимальная длина контекста — 514 токенов. В README приведены результаты оценки: accuracy 0,8333 и F1 0,8213; набор данных описан как None, поэтому оценку сложно интерпретировать и сравнивать с другими моделями. Модель распространяется по лицензии Apache-2.0.

Модель разработана Yoon Thiri Aung и представляет собой дообученную версию FacebookAI/xlm-roberta-base для определения тональности бирманского текста. Она классифицирует текст по трём категориям: положительная, отрицательная и нейтральная. Модель предназначена для анализа тональности публикаций в социальных сетях, отзывов, комментариев и других пользовательских текстов, а также для встраивания в чат-боты, аналитические панели и системы модерации. Это трансформер XLM-RoBERTa с архитектурой XLMRobertaForSequenceClassification, содержащий 305,2 млн параметров; базовая модель поддерживает множество языков. В обучении использованы публичные бирманские наборы данных и дополнительно размеченные автором примеры. Текст предварительно приводился к Unicode с конвертацией из Zawgyi; для токенизации применялись усечение и дополнение до 128 токенов. Нативный предел контекста составляет 514 токенов. Лицензия — MIT. Качество может снижаться на текстах из областей, отличных от обучающих данных, при смешанной тональности, сарказме, обильном сленге и неформальном написании, особенно в бирманско-английских текстах.

ContaLLM-Food-Beverage-8B-Instruct — китайская инструкционная языковая модель ContaAI для маркетинга в индустрии продуктов питания и напитков. Она дообучена на базе meta-llama/Llama-3.1-8B-Instruct на сочетании открытых, синтетических и размеченных людьми данных. Модель содержит 7,5 млрд параметров, использует архитектуру Llama и формат safetensors; базовый контекст — 131 072 токена. Модель генерирует маркетинговые тексты с учётом заданных потребностей, выбранного продукта и сведений о нём, ключевых слов, преимуществ, сценариев использования, хэштегов и формата публикации. Основной язык — китайский. Для применения требуется Transformers. Модель распространяется по лицензии Llama 3.1 Community License Agreement. В карточке отмечено, что во время генерации модель не использует встроенную фильтрацию ответов, поэтому она может выдавать проблемный контент; результаты следует проверять и при необходимости фильтровать.

copywriter-gemma4-31b-GGUF — это квантизированная GGUF-версия модели copywriter-gemma4-31b, разработанной akwin123 и преобразованной и опубликованной mradermacher. Модель основана на Gemma 4 с размером 31 млрд параметров и ориентирована на генерацию текста на английском языке. Модель предназначена прежде всего для копирайтинга, маркетинга, рекламы, написания рекламных и продающих текстов, email-маркетинга, direct response и conversion copywriting. Также заявлены возможности conversational-взаимодействия и работа с эмоционально окрашенным содержанием. В репозитории доступны различные варианты квантизации Q2_K–Q8_0 и IQ4_XS размером примерно от 12,0 до 32,7 ГБ, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Дополнительные файлы mmproj указывают на поддержку мультимодального режима, однако подробности о поддерживаемых модальностях и контекстном окне не приведены. Сильной стороной модели является специализация на рекламных и коммерческих текстах, а также широкий выбор квантизированных вариантов для локального запуска. Ограничения включают отсутствие подробных результатов оценки, параметров контекстного окна и описания качества на конкретных задачах; заявлен только английский язык. Модель распространяется по лицензии Gemma.

darkfordays/deberta-v3-large-go-emotions — дообученная модель Microsoft DeBERTa V3 Large для классификации эмоций в тексте по меткам набора GoEmotions. Она основана на microsoft/deberta-v3-large и использует архитектуру DebertaV2ForSequenceClassification; размер составляет 533,8 млн параметров, формат весов — safetensors, максимальная длина контекста — 512 токенов. В README приведены результаты оценки: macro F1 0,4688, micro F1 0,5960 и weighted F1 0,5778. Модель предназначена для определения эмоциональных меток в текстовых фрагментах, например комментариях и сообщениях. Английский — основной язык базовой модели; языковые метки и описание набора данных GoEmotions не подтверждают поддержку других языков. Модель распространяется по лицензии MIT. README не уточняет обучающий датасет, набор меток, метод оценки и ограничения применения.

ireallydk/distilbert-base-uncased-finetuned-emotion — модель на базе DistilBERT, дообученная на наборе данных emotion для классификации английских твитов по шести эмоциям: грусть, радость, любовь, гнев, страх и удивление. Она предназначена для анализа эмоциональной окраски коротких сообщений и может использоваться через конвейер text-classification в библиотеке Transformers. В README приведены результаты на проверочной выборке: accuracy 0,932 и взвешенная F1-мера 0,9328. Модель принимает текст с контекстом до 512 токенов и выдаёт метку класса эмоции. Это учебная работа для вводного курса по ИИ; результаты на твитах не гарантируют такое же качество на других жанрах текста. Лицензия — Apache-2.0.

BexRedpill/distilbert-on-polarity-yelp-reviews — модель классификации текста на базе DistilBERT, дообученная на задаче анализа тональности отзывов Yelp. Она предназначена для определения полярности пользовательских отзывов и может применяться для сортировки или мониторинга отзывов о заведениях и услугах. В README приведены результаты на оценочной выборке: accuracy 0,9156 и F1 0,9157. Модель принимает текст, поддерживает контекст до 512 токенов и распространяется в формате safetensors по лицензии Apache-2.0. README указывает, что модель дообучена на датасете, обозначенном как None, поэтому состав и охват обучающих данных неясны. Оценочные результаты не гарантируют такое же качество на других доменах, языках или типах текста.

DziriBERT Sentiment — модель классификации тональности на основе BERT, разработанная командой alger-ia. Это дообученная версия DziriBERT, предварительно обученной специально на алжирском диалекте арабского языка. Модель предназначена для определения тональности текстов на алжирском диалекте. Модель обрабатывает алжирский текст, записанный как арабскими, так и латинскими символами, и использует архитектуру BertForSequenceClassification. В репозитории доступны веса PyTorch и Safetensors; максимальная длина контекста составляет 512 токенов. Для использования предусмотрена загрузка через Transformers. Карточка не сообщает метрики качества и конкретные ограничения классификации. Условия лицензии в предоставленных данных не указаны.

TehranNLP-org/electra-base-sst2 — модель классификации текста на базе архитектуры ELECTRA, дообученная на наборе SST-2. Она предназначена для определения тональности коротких англоязычных текстов, например отзывов и пользовательских высказываний. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса. В README указана точность 0,9507 на оценочной выборке SST-2. Модель разработана TehranNLP-org и основана на google/electra-base-discriminator. Доступна в формате PyTorch по лицензии Apache-2.0. Её назначение ограничено классификацией тональности в стиле SST-2; результаты на других типах текстов и языках карточка не описывает.

FinTwitBERT-sentiment — англоязычная модель Stephan Akkerman для классификации тональности финансовых твитов и других коротких финансовых текстов из социальных сетей. Это дообученная модель FinTwitBERT на основе архитектуры BERT с 137 млн параметров и контекстом до 512 токенов; базовый FinTwitBERT предварительно обучен на 10 млн финансовых твитов. Модель предназначена для определения тональности неформальных публикаций о финансах, акциях и криптовалютах. Она обучена на наборе из 38 091 твита с человеческой разметкой и синтетическом наборе из 1 428 771 твита. Специализация на языке финансовых соцсетей — её сильная сторона по сравнению с моделями, ориентированными на новости и другие формальные тексты. Модель принимает текст и выдаёт метку класса тональности. Она распространяется по лицензии MIT. Результаты на финансовых публикациях вне обучающих наборов могут быть менее надёжными; карточка не приводит подробных метрик качества.

yj2773/hinglish11k-sentiment-analysis — модель классификации текста на базе BERT, представленная разработчиком yj2773. Она предназначена для определения тональности текста на хинглише — смеси хинди и английского, в том числе для анализа пользовательских отзывов и сообщений. Модель содержит 205,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку классификации. Репозиторий содержит веса PyTorch и Safetensors; лицензия — AFL-3.0. Модель ориентирована на тональность хинглиша. Метаданные также отмечают английский, хинди и урду, но не подтверждают одинаковое качество на каждом из этих языков. README не содержит дополнительных сведений о качестве или методике оценки.

Improved-Arabert-twitter-sentiment2 — арабоязычная модель классификации текста, созданная дообучением aubmindlab/bert-base-arabertv02-twitter. Она предназначена для классификации коротких сообщений, в частности постов в Twitter, и может использоваться для определения тональности арабоязычных текстов. Модель построена на BERT, содержит 162,4 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки: accuracy 0,8759 и loss 0,4308, однако набор данных, метки классов и методика оценки не описаны. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют в предоставленных источниках.

matthewburke/korean_sentiment — модель Matthew Burke для классификации тональности корейского текста. Она предназначена для определения эмоциональной окраски коротких сообщений, например отзывов о фильмах и публикаций в социальных сетях. Модель построена на архитектуре ELECTRA и содержит 151,7 млн параметров; максимальная длина входа — 512 токенов. Использовать её можно через библиотеку Transformers для задачи text-classification. README показывает пример классификации корейского сообщения «영화 재밌다.» и проверки оценки позитивного класса. В карточке не приведены сведения о лицензии, метках классов или качестве на тестовых данных, поэтому пригодность для конкретного домена стоит проверять отдельно.

Persian-Text-Sentiment-Bert-V1 — модель классификации текста на основе BERT, дообученная разработчиком SeyedAli на пользовательском наборе данных от HooshvareLab/bert-base-parsbert-uncased. Она предназначена для анализа тональности персидского текста. В метаданных указаны 190 млн параметров и контекст до 512 токенов; модель использует архитектуру BertForSequenceClassification и опубликована в форматах PyTorch и Safetensors. На оценочном наборе модель показала точность 0,8716 и F1-score 0,8715. Описание набора данных и его ограничений в карточке отсутствует, поэтому эти оценки не гарантируют такое же качество на других текстах. Лицензия в предоставленных данных не указана.

RoBERTa-tl-sentiment-analysis — модель для классификации тональности текстов на переключаемом тагальском языке (Taglish). Её разработали в рамках проекта ITANONG по созданию языковых моделей для филиппинских языков; модель основана на архитектуре RoBERTa и содержит 136,3 млн параметров. Модель определяет одну из трёх меток: положительную, отрицательную или нейтральную. Она подходит для анализа тональности сообщений и других текстов на тагальском языке с переключением на английский. Максимальная длина контекста — 512 токенов. В обучающем наборе использовано около 8,2 млн примеров из формальных и неформальных источников. В карточке указана лицензия PyTorch как формат, но условия лицензирования не приведены. Модель ориентирована на Tagalog и Taglish; качество на других языках и жанрах текста не подтверждено.

SenseNova-U1-8B-MoT-Infographic-V3 — мультимодальная модель SenseNova для генерации и редактирования инфографики. Она построена на архитектуре NEO-unify и объединяет понимание и генерацию изображений с работой с языком в одной модели; размер — 8 млрд параметров. Модель принимает текстовые запросы и изображения, а выдаёт изображения, в том числе с текстом и визуальными элементами, соответствующими запросу. Модель предназначена для создания инфографики по текстовому описанию и её правки по запросу на естественном языке или с указанием области для изменения. Она поддерживает локальные правки текста и содержимого, а также глобальное изменение стиля и компоновки; среди заявленных сильных сторон — сохранение неизменённых областей при редактировании. README приводит результаты сравнительных оценок, но они не гарантируют качество для конкретного запроса. Модель распространяется по лицензии Apache-2.0; для запуска описаны Transformers и отдельный стек LightLLM с LightX2V.

Remicm/sentiment-analysis-model-for-socialmedia — классификатор текста на базе DistilBERT, дообученный на датасете IMDB для определения тональности отзывов. Модель принимает текст и относит его к классам тональности; в README указаны accuracy 0,9297 и F1 0,9299 на оценочной выборке. Модель использует архитектуру DistilBertForSequenceClassification и формат PyTorch. Контекст составляет 512 токенов. Лицензия — Apache-2.0. Несмотря на название, обучение описано на отзывах IMDB, поэтому применимость к сообщениям из социальных сетей отдельно не подтверждена.

tiny-bert-sst2-distilled — компактная модель классификации последовательностей на базе BERT, дообученная автором philschmid на датасете GLUE для задачи SST-2. Она содержит 4,4 млн параметров, использует архитектуру BertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. На оценочной выборке указана точность 0,8326. Модель подходит для определения тональности коротких текстов, например отзывов и комментариев. Она работает с английским текстом; README не описывает дополнительные сценарии применения. Лицензия — Apache-2.0. Показатель качества относится к указанной оценочной выборке и сам по себе не гарантирует такую же точность на других данных.

cardiffnlp/xlm-roberta-base-tweet-sentiment-it — модель Cardiff NLP на архитектуре XLM-RoBERTa, дообученная на италоязычной части набора tweet_sentiment_multilingual. Она классифицирует тональность коротких сообщений и публикаций на итальянском языке. Модель содержит 305,2 млн параметров, принимает текст и рассчитана на контекст до 514 токенов. В README приведены результаты на тестовой выборке: accuracy 62,76%, micro-F1 62,76% и macro-F1 62,94%. Весы доступны в формате PyTorch; лицензия в предоставленных данных не указана.

Это компактная китайскоязычная модель ALBERT для классификации тональности текста, опубликованная пользователем voidful на Hugging Face. Она использует архитектуру ALBERT с головой классификации последовательностей и содержит 22,3 млн параметров; контекст — до 512 токенов. Модель предназначена для определения тональности китайских текстов, например отзывов и коротких сообщений. Модель принимает текст и выдаёт метку класса с оценкой уверенности через задачу text-classification. Репозиторий распространяется под лицензией OpenRAIL. Подробности о наборах данных, точных классах тональности и оценках качества карточка не предоставляет.

A-Funakoshi/bert-base-japanese-v3-wrime-v1 — японская модель классификации текста на базе cl-tohoku/bert-base-japanese-whole-word-masking. Она дообучена на датасете llm-book/wrime-sentiment с использованием оптимизатора Adafactor; гиперпараметры подбирались с помощью Optuna. Модель предназначена для классификации японских текстов по эмоциональным категориям WRIME. Архитектура — BERT для классификации последовательностей, около 137,8 млн параметров; максимальная длина контекста — 512 токенов. Доступны веса в формате PyTorch. Лицензия в предоставленных данных не указана.

LXDaugh разработал модель классификации китайскоязычного текста по шести категориям эмоций: гнев, страх, радость, нейтральное состояние, грусть и удивление. Она выполняет многометочную классификацию и подходит для анализа эмоциональной окраски китайских сообщений и текстов. Модель основана на BERT и имеет около 129,5 млн параметров. Она принимает текст, выдаёт метки эмоциональных категорий и поддерживает контекст длиной до 512 токенов. В карточке не описаны обучающие данные, метрики качества или условия лицензии, поэтому эти характеристики нельзя оценить по имеющимся сведениям.

Модель zafercavdar/distilbert-base-turkish-cased-emotion — версия DistilBERT для турецкого языка, дообученная автором на задаче классификации эмоций. Обучение проводилось на наборе Twitter-Sentiment-Analysis, описанном в карточке как датасет эмоций, переведённый на турецкий язык через Google Translate API; использовались HuggingFace Trainer, скорость обучения 2e-5, размер пакета 64 и 8 эпох. Модель принимает текст и относит его к эмоциональным классам. В README приведены результаты оценки на наборе эмоций из Twitter: точность 83,25% и F1 83,17%. Архитектура — DistilBertForSequenceClassification; максимальная длина контекста составляет 512 токенов. Метаданные указывают формат PyTorch и язык tr. Лицензия в доступных данных не приведена.