III.2Исследование рынка и маркетинг

Это дообученный классификатор на базе RoBERTa-large, разработанный Quim Motger для многометочной классификации эмоций в предложениях из англоязычных отзывов о мобильных приложениях. Модель размечает предложения по восьми эмоциям Плутчика — радость, доверие, страх, удивление, грусть, отвращение, гнев и предвкушение — и метке Neutral; для одного предложения может быть выбрано несколько меток. Модель содержит 454,1 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт оценки классов. Обучение использовало BCE-потери с повышенным весом редких положительных классов и синтетические отзывы, созданные языковой моделью, чтобы улучшить распознавание гнева, страха и удивления. В 10-кратной перекрёстной проверке на размеченных людьми данных достигнута macro-F1 0,591 ± 0,054; это оценка рецепта обучения, а не гарантированный результат данного чекпойнта, который переобучен на полном обучающем наборе. Для сопоставимой разметки следует применять правило порога 0,5, выбирать наиболее вероятную метку при отсутствии превышений и ограничивать число меток тремя. Лицензия — MIT.

MilaNLProc/feel-it-italian-emotion — модель классификации эмоций в итальянских текстах, разработанная авторами проекта FEEL-IT. Это модель на архитектуре CamemBERT с 137,8 млн параметров, дообученная на корпусе FEEL-IT, содержащем 2037 размеченных публикаций из Twitter. Она относит текст к одной из четырёх эмоций: радость, страх, гнев или грусть; эти метки также можно свести к анализу тональности. Модель принимает текст и возвращает метки классов с оценками. Контекстное окно составляет 514 токенов. Модель предназначена для анализа итальянских публикаций в социальных сетях и других коротких текстов. В README сообщается о макро-F1 0,57 и точности 0,73 на подмножестве MultiEmotions-It; авторы отмечают стабильность результатов при переносе на данные YouTube и Facebook, отличающиеся тематикой и источником. Результаты зависят от домена и распределения эмоций, а обучающий корпус сравнительно невелик и состоит из твитов. Метаданные указывают форматы PyTorch и TensorFlow. README описывает открытое Python-пакетное решение, но конкретная лицензия модели не приведена в предоставленных данных.

fergusq/finbert-finnsentiment — модель FinBERT, дообученная на наборе FinnSentiment для классификации тональности предложений на финском языке. В README указано, что 90% предложений использовались для обучения, а 10% — для оценки. Модель основана на архитектуре BERT и содержит 151,7 млн параметров; она принимает текстовые последовательности длиной до 512 токенов и выдаёт метки классификации. На указанном в карточке разделении данных модель получила accuracy 0,864, F1-score 0,864 и precision 0,865. Она подходит для анализа тональности финских текстов, например отзывов и сообщений. Модель распространяется по лицензии CC BY 4.0; оценки относятся к использованному набору данных и могут не отражать качество на других текстах.

Модель nickmuchi/finbert-tone-finetuned-finance-topic-classification — вариант FinBERT, дообученный автором на наборе Twitter Financial News Topic для классификации финансовых тем в твитах. Она относит текст к одной из 20 тематических категорий; при обучении веса классов скорректировали, чтобы уделять больше внимания редким категориям. На оценочной выборке указаны accuracy 0,9106 и F1 0,9106. Модель предназначена для тематической разметки сообщений о финансах и рынках. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

Модель Aardiiiiy/indobertweet-base-Indonesian-sentiment-analysis разработана на основе IndoBertweet-base-uncased и дообучена для анализа тональности текстов на индонезийском языке. Она классифицирует текст по трём категориям: негативная, позитивная и нейтральная; обучалась на сообщениях Twitter и других социальных платформ по темам политики, катастроф и образования. Модель построена на архитектуре BERT для классификации последовательностей, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Для оценки использовались accuracy, F1-score, precision и recall, а подбор гиперпараметров выполнялся с Optuna. Подходит для анализа тональности публикаций и реакций в соцсетях. Результаты могут зависеть от культурных особенностей и состава обучающих данных; модель может хуже справляться с событиями и контекстами, отсутствовавшими при обучении. Три класса не охватывают всю сложность эмоций. Лицензия — MIT.

LexCAT — модель анализа тональности текста, разработанная Гленном Маркусом Д. Синко в Mapúa University в рамках тезисной работы. Она дообучена на XLM-RoBERTa с лексиконом LexiLiksik и предназначена для классификации тональности в код-свитчевых текстах на тагальском и английском языках, включая смену тональности внутри предложения. Модель обучалась на 10 487 отзывах FiReCS; для оценки использовались наборы SentiTaglish Products and Services и тестовая часть FiReCS. Архитектура — XLM-RoBERTa для классификации последовательностей, около 305,2 млн параметров; максимальный контекст — 514 токенов. LexCAT учитывает лексические признаки, корректирует внимание к словам с эмоциональной окраской и использует метаданные при агрегации представлений. В README указаны точность 84,31% и F1 0,8566 на валидации; модель особенно рассчитана на смешанный Taglish и контрастные фразы вроде «Maganda pero expensive». Доступна по лицензии CC BY 4.0.

Mizuiro-sakura/luke-japanese-base-marcja — настраиваемая версия японской модели LUKE, созданная дообучением luke-japanese-base на датасете MARC-ja из JGLUE от Yahoo Japan. Модель решает задачу бинарной классификации тональности: определяет, является ли отзыв положительным или отрицательным. Архитектура — LukeForSequenceClassification на основе Transformer с механизмом entity-aware self-attention, который учитывает слова и сущности в тексте. Размер модели — 138,4 млн параметров, контекст — до 514 токенов. Модель принимает текст на японском языке и выдаёт метку класса. В README указаны precision, accuracy, recall и F1 по 0,967 для оценки на MARC-ja. Модель предназначена для классификации японских отзывов; её результаты вне этого датасета и сценария могут отличаться. Распространяется по лицензии MIT.

ScriptEdgeAI/MarathiSentiment-Bloom-560m — модель классификации тональности текстов на маратхи, обученная Венкатешем Сони при содействии Раянша Сриваставы и под руководством Акшая Угале и Мадхукара Алхата. Это дообученная версия языковой модели bigscience/bloom-560m с архитектурой BLOOM и примерно 659,6 млн параметров. Модель предназначена для определения тональности маратхских текстов. В README приведена точность 76,0 на валидационной выборке; описание не уточняет набор классов и метрику для этого результата. Максимальная длина контекста — 2048 токенов. Модель принимает текст и выдаёт метку классификации. Указанная лицензия — CC BY-NC 4.0, поэтому коммерческое использование не разрешено. Опубликованный результат относится к валидационной выборке и сам по себе не гарантирует аналогичное качество на других данных.

naija-twitter-sentiment-afriberta-large — модель Davlan для классификации тональности сообщений в Twitter на хауса, игбо, нигерийском пиджине и йоруба. Это дообученная для классификации последовательностей модель на архитектуре XLM-RoBERTa с 148,1 млн параметров и контекстом до 514 токенов. Модель относит текст к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Она обучена на объединённых наборах данных NaijaSenti и предназначена прежде всего для анализа публикаций на четырёх нигерийских языках. В README приведены оценки F1 на тестовых данных, усреднённые по пяти запускам: 81,2 для хауса, 80,8 для игбо, 74,5 для нигерийского пиджина и 80,4 для йоруба. Качество может снижаться на текстах из других тематик и источников, поскольку обучение проводилось на данных Twitter. Модель распространяется в форматах PyTorch и TensorFlow; сведения о лицензии в предоставленных материалах отсутствуют.

RoBERTuito-base-cased — предварительно обученная языковая модель семейства RoBERTa для испанских текстов из социальных сетей. Её разработали авторы проекта pysentimiento и обучили по рекомендациям RoBERTa на 500 миллионах твитов. Эта версия сохраняет регистр; также выпущены варианты без учёта регистра и с удалением диакритических знаков. Модель содержит 136,3 млн параметров, использует архитектуру RobertaForMaskedLM и принимает последовательности длиной до 130 токенов. Она предназначена прежде всего для заполнения пропусков в тексте и может служить основой для дообучения задач анализа пользовательских публикаций, например определения тональности, эмоций, иронии и языка вражды. В оценках авторов семейство RoBERTuito превосходило несколько других испанских предварительно обученных моделей на соответствующих наборах данных; приведённые результаты включают и эту версию cased. Репозиторий содержит веса PyTorch и связан с библиотекой pysentimiento. Лицензия в предоставленных данных не указана.

Daniyal Tariq дообучил XLM-RoBERTa для бинарной классификации тональности текстов на романизированном урду, в частности публикаций в социальных сетях. Модель построена на xlm-roberta-base и использует архитектуру XLM-RoBERTa для классификации последовательностей; размер составляет около 305,2 млн параметров, максимальная длина контекста — 514 токенов. Модель подходит для определения положительной или отрицательной тональности сообщений на Roman Urdu, например для анализа отзывов и публикаций в соцсетях. В README указаны точность 82% и Macro F1 0,82 на тесте. Модель создана в рамках магистерской диссертации по искусственному интеллекту и науке о данных в University of Hull в 2025 году. Лицензия — MIT.

star-predictor — модель классификации текстов на основе BERT, дообученная разработчиком Yanni8 на наборе данных app_reviews. Она предназначена для классификации отзывов о приложениях; карточка не описывает конкретные классы и показатели качества. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Базовая модель google-bert/bert-base-uncased ориентирована на английский язык. Модель распространяется по лицензии Apache-2.0.

Это арабоязычный классификатор для определения позиции автора твита по отношению к заданной теме. Модель разработана для Track 1 соревнования StanceEval-2026 командой NAMAA Community и дообучена на ahmedabdelali/bert-base-qarib. В основе — архитектура BERT с классификационной головой; размер модели составляет 162,4 млн параметров, максимальная длина контекста — 512 токенов. На вход модель получает текст твита и целевую тему, а на выходе относит позицию к одному из трёх классов: Favor (поддержка), Against (против) или None (нейтральная, не относящаяся к теме либо неясная позиция). Обучение и оценка проводились на известных модели темах: вакцины от COVID-19, цифровая трансформация и расширение прав и возможностей женщин. На dev-наборе Mawqif-v2 указана метрика Favg2 81,84. Модель предназначена для анализа арабских публикаций и тематического мониторинга. Результат для новых тем или других типов текста карточкой не подтверждён. Лицензия — Apache-2.0.

Twitter Sentiment PL (base) — польскоязычная модель анализа тональности от bards.ai. Это дообученный на классификацию последовательностей трансформер-энкодер BERT, основанный на allegro/herbert-base-cased; модель содержит 151,6 млн параметров и обрабатывает контекст до 514 токенов. Она относит короткие тексты в стиле твитов к одному из трёх классов: положительному, отрицательному или нейтральному. Модель предназначена для определения тональности польских твитов, комментариев и коротких публикаций, а также для прототипирования и исследований в NLP. Обучение проводилось на машинном переводе набора TweetEval. На тестовой выборке переведённого TweetEval указана macro-F1 0,658. Переводные артефакты могут снижать качество на идиоматическом польском; результаты для длинных текстов, официального языка и других доменов не гарантированы. В README также отмечены возможные смещения данных и нежелательность использования предсказаний как единственного основания для высокорисковых решений. Лицензия — CC BY 4.0.

cardiffnlp/xlm-roberta-base-tweet-sentiment-pt — модель классификации текста на базе XLM-RoBERTa, разработанная Cardiff NLP и дообученная на португалоязычной части набора данных cardiffnlp/tweet_sentiment_multilingual. Она предназначена для определения тональности публикаций и сообщений на португальском языке. Архитектура — XLMRobertaForSequenceClassification; модель содержит около 305,2 млн параметров, принимает текст с контекстом до 514 токенов и представлена в формате PyTorch. На тестовой выборке указаны точность 70,69% и макро-F1 70,73%. Модель подходит для автоматической разметки тональности португалоязычных сообщений, но качество на иных языках и типах текста не подтверждено приведёнными метриками. Лицензия в предоставленных данных не указана.

Модель Yoshitomo Matsubara — версия BERT-base-uncased, дообученная на датасете SST-2 для классификации тональности коротких текстов на английском языке. Она использует архитектуру BERT с 136,7 млн параметров и обрабатывает последовательности длиной до 512 токенов. В README обучение описано как воспроизводимый пример с использованием torchdistill и библиотек Hugging Face; указанный общий результат на тестах GLUE — 77,9 балла. Модель подходит для определения положительной или отрицательной тональности английских фраз и отзывов. Она опубликована в форматах PyTorch и Safetensors под лицензией Apache-2.0. Обучение на SST-2 ограничивает специализацию модели анализом тональности; README не приводит отдельной оценки качества именно для этой модели на SST-2.

nihalenc/berturk-duygu-analizi — модель классификации текста, дообученная на основе регистрозависимого турецкого BERT-энкодера dbmdz/bert-base-turkish-cased. Она предназначена для анализа тональности или эмоциональной окраски турецких текстов. Архитектура — BERT для классификации последовательностей; модель содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. В карточке указаны результаты оценки: accuracy 0,8711 и macro F1 0,8705. Модель распространяется по лицензии MIT. README не описывает обучающий датасет и конкретные классы тональности, поэтому применимость к определённым типам текста и категориям эмоций по карточке оценить нельзя.

CAI-20B-v2-i1-GGUF — это набор квантизированных файлов в формате GGUF для текстовой генерации. Он создан пользователем mradermacher на основе модели tigres2526/CAI-20B-v2; квантизация выполнена с использованием imatrix. В метаданных указаны английский язык и библиотека Transformers, однако подробности исходной архитектуры и обучения базовой модели в README не приведены. Модель предназначена для локального запуска задач генерации текста, включая сценарии, связанные с маркетингом, электронной коммерцией, Meta Ads, scaling laws и reinforcement learning, что отражено в тегах проекта. Доступны варианты квантизации от крайне компактных IQ1 и IQ2 до более качественных IQ3, IQ4, IQ5 и IQ6; размер файлов составляет примерно от 12,1 до 22,3 ГБ. В README рекомендуются варианты i1-Q4_K_M как быстрые и i1-Q4_K_S как оптимальные по соотношению размера, скорости и качества. Более низкие уровни квантизации экономят память, но могут заметно снижать качество. Модель поддерживает только текстовый ввод и вывод; сведения о контекстном окне, точном числе параметров, архитектуре, производительности и дополнительных языках не указаны. Это вариант для локального использования, требующий совместимого ПО для GGUF. Лицензия — MIT.

SHIKARI2 выпустил дообученную чат-модель на архитектуре Llama 3.1. Она основана на unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit и содержит 7,5 млрд параметров. Модель предназначена для генерации текста в диалоге; в метаданных также заявлен интерфейс вызова инструментов. Длина контекста составляет 131 072 токена, язык карточки — английский. Модель может служить основой для маркетинговых текстов и диалоговых сценариев, однако README не описывает конкретные задачи дообучения или оценки качества в маркетинговой области. Модель выпущена в формате Safetensors и распространяется по лицензии Apache-2.0.

CS505_COQE_viT5_Prompting5_APSOL — дообученная модель VietAI на базе VietAI/vit5-large с архитектурой T5ForConditionalGeneration и 389,3 млн параметров. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. README не описывает обучение и конкретные сценарии применения; название модели указывает на связь с извлечением аспектов и мнений из текста на вьетнамском языке, однако это назначение не подтверждено карточкой.

Это дообученная модель семейства DeBERTa для определения эмоций в японском тексте. Она относит текст к одному из восьми независимых эмоциональных классов: радость, грусть, предвкушение, удивление, гнев, страх, отвращение и доверие; для каждого класса возвращает метку и оценку уверенности. Модель предназначена для анализа эмоциональной окраски отдельных текстов или наборов текстов, в том числе для пакетной обработки через Python. Модель использует архитектуру DeBERTa V2 с классификационной головой, содержит около 451,8 млн параметров и принимает последовательности длиной до 512 токенов. Результаты можно получать для одной строки, списка строк или pandas Series; выход представлен метками и оценками по восьми эмоциям. Для работы требуются PyTorch, Transformers и pandas. Лицензия — CC BY-SA 4.0.

Это англоязычная модель для классификации текста, разработанная пользователем echarlaix на основе distilbert/distilbert-base-uncased-finetuned-sst-2-english. Модель экспортирована в формат OpenVINO и предназначена прежде всего для определения тональности англоязычных текстов по датасету SST-2, например для анализа отзывов, комментариев и других коротких высказываний. Архитектура основана на DistilBERT; точный размер модели, длина контекста и перечень поддерживаемых модальностей в README не указаны. Модель работает с текстом на английском языке и относится к задачам text classification. На проверочной выборке GLUE SST-2 заявлены accuracy 0,9106, precision 0,8978, recall 0,9302, F1 0,9137 и AUC 0,9717. Эти показатели характеризуют результаты на конкретном наборе данных и не гарантируют аналогичную точность в других предметных областях. Модель распространяется по лицензии Apache-2.0. Ключевое преимущество — компактная DistilBERT-основа и поддержка OpenVINO, что может быть полезно для эффективного развертывания на совместимом оборудовании. Ограничения связаны с узкой специализацией на английской классификации тональности и возможным снижением качества на текстах, жанрах или языках, отличающихся от данных SST-2; сведения о дополнительных ограничениях и условиях эксплуатации в README отсутствуют.

Модель armpln/finetuned_model_emotion_detection — дообученная версия многоязычного энкодера mmBERT от JHU CLSP для многометочной классификации эмоций в испаноязычных публикациях Twitter. Для входного текста она определяет наличие или отсутствие 11 категорий: гнева, ожидания, отвращения, страха, радости, любви, оптимизма, пессимизма, грусти, удивления и доверия. Модель построена на архитектуре ModernBERT, содержит 306,9 млн параметров и поддерживает контекст до 8192 токенов. Модель предназначена для анализа эмоций в испаноязычных соцсетях и экспериментов с анализом тональности и аффекта. На оценочной выборке указаны Macro F1 0,5265 и loss 0,3387. Доступна по лицензии MIT. Обучение проводилось на испанской части набора SemEval 2018 Task 1 Affect in Tweets. Поскольку данные ограничены Twitter, качество может снижаться на текстах из других областей, а также на сленге, текстах с опечатками, переключением языков и культурными отсылками. Метки не взаимоисключающие: одна публикация может выражать несколько эмоций.

Карточка модели dascim/greekbart на Hugging Face совпадает с карточкой dascim/greekbart-sentiment-classification, поэтому описание составлено по ней. 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.

Модель antalvdb/robbert-v2-dutch-base-finetuned-emotion — дообученная для классификации эмоций версия нидерландской RobBERT-v2 Dutch Base от pdelobelle. Она построена на архитектуре RoBERTa и предназначена для отнесения текста к эмоциональным классам. Модель содержит 144 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате Safetensors по лицензии MIT. В README указаны результаты оценки: Accuracy 0,52 и F1 0,5123. Название модели указывает на настройку для распознавания эмоций, однако карточка не сообщает набор классов, данные обучения или подробности методики оценки.

Muhammad Khubaib Ahmad разработал эту модель для классификации тональности текста на Roman Urdu — урду, записанном латиницей. Она дообучена на базе FacebookAI/xlm-roberta-base и относит текст к одному из трёх классов: положительный, отрицательный или нейтральный. Модель рассчитана на сообщения и публикации из WhatsApp, YouTube, Twitter и других социальных платформ, включая разговорную лексику и смешение урду с английским. Модель использует архитектуру XLM-RoBERTa Base с 12 слоями и скрытым размером 768; объём — около 305,2 млн параметров, контекст — до 514 токенов. В README указаны точность около 84–85% и Macro F1 около 83–84% на отложенной выборке. Лицензия — MIT. Модель может быть полезна для анализа общественного мнения и предварительной модерации контента, но не является специализированным детектором токсичности. Она может ошибаться на сарказме, редком или новом сленге, сильно нестандартном тексте и сообщениях с интенсивным смешением языков; для критичных применений рекомендуется проверять предсказания.

Модель hassan4830/xlm-roberta-base-finetuned-urdu — дообученная для классификации тональности текстовая модель на базе XLM-RoBERTa-base. Автор карточки сообщает, что она выполняет бинарную классификацию тональности предложений на урду; архитектура — XLMRobertaForSequenceClassification, размер — 305,2 млн параметров, контекст — до 514 токенов. Модель принимает текст на урду и определяет тональность предложения, например для анализа отзывов и сообщений. Базовая XLM-RoBERTa разработана исследователями Facebook (ныне Meta) и обучалась на многоязычных данных; эта версия дообучена на датасете тональности урду. Доступна по лицензии AFL-3.0. Карточка не приводит метрик качества или подробностей о составе обучающей выборки, поэтому качество на разных жанрах и доменах по ней оценить нельзя. Также заявлена только бинарная классификация тональности предложений.

Модель Sengil предназначена для аспектно-ориентированного анализа тональности турецкого текста: она определяет положительную, нейтральную или отрицательную оценку, относящуюся к конкретному аспекту в предложении. Это дообученная Sengil модель на основе BERTurk — регистрозависимого BERT-энкодера dbmdz/bert-base-turkish-cased. Она содержит 137,8 млн параметров и принимает контекст до 512 токенов. Модель обучена на наборе Turkish-ABSA-Wsynthetic с полу-синтетическими примерами отзывов о ресторанах. Её можно применять для анализа отзывов по отдельным темам, например обслуживанию или ценам, а также дообучать для похожих задач в электронной коммерции, гостиничном бизнесе и анализе обратной связи. В описанном тестировании указаны accuracy 95,48% и weighted F1 95,46%; результаты относятся к тестовому набору и не гарантируют такое же качество на других данных. Модель разработана Sengil, распространяется по лицензии Apache-2.0 и использует библиотеку Transformers. Она рассчитана на турецкий язык; редкие или неоднозначные аспекты и отличающийся от ресторанных отзывов словарь могут ухудшить качество.

AdsGPT2 — дообученная на GPT-2 модель, созданная для генерации рекламных материалов по названию продукта или бренда. Она обучена на наборе из более чем 10 000 программных рекламных креативов из разных рекламных платформ и стилей. По запросу модель может предложить рекламный текст и формат объявления; её используют для поиска идей и подготовки черновиков на раннем этапе разработки рекламы. Модель принимает текст и генерирует текст. Архитектура — GPT-2, библиотека хранения весов — PyTorch; длина контекста составляет 1024 токена. Репозиторий распространяется по лицензии MIT. В карточке не указаны поддерживаемые языки, поэтому язык примеров и обучающих данных нельзя надёжно определить. Генерации могут быть неожиданными или не соответствовать особенностям конкретного бренда и его правилам. Результаты следует проверять и редактировать перед публикацией; модель предназначена для вдохновения и черновиков, а не для замены редактора или рекламного специалиста. Возможны оскорбительные или неподходящие формулировки и отражение предвзятостей обучающих данных.

Модель shekar-ai/albert-base-v2-persian-sentiment-snapfood — классификатор тональности отзывов на персидском языке, разработанный Shekar AI. Это дообученная для классификации последовательностей модель ALBERT, основанная на shekar-ai/albert-base-v2-persian-zwnj-naab-mlm. Она относит текст к одному из двух классов: положительному или отрицательному. Модель предназначена прежде всего для анализа отзывов о доставке еды из набора Snappfood. В README указаны 11,9 млн параметров и точность 87,17% на отложенной выборке примерно из 6,3 тыс. отзывов; метаданные каталога указывают 137,8 млн параметров, поэтому размер модели сообщается противоречиво. Контекст ограничен 512 токенами. Поддерживается персидский язык; базовая модель учитывает символ ZWNJ. Модель распространяется по лицензии MIT.