III.2Исследование рынка и маркетинг

Модель mwkby/distilbert-base-uncased-sentiment-reddit-crypto — дообученная версия distilbert-base-uncased для классификации тональности комментариев Reddit о криптовалютах. Она предназначена для анализа сообщений из обсуждений криптовалют, включая сообщества Bitcoin, Ethereum и Dogecoin. Архитектура — DistilBERT для классификации последовательностей; модель принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. В README указаны точность 0,8915 на оценочном наборе и 0,8641 на финальном тестовом наборе. Эти результаты относятся к использованным наборам данных Reddit и не гарантируют такую же точность на других источниках или современных обсуждениях. Лицензия — Apache-2.0.

finetuning-sentiment-model-3000-samples — модель классификации текста на основе DistilBERT, дообученная разработчиком sgraf202 на наборе из 3000 примеров. Она предназначена для определения тональности текста. В README приведены результаты оценки: accuracy 0,4688 и F1 0,5526; описание обучающих данных и меток отсутствует. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса. Контекст ограничен 512 токенами. Веса опубликованы в формате PyTorch, лицензия — Apache-2.0. Низкие показатели оценки указывают, что качество классификации может быть ограниченным; назначение классов и подробности оценки не описаны.

Nano Banana 2 Lite (Gemini 3.1 Flash Lite Image) — модель генерации изображений от Google, предназначенная для высокоскоростных рабочих процессов разработчиков и быстрого визуального поиска идей. README описывает её как самую быструю и экономичную модель изображений Gemini от Google. Модель генерирует изображения по текстовым запросам. Данных о размере, архитектуре, поддерживаемых языках, длине контекста и лицензии в предоставленных источниках нет.

PhilflowIO разработала эту разговорную Gemma 3 12B как дообученную версию google/gemma-3-12b-it для немецких текстов сайтов и маркетинговых материалов. Модель генерирует текст и предназначена прежде всего для подавления шаблонных рекламных фраз из заданного списка; автор рекомендует использовать её вместе со специальным системным промптом. В опубликованном сравнении на 36 тестовых запросах сочетание модели с промптом дало меньше совпадений с обучающим бан-листом, чем базовая модель с тем же промптом. Этот показатель измеряет подавление выбранных фраз, а не общее качество текста. В тех же тестах отмечены ухудшение структуры предложений, ошибки грамматики и непоследовательное обращение du/Sie; слепые оценки не выбрали её тексты лучшими. Поэтому модель подходит для создания черновиков с последующей редактурой человеком, но не для выпуска готового текста без проверки. Это плотная модель семейства Gemma 3 с 12 млрд параметров и поддержкой чата; базовая Gemma 3 также поддерживает понимание изображений, но README описывает эту донастройку для генерации немецкого текста. Для корректной загрузки автор требует transformers==4.56.2: с transformers 5.x параметры checkpoint не сопоставляются, и модель может выдавать бессвязный текст. Использование регулируется условиями Gemma и политикой запрещённого использования Google.

Gupta28/judgebench-siglip-judge-v2 — дообученная мультимодальная модель на основе полной архитектуры SigLIP SoViT-400m от Google, предназначенная для оценки соответствия изображений стилю бренда rhode. Она кодирует изображение и сравнивает его эмбеддинг с центроидом обучающих изображений бренда; оценка калибруется параметрами Platt scaling из файла calibration.json. Обучение включало примеры конкурирующих брендов и 810 примеров нарушений палитры и типографики. Модель лучше выявляет именно те нарушения оформления, на которых обучалась, но не переносит это умение на другие типы несоответствий: для композиции, стилизации и настроения качество оставалось на уровне случайного. В отчёте на тестовом наборе из 2622 примеров AUC определения бренда составила 0,975. Для применения нужны веса и calibration.json; модель специализирована на rhode и не является универсальным оценщиком соответствия бренду. Лицензия в доступных данных не указана.

Модель для анализа тональности норвежских отзывов: по предложению определяет оценку от отрицательной до положительной. Её разработали Simen Aabol и Marcus Dragsten, дообучив NorBERT2 на объединённом наборе норвежских отзывов и данных о тональности. Это BERT-модель для классификации последовательностей объёмом 151,7 млн параметров; она принимает текст, использует контекст длиной до 512 токенов и выдаёт метку класса. Модель предназначена для проверки тональности норвежских предложений и отзывов. Авторы обозначают её как тестовую, поэтому качество для практических задач не гарантируется. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

derric017 дообучил модель Qwen2.5-1.5B-Instruct для ответов по тематике недвижимости. Это плотная авторегрессионная языковая модель с 1,5 млрд параметров, контекстом до 32 768 токенов и текстовым диалоговым интерфейсом. В карточке указано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face; базовая модель — unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit. Модель предназначена для генерации текстовых ответов и помощи в сценариях, связанных с недвижимостью. Она принимает текст и выдаёт текст; среди указанных языков — английский. Распространяется по лицензии Apache-2.0.

cardiffnlp/twitter-roberta-base-emoji — модель Cardiff NLP на базе RoBERTa-base, предварительно обученная примерно на 58 млн твитов и дообученная для предсказания эмодзи по тексту в бенчмарке TweetEval. Это классификатор последовательностей с 151,8 млн параметров и контекстом до 514 токенов; для текста выдаёт оценки вероятности для классов-эмодзи. Подходит для определения эмодзи, лучше всего соответствующего сообщению в Twitter, и анализа предполагаемой эмоциональной окраски коротких публикаций. Карточка не приводит сведения о лицензии.

beto-sarcasmo-bs16-ep6 — дообученная PauAnd29 модель BETO на базе dccuchile/bert-base-spanish-wwm-cased для классификации испаноязычных текстов и выявления сарказма, на что указывает название модели. Это BERT-модель для классификации последовательностей с 137,1 млн параметров и контекстом до 512 токенов. В карточке приведены результаты на оценочной выборке: F1 Macro 0,9168, F1 Weighted 0,9208 и Accuracy 0,9209. Датасет и подробности разметки не описаны, поэтому эти метрики нельзя уверенно переносить на другие данные. Лицензия в метаданных и README не указана.

yimiwang/bert-petco-emailbody-ctr — дообученная модель на архитектуре BERT для классификации текста. В метаданных указана задача text-classification, а размер модели составляет 136,7 млн параметров; базовая модель — bert-base-uncased. Модель принимает текст и выдаёт результат классификации. Контекст — до 512 токенов. В README приведены метрики на оценочном наборе: MSE 0,0143, RMSE 0,1197, MAE 0,0727 и R² 0,7276. Название указывает на применение к телам писем Petco, однако описание назначения и данных обучения отсутствует, поэтому нельзя подтвердить конкретные классы или целевую переменную. Распространяется по лицензии Apache-2.0.

Модель raphamendes00/carros-br-raphael-v2 — дообученный Sentence Transformer на базе raphamendes00/carros-br-raphael-v10, разработанный автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 384 для сравнения текстов по смыслу, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Обучение проводилось на 1 200 парах примеров с OnlineContrastiveLoss; архитектура включает BERT, усреднение токенных представлений и нормализацию векторов. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов; при практическом использовании следует учитывать ограничение Sentence Transformers в карточке.

OSim-4B — текстовая модель для симуляции поведения людей и пользователей, разработанная в рамках проекта OdysSim командой CMU-LTI. Это дообученный чекпойнт Qwen3-4B: после промежуточного обучения OdysSim модель прошла целевое обучение с подкреплением и консолидацию экспертных данных. Архитектура — плотная Qwen3ForCausalLM примерно на 3,7 млрд параметров; модель принимает и генерирует текст, поддерживает контекст до 32 768 токенов и предназначена для диалоговой симуляции поведения и пользовательских сценариев. Модель подходит для создания симулированных пользователей и воспроизведения поведенческих сценариев в текстовых взаимодействиях. В карточке нет сведений о поддерживаемых естественных языках или о специализированных прикладных областях, поэтому такие свойства не заявляются. Лицензия — MIT. Качество симуляции за пределами заявленных сценариев, защитные механизмы и ограничения применения в README не описаны.

jkhan447 опубликовал модель BERT-base-uncased, дообученную для классификации текста. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В карточке заявлено применение для обнаружения сарказма, однако сведения о датасете отсутствуют. На оценочном наборе указана точность 0,5783 и потеря 4,1816. Эти результаты дают ограниченное представление о качестве: состав и размер набора, методика оценки и классы не описаны. Модель распространяется под лицензией Apache-2.0.

Kelnux/seo-embedding-uczciweseo — модель эмбеддингов на базе BERT, дообученная для SEO-задач польского рынка. Она преобразует предложения и фразы в 384-мерные векторы, которые можно сравнивать по косинусному сходству для семантического поиска и группировки похожих запросов. Модель основана на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, содержит 124,3 млн параметров и рассчитана на тексты длиной до 512 токенов. Модель обучена на польских SEO-данных, наборе SEO-GRPO и терминологии seovoc/schema.org. Она предназначена для сравнения SEO-фраз, поиска семантически близких терминов, кластеризации ключевых слов и сопоставления польских и английских формулировок. В README приведены примеры сходства для технического SEO, структурированных данных и органического трафика. Заявлена лицензия MIT. Оценки в карточке получены на описанных авторами парах фраз; README указывает на обучение на 298 парах, поэтому эти результаты сами по себе не гарантируют качество на других SEO-данных. Модель выдаёт векторы, а не готовые тексты или рекомендации.

cardiffnlp/twitter-roberta-large-emoji-latest — модель Cardiff NLP на архитектуре RoBERTa-large с 454,1 млн параметров. Она обучена на 154 млн твитов, опубликованных до конца декабря 2022 года, и дообучена на наборе TweetEmoji100 из SuperTweetEval для многоклассовой классификации по 100 эмодзи. Модель предназначена для определения подходящего эмодзи по тексту твита и других коротких сообщений на английском языке. Она принимает текст и выдаёт метку класса эмодзи; длина контекста — 514 токенов. Модель распространяется в формате safetensors по лицензии MIT.

RiverWX/greenwashing-claim-detector — англоязычная модель RiverWX на базе ClimateBERT с архитектурой DistilRoBERTa, дообученная для выявления предложений с экологическими заявлениями, которые могут требовать проверки на признаки гринвошинга. Это один из трёх классификаторов в демонстрационном приложении проекта магистерского курса; модель выполняет анализ на уровне отдельного предложения и служит скринером красных флагов. Модель предназначена для предварительного отбора экологических заявлений в текстах и направления потенциально сомнительных фрагментов на ручную проверку. Она содержит 95,4 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт результат классификации. Модель рассчитана на английский язык. Результат — сигнал для проверки, а не доказательство гринвошинга и не регуляторное заключение. Модель предназначена для исследовательского и учебного использования. Лицензия CC BY-NC-SA 4.0 запрещает коммерческое использование и требует распространять производные материалы на тех же условиях.

YoichiTakenaka/deverta-v3-japanese-large-Anticipation — модель классификации текста на основе DeBERTa V2, предназначенная для определения эмоции предвкушения (Anticipation) в японском тексте. Это один из восьми отдельных дообученных классификаторов пакета DeBERTa Emotion Predictor, который также оценивает радость, грусть, удивление, гнев, страх, отвращение и доверие. Для каждого текста модель выдаёт метку наличия целевой эмоции и уверенность в положительном классе. Модель принимает текст и рассчитана на японский язык. Архитектура DeBERTa V2 содержит 451,8 млн параметров и поддерживает контекст до 512 токенов. Веса опубликованы в формате safetensors; для использования пакета требуются PyTorch и Transformers. Лицензия — CC BY-SA 4.0. Модель подходит для анализа эмоциональной окраски японских сообщений и текстов. Её классификация ограничена одной эмоцией — предвкушением; остальные эмоции определяются отдельными моделями пакета. README не сообщает метрики качества или состав обучающих данных.

LLaMarketing — языковая модель Marketeam для маркетинговой тематики, полученная продолжением предобучения LLaMA-3-8B на корпусе маркетинговых материалов объёмом более 43 млрд токенов. Это авторегрессионный трансформер с 8 млрд параметров, контекстом 3 тыс. токенов и текстовым вводом и выводом; заявлен английский язык. Модель предназначена для генерации маркетинговых текстов, ответов на вопросы и изучения маркетинговой информации, а также для экспериментов с NLP в маркетинге. Выпущен ранний чекпойнт без дообучения на инструкции. Он может содержать маркетинговые знания, но, по предупреждению разработчика, пока не умеет надёжно и безопасно применять их в профессиональных сценариях; для узких задач рекомендованы дальнейшее SFT или RLHF. Модель не рекомендуется для практического развёртывания. Лицензия — Llama 3 Community License Agreement.

Это японская модель BERT-base, разработанная на основе cl-tohoku/bert-base-japanese-v2 и дообученная автором репозитория на версии 1 датасета WRIME. Модель принимает японские твиты и оценивает интенсивность восьми эмоций: радости, грусти, предвкушения, удивления, гнева, страха, отвращения и доверия. Для каждой эмоции она выдаёт отдельную оценку для автора текста и усреднённую оценку читателей — всего 16 регрессионных выходов. Модель предназначена для анализа эмоциональной окраски японских сообщений в соцсетях, в том числе для сравнения предполагаемых эмоций автора и читателей. Архитектура — BertForSequenceClassification, размер — 138,4 млн параметров, максимальный контекст — 512 токенов. Карточка приводит результаты оценки на тестовой части WRIME. При регрессионном обучении модель может выдавать оценки за пределами диапазона обучающих меток. Она обучена на японских твитах WRIME, поэтому перенос результатов на другие жанры и языки не подтверждён. Лицензия — CC BY-SA 3.0.

SeongeonKim разработал эту текстовую генеративную модель на основе Gemma 2 9B, дообучив её с помощью Unsloth и TRL. Модель предназначена для восстановления естественного корейского текста из намеренно искажённых корейских отзывов об отелях и других объектах размещения. Обучение проводилось на 11 263 парах искажённых и восстановленных отзывов из набора SeongeonKim/ko-scrambled_v0.1. Модель принимает текст и генерирует его восстановленную версию; в метаданных указан контекст длиной 8192 токена. Репозиторий содержит веса Safetensors. Модель специализирована на корейских отзывах, поэтому её применение для иных типов искажённого текста не подтверждено. Лицензия дообученной модели CC BY-NC 4.0 разрешает только некоммерческое использование; для коммерческого применения требуется отдельное разрешение.

PhiMarketing — языковая модель для маркетинга, разработанная Marketeam на основе Phi-3-mini-128k-instruct. Это плотный авторегрессионный трансформер с 3,7 млрд параметров, дообученный продолжением предобучения на маркетинговом корпусе объёмом более 43 млрд токенов. Модель принимает и генерирует текст на английском языке; в README указана длина контекста около 3 тысяч токенов, а в метаданных — 4096 токенов. Модель предназначена для исследований применения LLM в маркетинге: генерации маркетинговых текстов, ответов на профильные вопросы и изучения маркетинговой информации. Это ранний базовый чекпойнт без инструкционной настройки. Разработчики рекомендуют адаптировать его для конкретных задач с помощью SFT или RLHF либо использовать контекстное обучение. README предупреждает, что версия пока не адаптирована для безопасного, уместного и профессионально обоснованного применения, и не рекомендует использовать её в реальной практике. Репозиторий распространяется по лицензии Microsoft Public License (MS-PL).

AlexStamp разработала модель на архитектуре RoBERTa-base, дообучив FacebookAI/roberta-base для пяти классов оценки отзывов Yelp. На вход подаётся текст отзыва, а модель предсказывает оценку от одной до пяти звёзд. Модель содержит 151,8 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате safetensors; для запуска используется Transformers. Модель подходит для классификации англоязычных отзывов Yelp и учебных экспериментов с дообучением трансформеров и сравнением их с классическими методами NLP. В README указана точность 0,639 и Macro F1 0,631 на тестовой выборке из 1 000 отзывов. Обучение проводилось на подмножестве из 10 000 отзывов Yelp. Небольшая обучающая выборка и дисбаланс классов ограничивают обобщение; модель использует только текст и может хуже работать на отзывах из других областей. Лицензия — MIT.

Temporal-MoEs-RoBERTa — англоязычная модель команды CITD@UIT для выявления изменений эмоционального состояния в последовательностях текстов. Она основана на CardiffNLP Twitter RoBERTa для анализа тональности и дополнена временным слоем Mixture-of-Experts, который учитывает последовательные зависимости и переходы между состояниями. Модель разработана для SemEval-2026 Task 2, Subtask 2A (State Change Detection). Модель предназначена для классификации текстовых данных с оценкой изменений валентности и уровня возбуждения. В описании заявлено 5-е место среди участников конкурса без учёта базовых систем. Параметры: 151,8 млн; максимальная длина контекста — 514 токенов. Доступна в формате safetensors, использует Transformers и распространяется по лицензии MIT. Результат конкурса сам по себе не гарантирует качество на других наборах данных или сценариях.

EnvRoBERTa-environmental — модель на архитектуре RoBERTa, разработанная авторами исследования о применении NLP для анализа коммуникаций в сфере ESG. Она дообучена на наборе из 2 тысяч экологических текстов для классификации текстовых образцов и выявления материалов экологической тематики в ESG-коммуникациях. Модель содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов; заявленный язык — английский. Модель подходит для отбора экологических текстов при анализе ESG-коммуникаций и для крупномасштабной классификации таких материалов. В карточке рекомендуется более компактная EnvironmentalBERT-environmental: она быстрее и требует меньше ресурсов, при этом её качество лишь немного ниже. Модель распространяется по лицензии Apache-2.0.

Auditor Review Sentiment Model — модель классификации тональности отзывов об аудиторах, разработанная FinanceInc и дообученная на собственной версии FinBERT. Она предназначена для анализа оценок аудиторов в финансовой сфере и для исследовательских и практических задач финансового NLP. Модель основана на BERT, содержит 137 млн параметров и принимает текст длиной до 512 токенов; заявлен английский язык. Модель выполняет многоклассовую классификацию. На приведённой в карточке валидации точность составила около 86%, а macro F1 — около 0,845. Карточка сообщает, что модель проходила оценку в разработке; качество может зависеть от соответствия входных отзывов обучающим данным. Лицензия в предоставленных данных не указана.

TahaCakir/enhanced_turkishReviews-generativeAI — дообученная на неизвестном наборе данных генеративная модель на архитектуре GPT-2 Large, разработанная на основе openai-community/gpt2-large. Она предназначена для генерации текста; название репозитория указывает на связь с турецкими отзывами, однако README не уточняет сценарии применения и состав данных. Модель использует TensorFlow и имеет контекст длиной 1024 токена. В README приведены потери на обучении и валидации после 9 эпох, но нет описания оценки качества или практических ограничений. Лицензия — MIT.

humbleworth/reformer-character-domain-generator — дообученная модель Reformer с посимвольной генерацией, предназначенная для создания названий доменов по описательным тегам. В README указаны базовая модель google/reformer-enwik8, механизм LSH attention и обучение на наборах доменов: реальных и синтетических. Метаданные Hugging Face указывают 201,6 млн параметров, контекст 256 токенов и формат safetensors; README приводит отличающуюся оценку размера — около 597 млн параметров. Модель принимает англоязычные теги содержания и стиля, например tech, health, modern или minimal, и генерирует варианты доменных имён посимвольно. Для направления генерации рекомендуется задавать 3–4 тега; порядок тегов, согласно README, не должен влиять на результат. Модель подходит для мозгового штурма названий стартапов, компаний и проектов. Карточка сообщает, что веса распространяются по лицензии Apache-2.0. Генерация лучше работает с английскими ключевыми словами; модель может предлагать нестандартные доменные зоны, не проверяет доступность домена и может отражать смещения обучающих данных. Названия следует отдельно проверять на доступность и конфликты с товарными знаками.

Theia-Llama-3.1-8B-v1 — языковая модель Chainbase Labs для вопросов о криптовалютах и блокчейн-проектах. Она дообучена методом LoRA на базе Llama 3.1 8B Instruct; архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 7,5 млрд параметров. Модель работает в формате чата Llama 3.1, принимает текст и генерирует текст. Заявленная длина контекста — 131 072 токена. Модель предназначена для ответов на вопросы о криптопроектах, их документации, фундаментальных характеристиках, ходе разработки и влиянии на рынок. Обучающий набор собран из материалов CoinMarketCap о 2 000 ведущих по капитализации проектах, включая white paper, официальные блоги и новости, а также исследовательских отчётов. README также описывает отдельную Q8 GGUF-квантизацию, но текущая карточка содержит файлы safetensors. Модель выпущена по лицензии Llama 3.1. Она ориентирована на криптовалютную тематику; точность ответов и актуальность рыночных сведений могут зависеть от обучающих данных, поэтому важные факты следует проверять по актуальным источникам. README приводит результаты внутреннего бенчмарка, но подробная методика и полная таблица не представлены.

GemMarketing — языковая модель Marketeam для маркетинговой тематики, созданная на основе Gemma 2B методом непрерывного предобучения на маркетинговом корпусе объёмом более 43 млрд токенов. Это плотный авторегрессионный трансформер с архитектурой decoder-only; в метаданных указано 2,5 млрд параметров и контекст 8192 токена. Модель принимает и генерирует текст на английском языке. Модель предназначена для исследований и экспериментов с генерацией маркетингового текста, ответами на вопросы и изучением маркетинговых тем. Карточка описывает ранний чекпойнт без дообучения на инструкции: он ещё не адаптирован для надёжных, безопасных и практически применимых ответов. Авторы не рекомендуют применять его в реальных рабочих сценариях; для конкретных задач советуют дополнительное SFT или RLHF либо обучение в контексте. Лицензия — Gemma.

hun3359/klue-bert-base-sentiment — корейская модель классификации текста на основе klue/bert-base, дообученная автором в течение пяти эпох для анализа тональности. Модель использует архитектуру BERT для классификации последовательностей, содержит 137,8 млн параметров и принимает текст длиной до 512 токенов. В карточке приведены результаты тестирования: точность 0,294 и F1 0,291, что указывает на низкое качество классификации в описанном эксперименте. Модель подходит для пробного определения тональности корейских текстов, но перед практическим применением её следует оценить на целевых данных. Лицензия — CC BY-SA 4.0.