III.2Исследование рынка и маркетинг

Reviews-Sentiment-Analysis — модель Kaludi для классификации тональности отзывов о товарах и услугах на положительные и отрицательные. Она предназначена для оценки удовлетворённости клиентов и анализа обратной связи о продукте или сервисе. Модель построена на архитектуре DeBERTa-v2, содержит 211,6 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В README приведены метрики проверки: accuracy 0,952 и F1 0,951. Карточка связывает модель с англоязычным датасетом отзывов; лицензия в доступных данных не указана.

BaxterAI/SentimentClassifier — модель классификации текста на базе DistilBERT, дообученная на наборе данных amazon_polarity. Она предназначена для определения тональности отзывов о товарах: модель различает положительные и отрицательные отзывы. На оценочной выборке указаны accuracy 0,91 и F1 0,91. Контекст модели — до 512 токенов. Модель принимает текст и выдаёт метку класса. Распространяется по лицензии Apache-2.0.

Sonar Pro Search — агентная поисковая система Perplexity, доступная исключительно через API OpenRouter. Режим Pro Search предназначен для углублённого поиска, рассуждений и анализа.

T5Gemma-S-S-PrefixLM-IT — англоязычная текстовая модель Google семейства T5Gemma с энкодер-декодерной архитектурой. Это instruction-tuned вариант с энкодером и декодером размера S, адаптированный с использованием PrefixLM; модель предназначена для генерации текста по запросу. Модель подходит для ответов на вопросы, суммаризации, рассуждений и создания текстов, включая черновики писем, сценарии и маркетинговые материалы. Небольшой размер семейства ориентирован на более экономичное развёртывание, в том числе на локальной инфраструктуре; точное число параметров этой версии в предоставленных данных не указано. Модель работает с текстом на английском языке. Возможные ограничения включают ошибки в фактах, трудности с неоднозначными формулировками и сложными задачами, а также смещения и пробелы, унаследованные от обучающих данных. Лицензия — Gemma; при использовании следует учитывать политику допустимого использования моделей Gemma.

YamT3qm7xp_YamOgno — объединённая методом слияния модель семейства Mistral от MaziyarPanahi, созданная на основе automerger/YamT3qm7xp-7B и automerger/YamOgno-7B. Она предназначена для генерации текста и поддерживает контекст длиной до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате Safetensors по лицензии Apache 2.0.

CommentOpinionExtract — модель на основе ChatGLM, разработанная для извлечения ключевых слов и основных мнений из отзывов об электронной коммерции. Она обучена на 5 000 отзывах Taobao: GPT-4 использовалась для первичного извлечения ключевых слов, после очистки данных на них дообучили ChatGLM. В примерах модель выделяет как положительные оценки, так и претензии к товару, упаковке, цене и эффекту использования. Модель содержит 8,1 млрд параметров и опубликована в формате PyTorch под лицензией Apache 2.0. Карточка указывает китайский язык. Метаданные Hugging Face обозначают задачу как text-classification, тогда как каталог также относит модель к text-generation; примеры README описывают получение текстовых ключевых слов и мнений из отзыва.

Experiment28T3q_Experiment28Experiment24 — объединённая модель MaziyarPanahi на архитектуре Mistral для генерации текста. Она создана путём слияния моделей automerger/Experiment28T3q-7B и automerger/Experiment28Experiment24-7B и содержит 7,1 млрд параметров. Модель подходит для генерации текста и диалоговых сценариев на основе текстовых запросов. Контекстное окно составляет 32 768 токенов. В репозитории используются веса Safetensors, лицензия — Apache-2.0.

Gemma 7B IT — текстовая decoder-only языковая модель Google с открытыми весами, созданная на основе исследований и технологий, применявшихся при разработке Gemini. Это вариант Gemma 7B, дообученный для следования инструкциям и диалогового взаимодействия. Модель принимает текст и генерирует текст; в карточке семейство описано как англоязычное. Репозиторий содержит веса в форматах Safetensors и GGUF, а метаданные указывают библиотеку Transformers и поддержку чата. Модель предназначена для генерации текста, ответов на вопросы, суммаризации и рассуждений, а также для диалоговых интерфейсов, подготовки черновиков и языковых обучающих инструментов. Относительно компактный размер семейства позволяет запускать его на персональном компьютере или в собственной облачной инфраструктуре; число параметров этой модели в предоставленных данных не указано. Возможности зависят от качества промпта и предоставленного контекста. Модель может ошибаться в фактах, отражать смещения обучающих данных и испытывать трудности с неоднозначностью, тонкими языковыми оттенками и сложными открытыми задачами. Лицензия — Gemma; при использовании следует учитывать условия лицензии и политику Google по допустимому использованию моделей Gemma.

Jais Family 13B Chat — диалоговая языковая модель семейства Jais, разработанного Inception Institute of Artificial Intelligence. Это дообученная для общения версия базовой модели inceptionai/jais-family-13b с плотной архитектурой JAISLMHeadModel и примерно 13 млрд параметров. Модель принимает текст и генерирует ответы в чате; она рассчитана прежде всего на арабский и английский языки. Размер контекста — 2048 токенов. Модель подходит для создания арабоязычных и двуязычных чат-ассистентов, ответов на вопросы, суммаризации арабских и английских документов, а также задач понимания текста, таких как классификация тональности. Для загрузки требуется пользовательский класс модели с параметром trust_remote_code=True. Лицензия — Apache 2.0. Ответы могут быть ошибочными, предвзятыми, вводящими в заблуждение или оскорбительными; результаты требуют проверки, особенно в важных решениях. Модель оптимизирована для арабского и английского, поэтому её не следует считать одинаково компетентной в других языках или диалектах.

L3.1-Moe-2x8B-v0.2 — объединённая модель Mixture of Experts, созданная с помощью mergekit-moe на основе Joseph717171/Llama-3.1-SuperNova-8B-Lite_TIES_with_Base и ArliAI/Llama-3.1-8B-ArliAI-RPMax-v1.2. Разработчик объединил две модели и указывает, что проект вдохновлён mlabonne/Beyonder-4x7B-v3. Модель предназначена для генерации текста и диалогов. Она использует архитектуру Mixtral MoE, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. В метаданных указана библиотека Transformers и формат весов safetensors. В README приведены результаты Open LLM Leaderboard, включая средний балл 28,59 и IFEval 73,48. Модель распространяется по лицензии Llama 3.1. README не описывает поддерживаемые языки и специальные ограничения применения; качество ответов следует оценивать для конкретного сценария.

Open Instruct ShareGPT Llama2 7B — языковая модель из серии Tulu, разработанной Allen Institute for AI (AI2). Это дообученная на данных ShareGPT модель Meta Llama 2 с плотной архитектурой LlamaForCausalLM и 6,6 млрд параметров. Она предназначена для генерации текста в ответ на инструкции и ведения диалогов в роли помощника; для получения лучших результатов следует использовать обученный формат сообщений с переводом строки после маркера начала сообщения. Модель принимает текст и выдаёт текст, в первую очередь на английском языке. Размер её контекстного окна — 2048 токенов. Она подходит для диалоговых сценариев и выполнения широкого круга текстовых инструкций. Модель не проходила этап RLHF для выравнивания безопасных ответов и может выдавать проблемный контент, особенно в ответ на соответствующие запросы. Лицензия — AI2 ImpACT Low-risk.

OpenSeeker-v1-30B-SFT — диалоговая модель-агент для поиска и глубокого исследования в интернете, разработанная командой OpenSeeker. Авторы дообучили Qwen3-30B-A3B-Thinking-2507 на 11,7 тыс. примеров и открыли обучающие данные. Модель предназначена для сценариев, где нужно искать информацию и решать сложные поисковые задачи; в метаданных указаны интерфейс вызова инструментов и архитектура MoE семейства Qwen3. Модель использует 2,6 млрд параметров и поддерживает контекст до 262 144 токенов. В карточке заявлены результаты на BrowseComp-ZH, BrowseComp, xbench-DeepSearch и WideSearch, включая сравнение с Tongyi DeepResearch. Указанные результаты относятся к бенчмаркам и сами по себе не гарантируют аналогичного качества в реальных сценариях. Лицензия — MIT.

Varnika S разработала компактную модель классификации текста на основе BERT для определения эмоций и тональности. Модель объединяет Boltuix/bert-lite и Boltuix/bert-mini; в README она описана как дообученная на размеченных по эмоциям данных. Архитектура — BertForSequenceClassification, размер — около 12 млн параметров, библиотека — Transformers, максимальный контекст — 512 токенов. Модель предназначена для коротких англоязычных текстов и может работать в сценариях с ограниченными ресурсами, включая анализ сообщений в реальном времени. Модель относит текст к эмоциональным категориям, например радости, грусти и гневу. Её можно применять для анализа публикаций в социальных сетях, отзывов и обращений клиентов, а также для определения эмоциональной окраски сообщений чат-бота. Карточка указывает лицензию Apache-2.0; README также упоминает MIT, поэтому условия лицензирования в источниках расходятся и требуют проверки по файлам репозитория.

T3qm7xNeuralsirkrishna_ShadowOgno — объединённая модель для генерации текста, созданная на основе automerger/T3qm7xNeuralsirkrishna-7B и automerger/ShadowOgno-7B. Она предназначена для генерации текста и диалогов по текстовым запросам. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

Многоязычная модель Cardiff NLP для многометочной классификации тем публикаций в социальных сетях. Она основана на cardiffnlp/twitter-xlm-roberta-base — языковой модели XLM-RoBERTa, обученной на примерно 198 млн многоязычных твитов, и дообучена на наборах TweetTopic и X-Topic. Модель содержит около 305,2 млн параметров и принимает текст с контекстом до 514 токенов. Модель определяет темы на английском, испанском, японском и греческом языках. Среди классов — искусство и культура, бизнес, повседневная жизнь, образование, новости, наука и технологии, спорт и путешествия; для одной публикации могут быть выбраны несколько тем. Лицензия — MIT. В результатах на X-Topic показатели Macro-F1 различаются по языкам: от 41,3 для греческого до 55,4 для английского; качество зависит от языка и тематики текста.

AISquare-Instruct-SOLAR-10.7b-v0.5.32 — инструкционная языковая модель команды UI Platform компании Inswave Systems. Она основана на upstage/SOLAR-10.7B-v1.0 и предназначена для генерации текста по запросам и инструкциям. Модель использует плотную архитектуру LlamaForCausalLM, содержит 10,6 млрд параметров и принимает текст; нативное окно контекста — 4096 токенов. В метаданных указан английский язык. Модель опубликована в формате PyTorch и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель incidelen/bert-base-turkish-sentiment-analysis-cased — классификатор тональности турецких текстов, созданный дообучением BERTurk на наборе TRSAv1. Он относит текст к одному из трёх классов: положительный, нейтральный или отрицательный. Основной сценарий — анализ отзывов о товарах в электронной торговле, например для оценки мнений покупателей и группировки отзывов по тональности. Модель построена на BERTurk с архитектурой BERT для классификации последовательностей, содержит 137,8 млн параметров и принимает тексты длиной до 512 токенов. В описанной оценке на TRSAv1 указаны accuracy 83,69% и F1 83,65%; качество различается по классам, при этом нейтральные отзывы распознаются хуже положительных и отрицательных. Базовая модель — dbmdz/bert-base-turkish-cased. Репозиторий содержит веса в формате safetensors; сведения о лицензии не приведены в доступных данных.

Moritz Laurer дообучил DeBERTa-v3-base от Microsoft на 392 702 парах MultiNLI для классификации текстов по заданным категориям без отдельного обучения на этих категориях. Модель сопоставляет посылку и гипотезу и оценивает, следует ли гипотеза из текста; это позволяет использовать её для классификации с нулевым обучением и задач вывода по естественному языку. Модель основана на архитектуре DeBERTa-v2, содержит 211,6 млн параметров и принимает текст с контекстом до 512 токенов. В README указана точность 0,90 на тестовой части MultiNLI. Веса доступны в форматах PyTorch и safetensors; лицензия в предоставленных данных не указана.

Moritz Laurer разработал deberta-v3-large-zeroshot-v1.1-all-33 для классификации текстов без заранее заданного набора меток. Модель преобразует категории в гипотезы и оценивает, следует ли каждая гипотеза из текста, используя схему Natural Language Inference с двумя классами: entailment и not_entailment. Модель основана на DeBERTa-v2 и содержит 533,8 млн параметров. Она обучена на английских данных из 33 наборов и 387 классов, включая задачи анализа тональности, эмоций, токсичности, спама и тематической классификации. Контекст ограничен 512 токенами. Для классификации текстов на других языках автор рекомендует сначала переводить их на английский. Подходит для оценки заданных категорий и классификации по пользовательским гипотезам; результаты на обучающих наборах не являются строго zero-shot, поскольку модель видела данные этих задач. Возможные смещения унаследованы от обучающих наборов. Лицензия — MIT.

Это дообученная модель DistilBERT от SebasLopez-ai для определения тональности англоязычных отзывов о товарах Amazon. Она присваивает отзыву один из трёх классов: Negative для оценок 1–2 звезды, Neutral для 3 звёзд и Positive для 4–5 звёзд; её можно использовать для анализа отзывов, фильтрации по тональности и построения рекомендаций. Модель основана на distilbert-base-uncased и содержит около 66 млн параметров: 6 слоёв трансформера, размер скрытого состояния 768 и 12 голов внимания. Контекст ограничен 512 токенами. Обучение проведено на датасете Amazon Reviews 2023; по README, точность на тестовой выборке составила 77,26%. Модель особенно хорошо распознаёт положительные отзывы и редко путает положительную и отрицательную полярность, но хуже различает нейтральные отзывы и не распознаёт сарказм надёжно. Для загрузки доступны веса SafeTensors и формат ONNX; модель рассчитана на использование через Transformers. Лицензия — MIT.

Модель philschmid/distilbert-base-multilingual-cased-sentiment — дообученная версия distilbert-base-multilingual-cased для классификации тональности отзывов. Её представил автор philschmid; обучение проводилось на наборе amazon_reviews_multi. Модель использует архитектуру DistilBERT и предназначена для классификации текста. Модель подходит для определения тональности отзывов покупателей и автоматической разметки пользовательских оценок. В README указаны результаты на тестовой выборке: accuracy и F1 — 0,7648. Максимальная длина контекста — 512 токенов. Доступны веса PyTorch, лицензия — Apache-2.0. Поддержка нескольких языков следует из базовой модели, однако перечень языков для этой версии не приведён.

Experiment28M7_AlloyingotneoyExperiment26 — объединённая модель для генерации текста на базе архитектуры Mistral. Она получена слиянием automerger/Experiment28M7-7B и automerger/AlloyingotneoyExperiment26-7B и содержит 7,1 млрд параметров. Модель принимает текст и генерирует текст, поддерживая контекст до 32 768 токенов. Модель подходит для генерации продолжений, ответов и другого текста общего назначения. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0.

Experiment28M7_YamNeuralsirkrishna — объединённая модель на архитектуре Mistral, созданная из automerger/Experiment28M7-7B и automerger/YamNeuralsirkrishna-7B. Она предназначена для генерации текста и диалогов, а размер модели составляет 7,1 млрд параметров. Модель принимает текст и выдаёт текст. Её контекстное окно — до 32 768 токенов. Репозиторий содержит веса в формате safetensors; модель опубликована под лицензией Apache-2.0.

alpindale/gemma-2b-it — диалоговая языковая модель семейства Gemma, основанная на открытых моделях Google. Это плотная авторегрессионная модель с архитектурой GemmaForCausalLM и 2,5 млрд параметров; она принимает текст и генерирует текст, поддерживает контекст до 8192 токенов и предназначена прежде всего для английского языка. Модель подходит для диалоговых интерфейсов, генерации и редактирования текстов, краткого пересказа, ответов на вопросы и исследовательских экспериментов. Компактный размер позволяет запускать её на персональных компьютерах и в облачной инфраструктуре с ограниченными ресурсами. Как и другие языковые модели, она может выдавать фактически неверные ответы, отражать предвзятость данных обучения и испытывать трудности со сложными инструкциями, нюансами языка и задачами, требующими надёжного здравого смысла. Для использования модели применяются условия лицензии Gemma; README ссылается на политику запрещённого использования Gemma.

MeliodasPercival_01_NeuralExperiment26 — объединённая языковая модель на архитектуре Mistral, созданная из automerger/MeliodasPercival_01-7B и automerger/NeuralExperiment26-7B. Она предназначена для генерации текста и диалогов по текстовым запросам. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Репозиторий опубликован под лицензией Apache-2.0.

MeliodasPercival_01_T3qT3qm7 — объединённая модель Mistral для генерации текста, созданная на основе automerger/MeliodasPercival_01-7B и automerger/T3qT3qm7-7B. Она содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

MeliodasPercival_01_YamYam — объединённая модель семейства Mistral, созданная на основе automerger/MeliodasPercival_01-7B и automerger/YamYam-7B. Она предназначена для генерации текста и диалогов. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Опубликована в формате safetensors под лицензией Apache-2.0.

NeuralKybalion-7B-slerp-v3 — объединённая модель, созданная Kukedlc с помощью LazyMergekit на основе трёх моделей NeuralKybalion и experiment26-truthy-iter-0. Это плотная авторегрессионная языковая модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста. Она принимает текст и выдаёт текст; заявленный контекст составляет 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0.

AnkitAI/reviews-roberta-base-sentiment-analysis — дообученная модель RoBERTa для определения тональности отзывов Amazon. Она создана на основе cardiffnlp/twitter-roberta-base-sentiment-latest и использует классификационную голову для бинарной классификации: положительная или отрицательная тональность. Модель подходит для автоматической разметки отзывов и анализа мнений покупателей. Архитектура RobertaForSequenceClassification содержит 151,8 млн параметров, максимальная длина контекста — 514 токенов. Модель принимает текст и выдаёт метку класса; карточка указывает английский язык. Доступны веса в форматах Safetensors и OpenVINO. Модель распространяется по лицензии MIT. Карточка описывает дообучение на Amazon Reviews, но не приводит метрики качества; результаты на других жанрах текста могут отличаться.

MaxKazak подготовил русскоязычный классификатор эмоций, дообученный на базе ai-forever/ruBert-base на датасете Djacon/ru_goemotions. Это плотная модель BERT с головой классификации последовательностей; она принимает текст и оценивает вероятности девяти меток: радость, интерес, удивление, грусть, гнев, отвращение, страх, вина и нейтральное состояние. Модель подходит для анализа эмоциональной окраски русскоязычных сообщений, отзывов и других коротких текстов. В README приведены результаты оценки: средний AUC вероятностей на тесте 0,9095 и средний F1-macro 0,7781; качество различается между метками. Контекст модели — до 512 токенов. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0.