III.2Исследование рынка и маркетинг

Русскоязычный классификатор тональности отзывов, разработанный как проект Capstone #1 в Attractor School. Это модель BERT для классификации последовательностей, дообученная на ai-forever/ruBert-base; число параметров — 205,5 млн, максимальная длина контекста — 512 токенов. Модель относит русскоязычные отзывы к положительным, отрицательным или нейтральным и подходит для анализа пользовательских отзывов из разных источников. В README указана точность 77% на тестировании. Модель обучалась один эпоху на наборе отзывов из нескольких областей, включая маркетплейсы, кино, аниме и геолокационные сервисы, поэтому качество может меняться на специализированных темах. Распространяется по лицензии Apache-2.0.

ShadowYamshadow_Strangemerges_30Experiment28 — объединённая языковая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста по текстовому запросу и поддерживает контекст до 32 768 токенов. Модель создана путём слияния automerger/ShadowYamshadow-7B и automerger/Strangemerges_30Experiment28-7B. Весовые файлы опубликованы в формате safetensors. Лицензия — Apache-2.0.

YamshadowInex12_NeuralsirkrishnaM7 — слитая текстовая модель семейства Mistral, созданная на основе automerger/YamshadowInex12-7B и automerger/NeuralsirkrishnaM7-7B. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате Safetensors по лицензии Apache-2.0.

Zhi-Create-DSR1-14B — дообученная модель Zhihu на базе DeepSeek-R1-Distill-Qwen-14B, предназначенная прежде всего для творческого письма. Она генерирует тексты по запросу и показывает улучшенные результаты в тестах на написание рассказов и текстов разных стилей, форматов и длины. Модель также сохраняет возможности диалога, рассуждений, математики и ответов на общие вопросы. Это плотная авторегрессионная модель семейства Qwen2 с 14 млрд параметров и контекстом до 131 072 токенов. В обучении использовались SFT и DPO, а данные включали китайские и английские наборы для рассуждений и письма, а также материалы Zhihu. Указанные в карточке языки — китайский и английский; сценарии творческого письма в README проиллюстрированы китайским запросом. Модель подходит для создания рассказов, статей, деловых и учебных текстов, а также для редактирования и следования заданным требованиям к стилю и формату. README приводит сравнительные результаты бенчмарков, но они не гарантируют качество для конкретного запроса. Для локального развёртывания описаны конфигурации с мощными GPU. Лицензия — Apache 2.0.

BeagleB-7B — объединённая модель для генерации текста, созданная с помощью LazyMergekit на основе OmniBeagle-7B, BeagleX-7B и FoxBeagle-7B. В конфигурации указана Mistral-7B-v0.1 как базовая модель и метод слияния dare_ties. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

braza-embedding-ptbr-v1 — модель текстовых эмбеддингов, разработанная TAMZ и дообученная на базе ibm-granite/granite-embedding-97m-multilingual-r2. Она использует архитектуру ModernBERT и содержит 97,4 млн параметров. Модель рассчитана прежде всего на бразильский вариант португальского языка и корпоративную лексику: описания компаний, отрасли, географию, размер бизнеса и запросы покупателей и специалистов по продажам. Максимальная длина контекста — 8192 токена. Модель подходит для семантического поиска по данным о компаниях и деловым документам, сопоставления компаний с запросами, кластеризации и поиска дубликатов, а также для построения RAG-систем на португальском языке. В README приведены результаты MTEB для португальского языка: улучшение относительно базовой модели на ASSIN2 и SICK-BR, а также по взвешенной основной оценке. Лицензия — Apache-2.0.

Experiment26Yamshadow_Experiment24Shadow — объединённая модель для генерации текста, созданная MaziyarPanahi слиянием automerger/Experiment26Yamshadow-7B и automerger/Experiment24Shadow-7B. Она построена на архитектуре Mistral и содержит 7,1 млрд параметров. Модель предназначена для генерации текста по текстовому запросу. Контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате Safetensors, лицензия — Apache-2.0.

Карточка модели stevenlearns/gemma-2-2b-it на Hugging Face совпадает с карточкой google/gemma-2-2b-it, поэтому описание составлено по ней. Gemma 2 2B IT — компактная текстовая модель Google, дообученная для следования инструкциям и диалогового взаимодействия на базе google/gemma-2-2b. Это декодерная языковая модель семейства Gemma, работающая по схеме «текст на входе — текст на выходе»; она поддерживается библиотекой Transformers и распространяется в формате Safetensors с открытыми весами по лицензии Gemma. Модель предназначена для генерации текста, ответов на вопросы, суммаризации и диалоговых интерфейсов. Её небольшой размер позволяет запускать её на ноутбуке, настольном компьютере или собственной облачной инфраструктуре с ограниченными ресурсами. В README семейство описано как англоязычное. Ответы могут содержать фактические ошибки и отражать смещения обучающих данных; качество зависит от формулировки запроса и предоставленного контекста. Модель может испытывать трудности со сложными задачами, языковыми нюансами и здравым смыслом. Для приложений, где важны точность и безопасность, необходима проверка результатов и защитные меры.

Карточка модели vy22215/Gemma-2-2B-IT на Hugging Face совпадает с карточкой google/gemma-2-2b-it, поэтому описание составлено по ней. Gemma 2 2B IT — компактная текстовая модель Google, дообученная для следования инструкциям и диалогового взаимодействия на базе google/gemma-2-2b. Это декодерная языковая модель семейства Gemma, работающая по схеме «текст на входе — текст на выходе»; она поддерживается библиотекой Transformers и распространяется в формате Safetensors с открытыми весами по лицензии Gemma. Модель предназначена для генерации текста, ответов на вопросы, суммаризации и диалоговых интерфейсов. Её небольшой размер позволяет запускать её на ноутбуке, настольном компьютере или собственной облачной инфраструктуре с ограниченными ресурсами. В README семейство описано как англоязычное. Ответы могут содержать фактические ошибки и отражать смещения обучающих данных; качество зависит от формулировки запроса и предоставленного контекста. Модель может испытывать трудности со сложными задачами, языковыми нюансами и здравым смыслом. Для приложений, где важны точность и безопасность, необходима проверка результатов и защитные меры.

mhenrichsen/gemma-2b-it — текстовая генеративная модель на базе семейства Gemma, разработанного Google с использованием исследований и технологий, применённых для Gemini. Это плотная decoder-only языковая модель с 2,5 млрд параметров, настроенная следовать инструкциям и вести диалог; она принимает текст и генерирует текст. Модель работает через Transformers и имеет контекст длиной до 8192 токенов. Модель подходит для диалоговых помощников, ответов на вопросы, краткого пересказа текстов и создания черновиков. Небольшой размер позволяет запускать её на компьютере или в собственной облачной инфраструктуре с ограниченными ресурсами. В карточке заявлена поддержка английского языка; результаты могут быть менее надёжными при сложных или неоднозначных запросах. Возможны фактические ошибки, предвзятость и генерация вредного содержания, поэтому ответы следует проверять и при необходимости применять меры безопасности. Карточка репозитория не сообщает лицензию этой копии.

MaziyarPanahi/Mistral-7B-model_45k6e2e4-Mistral-7B-Instruct-v0.1 — объединённая авторами модель на архитектуре Mistral для генерации текста и ответов в диалоге. Она создана методом SLERP из mistralai/Mistral-7B-Instruct-v0.1 и pankajmathur/Mistral-7B-model_45k6e2e4; конфигурация указывает точность bfloat16. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов на текстовые инструкции и диалоговые запросы. В метаданных указан английский язык, интерфейс чата и задача text-generation. Репозиторий распространяется по лицензии Apache-2.0.

Samra02 разработала мультиязычный классификатор эмоций на основе XLM-RoBERTa, дообученный на базе AnasAlokla/multilingual_go_emotions_V1.2. Модель содержит около 205,1 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текст длиной до 512 токенов. Она определяет одну из пяти эмоций: радость, грусть, гнев, страх или отвращение. Модель предназначена для анализа коротких сообщений, комментариев, отзывов и чатов на английском, арабском и французском языках. Её можно применять для разметки отзывов и обращений в поддержку, мониторинга эмоционального фона публикаций и адаптации ответов чат-ботов. Лицензия — Apache 2.0. Обучающие данные основаны на англоязычных комментариях Reddit; арабский и французский поддерживаются за счёт межъязыкового переноса, поэтому точность на них, особенно на диалектном арабском, может быть ниже. Модель возвращает только пять укрупнённых классов, не распознаёт ряд тонких эмоций, а оценки уверенности не откалиброваны. Она не предназначена для диагностики психического здоровья или самостоятельных решений в критически важных сценариях.

openmixtral-6x7b-merged_v2 — объединённая модель mychen76 на архитектуре Mixtral MoE для генерации текста. Карточка указывает, что это merge моделей, однако перечень объединённых моделей в доступном описании отсутствует. Модель подходит для сценариев генерации текста. Метаданные указывают 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors. Она распространяется по лицензии Apache-2.0.

Модель mr4/phobert-base-vi-sentiment-analysis разработана автором репозитория mr4 на основе PhoBERT-Base от VinAI. Это модель классификации последовательностей на архитектуре RoBERTa с 162,4 млн параметров, предназначенная для определения тональности вьетнамских текстовых отзывов. Она присваивает тексту метку «позитивный», «негативный» или «нейтральный» и показывает оценки для этих классов. Модель обучена на отредактированной выборке из 31 436 отзывов о товарах. Модель использует библиотеку Transformers и доступна в форматах PyTorch и Safetensors. Её контекст составляет 258 токенов; основной язык — вьетнамский. Лицензия в предоставленных данных не указана.

Djacon/rubert-tiny2-russian-emotion-detection — модель на базе ruBERT-tiny2, дообученная для многометочной классификации эмоций в русскоязычных текстах. Она относит текст к одной или нескольким категориям: радость, грусть, гнев, энтузиазм, удивление, отвращение, страх, вина, стыд и нейтральное состояние. Модель построена на архитектуре BERT и содержит 29 млн параметров; максимальный контекст составляет 2048 токенов. Она предназначена для анализа эмоциональной окраски текстов, например сообщений и отзывов. В README приведены тестовые метрики, включая средний macro F1 0,618 и micro F1 0,864; качество заметно различается между классами. Обучена на датасете Djacon/ru-izard-emotions. Лицензия — MIT.

T3qm7xNeuralsirkrishna_PasticheNeuralsirkrishna — объединённая модель генерации текста на архитектуре Mistral, созданная путём слияния automerger/T3qm7xNeuralsirkrishna-7B и automerger/PasticheNeuralsirkrishna-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

test2_3 — диалоговая языковая модель, созданная alnrg2arg слиянием моделей mlabonne/NeuralBeagle14-7B и abideen/NexoNimbus-7B с помощью mergekit и метода SLERP. Она предназначена для генерации текста в чате, ответов на инструкции, рассуждений и творческих задач. Модель основана на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; контекст — до 32 768 токенов. Репозиторий содержит веса в формате safetensors, а карточка указывает возможность диалогового использования. Модель принимает текст и генерирует текст. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое; качество ответов и поведение при сложных запросах могут зависеть от сценария применения.

cardiffnlp/tweet-topic-latest-multi — модель Cardiff NLP на архитектуре RoBERTa-base для многометочной классификации тем англоязычных твитов. Её обучали на 168,86 млн твитов, опубликованных до конца сентября 2022 года, а затем дообучили для классификации на корпусе из 11 267 твитов. Модель относит текст к темам вроде искусства и культуры, бизнеса, повседневной жизни, здоровья, еды, новостей, науки, спорта и путешествий; один твит может получить несколько меток. Модель принимает текст и выдаёт метки классов. Она подходит для анализа тематики публикаций в социальных сетях и тематической сортировки англоязычных твитов. Размер модели — 151,8 млн параметров, максимальная длина контекста — 514 токенов; доступны веса PyTorch и TensorFlow. В карточке указана пригодность для английского языка. Лицензия в предоставленных данных не указана.

YamshadowStrangemerges_32_NeuralsirkrishnaShadow — объединённая модель генерации текста на архитектуре Mistral, созданная на основе automerger/YamshadowStrangemerges_32-7B и automerger/NeuralsirkrishnaShadow-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста по текстовым запросам. Веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0.

Zhi-Create-Qwen3-32B — дообученная Zhihu на базе Qwen/Qwen3-32B плотная авторегрессионная языковая модель с 29,7 млрд параметров. Она предназначена прежде всего для творческого письма и диалоговой генерации текста; также сохраняет общие способности к рассуждениям, ответам на вопросы, математике и программированию. В модели применены supervised fine-tuning и Direct Preference Optimization, а её контекст составляет до 40 960 токенов. В карточке сообщается о результате 82,08 на WritingBench против 78,97 у базовой модели. Модель поддерживает китайский и английский языки, работает с текстом и имеет интерфейс для вызова инструментов. Для генерации авторы рекомендуют temperature 0,5–0,7 и top-p 0,95. Это не гарантия качества: оценка письма приведена для WritingBench с судьёй Claude Sonnet 3.7. Модель распространяется по лицензии Apache-2.0.

AiMaven-Merkaba-1.2 — объединённая языковая модель jefferylovely на архитектуре Mistral с 7,1 млрд параметров. Она создана методом слияния Slerp с помощью LazyMergekit на основе jefferylovely/AiMaven-Merkaba-1.1 и jefferylovely/Merkaba-Maven-0.8. Модель предназначена для генерации текста и работает с контекстом до 32 768 токенов. В карточке указаны формат safetensors и лицензия CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных версий.

AlloyingotneoyPercival_01-7B — объединённая модель для генерации текста на базе архитектуры Mistral, созданная Maxime Labonne методом SLERP из nlpguy/AlloyIngotNeoY и AurelPx/Percival_01-7b-slerp. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и диалоговых сценариев. Веса опубликованы в формате Safetensors; лицензия — Apache-2.0.

fabriceyhc/bert-base-uncased-amazon_polarity — модель BERT для классификации тональности отзывов покупателей Amazon. Она дообучена на наборе данных amazon_polarity и предназначена для определения полярности текста отзыва. Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. На оценочной выборке модель показала точность 0,9465 и loss 0,2945. Она принимает текст и выдаёт метку класса; эти результаты относятся к указанной оценочной выборке и не гарантируют аналогичное качество на других данных. Модель распространяется под лицензией Apache-2.0.

Модель neibla/distilbert-base-uncased-finetuned-emotion — дообученная на наборе данных emotion модель DistilBERT для классификации эмоциональной окраски текста. Она принимает текст и относит его к эмоциональным классам; подойдёт для анализа коротких пользовательских сообщений и текстов. Архитектура — DistilBertForSequenceClassification, максимальный контекст — 512 токенов. В карточке указаны результаты на оценочной выборке: accuracy 0,9255 и F1 0,9255. Модель распространяется по лицензии Apache-2.0.

quantumaikr/falcon-180B-WizardLM_Orca — плотная авторегрессионная модель Falcon с архитектурой causal decoder-only, созданная quantumaikr на основе Falcon-180B-chat и обученная с использованием данных WizardLM-Orca. Она предназначена для генерации текста и диалоговых сценариев; среди указанных в карточке языков — английский, немецкий, испанский и французский. В метаданных размер модели указан как 283,2 млрд параметров. Для запуска в полной точности bfloat16 README указывает потребность примерно в восьми A100 с 80 ГБ памяти или эквивалентном оборудовании. Модель опубликована в формате safetensors; условия лицензии в доступных данных не приведены.

GeRaCl-USER2-base — русскоязычная модель для классификации текста без примеров для заданных классов. Её разработали как часть семейства GeRaCl, дообучив sentence encoder USER2-base; модель содержит 155 млн параметров и использует плотную архитектуру классификатора. При работе пользователь передаёт текст и названия возможных классов, а модель оценивает их и выбирает наиболее подходящий. Модель предназначена для быстрой многоклассовой классификации русских текстов, в том числе по пользовательским категориям. В README приведены результаты на задачах MTEB-rus: среднее значение Mean(task) — 0,65; среди примеров — классификация отзывов Kinopoisk, заголовков и текстов по рубрикам GRNTI и OECD. Это результаты авторской оценки на указанном бенчмарке, а качество на других данных может отличаться. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

K2S3-Mistral-7b-v1.0 — языковая модель, разработанная K2S3 и дообученная методом supervised fine-tuning с настройкой всех параметров на базе mistralai/Mistral-7B-v0.1. Для обучения использовались alpaca-gpt4-data и образцы из OpenOrca Dataset. Модель относится к плотной архитектуре MistralForCausalLM, содержит 7,2 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и выполнения инструкций в текстовом формате. В метаданных указан английский язык. Модель распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

FriendliAI/Meta-Llama-3.1-8B-Instruct-fp8 — языковая instruction-tuned модель для генерации текста, диалогов и выполнения текстовых инструкций. Модель разработана FriendliAI на базе Meta-Llama-3.1-8B от Meta и предназначена для использования в сценариях, требующих компактной модели с пониженной точностью представления FP8. Модель работает с текстом и заявлена для семи языков: английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского. В карточке указаны размер 8B параметров и формат FP8, однако сведения об архитектуре, длине контекста, методе квантования и конкретных показателях качества отсутствуют. Сильной стороной является сочетание инструкционного обучения и относительно небольшого размера, что может упростить развертывание; ограничения и фактическая производительность зависят от инфраструктуры и прикладного сценария. Модель распространяется по лицензии Llama 3.1 Community License. При распространении материалов или производных продуктов необходимо соблюдать условия лицензии Meta, включая предоставление текста соглашения, указание «Built with Llama», сохранение атрибуции и соблюдение Acceptable Use Policy. Для продуктов с более чем 700 миллионами ежемесячных активных пользователей требуется отдельное разрешение Meta.

ClaudioItaly/Phatos-V.3 — слитая текстовая модель на архитектуре Mistral, созданная ClaudioItaly с помощью mergekit методом TIES. В качестве базовой модели использована ClaudioItaly/TopEvolutionWiz; в слияние также вошли Gille/StrangeMerges_32-7B-slerp, Kukedlc/NeuralContamination-7B-ties и Kukedlc/NeuralTopBench-7B-ties. Модель содержит 7,1 млрд параметров, работает с текстом и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и может применяться для диалогов, подготовки развернутых ответов на вопросы и других текстовых задач общего назначения. Файлы опубликованы в формате safetensors для библиотеки Transformers. Лицензия и сведения о поддерживаемых естественных языках в предоставленных данных отсутствуют.

Модель RemBERT, дообученная ISSAI для анализа тональности отзывов о товарах на казахском языке. Она классифицирует отзыв как положительный или отрицательный и подходит для автоматической сортировки отзывов и оценки отношения покупателей к продуктам. По данным карточки, модель дообучена на наборе KazSAnDRA; для классификации текста можно использовать библиотеку Transformers. В README указаны accuracy 0,89, precision 0,81, recall 0,82 и F1 0,81. Модель распространяется по лицензии CC BY 4.0.