III.2Исследование рынка и маркетинг

Модель juliensimon/reviews-sentiment-analysis — версия DistilBERT, дообученная для определения тональности англоязычных отзывов о товарах. Она выполняет классификацию текста и подходит для анализа отдельных отзывов или обработки их потока в приложении; для запуска приведён пример с библиотекой Transformers, а также упомянут ноутбук для Amazon SageMaker. Модель основана на distilbert-base-uncased, использует архитектуру DistilBertForSequenceClassification и принимает текст с контекстом до 512 токенов. Модель ориентирована на английский язык и отзывы о товарах; её можно применять для первичной оценки мнений покупателей. Веса доступны в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Это русскоязычная модель классификации эмоций в предложениях, созданная дообучением cointegrated/rubert-tiny2 разработчиком cointegrated на наборе данных CEDR. Модель основана на BERT и содержит около 29 млн параметров; для обработки текста использует контекст до 2048 токенов. Модель выполняет многометочную классификацию: одному предложению можно назначить несколько меток. Она определяет отсутствие эмоций, радость, грусть, удивление, страх и гнев. Подходит для анализа тональности и эмоциональной окраски русских текстов, например сообщений и отзывов. В README приведены метрики на тестовом наборе CEDR, включая средний micro F1 0,928 и macro F1 0,835; качество на других данных может отличаться. Используются веса PyTorch и SafeTensors. Условия лицензии в предоставленных данных не описаны.

Aniemore/rubert-tiny2-russian-emotion-detection — русскоязычная модель классификации текста, разработанная как дообучение cointegrated/rubert-tiny2 на наборе данных Aniemore/cedr-m7. Это BERT-энкодер с 29 млн параметров и контекстом до 2048 токенов; модель принимает текст и оценивает вероятность семи эмоций: нейтральности, радости, грусти, энтузиазма, страха, гнева и отвращения. Классификационная голова использует семь независимых сигмоид, поэтому для одного текста возможны несколько эмоций или ни одной. На тестовой части CEDR-M7 указана макро ROC AUC 0,8696. Порог 0,5 для расчёта F1 можно настраивать под конкретные данные. Модель распространяется под лицензией MIT.

Sonar Reasoning Pro — модель рассуждений Perplexity, работающая на базе DeepSeek R1 и использующая цепочку рассуждений. Она предназначена для ответов на сложные запросы с опорой на поиск Perplexity; стоимость Sonar Pro включает стоимость поиска Perplexity. Доступный фрагмент карточки обрывается до подробностей о возможностях и ограничениях модели.

YamshadowInex12_Experiment27Yam — слитая языковая модель MaziyarPanahi на базе двух моделей: automerger/YamshadowInex12-7B и automerger/Experiment27Yam-7B. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и поддерживающая контекст до 32 768 токенов. Модель принимает текст и генерирует текст; её можно применять для диалогов, написания черновиков и продолжения текста. Репозиторий содержит веса в формате safetensors. Модель доступна по лицензии Apache-2.0.

YamshadowInex12_Experiment31Experiment29 — слитая текстовая модель семейства Mistral, разработанная на основе automerger/YamshadowInex12-7B и automerger/Experiment31Experiment29-7B. Она предназначена для генерации текста и сценариев, где требуется продолжать или создавать текст по входному запросу. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors. Модель опубликована по лицензии Apache-2.0.

YamshadowInex12_ShadowCalme — объединённая языковая модель MaziyarPanahi, созданная слиянием automerger/YamshadowInex12-7B и automerger/ShadowCalme-7B. Она предназначена для генерации текста и сценариев, где требуется продолжать или создавать текст по запросу. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Доступна в формате Safetensors и распространяется по лицензии Apache 2.0.

WhitePeak/bert-base-cased-Korean-sentiment — модель для анализа тональности отзывов покупателей на корейском языке, созданная дообучением многоязычной модели BERT google-bert/bert-base-multilingual-cased. Она использует архитектуру BertForSequenceClassification и предназначена для классификации текста отзыва по тональности. В README указаны результаты оценки: accuracy 0,9234 и F1 0,9238. Модель содержит 205,1 млн параметров, работает с текстом и поддерживает контекст до 512 токенов. Для использования подходят сценарии анализа корейских отзывов о товарах и автоматической классификации мнений покупателей. Лицензия — Apache-2.0.

Clown-Saul-Extended — объединённая языковая модель, созданная arcee-ai с помощью mergekit из arcee-ai/Clown-DPO-Extended и arcee-ai/Saul-Instruct-Extended. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM и 8,9 млрд параметров, предназначенная для генерации текста. Она принимает контекст длиной до 32 768 токенов и распространяется в формате safetensors. Модель подходит для генерации текста и диалоговых сценариев. В README описан метод объединения slerp и конфигурация, сочетающая слои двух исходных моделей. Репозиторий распространяется по лицензии Apache-2.0.

ggrazzioli/cls_sentimento_sebrae — модель классификации тональности текста, обученная для внутреннего набора данных Sebrae RS. Она относит текст к одному из трёх классов: отрицательный, нейтральный или положительный. Модель основана на BERT с архитектурой BertForSequenceClassification, содержит 136,1 млн параметров и рассчитана на последовательности длиной до 512 токенов. Модель предназначена для анализа тональности текстов в сценариях, близких к данным Sebrae RS. В README приведены результаты проверки: accuracy 0,965 и macro F1 0,935; эти метрики относятся к указанной выборке и не гарантируют такое же качество на других данных. Для работы доступны веса PyTorch и safetensors; лицензия в предоставленных данных не указана.

Experiment26Yamshadow_Experiment29Experiment24 — объединённая языковая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста по текстовым запросам и может использоваться в сценариях, где требуется продолжать или создавать текст. Модель объединяет automerger/Experiment26Yamshadow-7B и automerger/Experiment29Experiment24-7B и поддерживает контекст до 32 768 токенов. Распространяется в формате safetensors по лицензии Apache-2.0.

MaziyarPanahi/Experiment28M7_Inex12Experiment26 — объединённая автором карточки модель на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и принимает текстовые запросы. Размер контекстного окна составляет до 32 768 токенов; веса представлены в формате safetensors. Модель объединяет automerger/Experiment28M7-7B и automerger/Inex12Experiment26-7B. Для неё указана лицензия Apache-2.0, допускающая использование на её условиях. Карточка не описывает специальные предметные области или отдельные ограничения качества.

ProsusAI FinBERT — англоязычная модель классификации финансовых текстов на основе BERT. Её разработчики дополнительно обучили BERT на финансовом корпусе, а затем настроили для анализа тональности на датасете Financial PhraseBank. Модель с 136,7 млн параметров выдаёт оценки для трёх классов: положительная, отрицательная и нейтральная тональность. Она принимает текст и рассчитана на последовательности длиной до 512 токенов. FinBERT подходит для определения тональности новостей, финансовых комментариев и других экономических текстов. Это исследовательский проект Prosus; веса доступны для PyTorch, TensorFlow и JAX/Flax. Лицензия — CC BY-NC-SA 4.0, а использование Reuters TRC2 и Financial PhraseBank также связано с условиями доступа и лицензирования этих данных.

Josiefied-Qwen2.5-14B-Instruct-abliterated-v4 — диалоговая языковая модель, разработанная Gökdeniz Gülmez и дообученная на основе Qwen/Qwen2.5-14B-Instruct. Это плотная модель семейства Qwen2 с 14 млрд параметров в формате Safetensors; она предназначена для генерации текста и общения в чате. Модель ориентирована на менее ограниченные ответы, хотя автор отмечает, что на экстремальные запросы она всё ещё может реагировать сдержанно. Модель принимает текст и генерирует текст, поддерживает интерфейс вызова инструментов и контекст до 32 768 токенов. В карточке указаны английский, немецкий, французский, испанский, португальский, итальянский, русский, китайский, японский, корейский, вьетнамский, тайский и арабский языки. Для обработки более длинного контекста README описывает масштабирование YaRN, которое может снижать производительность на коротких текстах при статической настройке. Модель распространяется по лицензии Apache-2.0. Автор предупреждает о возможных ограничениях и рекомендует использовать её на свой риск; приведённые в карточке результаты оценки не гарантируют качества для конкретных задач.

MaziyarPanahi/Llama-3-16B — плотная языковая модель семейства Llama 3, созданная MaziyarPanahi слиянием предварительно обученных моделей через mergekit и метод passthrough. В карточке указана модель MaziyarPanahi/Llama-3-11B как включённая в слияние; каталог также связывает её с этой моделью как с базовой дообученной моделью. Модель предназначена для генерации текста и продолжения текстовых запросов. Она содержит 16,2 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. В метаданных указан английский язык. Репозиторий использует Transformers и формат safetensors. Лицензия обозначена как other; конкретные условия в предоставленных данных не раскрыты.

MaziyarPanahi/M7Yamshadowexperiment28_Multi_verse_modelExperiment28 — объединённая модель на архитектуре Mistral для генерации текста. Она создана слиянием automerger/M7Yamshadowexperiment28-7B и automerger/Multi_verse_modelExperiment28-7B и содержит 7,1 млрд параметров. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст, поддерживает контекст длиной до 32 768 токенов и распространяется в формате Safetensors. Лицензия — Apache-2.0.

M7Yamshadowexperiment28_NeuralsirkrishnaExperiment28 — объединённая модель для генерации текста, созданная слиянием двух моделей: automerger/M7Yamshadowexperiment28-7B и automerger/NeuralsirkrishnaExperiment28-7B. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров. Она предназначена для генерации текста по текстовому запросу; заявленная длина контекста составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

asadfgglie/mDeBERTa-v3-base-xnli-multilingual-zeroshot-v1.0 — дообученная многоязычная модель классификации текста на основе mDeBERTa-v3-base, разработанная asadfgglie. Она предназначена для классификации без примеров: пользователь задаёт категории, а модель оценивает, насколько текст соответствует каждой из них. Метаданные указывают архитектуру DeBERTa-v2, около 306 млн параметров и контекст до 512 токенов. Модель дообучена на наборе NLI для zh-TW; в README приведены результаты оценки на нескольких наборах данных, включая macro F1 0,872 на одном из них. Используются веса PyTorch в формате safetensors. Лицензия в доступных данных не указана.

MeliodasPercival_01_AlloyingotneoyExperiment24 — объединённая модель для генерации текста, созданная путём слияния моделей automerger/MeliodasPercival_01-7B и automerger/AlloyingotneoyExperiment24-7B. Модель основана на архитектуре Mistral и содержит 7,1 млрд параметров; её контекстное окно составляет до 32 768 токенов. Модель подходит для генерации продолжений текста и ответов на текстовые запросы. Распространяется в формате Safetensors по лицензии Apache-2.0.

NeuralsirkrishnaShadow_Inex12Experiment28 — объединённая текстовая модель на архитектуре Mistral, созданная из automerger/NeuralsirkrishnaShadow-7B и automerger/Inex12Experiment28-7B. Она предназначена для генерации текста и сценариев, где требуется продолжать или создавать текст по запросу. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате safetensors. Язык Apache 2.0 разрешает использование модели на его условиях.

Palmyra-Creative — языковая модель Writer для творческого письма, генерации контента и нестандартного мышления. Она дообучена на Palmyra-X-004; метаданные указывают архитектуру Llama и 120,8 млрд параметров. Модель принимает текст и генерирует текст, поддерживает диалоговый режим и контекст до 131 072 токенов. Модель предназначена для авторов и команд, которым нужны художественные тексты, сценарии, стихи, персонажи и диалоги, а также идеи и маркетинговые материалы. В примерах карточки особое внимание уделено бизнес-сценариям: критическому анализу привычных подходов, мозговому штурму и разработке нестандартных стратегий. Основной язык — английский. Лицензия обозначена как Writer open model; в метаданных её тип указан как other, поэтому условия следует сверить с текстом лицензии репозитория.

Модель wonrax/phobert-base-vietnamese-sentiment — модель анализа тональности, дообученная на основе vinai/phobert-base. Она классифицирует отзывы на вьетнамском языке по трём меткам: отрицательная, положительная и нейтральная. Модель предназначена для анализа отзывов об интернет-магазинах и других коротких пользовательских текстов с выражением мнения. Модель основана на архитектуре RoBERTa, содержит 162,4 млн параметров и принимает текст с контекстом до 258 токенов. Для дообучения использовались 30 тысяч отзывов из электронной коммерции. Доступны веса PyTorch; лицензия — MIT. Модель подходит для автоматической сортировки отзывов и оценки общей тональности пользовательской обратной связи. Её метки ограничены тремя классами, а обучение на отзывах электронной коммерции может снижать точность на других жанрах текста; длинные записи сверх контекстного окна не помещаются целиком.

sshleifer/tiny-distilbert-base-uncased-finetuned-sst-2-english — компактная модель классификации текста из семейства DistilBERT, опубликованная sshleifer на Hugging Face. Она предназначена для определения тональности английского текста по двум классам: положительная или отрицательная; её можно использовать через Transformers как text-classification. Модель принимает текст и выдаёт метку класса с оценкой. Архитектура — DistilBertForSequenceClassification; максимальный контекст составляет 512 токенов. Репозиторий содержит веса PyTorch и TensorFlow. Доступная карточка не описывает лицензию, набор обучения или численные показатели качества, поэтому нельзя делать выводы о них.

YamshadowStrangemerges_32_T3qm7xStrangemerges_32 — объединённая текстовая модель, созданная из automerger/YamshadowStrangemerges_32-7B и automerger/T3qm7xStrangemerges_32-7B. Она предназначена для генерации текста и работает на плотной архитектуре Mistral с 7,1 млрд параметров; контекст — до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не сообщает о специализированной предметной области или конкретных ограничениях качества.

YamT3qm7xp_OgnoShadow — объединённая методом SLERP модель для генерации текста, созданная на основе automerger/YamT3qm7xp-7B и automerger/OgnoShadow-7B. По архитектуре это плотная Mistral-модель с 7,1 млрд параметров, рассчитанная на контекст до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Репозиторий содержит веса в формате safetensors. Модель опубликована под лицензией Apache-2.0.

HooshvareLab/bert-fa-base-uncased-sentiment-deepsentipers-binary — модель классификации тональности персидских текстов, разработанная на основе ParsBERT. Авторы дообучили ParsBERT v1.1 на новых персидских корпусах; эта версия предназначена для бинарного определения тональности отзывов о цифровых товарах: положительной или отрицательной. Для обучения и оценки использовался сбалансированный набор DeepSentiPers, в котором нейтральные примеры исключены из бинарной разметки. Модель построена на архитектуре BERT и имеет около 190 млн параметров; максимальная длина контекста составляет 512 токенов. Она принимает текст и выдаёт метку класса, а карточка сообщает результаты F1 для бинарной классификации SentiPers на уровне 92,42. Подходит для анализа отзывов и пользовательских комментариев на персидском языке. Распространяется по лицензии Apache-2.0.

Модель rafaelwt/beto-amazon-reviews-es-3clases — дообученная Grupo 5 в рамках Laboratorio 4 испаноязычная модель BETO на архитектуре BERT для трёхклассовой классификации тональности коротких отзывов и клиентских сообщений. Она относит текст к категориям «негативный», «нейтральный» или «позитивный»; метки обучающего набора связаны с оценками Amazon: 1–2, 3 и 4–5 звёзд соответственно. Модель основана на dccuchile/bert-base-spanish-wwm-cased, содержит 137,1 млн параметров и принимает до 512 токенов по метаданным; при обучении использовалась максимальная длина 128 WordPiece-токенов. Обучение проводилось на испанском разделении SetFit/amazon_reviews_multi_es: 200 000 отзывов для обучения и официальные validation и test наборы. На тесте из 5 000 отзывов указаны accuracy 0,793 и macro F1 0,738. Модель подходит для анализа тональности испанских отзывов и обратной связи клиентов. Нейтральный класс распознаётся слабее остальных (F1 0,487), а саркастические сообщения могут ошибочно классифицироваться как позитивные. Лицензия — Apache-2.0.

BLOOMChat-v2 — мультиязычная диалоговая языковая модель, разработанная SambaNova Systems. Это плотная авторегрессионная модель семейства BLOOM с архитектурой BloomForCausalLM; README указывает 176 млрд параметров, а метаданные репозитория — 233,8 млрд. Модель дообучена на длинных мультиязычных последовательностях и наборах диалогов в формате помощника, включая OIG, Dolly 2.0 и OASST1. Модель предназначена для диалогов, ответов на вопросы и генерации ответов на нескольких языках; в карточке приведены примеры для арабского, китайского, французского, хинди и испанского языков. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. Лицензия BLOOMChat-176B License v1.0 основана на изменённой Apache 2.0 с ограничениями на отдельные виды использования, унаследованными от лицензии BLOOM RAIL. Модель может галлюцинировать, повторяться и переключаться между языками или диалектами. Её точность в программировании и сложной математике ограничена; возможна генерация токсичного или вредного текста. Авторы не рекомендуют применять её в критически важных сценариях, связанных с безопасностью людей, принятием важных решений или автоматизированными конвейерами.

Карточка модели Dnoya10/dicoding_genAI_sft_eks1 на Hugging Face совпадает с карточкой Dnoya10/dicoding_genAI_expert_adv_eks2, поэтому описание составлено по ней. Модель Dnoya10/dicoding_genAI_expert_adv_eks2 — дообученная Dnoya10 языковая модель Qwen2 для генерации текста и диалогов. Она основана на unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель имеет плотную архитектуру Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст; в метаданных также отмечен интерфейс вызова инструментов. Карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0.

vaariis/distilbert-base-uncased-finetuned-emotion — модель классификации текста на основе DistilBERT, дообученная разработчиком vaariis для распознавания эмоций. Она принимает текст и относит его к эмоциональным классам; точный набор классов и обучающий датасет в карточке не раскрыты. Модель рассчитана на английский текст: базовая модель использует uncased-токенизацию, а идентификатор указывает на англоязычный вариант DistilBERT. В README указаны результаты на оценочном наборе: accuracy 0,9205 и F1 0,9208. Контекст модели — до 512 токенов. Веса опубликованы в формате PyTorch по лицензии Apache-2.0. Показатели относятся к указанному оценочному набору и сами по себе не гарантируют качество на других данных; классы эмоций и состав обучающей выборки не описаны.