III.2Исследование рынка и маркетинг

AdamCodd подготовил DistilBERT для классификации тональности отзывов о товарах: модель дообучена на DistilBERT Base Uncased с использованием подмножества Amazon Polarity. Она принимает текст и относит его к классу положительной или отрицательной тональности, что подходит для анализа отзывов и обратной связи покупателей. По README, обучение включало 360 тысяч примеров, валидацию — 40 тысяч, тестирование — 40 тысяч; на тестовом наборе указаны accuracy 0,961 и F1 0,960. Модель создана на архитектуре DistilBERT, поддерживает контекст до 512 токенов и доступна в форматах PyTorch, Safetensors и ONNX. Лицензия — Apache-2.0. Результаты отражают оценку на данных Amazon Polarity и не гарантируют такую же точность для других тематик, языков или распределений отзывов.

wnic00/distilbert-p1 — дообученная модель классификации текста на основе lxyuan/distilbert-base-multilingual-cased-sentiments-student, построенной на архитектуре DistilBERT. Она предназначена для отнесения текста к категориям; базовая модель классифицирует тональность на 12 языках, но набор меток и языков, проверенных именно для этой версии, не описан. Модель использует формат PyTorch и принимает текстовые последовательности длиной до 512 токенов. На указанном в README наборе оценки модель достигла accuracy 0,6886 и loss 1,9133. Данные для дообучения, классы классификации и сведения о практических ограничениях не приведены. Лицензия — Apache-2.0.

onnx-community/emotion-english-distilroberta-base-ONNX — ONNX-конверсия модели Emotion English DistilRoBERTa-base, разработанной Jochen Hartmann и опубликованной сообществом ONNX Community. Это дообученная версия архитектуры DistilRoBERTa для классификации эмоций в англоязычном тексте. Модель предназначена для определения одной из семи категорий: anger, disgust, fear, joy, neutral, sadness и surprise. Она подходит для анализа эмоциональной окраски сообщений, отзывов, постов и других коротких текстов; репозиторий содержит несколько ONNX-вариантов, включая FP16, INT8 и другие квантованные версии. Модель содержит около 95,2 млн параметров и поддерживает контекст до 514 токенов. Основные преимущества — компактность по сравнению с полноразмерными моделями RoBERTa и возможность запуска через ONNX Runtime или совместимые инструменты. Результаты зависят от английского языка, длины и стиля входного текста, а классификация ограничена фиксированными семью категориями эмоций. Сведения о лицензии в доступных источниках не установлены.

Experiment28M7_Experiment26Strangemerges_32 — объединённая модель генерации текста на базе архитектуры Mistral, созданная из automerger/Experiment28M7-7B и automerger/Experiment26Strangemerges_32-7B. Модель содержит 7,1 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста по текстовому запросу. Репозиторий распространяется по лицензии Apache-2.0. Сведения о специализированной настройке модели и её ограничениях в карточке не приведены.

MaziyarPanahi/Experiment28T3q_Experiment27Experiment24 — объединённая модель семейства Mistral для генерации текста. Она создана слиянием моделей automerger/Experiment28T3q-7B и automerger/Experiment27Experiment24-7B; архитектура — плотная авторегрессионная MistralForCausalLM с 7,1 млрд параметров. Модель предназначена для генерации текста и поддерживает контекст до 32 768 токенов. В карточке указана лицензия Apache-2.0. README не описывает специализированные сценарии или дополнительные возможности, поэтому её следует рассматривать как текстовую генеративную модель общего назначения.

Fathom-Search-4B GGUF — квантизированная версия модели Fathom-Search-4B, разработанной FractalAIResearch на базе Qwen/Qwen3-4B и преобразованной в формат GGUF с использованием llama.cpp. Модель создана как специализированный компонент агентной системы Fathom-DeepResearch для продолжительного поиска информации, работы с живым веб-контентом, извлечения и проверки свидетельств, а также рассуждений по результатам поиска. В экосистеме Fathom-DeepResearch отдельная модель Fathom-Synthesizer-4B отвечает за обобщение найденных материалов и подготовку отчётов. Модель предназначена для сценариев DeepResearch и поисково-ориентированных задач, где требуется последовательно находить источники, собирать подтверждения и формировать ответы на основе актуальной информации из интернета. Заявлены высокие результаты системы на бенчмарках SimpleQA, FRAMES, WebWalkerQA и Seal0, а также превосходство над рядом закрытых DeepResearch-агентов на DeepResearch-Bench, однако в README не приведены подробные числовые показатели именно для этой GGUF-версии. Размер модели составляет около 4 млрд параметров. Поддерживаются текстовая генерация и формат GGUF для запуска через совместимые инструменты llama.cpp; конкретные варианты квантизации, размер контекстного окна и список языков в README не указаны. Используется экспериментальный подход квантизации с повышением точности отдельных важных слоёв, что может улучшать качество при заданном уровне квантования, но увеличивает размер файла. Модель распространяется по лицензии MIT.

BaxterAI разработала модель классификации текста на основе DistilBERT и дообучила её на distilbert-base-uncased с использованием набора данных amazon_polarity. Модель предназначена для определения тональности отзывов Amazon: она классифицирует текст по полярности. В карточке указаны результаты на оценочной выборке: accuracy 0,9225 и F1 0,9241. Модель использует PyTorch и рассчитана на контекст до 512 токенов. Лицензия — Apache-2.0.

Gemma 1.1 2B IT — компактная языковая модель Google с открытыми весами, построенная на исследованиях и технологиях, использованных для Gemini. Это декодерная трансформерная модель для генерации текста, дообученная следовать инструкциям и вести диалог. Она рассчитана прежде всего на английский язык и подходит для запуска на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре. Модель можно применять для ответов на вопросы, суммаризации, диалоговых интерфейсов, создания текстов и помощи в обучении языку. Небольшой размер упрощает развёртывание при ограниченных вычислительных ресурсах. При этом ответы могут содержать фактические ошибки и отражать смещения обучающих данных; модель может испытывать трудности со сложными задачами, неоднозначностью и тонкими языковыми нюансами. Лицензия — Gemma; перед использованием следует учитывать условия лицензии и политику запрещённого использования Gemma.

K2S3-Mistral-7b-v1.46 — языковая модель, разработанная K2S3 и дообученная методом SFT на базе mistralai/Mistral-7B-v0.1. Это плотная авторегрессионная модель семейства Mistral с 7,2 млрд параметров, принимающая текст и генерирующая текст; родной контекст — 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на инструкции. При обучении использовались alpaca-gpt4-data и выборки из OpenOrca. В карточке указано обучение с полным обновлением параметров; веса доступны в формате Safetensors. Метаданные отмечают английский язык. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Качество ответов и устойчивость к ошибочным или небезопасным запросам могут зависеть от задачи и формулировки.

Lite-Cydonia-22B-v1.1-50-50 — плотная языковая модель на архитектуре Mistral с 22 млрд параметров, созданная knifeayumu слиянием двух моделей через mergekit: mistralai/Mistral-Small-Instruct-2409 и TheDrummer/Cydonia-22B-v1.1. Веса объединены методом task arithmetic с равным вкладом каждой модели; опубликованный репозиторий содержит формат safetensors. Модель предназначена для диалогов и генерации текста, включая творческие ответы. По описанию автора, смесь получилась менее склонной к откровенно злонамеренным ответам и менее цензурированной, чем исходная инструкционная модель; автор также отмечает более разнообразные ответы по сравнению с некоторыми версиями Cydonia. Контекст составляет до 32 768 токенов. Модель рассчитана на текстовый ввод и текстовый вывод. Лицензия указана как other; конкретные условия использования следует сверять с карточкой модели и лицензиями базовых моделей. Оценка поведения основана на кратких проверках автора, поэтому её не следует считать гарантией безопасности или качества: ответы могут зависеть от формулировки запроса.

athirdpath/Llama-3-11b-Instruct — разговорная модель генерации текста, созданная как merge трёх вариантов Part Wave, Part Block и Part Funnel; в README Part Funnel указан как основа. Сборка использует слои NousResearch/Meta-Llama-3-8B-Instruct, а метаданные определяют архитектуру как плотную LlamaForCausalLM. Размер модели — 10,6 млрд параметров, формат весов — safetensors, контекст — до 8192 токенов. Модель предназначена для диалогов и генерации текста по инструкциям. Автор описывает её как основу для дальнейшей работы и отмечает, что после исправления ошибки в YAML она работает, но количественных оценок качества и подробностей о тестировании не приводит. Лицензия указана как llama3; перед использованием следует учитывать условия лицензии Llama 3.

LLMWriter-8B — дообученная Aldenir Flauzino модель семейства Llama 3.1, предназначенная для помощи в письме и генерации текстов. Она создана на базе unsloth/Llama-3.1-8B методом LoRA с использованием Unsloth и Hugging Face TRL и содержит около 7,5 млрд параметров. Модель принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. В карточке указаны английский язык и лицензия Apache 2.0. Модель ориентирована на создание статей и публикаций, подготовку технических текстов и документации, выполнение инструкций и формирование структурированных ответов. Дообучение проводилось на наборе из более чем 10 тысяч примеров инструкций. Автор сообщает о снижении функции потерь в ходе обучения, но не приводит оценок на стандартных бенчмарках. Модель может выдавать фактические ошибки, поэтому результаты следует проверять перед публикацией. Качество зависит от формулировки запроса и сложности задачи; модель не предназначена для юридических, медицинских или финансовых консультаций.

cloudyu/mistral_18B_v0.1 — предварительно обученная плотная языковая модель семейства Mistral, опубликованная пользователем cloudyu. Она предназначена для генерации текста и может применяться для продолжения заданного текста и построения текстовых ответов. Модель содержит 17,6 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. В репозитории представлены веса в формате safetensors. Лицензия указана как CC, без уточнения её варианта.

AnasAlokla/multilingual_go_emotions_V1.1 — многоязычная модель классификации текста, разработанная AnasAlokla и дообученная на базе AnasAlokla/multilingual_go_emotions. Это BERT-модель с 205,1 млн параметров, которая присваивает тексту несколько эмоциональных меток одновременно: 27 категорий эмоций и нейтральный класс. Максимальная длина контекста — 512 токенов. Модель предназначена для анализа отзывов, обращений в поддержку и сообщений в соцсетях, а также для эмоционально чувствительных чат-ботов и модерации контента. В README заявлена поддержка арабского, английского, французского, испанского, нидерландского и турецкого языков; метаданные подтверждают арабский, английский, французский, испанский, немецкий и турецкий, поэтому состав языков в источниках расходится. Карточка приводит метрики на тестовой выборке и отмечает улучшение версии V1.1 на редких эмоциональных категориях, но результаты зависят от класса и порога классификации. Модель распространяется под лицензией MIT. Она определяет эмоции в тексте и не измеряет психологическое состояние человека; точность отдельных категорий неодинакова, поэтому результаты для чувствительных решений следует проверять.

Helsinki-NLP/opus-mt-ja-en — модель машинного перевода японского текста на английский, созданная Helsinki-NLP в рамках проекта OPUS. Она основана на архитектуре Transformer-align и использует библиотеку Marian; при обработке применяются нормализация текста и токенизация SentencePiece. Размер модели — 56,3 млн параметров, контекст — до 512 токенов. Метаданные указывают поддержку PyTorch и TensorFlow. Модель предназначена для перевода предложений с японского на английский. В карточке приведены результаты оценки на наборе Tatoeba.ja.en: BLEU 41,7 и chr-F 0,589. Распространяется по лицензии Apache-2.0.

Модель seara/rubert-tiny2-russian-emotion-detection-ru-go-emotions — дообученная версия RuBERT-tiny2 от автора seara для многометочной классификации эмоций в коротких русскоязычных текстах. Она присваивает тексту один или несколько из 28 классов, включая гнев, радость, грусть, благодарность и нейтральную тональность. Модель основана на архитектуре BERT и содержит 29 млн параметров; максимальная длина контекста — 2048 токенов. Обучение проводилось на русском переводе набора GoEmotions ru_go_emotions. В README приведены результаты оценки на тестовой выборке, но показана только часть таблицы метрик. Модель распространяется по лицензии MIT.

T3qm7xNeuralsirkrishna_Experiment27Inex12 — объединённая языковая модель на архитектуре Mistral, созданная путём слияния automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment27Inex12-7B. Разработчик карточки — MaziyarPanahi. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; максимальная длина контекста составляет 32 768 токенов. Она предназначена для генерации текста и диалоговых сценариев. Веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает о специализированных областях применения или отдельных ограничениях качества.

Tulu 2 7B — разговорная языковая модель-ассистент, разработанная AllenAI и дообученная на основе Meta Llama 2 7B. Она обучена на смеси общедоступных, синтетических и созданных людьми инструкций и диалогов; архитектура — плотная LlamaForCausalLM, размер — около 6,6 млрд параметров. Модель принимает текст и генерирует текст, рассчитана прежде всего на английский язык, поддерживает контекст до 8192 токенов. Модель предназначена для диалоговых ответов и выполнения инструкций в универсальных сценариях. В карточке приведены результаты MT-Bench и AlpacaEval для варианта SFT, но они не гарантируют качество на конкретных задачах. Для лучшей генерации следует соблюдать формат входа, описанный в карточке. Модель не прошла выравнивание на безопасные ответы в RLHF и не использует встроенную фильтрацию: она может выдавать проблемный контент, особенно при соответствующих запросах. Лицензия — AI2 ImpACT Low-risk; перед использованием следует учитывать её условия.

cardiffnlp/twitter-roberta-base-dec2021-tweet-topic-multi-all — модель Cardiff NLP на базе RoBERTa, дообученная для многометочной классификации тем сообщений в Twitter на датасете tweet_topic_multi. Обучение проводилось на полном обучающем наборе train_all, а проверка — на test_2021. Модель содержит 151,8 млн параметров, принимает текст и поддерживает контекст до 514 токенов. В тестировании на test_2021 достигла micro-F1 0,765, macro-F1 0,619 и accuracy 0,549. Подходит для автоматической разметки тем твитов и анализа тематических тенденций. Лицензия в предоставленных данных не указана.

nahiar/xlm-roberta-ner-v2 — дообученная модель XLM-RoBERTa-Base для распознавания именованных сущностей в неформальных публикациях и комментариях в социальных сетях. Модель разработана для текстов на индонезийском и английском языках; её архитектура — XLMRobertaForTokenClassification, размер — 305,2 млн параметров, контекст — до 514 токенов. Модель присваивает токенам BIO-метки и распознаёт людей, организации, политические организации, географические объекты, события, места, законы, объекты инфраструктуры и произведения искусства. Она предназначена для мониторинга социальных сетей, отслеживания брендов и организаций, а также для поддержки модерации и анализа контента. В README указан F1 0,8354 на валидационном наборе, но результаты на других данных могут отличаться. Модель распространяется по лицензии Apache-2.0. Её качество может снижаться на формальных документах, коротких или неоднозначных сообщениях, текстах с обильным сленгом, сарказмом и смешением языков. Возможны смещения, унаследованные от обучающих данных; для чувствительной модерации рекомендуется проверка человеком.

YamshadowInex12_Experiment24Experiment26 — слитая автором MaziyarPanahi модель семейства Mistral с 7,1 млрд параметров для генерации текста. Она принимает текстовые запросы и генерирует текст, поддерживая контекст до 32 768 токенов. Модель объединяет automerger/YamshadowInex12-7B и automerger/Experiment24Experiment26-7B. Её можно применять для генерации продолжений и ответов на текстовые запросы. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

YamshadowInex12_Experiment26Yam — объединённая модель на архитектуре Mistral для генерации текста. Она создана на основе automerger/YamshadowInex12-7B и automerger/Experiment26Yam-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Объединение двух моделей указано в карточке; конкретные специализация, языки и сравнительные преимущества не описаны. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Модель Mateo Rúa для классификации тональности отзывов о покупках в интернет-магазинах на испанском языке. Это дообученная многоязычная DistilBERT-модель для классификации последовательностей; она относит отзыв к одному из трёх классов: отрицательному, нейтральному или положительному. Контекст ограничен 512 токенами, доступны веса в форматах Safetensors и ONNX. Модель предназначена для выявления недовольных покупателей, мониторинга отзывов о товарах и продавцах, построения сводок клиентского опыта и приоритизации обращений для модерации и поддержки. Обучение проведено на 30 тысячах испаноязычных отзывов Amazon с оценками, преобразованными в три класса тональности. На тестовой выборке указаны F1 macro 0,697 и accuracy 0,730. Сильнее всего модель различает положительные и отрицательные отзывы; нейтральный класс распознаётся хуже из-за неоднозначности отзывов и дисбаланса классов. Возможны ошибки на сарказме и иронии, а качество может снижаться для других областей, например ресторанов, услуг и соцсетей. Модель рассчитана только на испанский язык; лицензия — Apache-2.0.

gauneg/deberta-v3-base-absa-ate-sentiment — англоязычная модель на базе Microsoft DeBERTa-v3-base, дообученная для извлечения аспектных терминов из текста и определения тональности, выраженной по отношению к каждому аспекту. Она выполняет классификацию токенов; для получения выделенных фрагментов README показывает использование через Transformers pipeline с задачей NER и объединением токенов. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации токенов и поддерживает контекст до 512 токенов. Обучение проводилось на наборах SemEval ABSA 2014–2016 и MAMS. В README приведены результаты оценки на тестовых наборах, включая отзывы об отелях; показатели различаются в зависимости от набора и метрики. Модель подходит для анализа отзывов и другого англоязычного текста, где требуется найти упомянутые аспекты и оценить их тональность. Она выпущена под лицензией MIT. Карточка описывает обучение и оценку на задачах аспектного анализа тональности; обобщение на иные языки и домены не подтверждено.

Toshifumi разработал эту модель, дообучив distilbert-base-multilingual-cased для классификации эмоций в тексте на наборе данных emotion. Это компактная модель семейства DistilBERT с архитектурой DistilBertForSequenceClassification; она принимает текст и присваивает ему эмоциональную метку. Длина контекста — до 512 токенов. На тестовой выборке указаны accuracy 0,8885 и F1 0,8888. Модель подходит для автоматической разметки коротких текстов и анализа пользовательских высказываний. Лицензия — Apache-2.0. Карточка не уточняет набор эмоциональных классов и языки, на которых модель проверялась, поэтому качество для конкретных языков и доменов следует оценивать отдельно.

moghis/distilbert-base-uncased-finetuned-emotion — модель классификации текста, дообученная на базе distilbert-base-uncased для распознавания эмоций в тексте. Она выдаёт метку эмоционального класса для входного текста. На наборе оценки emotion указаны точность 0,924 и F1 0,9241; архитектура — DistilBertForSequenceClassification с контекстом до 512 токенов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Модель подходит для автоматической разметки эмоциональной окраски коротких текстов и анализа пользовательских высказываний. Карточка не уточняет набор классов и языки данных, поэтому результаты не следует считать подтверждёнными для языков или сценариев за пределами обучающего набора emotion.

Nanatan/distilbert-base-uncased-finetuned-emotion — модель классификации текста на основе DistilBERT, дообученная на датасете emotion. Она предназначена для определения эмоций в тексте и может применяться, например, для анализа эмоциональной окраски коротких сообщений. На тестовой выборке указаны accuracy и F1 по 0,9215, loss 0,2169; длина контекста — до 512 токенов. Модель использует архитектуру DistilBertForSequenceClassification и опубликована в формате PyTorch под лицензией Apache-2.0. Карточка не уточняет набор классов эмоций и языковой состав обучающих данных.

DistilCamemBERT-Sentiment — модель cmarkea для анализа тональности франкоязычных отзывов. Она дообучена на базе cmarkea/distilcamembert-base и использует архитектуру CamemBERT для классификации текста по пяти оценкам: от одной звезды (крайне негативная оценка) до пяти звёзд (крайне положительная). При обучении использовались отзывы Amazon и рецензии Allociné, сочетание коротких и длинных текстов. Модель предназначена для анализа отзывов о товарах и фильмах, включая присвоение рейтинга и выделение негативных, нейтральных и позитивных оценок. В README заявлено сокращение времени инференса примерно вдвое по сравнению с некоторыми моделями на CamemBERT и приведены результаты оценки на тестовых данных. Модель содержит 81,2 млн параметров, поддерживает контекст до 514 токенов и доступна в форматах PyTorch, TensorFlow, ONNX и safetensors. Модель рассчитана на французский язык. В тестах точность точного совпадения составила 61,01%, а точность попадания верной оценки в две наиболее вероятные — 88,80%; результаты зависят от данных и постановки задачи. Лицензия — MIT.

Experiment26Yam_Experiment26Pastiche — объединённая авторами репозитория MaziyarPanahi модель для генерации текста. Она объединяет модели automerger/Experiment26Yam-7B и automerger/Experiment26Pastiche-7B. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста; метаданные указывают на библиотеку Transformers и формат весов safetensors. Лицензия — Apache-2.0.

Granite-3.0-8b-lab-community — разговорная языковая модель, созданная Red Hat и IBM Research на базе ibm-granite/granite-3.0-8b-base. Это плотная авторегрессионная модель семейства Granite на 8,2 млрд параметров, дообученная методом LAB (Large-scale Alignment for chatBots) на синтетических данных, созданных с помощью Mixtral-8x7B-Instruct. Процесс LAB использует таксономию знаний и навыков, генерацию данных и обучение в два этапа с буферами повторного воспроизведения. Модель предназначена для диалогового помощника и генерации текста на английском языке, включая ответы на вопросы, рассуждения, творческое письмо и работу с предметными знаниями, представленными в обучающих данных. Контекст составляет 4096 токенов; для наилучших результатов авторы рекомендуют использовать системный промпт, применённый при обучении. Модель распространяется по лицензии Apache 2.0. Авторы предупреждают, что она может галлюцинировать и выдавать проблемные или небезопасные ответы; её не следует считать надёжным источником для критически важных решений. README содержит противоречивое описание статуса безопасности: в обзоре сказано о настройке для чата, но в разделе ограничений модель названа не прошедшей safety alignment.