III.2Исследование рынка и маркетинг

cointegrated/rubert-tiny-sentiment-balanced — русскоязычная модель классификации тональности, созданная дообучением cointegrated/rubert-tiny. Она распределяет короткий текст по одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель основана на архитектуре BERT и содержит 12,1 млн параметров. Она принимает текст, поддерживает контекст до 512 токенов и предназначена для анализа коротких русскоязычных сообщений, например отзывов и новостей. В README приведены результаты на сбалансированном тестовом наборе: Macro F1 составляет 0,83 для банковских отзывов SentiRuEval2016, 0,74 для отзывов о телекоммуникациях и 0,66 для новостей Kaggle. Модель обучена на собранных Smetanin датасетах, приведённых к трёхклассовой разметке; источники и классы балансировались повышающей и понижающей выборкой. Лицензия в предоставленных данных не указана.

Это русскоязычная модель fyaronskiy на базе ruRoberta-large от ai-forever, дообученная для многометочной классификации эмоций по тексту. Она распознаёт 27 типов эмоций и позволяет извлекать несколько эмоций из одного текста или проверять наличие выбранных эмоций. Модель основана на архитектуре RoBERTa, содержит 454,1 млн параметров и принимает текст с контекстом до 514 токенов. Для запуска доступны веса safetensors и ONNX, включая вариант ONNX с квантизацией INT8; автор сообщает о более быстром выводе при почти сохранённом качестве у квантизированной версии. Качество зависит от класса эмоций: на тестах лучше распознавались, например, восхищение, веселье и благодарность, а для некоторых менее представленных классов, включая горе и облегчение, результаты слабее. Модель распространяется по лицензии MIT.

Souvikcmsa/SentimentAnalysisDistillBERT — модель для многоклассовой классификации текста по тональности, дообученная с помощью AutoTrain на наборе Souvikcmsa/autotrain-data-sentiment_analysis. Она использует архитектуру DistilBERT с классификационной головой и принимает текст длиной до 512 токенов. Валидационная точность составляет около 79,6%, а macro F1 — около 0,800. Модель подходит для автоматической оценки тональности текстовых отзывов, комментариев и коротких сообщений на английском языке. Карточка показывает качество на валидации, однако не уточняет названия классов тональности и состав данных; результаты на других типах текстов могут отличаться. В метаданных указана библиотека PyTorch; лицензия не приведена.

Seethal разработала эту модель как дообученную версию bert-base-uncased для классификации тональности текста. Она принимает текст на английском языке и присваивает ему метку тональности; модель предназначена для готового анализа тональности, а не для дальнейшего дообучения под другие задачи. В метаданных указаны архитектура DistilBertForSequenceClassification, семейство DistilBERT и максимальный контекст 512 токенов. Репозиторий содержит веса в формате PyTorch. Условия лицензии в предоставленных данных не описаны.

Модель NajafAli01/sentiment_results разработана Najaf Ali и представляет собой дообученный DistilBERT для трёхклассовой классификации тональности английского текста: отрицательная, нейтральная и положительная. Она основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBertForSequenceClassification и обучена на датасете syedkhalid0/Sentiment-Analysis объёмом около 105 тысяч примеров. Для работы с текстом модель принимает до 512 токенов и выдаёт класс тональности. Модель подходит для анализа отзывов о товарах и развлечениях, публикаций и комментариев в социальных сетях, клиентских обращений и ответов на опросы. Лицензия — Apache 2.0. В карточке приведены примеры предсказаний, но метрики тестирования оставлены незаполненными, поэтому качество по ним оценить нельзя.

SLIM-SENTIMENT — специализированная авторегрессионная модель серии SLIM от llmware, дообученная для анализа тональности через вызовы функций. Она принимает текст и формирует структурированный ответ в виде словаря Python с тональностью, например positive, пригодный для автоматизированных рабочих процессов и обработки другими программами. Модель построена на архитектуре Llama, содержит 1 млрд параметров и имеет контекст длиной 2048 токенов. В README показан запуск через Transformers и библиотеку llmware. Модель распространяется по лицензии Apache-2.0. Карточка описывает задачу анализа тональности, но не сообщает поддерживаемые языки или результаты оценки качества.

marcovise/TextEmbedding3SmallSentimentHead — компактная PyTorch-модель для классификации тональности, созданная разработчиком marcovise. Это MLP-голова с 256 скрытыми узлами и dropout 0,2, обученная поверх эмбеддингов OpenAI text-embedding-3-small размерности 1536. На вход принимает батч float32-векторов эмбеддингов, а на выходе выдаёт оценки для трёх классов: негативная, нейтральная и позитивная тональность. Модель предназначена для быстрой классификации коротких текстов после получения эмбеддингов. В README указаны результаты на отложенной валидационной выборке: macro-F1 около 0,89 и accuracy около 0,89. Для обучения использовалась предобработанная версия Kaggle Sentiment Analysis Dataset; репозиторий содержит веса PyTorch и распространяется по лицензии MIT.

cardiffnlp/twitter-xlm-roberta-base-sentiment-multilingual — модель Cardiff NLP для определения тональности публикаций в социальных сетях. Это XLM-RoBERTa с архитектурой классификатора последовательностей, дообученная на мультиязычном наборе твитов cardiffnlp/tweet_sentiment_multilingual. Модель содержит 305,2 млн параметров и принимает текст с контекстом до 514 токенов. Модель предназначена для классификации тональности твитов и похожих коротких сообщений; для загрузки авторы предлагают библиотеку tweetnlp. На тестовой выборке указаны F1 micro 0,693, F1 macro 0,693 и accuracy 0,693. В карточке не указаны лицензия и точный перечень поддерживаемых языков, поэтому их нельзя конкретизировать.

Waktaverse-Llama-3-KO-8B-Instruct — корейская диалоговая языковая модель команды Waktaverse AI, дообученная на основе meta-llama/Meta-Llama-3-8B-Instruct. Модель с плотной архитектурой Llama содержит 7,5 млрд параметров, принимает текст и генерирует текст; контекст — до 8192 токенов. Основные языки — корейский и английский. Для улучшения ответов на корейском разработчики рекомендуют задавать системный промпт на корейском языке. Модель подходит для выполнения инструкций, продолжения текста, суммаризации и ответов на вопросы, в том числе по коммерческим текстам на корейском языке из обучающего набора KoCommercial-Dataset. Для запуска можно использовать Transformers. Лицензия — Llama 3. Как и другие языковые модели, она может воспроизводить смещения из обучающих данных, ошибаться на необычных запросах и неверно понимать культурный контекст. Разработчики не рекомендуют применять её для решений с высокими ставками в медицине, праве и критически важных для безопасности сценариях.

Это модель классификации тональности terrencewee12 на базе XLM-RoBERTa, дообученная на данных tyqiangz/multilingual-sentiments и других наборах для анализа тональности. Она относит текст к одной из трёх категорий: положительной, отрицательной или нейтральной. Модель предназначена для анализа текстов на английском, малайском и китайском языках, в том числе сообщений в социальных сетях. Архитектура — XLMRobertaForSequenceClassification, размер — 305,2 млн параметров, максимальный контекст — 514 токенов. В карточке приведены результаты оценки: accuracy 0,844 и F1 0,844. Модель принимает текст и выдаёт метку тональности. Качество может снижаться на других языках, доменах и типах текста, не представленных в обучающих данных. Лицензия — Apache-2.0.

Adaptive Sentiment Classifier — модель MemChainAI для классификации английских текстов по тональности на положительные, отрицательные и нейтральные. Она основана на DistilBERT и создана с помощью библиотеки adaptive-classifier; обучение проводилось на примерах из набора SetFit/tweet_sentiment_extraction с применением адаптивного и непрерывного обучения. Модель предназначена для анализа отзывов, сообщений в социальных сетях и пользовательского контента. В карточке особо отмечена обработка технических описаний, вопросов и образовательных текстов как нейтральных. Заявленная точность на тесте составляет 80%; лицензия — MIT. Модель оптимизирована для английского языка и текстов, похожих на твиты, отзывы и вопросы. Качество может снижаться на текстах длиннее 200 символов и при наличии специализированной терминологии; результаты обучения могут отражать смещения исходных данных. Не следует использовать её как единственное основание для важных решений.

Arabic-MARBERT-Sentiment — модель анализа тональности арабского текста, созданная Ammar-alhaj-ali дообучением MARBERT. Она классифицирует текст по трём категориям: положительная, отрицательная и нейтральная тональность; в примерах карточки анализируются короткие отзывы и высказывания. Модель построена на архитектуре BERT и содержит около 190 млн параметров. Она принимает текст и выдаёт метку тональности с оценкой уверенности. Контекст ограничен 512 токенами. Для дообучения использован датасет KAUST. Модель распространяется в формате PyTorch.

Модель borisn70/bert-43-multilabel-emotion-detection разработана на основе bert-base-uncased и дообучена для классификации английских предложений по 43 категориям эмоций. Это плотная BERT-модель с головой BertForSequenceClassification; размер — 136,7 млн параметров, максимальный контекст — 512 токенов. Веса представлены в формате safetensors, лицензия — MIT. Модель предназначена для анализа эмоционального содержания текста: разметки отзывов и сообщений, мониторинга соцсетей и анализа обратной связи клиентов. В README указаны метрики на валидационной выборке: accuracy 92,02% и weighted F1 91,93%. Модель поддерживает английский язык; качество может различаться между категориями эмоций, а смещения обучающих данных могут отражаться на предсказаниях.

Модель pysentimiento/bertweet-pt-sentiment предназначена для определения тональности текстов на португальском языке. Это модель классификации последовательностей на архитектуре RoBERTa, дообученная на базе BERTabaporu — модели, обученной на португалоязычных твитах. Она относит текст к одной из трёх категорий: положительной (POS), отрицательной (NEG) или нейтральной (NEU). Модель подходит для анализа тональности публикаций в социальных сетях и других коротких текстов на португальском. Она содержит 162,4 млн параметров, принимает текст с контекстом до 130 токенов и распространяется в форматах PyTorch и Safetensors. Для использования карточка рекомендует библиотеку pysentimiento. Сведения о лицензии в предоставленных материалах отсутствуют.

stinoco/beto-sentiment-analysis-finetuned — дообученная модель классификации текста на базе finiteautomata/beto-sentiment-analysis. Она предназначена для анализа тональности текста. Модель построена на архитектуре BERT и содержит 137,1 млн параметров; максимальный контекст составляет 512 токенов. На оценочном наборе данных модель показала accuracy 0,7757 и F1 0,7773. Язык, состав обучающих данных, набор классов тональности и лицензия в доступных сведениях не описаны.

Модель adaptive-classifier/business-sentiment — классификатор тональности для деловых текстов на основе answerdotai/ModernBERT-base. Она использует адаптивную классификацию с непрерывным обучением и позволяет добавлять новые классы. В карточке указаны четыре класса: mixed, negative, neutral и positive; в текущем наборе 20 примеров, по пять на класс, а размерность эмбеддингов составляет 768. Модель предназначена для определения тональности деловых сообщений и для сценариев, где классы нужно расширять по мере появления новых примеров. Для каждого класса требуется не менее трёх примеров; максимум — 150 примеров на класс. Прототипы обновляются каждые десять примеров. Лицензия — Apache-2.0.

tbluhm/clf-sentimentos-cmts — классификатор тональности коротких текстов в социальных сетях на бразильском португальском языке. Модель разработана на основе XLM-RoBERTa и дообучена для определения положительной, отрицательной или нейтральной тональности комментариев; README также описывает обработку эмодзи. Архитектура — XLM-RoBERTa для классификации последовательностей, размер — 305,2 млн параметров, максимальная длина контекста — 514 токенов. Модель предназначена для анализа комментариев, отзывов и других коротких текстов, например, для мониторинга реакции аудитории на товары, услуги и публичные профили. README упоминает датасет с комментариями к профилям политиков, артистов и автомобильных компаний; карточка также приводит более общее описание обучающих данных как многоязычного набора из отзывов и коротких текстов. Эти сведения расходятся, поэтому область применения лучше считать ориентированной прежде всего на бразильские соцсети. Модель может ошибаться в интерпретации сложных оттенков человеческих эмоций и отражать смещения обучающих данных. Распространяется по лицензии MIT.

AnkitAI/deberta-v3-small-base-emotions-classifier — англоязычная модель классификации эмоций, созданная дообучением microsoft/deberta-v3-small на наборе dair-ai/emotion. Она относит текст к одной из шести категорий: гнев, отвращение, страх, радость, грусть или удивление. Модель использует архитектуру DeBERTa V3 Small с классификационной головой и содержит 155 млн параметров. Она принимает текстовые последовательности длиной до 512 токенов и выдаёт метку эмоциональной категории. Подходит для пакетной обработки текстов, анализа распределения эмоций и отслеживания эмоциональных тенденций во времени. Модель рассчитана на английский язык и может хуже работать на других языках или текстах, отличающихся от обучающих данных. Распространяется по лицензии MIT.

linlin336/distilbert-finetuned-emotion — модель классификации текста, созданная дообучением distilbert-base-uncased на наборе данных Emotion. Она определяет одну из шести базовых эмоций в коротких англоязычных сообщениях, включая публикации в Twitter, комментарии и отзывы. Модель подходит для мониторинга эмоций в социальных сетях и классификации откликов клиентов. Архитектура — DistilBERT для классификации последовательностей; модель принимает текст и выдаёт метку эмоции. Контекст ограничен 512 токенами. В README указаны точность и взвешенная F1-мера около 92%; модель обучалась один эпоху на данных Twitter. Распространяется под лицензией Apache-2.0.

hristo-mutafov/distilbert-sentiment — модель классификации текста на основе DistilBERT, дообученная автором репозитория на наборе данных, который в карточке обозначен как None. Она предназначена для отнесения текстов к классам тональности. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и рассчитана на контекст до 512 токенов. В карточке указана точность 0,8 и значение loss 1,0367 на оценочной выборке; подробности набора данных и оценки не приведены. Модель распространяется в формате safetensors по лицензии Apache-2.0. Основа — distilbert/distilbert-base-uncased.

Модель hanifnoerr/Fine-tuned-Indonesian-Sentiment-Classifier — дообученная на IndoNLU SmSA версия indobenchmark/indobert-base-p1 для классификации тональности текста на индонезийском языке. Она присваивает тексту одну из трёх меток: положительная, отрицательная или нейтральная тональность. Модель построена на архитектуре BERT с головой классификации последовательностей, содержит 151,6 млн параметров и принимает контекст длиной до 512 токенов. В README приведены результаты на тестовой выборке: accuracy 0,928 и macro-F1 0,911. Модель подходит для анализа отзывов и других коротких текстов на индонезийском языке. Распространяется по лицензии MIT.

gauneg/roberta-base-absa-ate-sentiment — дообученная Gauneg модель на архитектуре RoBERTa для аспектного анализа тональности. Она размечает токены входного текста, выделяя аспекты, о которых выражено мнение, и определяя полярность тональности для каждого аспекта. Модель предназначена прежде всего для анализа отзывов, в том числе ресторанных и гостиничных, и обучена на наборах SemEval по aspect-based sentiment analysis за 2014–2016 годы и MAMS. Модель основана на FacebookAI/roberta-base, содержит 151,8 млн параметров и имеет контекст до 514 токенов. Это англоязычная модель для входного текста; карточка приводит результаты оценки на тестовых наборах SemEval, включая F1 71,07 для извлечения аспектов и 54,08 для извлечения аспектов вместе с тональностью на отзывах об отелях SemEval 2015. Распространяется по лицензии Apache-2.0.

UMUTeam/roberta-spanish-sentiment-analysis — модель команды UMUTeam для классификации тональности испанских текстов. Это дообученная модель MarIA на архитектуре RoBERTa, основанная на PlanTL-GOB-ES/roberta-base-bne. Для классификации последовательностей используется RobertaForSequenceClassification; размер модели — 151,8 млн параметров, контекст — до 514 токенов. Модель присваивает тексту одну из трёх меток: негативную, нейтральную или позитивную. Она обучена на объединении нескольких наборов данных, включая TASS и данные о тональности в политической и других областях, и может применяться для анализа мнений в испаноязычных текстах. Модель распространяется по лицензии Apache-2.0.

Aniemore/rubert-large-emotion-russian-cedr-m7 — русскоязычная модель классификации эмоций, разработанная Aniemore. Она дообучена на датасете Aniemore/cedr-m7 на базе sberbank-ai/ruBert-large и предназначена для определения семи эмоций в тексте. Выход многометочный: каждой эмоции присваивается независимая оценка, поэтому текст может получить несколько меток или не получить ни одной. Модель содержит 525,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в форматах PyTorch и safetensors. На тестовой выборке CEDR-M7 указаны ROC AUC 0,9258 для macro и 0,9714 для micro. Порог 0,5 использовался для расчёта macro-F1; для практического применения пороги следует настроить на данных конкретной задачи. Модель подходит для анализа тональности и эмоций в русскоязычных сообщениях и отзывах, но результаты зависят от соответствия входных текстов обучающему датасету. Лицензия — MIT.

Sensible: ModernBERT Sentiment Analysis — англоязычная модель классификации тональности, разработанная Ankit Aglawe. Она дообучена на ModernBERT-base и определяет, положительный или отрицательный тон у отзывов, комментариев, обратной связи и текстов из социальных сетей. Модель использует архитектуру ModernBERT для классификации последовательностей, содержит 149 млн параметров и принимает контекст длиной до 8192 токенов. В README сообщается точность 0,9461 на валидационной выборке SST-2 из 872 примеров. Модель доступна для Transformers и поддерживает пакетную классификацию. Лицензия — Apache-2.0. Модель обучена на SST-2; её схема меток ограничена классами positive и negative. Результат на SST-2 не гарантирует такую же точность на текстах других типов или на тонких и смешанных оценках.

Akhil Bhaskaran Nair разработал эту модель тональной классификации, дообучив DistilBERT на наборе данных, который не описан в карточке. Она предназначена для определения тональности текста. Модель использует архитектуру DistilBertForSequenceClassification, работает с текстом и имеет контекст до 512 токенов. На оценочном наборе указаны loss 0,3489, accuracy 0,8667 и F1 0,8701. Карточка не уточняет набор меток, языки данных и ограничения применения. Модель распространяется по лицензии Apache-2.0.

ac0hik разработал модель классификации тональности французского текста на основе CamemBERT. Это плотная модель с архитектурой CamembertForSequenceClassification, содержащая 137,8 млн параметров и принимающая последовательности длиной до 514 токенов. Модель дообучена на французской части набора tweet_sentiment_multilingual с дополнительными отобранными данными тональности из разных источников. Модель относит текст к одной из трёх категорий: положительной, отрицательной или нейтральной. Она подходит для анализа тональности французских публикаций в социальных сетях и других коротких текстов. На оценочной выборке автор сообщает точность 0,7654 и значение функции потерь 0,7877; лицензия — MIT.

Модель Jhusef Alfonso López Parra для классификации тональности текста на испанском языке. Это дообученная с помощью Transformers архитектура XLM-RoBERTa-large с 658,7 млн параметров; она присваивает тексту одну из трёх меток: отрицательная, нейтральная или положительная. Модель предназначена для анализа испаноязычных текстов, в том числе сообщений в социальных сетях, и запускается для инференса через библиотеку Transformers. При проверке на валидационной выборке указано значение F1-macro 0,729. Модель обучалась на наборе данных cardiffnlp/tweet_sentiment_multilingual; максимальная длина контекста составляет 514 токенов. Распространяется по лицензии Apache-2.0. Возможны смещения, связанные с обучающими данными; результаты не следует использовать как единственное основание для критически важных решений без проверки специалистом.

Модель codealchemist01/turkish-sentiment-analysis — дообученная версия dbmdz/bert-base-turkish-cased для классификации тональности текстов на турецком языке. Она относит текст к одному из трёх классов: положительному, отрицательному или нейтральному. Модель использует архитектуру BERT с 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Её обучали на объединённых и очищенных наборах турецких предложений; в README приведены метрики тестирования и более низкий F1 для отрицательного класса, чем для нейтрального и положительного. Лицензия — Apache-2.0.

Модель kevinscaria/atsc_tk-instruct-base-def-pos-neg-neut-combined — дообученная версия T5, разработанная в рамках работы InstructABSA по instruction learning для аспектного анализа тональности. Она предназначена для классификации тональности указанного аспекта в отзыве: на вход подаются текст отзыва и подсказка с определением задачи и примерами положительной, отрицательной и нейтральной тональности, а модель генерирует текстовый ответ. Обучение охватывает отзывы о ноутбуках и ресторанах; для этих доменов авторы сообщают о конкурентных результатах относительно актуального на момент публикации уровня качества. Модель содержит 123,7 млн параметров и распространяется в формате PyTorch. Лицензия — MIT.