III.2Исследование рынка и маркетинг

YamshadowInex12_MeliodasNeuralsirkrishna — слитая автором MaziyarPanahi модель генерации текста, объединяющая automerger/YamshadowInex12-7B и automerger/MeliodasNeuralsirkrishna-7B. Она построена на плотной архитектуре Mistral с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста. Карточка не описывает специализированные сценарии или языковые возможности, поэтому её можно характеризовать только как модель общего назначения для текстового ввода и вывода. Веса доступны в формате safetensors по лицензии Apache-2.0. README не приводит сравнительных оценок качества или подробностей о методе слияния.

Cohere Labs Command A Vision — мультимодальная модель на 112 млрд параметров, разработанная Cohere и Cohere Labs для понимания изображений и диалога по визуальным данным. Она объединяет языковую модель на основе Command A с визуальным энкодером SigLIP2-patch16-512 через мультимодальный адаптер. Модель принимает изображения и текст, а отвечает текстом; поддерживает английский, португальский, итальянский, французский, немецкий и испанский языки. Модель предназначена для анализа изображений в корпоративных сценариях: ответов на вопросы о содержимом и контексте изображения, визуального диалога и извлечения сведений с изображений. Контекст в конфигурации Hugging Face составляет 32K токенов; README указывает поддержку до 128K при соответствующей настройке. Для одного изображения применяется до 12 плиток и дополнительная миниатюра, всего до 3328 визуальных токенов; рекомендуется разрешение до 2048×1536 пикселей. Весам доступна лицензия CC-BY-NC-4.0 с ограничением некоммерческого использования, а также требуется соблюдать политику допустимого использования Cohere Labs. README описывает режимы настройки защитных ограничений и отмечает, что по умолчанию включён contextual mode. Для запуска через Transformers требуется версия библиотеки с необходимыми изменениями из исходного репозитория.

DeltaP2S-Llama2-13B-SameFormula-ptbr-S13-a050 — объединённый чекпойнт, созданный экспериментальным пакетом Delta-P2S. Он основан на meta-llama/Llama-2-13b-hf и использует архитектуру LlamaForCausalLM с плотной сетью примерно на 12,9 млрд параметров. Модель предназначена для генерации текста; карточка не уточняет специализированные сценарии её применения. Модель принимает текст и выдаёт текст, поддерживает контекст до 4096 токенов и распространяется в формате safetensors для библиотеки Transformers. В README указана базовая модель, но не приведены сведения о качестве, обучающих данных или конкретных языках. Лицензия в предоставленных данных не указана.

Это дообученная модель Francesca9805 на архитектуре GPT-2, созданная на основе francesca9805/eng-latn-10mb-ppt-Dp-100mb-packed-bfdiso_seed10 с использованием TRL. Она предназначена для генерации текста и ответов на открытые вопросы на английском языке; в карточке приведён пример ответа на вопрос с пояснением выбора. Модель работает с текстовым вводом и выдаёт текст, использует библиотеку Transformers и формат весов safetensors. Длина контекста — 512 токенов. Лицензия в предоставленных данных не указана.

Finance Sentiment FR (base) — модель bards.ai для классификации тональности французских финансовых новостей. Она основана на CamemBERT base и дообучена на французском переводе датасета Financial PhraseBank за 10 эпох. Модель относит текст к одному из трёх классов: положительный, отрицательный или нейтральный. Модель содержит 137,8 млн параметров, принимает текст длиной до 514 токенов и доступна в форматах PyTorch и Safetensors для библиотеки Transformers. В карточке приведены macro F1 0,963, точность 0,959 и полнота 0,967; эти показатели относятся к оценке авторов на их тестировании. Модель распространяется по лицензии MIT.

FLM-101B — открытая двуязычная большая языковая модель от CofeAI с 101 млрд параметров. Это плотная decoder-only архитектура для генерации текста на китайском и английском языках; модель работает с контекстом длиной 2048 токенов при обучении. В ней используются позиционные эмбеддинги xPos, а обучение проходило с постепенным увеличением модели от 16 до 101 млрд параметров. Модель подходит для генерации и продолжения текста на китайском и английском языках. xPos позволяет расширять окно контекста при инференсе, однако фактическая поддержка и предел такого расширения зависят от конфигурации. Модель выпущена под лицензией Apache-2.0. Авторы отмечают, что из-за сравнительно небольшого количества обучающих токенов знания модели, особенно в специализированных областях, ограничены. Инференс не оптимизирован и требует значительных ресурсов при невысокой скорости; возможны предвзятые, оскорбительные или небезопасные ответы.

onurnsfw/Gemma2-9b-classifier — дообученная модель семейства Gemma 2, опубликованная onurnsfw на базе unsloth/gemma-2-9b-bnb-4bit. Это плотная языковая модель с 9 млрд параметров, рассчитанная на генерацию текста и работающая с контекстом до 8192 токенов. В карточке указано, что обучение выполнялось с помощью Unsloth и библиотеки TRL. Модель может использоваться для генерации текста на английском языке. Название репозитория содержит слово «classifier», однако README не описывает задачу классификации, формат меток или способ использования модели как классификатора; подтверждённая задача по метаданным — text-generation. Репозиторий распространяется по лицензии Apache 2.0.

Steven Limcorn разработал Indo RoBERTa Emotion Classifier на основе Indo-RoBERTa Base, дообучив её для классификации эмоций на наборе EmoT из бенчмарка IndoNLU. Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa и принимает текст; максимальная длина контекста — 514 токенов. Она предназначена для определения эмоциональной категории в индонезийском тексте, например в коротких сообщениях и отзывах. В оценке на IndoNLU модель показала macro-F1 72,05% и accuracy 71,81%. Результаты зависят от данных и могут наследовать их смещения, а также смещения предобученной RoBERTa. Лицензия — MIT.

trinhkhng/karcher_Merged_gpt2-large_0.3 — языковая модель для генерации текста, полученная слиянием предварительно обученных моделей GPT-2 Large и debias_gpt2-large. Разработчик применил метод Karcher Mean с помощью mergekit; архитектура — плотная GPT2LMHeadModel, веса опубликованы в формате safetensors и представлены в float32. Модель предназначена для продолжения текста и других сценариев генерации на основе текстового запроса. Модель принимает и генерирует текст. Длина контекста составляет 1024 токена. Карточка не описывает языковой охват и не приводит результатов оценки качества, поэтому качество и степень снижения предвзятости по ней определить нельзя. Лицензия не указана в предоставленных данных.

Sardean-UChicago/Mistral-7B-Headline-QLoRA — дообученная языковая модель семейства Mistral для генерации текста в диалоговом формате. Она основана на unsloth/mistral-7b-instruct-v0.2-bnb-4bit и содержит 7,1 млрд параметров. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель может служить основой для генерации заголовков и других текстовых ответов на английском языке. Архитектура — плотная авторегрессионная MistralForCausalLM; заявленный контекст составляет 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0.

Mystery-mag-try2 — объединённая языковая модель, созданная DazzlingXeno методом TIES с помощью mergekit. В основу объединения легла 01-ai/Yi-1.5-34B-32K; также использованы TheSkullery/Y1.5-MS-Mysteria-34b и anthracite-org/magnum-v3-34b. Модель имеет плотную архитектуру LlamaForCausalLM, около 33,9 млрд параметров и контекст до 32 768 токенов; веса представлены в формате safetensors и типе float16. Модель предназначена для генерации текста по текстовому запросу. Метаданные указывают задачу text-generation, но карточка не уточняет специализацию, поддерживаемые естественные языки или конкретные прикладные сценарии. Лицензия в предоставленных данных не указана.

NeuralsirkrishnaShadow_Strangemerges_32Alloyingotneoy — объединённая модель для генерации текста, созданная слиянием двух моделей Mistral: automerger/NeuralsirkrishnaShadow-7B и automerger/Strangemerges_32Alloyingotneoy-7B. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает контекст длиной до 32 768 токенов. Она предназначена для генерации текста по текстовому запросу. Карточка не описывает специализированные сценарии, языки или дополнительные возможности. Файлы представлены в формате safetensors; лицензия — Apache-2.0.

Модель mxlcw/rubert-tiny2-russian-financial-sentiment разработана на основе seara/rubert-tiny2-russian-sentiment и дообучена для многоклассовой классификации тональности коротких финансовых публикаций на русском языке из Telegram. Она присваивает тексту одну из трёх меток: нейтральная, положительная или отрицательная тональность. Модель использует архитектуру BERT и содержит 29 млн параметров; максимальная длина контекста — 2048 токенов. Она предназначена для автоматической разметки финансовых постов, например, при мониторинге публикаций Telegram. Поддерживается русский язык. Модель распространяется по лицензии MIT. Её обучение ориентировано на короткие финансовые сообщения из Telegram, поэтому качество на длинных текстах, других темах и источниках может отличаться.

Tulpar-7b-v0 — языковая модель HyperbeeAI на архитектуре Llama 2, дообученная на инструкциях. В обучающую выборку вошли отфильтрованные и предварительно обработанные данные, включая наборы, сгенерированные GPT-4, а также Airoboros и Platypus. Модель предназначена для генерации текста по запросам и выполнения инструкций на английском языке. Её можно применять для диалоговых ответов, общих вопросов и рассуждений на основе текста. Размер модели — 6,6 млрд параметров, контекст — до 4096 токенов; для работы используются PyTorch и библиотека Transformers. Разработчик предупреждает, что точность, объективность, непредвзятость и безопасность ответов не гарантируются; перед внедрением рекомендуется проверять модель в целевом сценарии. Дообучение проводилось только на английском языке, поэтому другие языки и языковые сценарии не покрыты. Лицензия — Llama 2.

AISAK-TVI — мультимодальная модель общего назначения от команды AISAK, созданная на архитектуре Bunny-Llama и интегрированная с AISAK-Assistant. Она принимает текст и изображения и формирует текстовые ответы; заявленный размер — 7,5 млрд параметров, контекст — до 8192 токенов. Модель предназначена для описания изображений, формулирования ответов, творческого письма и автоматизации создания контента. В карточке заявлена поддержка мультимодального понимания, однако независимые показатели качества не приведены, а развертывание описано как часть будущей полной системы AISAK. Возможны предвзятость и снижение качества на узкоспециализированных или выходящих за область обучения запросах; важные результаты следует проверять. Условия лицензии обозначены как other, а README утверждает, что копирование и распространение требуют предварительного письменного разрешения правообладателя.

Beetle-FineWeb-2B/beetle-bilingual-balanced-b1-fineweb-2b-nld-eng-seed97 — генеративная текстовая модель из семейства Beetle-FineWeb, опубликованная на Hugging Face. Модель предназначена для продолжения и генерации текста с использованием библиотеки Transformers и формата Safetensors; в метаданных также указан компонент pico_decoder. Из названия модели следует, что она относится к классу моделей примерно на 2B параметров и ориентирована на нидерландский и английский языки. Возможные сценарии включают генерацию и продолжение текстов, создание черновиков и языковое моделирование на этих языках. README не содержит сведений о разработчике, лицензии, контексте, данных обучения, результатах оценки или рекомендованных параметрах использования.

Это компактная модель Sentence Transformers, разработанная на основе google/bert_uncased_L-2_H-128_A-2 и дообученная на 200 350 парах текстов из отзывов Amazon. Она кодирует предложения и абзацы в плотные векторы размерности 128, пригодные для поиска и сравнения по косинусному сходству. Архитектура состоит из BERT с усредняющим pooling; модель поддерживает только текст. Метаданные указывают контекст до 512 токенов, а карточка модели задаёт максимальную длину последовательности 128 токенов. Модель подходит для поиска похожих отзывов и извлечения релевантных текстов по смыслу. Англоязычная базовая модель и примеры обучающих данных ориентируют её на английские отзывы Amazon. Для других типов текстов качество не подтверждено. Лицензия в предоставленных данных не указана.

Модель nickmuchi/distilroberta-finetuned-financial-text-classification разработана Nick Muchi и представляет собой дообученную distilroberta-base для классификации тональности финансовых текстов. Она присваивает тексту одну из меток: негативная, нейтральная или позитивная. Обучение проводилось на финансовых новостях из Financial PhraseBank с разметкой sentence_50Agree и наборе Kaggle, включающем тексты о влиянии COVID-19 на доходы и рынки. Для компенсации дисбаланса классов веса меток были скорректированы. Модель имеет архитектуру RoBERTa и около 95,2 млн параметров; максимальная длина контекста — 514 токенов. В README сообщается о F1 0,8835 на наборе оценки. Модель подходит для анализа тональности финансовых новостей и похожих коротких текстов на английском языке, но качество на других типах данных и языках не подтверждено. Распространяется по лицензии Apache-2.0.

Eros Prodigadigm 7B — объединённая языковая модель, опубликованная пользователем jeiku. Она создана с помощью mergekit методом SLERP из предварительно обученных моделей erosprodigy и erosparadigm, с erosparadigm в качестве базовой модели слияния. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и принимает текст для генерации продолжений. Модель предназначена для задач генерации текста; заявленная длина контекста составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors. В карточке не описаны целевые сценарии, поддерживаемые языки или специальные возможности, поэтому их нельзя уточнить. Лицензия указана как other, без конкретных условий в предоставленных данных.

FinanceBERT — модель на архитектуре BERT, дообученная для анализа тональности финансовых текстов. Она классифицирует сообщения как положительные, отрицательные или нейтральные и предназначена для анализа финансовых новостей, отчётов и публикаций в социальных сетях. Модель содержит 136,7 млн параметров, принимает текст на английском языке и поддерживает контекст до 512 токенов. Для неё указаны метрики на тестовой выборке: точность 92% и взвешенная F1-мера 92%; эти результаты относятся к описанной выборке и не гарантируют такое же качество на других данных. Модель специализируется на финансовой тематике и может хуже работать с текстами из других областей. Её решения трудно интерпретировать, а качество зависит от смещений обучающих данных. Лицензия — GPL-3.0.

Модель yukta10/finetuning-sentiment-model-3000-samples — дообученная на датасете IMDB модель классификации текста на базе DistilBERT. Она предназначена для определения тональности текстов, в частности отзывов о фильмах. Архитектура — DistilBertForSequenceClassification; модель принимает текст, максимальная длина контекста составляет 512 токенов, веса представлены в формате PyTorch. В README не приведены подробности о метках классов, метриках качества или обучающих настройках. Модель опубликована под лицензией Apache-2.0.

kwoncho/ko-sroberta-multitask-informative — дообученная разработчиком версия корейской модели KoR-SRoBERTa на базе jhgan/ko-sroberta-multitask. Это RoBERTa-модель для классификации релевантности корейских новостных заголовков и вводных предложений, связанных с компаниями и финансами. Модель присваивает тексту метку релевантности 1 или 0 и предназначена для отбора значимых новостей о конкретных компаниях и последующего анализа корпоративных текстов. Модель обучена на подборке новостей о компаниях, сформированной по методологии академического исследования 2022 года. Она рассчитана на корейский язык и финансово-корпоративную лексику; в README отдельно отмечено, что обобщать её применение на произвольный анализ корейского языка не следует. Для решений с высокими финансовыми последствиями требуется проверка человеком. Размер модели — 137,8 млн параметров, контекст — до 514 токенов. Лицензия CC-BY-SA-4.0; при использовании необходимо учитывать требования лицензии и атрибуции базовой модели и исследования.

osllmai-community/Llama-3.2-1B — производная текстовая модель семейства Llama, опубликованная в рамках программы Community Model на osllm.ai. По данным карточки, osllm.ai не является создателем модели; автором выступает сторонний разработчик. Модель основана на meta-llama/Llama-3.2-1B и дообучена для генерации текста. Она содержит 1,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM и распространяется в формате safetensors для библиотеки Transformers. Длина контекста составляет 131 072 токена. Модель предназначена для генерации текста по текстовому запросу и может служить компактной основой для локальных приложений, работающих на подходящем оборудовании. В метаданных указан английский язык. Лицензия — Llama 3.2. Карточка не описывает конкретные данные и методы дообучения или специальные возможности модели, поэтому её качество для узких задач по этим сведениям оценить нельзя.

JefiRyan/Llama-3.2-3B — дообученная JefiRyan языковая модель семейства Llama 3.2 для генерации текста. Она основана на unsloth/Llama-3.2-3B-bnb-4bit и имеет 3,2 млрд параметров; в карточке указан контекст длиной до 131 072 токенов. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для генерации текста по текстовому запросу. В метаданных указан английский язык. Лицензия — Apache-2.0. Карточка не описывает специализацию дообучения и конкретные преимущества модели, поэтому её пригодность для узких задач следует оценивать отдельно.

MEDEA — мультимодальная модель на базе Qwen3-VL-8B-Thinking, разработанная Tianjiao Li, Kai Zhao, Xiang Li, Yang Liu и Huyang Sun для оценки пользовательского контента с точки зрения его отклика в сообществе. Она анализирует видеокадры, обложку, заголовок, теги, категорию, метаданные и расшифровку речи, затем формирует рассуждение с учётом разных зрительских перспектив и присваивает бинарную метку качества: высокое или низкое. Модель обучена с помощью supervised fine-tuning и процессно-ориентированного обучения с подкреплением GRPO с наградой за социальное соответствие. Поддерживает китайский и английский языки; в метаданных репозитория указана архитектура Qwen3-VL и формат safetensors. В README приведены результаты на CASTER-Bench: Macro F1 0,749. Описание развёртывания задаёт max-model-len 20480, но не утверждает, что это нативная длина контекста модели. Лицензия в предоставленных данных не указана.

huggingface-course разработала эту модель, дообучив Google mT5-small для суммаризации англоязычных отзывов Amazon с переводом результата на испанский язык. Это компактная модель преобразования текста в текст на архитектуре mT5 с 157,4 млн параметров; репозиторий содержит веса PyTorch. В README приведены результаты оценки: ROUGE-1 16,97, ROUGE-2 8,30 и ROUGE-L 16,84. Модель предназначена для получения краткого испанского резюме по английскому отзыву о товаре. Она подходит для экспериментов и небольших сценариев анализа отзывов; качество на опубликованной оценке ограничено приведёнными значениями ROUGE. Лицензия — Apache-2.0.

FLAME2 — мультиязычная модель для определения тональности финансовых заголовков с учётом перспективы локального рынка. Её разработчик дообучил XLM-RoBERTa-large на 145 637 заголовках из десяти языков, размеченных с учётом перспективы местных инвесторов. Архитектура — XLM-RoBERTa для классификации последовательностей; размер модели составляет 658,7 млн параметров, максимальный контекст — 514 токенов. Модель предназначена для классификации финансовых новостей: один и тот же новостной повод может получать разные оценки тональности в зависимости от рыночной перспективы. Для обработки заголовку добавляют языковой префикс, например [EN] или [AR]. Карточка приводит результаты по отдельным языкам, но доступные данные показывают только часть таблицы, поэтому сравнить качество по всем десяти языкам нельзя. Модель выпущена под лицензией Apache-2.0. Она обучалась на заголовках финансовых новостей; качество на длинных текстах и вне этой области не подтверждено. Контекст ограничен 514 токенами.

Personal_4B — дообученная модель генерации текста на базе FourOhFour/Crispy_Crab_4B, подготовленная с помощью Axolotl 0.4.1. Это плотная языковая модель семейства Llama с архитектурой LlamaForCausalLM и 3,9 млрд параметров; заявленная длина контекста — 131 072 токена. Модель распространяется в формате safetensors и предназначена для генерации текста. В README указана оценка loss 1,9273 на наборе для оценки, но назначение дообучения и подходящие прикладные сценарии не описаны. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке модели и у правообладателя.

uer/roberta-base-finetuned-jd-binary-chinese — модель классификации китайских текстов, разработанная UER и дообученная с помощью UER-py на бинарном наборе отзывов JD. Она предназначена для определения полярности пользовательских отзывов и доступна для запуска через Transformers как модель классификации последовательностей. Это плотная архитектура семейства BERT с 129,5 млн параметров и контекстом до 512 токенов; в репозитории представлены веса PyTorch, TensorFlow и Flax. Модель рассчитана на китайский язык и не предназначена для генерации текста. Для её использования нужны входной текст и токенизатор модели. Обучение проводилось на размеченных отзывах JD; результаты на других доменах и типах текстов могут отличаться. Лицензия в предоставленных данных не указана.

sentiment-versioning-demo — дообученная Gwennji модель на базе distilbert/distilbert-base-uncased для классификации текста. В метаданных указаны архитектура DistilBertForSequenceClassification, библиотека Transformers, формат safetensors и контекст до 512 токенов. Модель подходит для применения в задачах текстовой классификации. README не описывает обучающую выборку, метки классов, результаты оценки или конкретные сценарии, поэтому специализацию на анализе тональности подтвердить нельзя. Лицензия — Apache-2.0.