III.2Исследование рынка и маркетинг

Valley-Eagle-7B — мультимодальная модель ByteDance для понимания текста и изображений. Она основана на Qwen2.5-7B-Instruct и сочетает визуальные энкодеры SigLIP и Qwen2-VL с проектором LargeMLP и ConvAdapter; архитектура поддерживает гибкое число визуальных токенов. Модель предназначена для диалогов и анализа визуальных данных, в том числе сценариев электронной коммерции и коротких видео. По метаданным, модель содержит 7,1 млрд параметров, использует контекст до 32 768 токенов и распространяется в формате safetensors. Карточка сообщает о высоких результатах на внутренних тестах электронной коммерции и коротких видео, а также на OpenCompass, но не приводит методику и подробности этих оценок. Метаданные указывают интерфейс вызова инструментов. Лицензия — Apache-2.0. В README заявлены обработка текста, изображений и видео, однако метаданные подтверждают только задачу text-generation; поддержка видео в практическом интерфейсе из доступных сведений неясна.

Модель zyh3826/20231206094523-pretrain-Llama-2-13b-hf-76000 — языковая модель для генерации текста, разработанная zyh3826 на основе Llama 2 13B. Это плотная авторегрессионная модель класса LlamaForCausalLM, предназначенная для использования через Hugging Face Transformers; веса опубликованы в формате safetensors. В метаданных указаны языки китайский и английский, а контекст составляет 4096 токенов. Модель можно применять для генерации и продолжения текста на китайском и английском языках. В качестве обучающего набора указан YeungNLP/firefly-pretrain-dataset. Карточка не описывает специализированные сценарии или дополнительные возможности. Лицензия — llama2. Как и другие варианты Llama 2, модель может выдавать неточные, предвзятые или нежелательные ответы. Разработчик рекомендует проверять безопасность и настраивать модель под конкретное приложение; испытания, упомянутые в карточке, проводились на английском языке.

Age-Classification-SigLIP2 — модель классификации изображений, созданная PrithivMLmods дообучением Google SigLIP 2 base patch16 224. Она принимает изображение человека и относит его к одной из пяти возрастных групп: 0–12, 13–20, 21–44, 45–64 или 65 лет и старше. Модель построена на архитектуре SiglipForImageClassification и распространяется в формате safetensors; для работы предусмотрена библиотека Transformers. Модель предназначена для оценки возрастного состава изображений, а также для исследовательских и прикладных сценариев, где требуется грубая оценка возрастной группы. Результат является классификацией по широким категориям, а не точным определением возраста. Модель лицензирована по Apache-2.0.

Anger_continuous — дообученная ajrayman модель на базе microsoft/deberta-v3-base для классификации текста. Модель использует архитектуру DeBERTa V2 с головой классификации последовательностей и содержит 211,6 млн параметров. Она принимает текст и рассчитана на оценку непрерывной выраженности гнева в тексте. В README приведены результаты на оценочном наборе: RMSE 0,2404, MAE 0,1959 и корреляция 0,2916. Эти показатели описывают конкретную оценку, но сведения о наборе данных, шкале оценки и границах применимости не раскрыты. Контекст составляет 512 токенов; веса опубликованы в формате safetensors, библиотека — Transformers. Лицензия MIT.

BERT-Emotion — компактная модель классификации эмоций в коротких текстах, опубликованная boltuix. Она основана на BERT и дообучена для распознавания 13 эмоциональных категорий; карточка описывает применение на устройствах с ограниченными ресурсами, включая мобильные приложения и IoT, с возможностью локального офлайн-инференса. Архитектура указана как BERT для классификации последовательностей, размер по метаданным — 12 млн параметров, максимальный контекст — 512 токенов. README приводит другую оценку размера и числа параметров, поэтому эти значения не использованы. Модель предназначена для определения эмоционального тона коротких сообщений в чат-ботах, социальных сетях и приложениях, анализирующих настроение. В README заявлена поддержка английского языка, низкая задержка и сопоставление предсказанных эмоций с эмодзи. Лицензия Apache-2.0 допускает коммерческое и личное использование. Оценка в README основана на небольшом наборе примеров, а приведённые результаты названы гипотетическими; они не подтверждают качество на реальных данных. Модель ориентирована на короткие тексты и может хуже распознавать нюансы, например сарказм; для специализированного применения может потребоваться дообучение.

Bert Emotion Classifier — англоязычный классификатор эмоций, разработанный автором репозитория на основе BERT-base-uncased и дообученный на наборе GoEmotions. Модель выполняет многометочную классификацию текста по 28 эмоциям: одному комментарию могут соответствовать несколько меток с оценками вероятности. Архитектура — BertForSequenceClassification; метаданные указывают 136,7 млн параметров и контекст до 512 токенов. В README описана настройка с максимальной длиной входа 128 токенов, поддерживаются веса Safetensors и формат ONNX. Модель предназначена прежде всего для анализа коротких англоязычных комментариев в стиле Reddit: определения эмоций в пользовательских сообщениях, исследования тональности общения и построения аналитики по эмоциональным реакциям. Для версии с оптимизированными порогами автор сообщает Micro F1 0,6006 и Macro F1 0,5390 на тестовой выборке. Модель распространяется по лицензии MIT. Качество может снижаться на текстах, отличающихся от комментариев Reddit, а редкие эмоции распознаются хуже из-за малого числа примеров. Для воспроизводимых предсказаний следует применять описанную предобработку: заменять упоминания, названия сообществ и URL, преобразовывать эмодзи в текст и переводить текст в нижний регистр.

Модель efeyol11/bert-turkish-sentiment разработана efeyol11 для классификации тональности турецких текстов. Это дообученная модель BERT с архитектурой BertForSequenceClassification и 137,8 млн параметров; она относит текст к одному из трёх классов: отрицательному, нейтральному или положительному. Модель рассчитана прежде всего на короткие и средние тексты, особенно заголовки новостей вместе с краткими аннотациями, а также может применяться для анализа комментариев и публикаций в соцсетях. Модель дообучена на savasy/bert-base-turkish-sentiment-cased с использованием winvoker/turkish-sentiment-analysis-dataset. В README указана длина обучения 128 токенов; метаданные сообщают о контексте до 512 токенов. В тестировании на указанном датасете заявлены accuracy 0,9728 и macro-F1 0,9535, однако эти результаты не гарантируют аналогичное качество на других данных. Модель не предназначена для аспектного анализа, длинные входы обрезаются, а сарказм, ирония и узкие новостные темы могут снижать надёжность. Возможны смещения обучающего корпуса и усиление ошибок при еженедельном дообучении на псевдоразметке. Лицензия — Apache 2.0.

busecarik/berturk-sunlp-ner-turkish — модель распознавания именованных сущностей, созданная дообучением BERTurk-cased на наборе SUNLP-NER-Twitter. Она предназначена для извлечения из турецких твитов упоминаний людей, мест, организаций, времени, денежных сумм, продуктов и телешоу. Архитектура — BERT для классификации токенов, размер — 211,6 млн параметров, максимальная длина контекста — 512 токенов; доступны веса PyTorch и TensorFlow. На тестовой выборке SUNLP-NER-Twitter модель показала общий F1 82,69 по метрике seqeval. Лучше всего она распознаёт имена людей и временные выражения; качество для продуктов и телешоу заметно ниже. Обучение на 5000 твитов ограничивает надёжность переноса на другие жанры и домены. Лицензия в предоставленных данных не указана.

Druidchoi/Bllossom3-Druidchoi — языковая модель семейства Llama, разработанная Druidchoi и дообученная на базе unsloth/meta-llama-3.1-8b-bnb-4bit с использованием Unsloth и Hugging Face TRL. Модель предназначена для генерации текста; архитектура — плотная авторегрессионная LlamaForCausalLM с 7,5 млрд параметров и контекстом до 131 072 токенов. Модель работает с текстом. В метаданных указан английский язык; более конкретные сценарии, качество и дополнительные языки в карточке не описаны. Репозиторий использует формат PyTorch. Лицензия — Apache 2.0.

YoichiTakenaka/deverta-v3-japanese-large-Sadness — японская модель классификации текста на основе DeBERTa V2, дообученная для определения эмоции Sadness. Она принимает отдельный текст, список текстов или pandas Series и возвращает метку наличия эмоции и оценку уверенности. В пакете DeBERTa Emotion Predictor эта модель входит в набор из восьми отдельных классификаторов для радости, грусти, ожидания, удивления, гнева, страха, отвращения и доверия. Модель содержит 451,8 млн параметров, использует архитектуру DebertaV2ForSequenceClassification и обрабатывает контекст длиной до 512 токенов. Веса опубликованы в формате safetensors. README описывает поддержку японского текста и использование PyTorch, Transformers и pandas. Лицензия — CC BY-SA 4.0.

Emotionality_binary — англоязычный классификатор текста на базе DeBERTa-v3-base, дообученный автором ajrayman для бинарного определения эмоциональности текста. Модель содержит 211,6 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт класс классификации. В README приведены результаты на оценочной выборке: accuracy 0,609, precision 0,573, recall 0,850, F1 0,685 и AUC 0,721. Эти показатели характеризуют только указанную выборку; описание датасета и подробности обучения не приведены. Модель распространяется по лицензии MIT.

GPT2 Open Instruct v1 — языковая модель семейства GPT-2, дообученная разработчиком vicgalle на наборе данных hakurei/open-instruct-v1 в формате инструкций Alpaca. Она предназначена для генерации текста в ответ на инструкции; для работы рекомендуется оформлять запросы по шаблону Alpaca: «Below is an instruction that describes a task. Write a response that appropriately completes the request.» Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 1024 токена. Репозиторий содержит веса PyTorch и safetensors; лицензия — MIT. Небольшой контекст ограничивает работу с длинными запросами и документами.

Human-Like-Qwen2.5-7B-Instruct — диалоговая языковая модель, созданная HumanLLMs дообучением Qwen/Qwen2.5-7B-Instruct. Она предназначена для генерации более естественных, связных и разговорных ответов, в том числе с эмоционально чутким тоном. Для диалога используется шаблон ChatML, доступный через chat template токенизатора. Модель имеет плотную архитектуру Qwen2, содержит 7,1 млрд параметров и принимает текстовые сообщения, выдавая текст. Контекст — до 32 768 токенов. При дообучении применялись LoRA и Direct Preference Optimization на наборе Human-Like-DPO-Dataset: 10 884 примера по 256 темам, включая технологии, повседневную жизнь, науку, историю и искусство. Модель подходит для разговорных ассистентов и сценариев, где важны естественность и связность диалога. Приведённые в карточке результаты бенчмарков показывают возможные компромиссы на отдельных задачах, поэтому качество ответов следует оценивать для конкретного применения. Лицензия — Apache-2.0.

trinhkhng/linear_Merged_gpt2-medium_0.0 — слитая языковая модель на архитектуре GPT-2, созданная методом Linear с помощью mergekit. В объединении указаны /kaggle/working/gpt2-medium с весом 1,0 и /kaggle/working/debias_gpt2-medium с весом 0,0, поэтому по приведённой конфигурации результат фактически опирается на gpt2-medium. Модель предназначена для генерации текста по текстовому запросу. Она доступна в формате safetensors и рассчитана на контекст до 1024 токенов. В README указан токенизатор ComCom/gpt2-small. Сведения о конкретных языках применения и лицензии в предоставленных данных отсутствуют.

Mungert/LongWriter-Zero-32B-GGUF — GGUF-версия языковой модели LongWriter-Zero-32B, подготовленная Mungert на основе Qwen2.5-32B-Base; исходная модель разработана командой THU-KEG. Это авторегрессионная текстовая модель для генерации связных сверхдлинных текстов объёмом более 10 000 токенов, а также для общих и писательских задач. Она ориентирована на создание книг, технических отчётов и других структурированных материалов с контролем длины, связности, плавности и полезности ответа. Модель содержит 32 млрд параметров и обучалась с использованием reinforcement learning, включая Group Relative Policy Optimization (GRPO), Length Reward Model, Writing Reward Model и Format Reward Model. В исходную подготовку входили 30 млрд токенов продолжительного предобучения на длинных книгах и технических отчётах. Поддерживаемые языки — английский и китайский. Формат GGUF предназначен для запуска через совместимые инструменты, включая llama.cpp; конкретные варианты квантования и размер контекстного окна в карточке не указаны. Сильной стороной модели является специализация на ультрадлинной генерации и планировании структуры текста; заявлено сопоставимое или превосходящее качество по сравнению с моделями масштаба 100 млрд параметров в соответствующих сценариях. Ограничения включают возможные потери качества из-за квантования, зависимость результатов от выбранного GGUF-варианта и отсутствие в карточке подробных сведений о требованиях к оборудованию и точном контекстном окне. Модель распространяется по лицензии Apache-2.0.

MiniLMv2-goemotions-v2-onnx — компактная модель классификации текста, разработанная minuva. Она дообучена на наборе GoEmotions с использованием tasinho/text-classification-goemotions как модели-учителя и опубликована в формате ONNX с квантизацией для запуска через ONNX Runtime. Модель на базе MiniLMv2-L6-H384 имеет около 33,5 млн параметров и контекст до 514 токенов. Модель предназначена для распознавания эмоций в англоязычном тексте и поддерживает многоклассовую и многометочную классификацию. Её можно использовать для анализа тональности эмоциональных реакций в сообщениях и для развертывания на CPU; автор приводит пример сервера на FastAPI. В сравнении с моделью-учителем показатели на валидации и тесте составили 0,478 и 0,482 соответственно, ниже результатов учителя. Лицензия — Apache-2.0. Компактный размер и формат ONNX рассчитаны на более лёгкое развертывание, но приведённые метрики показывают некоторое снижение качества относительно учителя; оценивать пригодность следует на данных целевого сценария.

Nizai — дообученная автором orucexe языковая модель семейства Llama для генерации текста. Она основана на unsloth/meta-llama-3.1-8b-unsloth-bnb-4bit и использует плотную архитектуру LlamaForCausalLM; в репозитории представлены веса safetensors. Заявлены 7,5 млрд параметров и контекст до 131 072 токенов. Для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель подходит для генерации текста на английском языке в сценариях, где требуется продолжение или создание текста. README не описывает специализацию дообучения, датасеты или сравнительные результаты, поэтому качество для конкретных задач оценить по карточке нельзя. Лицензия — Apache-2.0.

PLaMo Translation Model — специализированная языковая модель для перевода, разработанная Preferred Networks. Это плотная авторегрессионная модель семейства PLaMo 2 с 8,1 млрд параметров, представленная в формате Safetensors и предназначенная для работы через Transformers. Модель дообучена на базе pfnet/plamo-2-8b и поддерживает контекст до 10 485 760 токенов. Модель рассчитана на задачи перевода, прежде всего между английским и японским языками. Она не проходила настройку для диалогового чата и других прикладных задач, поэтому её следует использовать как специализированный переводчик. Лицензия — PLaMo community license; для коммерческого использования разработчик просит ознакомиться с условиями и связаться с Preferred Networks. Проверки проводились на английском и японском языках, поэтому результаты могут быть неточными или предвзятыми; перед внедрением нужна проверка на целевых сценариях.

AutoPowerPoint Agent — дообученная модель Teluv для генерации презентаций PowerPoint по текстовым запросам. Она основана на unsloth/Qwen3.5-2B и выпущена как объединённый релиз лучшего чекпойнта Reinforcement SFT, отобранного в цикле Golden v2, цикл 33. Модель предназначена для диалогового создания слайдов и автоматизации подготовки презентаций; в карточке также указаны теги slide-generation и python-pptx. Это плотная причинно-языковая архитектура Qwen3.5 с 1,7 млрд параметров, контекстом до 262 144 токенов и форматом safetensors. README сообщает метрики отбора: 85% успешных запусков, 67% успешных макетов и 14% успешных результатов Studio. Модель принимает и выдаёт текст; отдельная способность напрямую генерировать файлы или изображения в метаданных не подтверждена. Доступна на условиях Apache-2.0. Метрики показывают, что успешность макета и особенно Studio ниже успешности запуска, поэтому результат презентации может потребовать проверки и доработки.

ruGPT-Neo 1.3B — предварительно обученная плотная трансформерная языковая модель семейства GPT-Neo, построенная на репликации архитектуры GPT-3 от EleutherAI и опубликованная AlexWortega. Модель содержит около 1,5 млрд параметров и предназначена для генерации продолжения текста; её можно запускать через библиотеку Transformers. Модель ориентирована на русский язык. В метаданных указаны датасеты Wikipedia и IlyaGusev/gazeta. Длина контекста составляет 2048 токенов. Репозиторий содержит веса PyTorch, лицензия — MIT. Возможные сценарии включают генерацию черновиков и продолжение русскоязычных текстов; качество конкретных ответов README не оценивает.

Sakana Namazu — специализированная модель рассуждений от Sakana AI, созданная на основе Kimi K2.6 и дополнительно обученная для работы с японским языком и деловыми контекстами. Она предназначена для выполнения инструкций на японском языке и решения задач, требующих рассуждений. Модель ориентирована на японские деловые сценарии. Данных о её архитектуре, размере, контекстном окне, лицензии и конкретных ограничениях в предоставленных источниках нет.

AriaBERT — предварительно обученная языковая модель для персидского языка, разработанная Vira Intelligent Data Mining. Она предназначена для задач обработки персидского текста; в репозитории представлена архитектура RoBERTa с языковой моделью для заполнения пропусков и токенизатором Byte-Pair Encoding. Модель обучалась на более чем 32 ГБ разнообразных персидских текстов, включая разговорные и формальные материалы, новости, стихи, медицинские и энциклопедические тексты, а также мнения пользователей. AriaBERT можно применять для классификации, анализа тональности и определения позиции в персидских текстах. Карточка сообщает об улучшении результатов на ряде таких задач относительно конкурирующих моделей, но не приводит подробностей наборов данных и методики измерений. Модель содержит 159,3 млн параметров, поддерживает контекст длиной до 514 токенов и опубликована в формате PyTorch. Лицензия — Apache-2.0.

Модель ramonmedeiro1/bertimbau-products-reviews-pt-br — дообученная версия BERTimbau от Neuralmind для классификации отзывов о товарах. Она предназначена для анализа отзывов покупателей интернет-магазинов на бразильском португальском языке, в частности для отнесения текста отзыва к одному из классов классификатора. Модель основана на архитектуре BERT и содержит 136,1 млн параметров; максимальная длина контекста — 512 токенов. Для дообучения использован открытый набор B2W-Reviews01 с более чем 130 тысячами отзывов с сайта Americanas.com. В README приведены результаты трёх эпох: accuracy около 0,62 и F1 до 0,56, поэтому качество классификации ограничено и требует оценки на целевых данных. Проект создан в учебных целях и обучался около 50 минут на GPU T4. Весовые файлы доступны в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Модель edumunozsala/beto_sentiment_analysis_es — классификатор тональности испаноязычных отзывов, созданный Эдуардо Муньосом Салой. Она дообучена на базе BETO — испанской версии BERT-base с Whole Word Masking — с использованием Amazon SageMaker. Модель содержит 137,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса тональности. Основной сценарий — анализ отзывов о фильмах. В README также указано, что модель можно применять к отзывам других типов. Она обучалась на сбалансированном наборе примерно из 50 тысяч испаноязычных отзывов IMDb; на тестировании достигла accuracy 0,91 и F1 0,909. Для текстов за пределами отзывов качество не подтверждено. Лицензия — Apache-2.0.

Boto 7B v1.1 — языковая модель lucianosb, дообученная на Mistral 7B для генерации текста на португальском языке. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Для дообучения использован датасет cetacean-ptbr. Модель подходит для генерации ответов и текстов на португальском языке. Ответы обычно многословны и могут быть недостаточно краткими или целенаправленными. В карточке приведены результаты оценки на Open Portuguese LLM Leaderboard; модель может порождать фактические ошибки и стереотипный контент, поэтому её выводы требуют проверки. Лицензия — Apache-2.0.

ClaraPind/business-news-generator — компактная языковая модель Clara Pind для генерации текста, дообученная на базе HuggingFaceTB/SmolLM2-135M. Модель использует плотную архитектуру семейства Llama, содержит 134,5 млн параметров и принимает контекст длиной до 8192 токенов. По названию репозитория модель предназначена для генерации деловых новостей. Карточка сообщает о результате Loss 2,8687 на оценочной выборке, но не раскрывает обучающий набор данных, подробности сценариев применения или ограничения. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Chinese-Emotion — модель классификации китайских текстов по эмоциональному тону, разработанная автором репозитория Johnson8187 и дообученная на базе joeddav/xlm-roberta-large-xnli. Она предназначена для анализа эмоциональной окраски сообщений и различает восемь меток: нейтральный, обеспокоенный, радостный, сердитый, грустный, вопросительный, удивлённый и отвращённый тон. Модель построена на архитектуре XLM-RoBERTa для классификации последовательностей, содержит 658,7 млн параметров и принимает текст длиной до 514 токенов. В карточке указано, что для дообучения использованы 4 000 размеченных примеров на традиционном китайском языке из набора Chinese_Multi-Emotion_Dialogue_Dataset. Модель подходит для мониторинга эмоционального тона в обращениях клиентов, анализа публикаций в социальных сетях и классификации отзывов. Лицензия — MIT. Автор описывает модель как вариант с более быстрым выводом и близкими результатами по сравнению с более крупным вариантом, однако конкретные показатели качества не приведены. Описанная разметка ориентирована на китайский язык, поэтому применимость к другим языкам и формам текста не подтверждена.

ELYZA-japanese-Llama-2-13b-fast — японская языковая модель, разработанная командой ELYZA и основанная на Llama 2. Модель прошла дополнительное предварительное обучение для расширения возможностей работы на японском языке; версия fast использует словарь размером 44 581 токен и содержит около 12,9 млрд параметров. Модель предназначена для генерации текста. Её можно применять для создания и продолжения японских текстов, а также для языковых задач на японском и английском языках. Контекст модели составляет 4096 токенов. В репозитории представлены веса PyTorch. Модель распространяется по лицензии Llama 2. Это не instruct-версия семейства, поэтому её не следует считать специально настроенной для выполнения инструкций или диалогового общения.

FinBertPTBR — модель на базе BERT, разработанная Vinicius Carmo, Julia Pocciotti, Luísa Heise и Lucas Leme для анализа финансовых текстов на бразильском португальском языке. Авторы продолжили обучение BERTimbau на крупном финансовом корпусе и настроили модель для классификации тональности. Модель предназначена для определения тональности финансовых новостей и других текстов, связанных с финансовой тематикой. Это плотная архитектура BERT с классификационной головой, примерно 136,1 млн параметров и контекстом до 512 токенов. Доступна в формате PyTorch. Карточка помечает модель как устаревшую и сообщает о наличии более новой версии. Модель распространяется по лицензии Apache-2.0.

FLANG-ELECTRA — предварительно обученная языковая модель семейства ELECTRA, разработанная SALT-NLP для финансовых текстов. Модель получила дополнительное обучение в финансовой области с приоритетным маскированием финансовых терминов и выражений, чтобы формировать более подходящие для этой области представления текста. В репозитории указана архитектура ElectraForPreTraining, размер — 433,9 млн параметров, формат весов — PyTorch, максимальная длина контекста — 512 токенов. Модель предназначена как основа для финансовых языковых задач, включая анализ тональности, классификацию новостных заголовков, ответы на вопросы и распознавание именованных сущностей. Она также включена в контекст бенчмарка FLUE для оценки понимания финансового языка. В README заявлено улучшение представлений благодаря доменным знаниям и словарю, однако конкретные численные результаты для этой модели не приведены. Модель работает с английским языком. Условия лицензии в предоставленных данных не описаны.