III.2Исследование рынка и маркетинг

BinomialTechnologies/binomial-shannon-2 — специализированная модель Binomial Technologies для структурированного анализа финансовых новостей на английском языке. Она обрабатывает новости о компаниях с тикерными тегами и макроэкономические материалы: встроенный маршрутизатор выбирает один из двух наборов выходных голов. Модель построена на плотном энкодере примерно со 150 млн параметров и MLP-головах; поддерживает контекст до 4096 токенов, по умолчанию при инференсе используется 1024. Для макроэкономических статей она определяет тему и серьёзность, а также оценивает направленность новости для рисковых активов. Для новостей компаний выдаёт признаки событий, тональность, предполагаемое направление влияния, новизну и характеристики утверждений. Модель предназначена для разметки и обогащения потоков финансовых новостей, включая смешанные корпоративные и макроэкономические ленты. В описанной автором временной тестовой выборке точность классификации тем макроновостей составила 0,814; качество было выше на массовых рыночных темах и ниже на технических темах и геополитике. Инференс занимает примерно 15–30 мс на CPU. Модель обучена на корпоративных и макроэкономических новостях, причём метки получены дистилляцией оценок большой reasoning-модели. Автор предупреждает, что выходы следует считать структурированными признаками, а не достоверной оценкой или самостоятельным торговым сигналом; макрокорпус состоит из англоязычных новостей и преимущественно охватывает 2024–2026 годы. Лицензия — Apache-2.0.

DataDecide-falcon-and-cc-qc-20p-1B-60000_62500_65000_67500_69369_weightedavg_merge — объединённая модель генерации текста, созданная с помощью mergekit и метода Linear merge из нескольких контрольных точек предобучения. В карточке базовой указана контрольная точка step69369; также объединены step60000, step62500, step65000 и step67500. Архитектура — плотная LlamaForCausalLM, размер — 1,2 млрд параметров, максимальный контекст — 2048 токенов. Модель опубликована в формате safetensors и предназначена для генерации текста. Карточка не сообщает, для каких конкретных сценариев модель оптимизирована, какие языки она поддерживает и каковы её сравнительные качества. Лицензия в предоставленных данных не указана.

DeltaP2S-Llama2-13B-vPAPER — слитый чекпойнт эксперимента Delta-P2S, построенный на базе meta-llama/Llama-2-13b-hf. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, предназначенная для генерации текста. В метаданных указана библиотека Transformers и формат весов safetensors; длина контекста составляет 4096 токенов. Модель можно применять для генерации продолжений текста и ответов в сценариях, где подходит базовая задача text-generation. Карточка не сообщает о специализированном обучении, поддерживаемых языках, датасетах или дополнительных возможностях. Лицензия в предоставленных данных не указана.

Emma-5 — экспериментальная компактная языковая модель с архитектурой GPT decoder-only, разработанная Egomnia S.p.A. для итальянского языка. По карточке, модель содержит около 619 млн параметров и рассчитана на контекст до 2 048 токенов; использует 28 блоков Transformer, GQA, SwiGLU, RMSNorm и RoPE. Репозиторий содержит экспорт в ONNX с INT8-квантизацией, предназначенный для инференса через ONNX Runtime. Модель ориентирована на небольшие корпоративные чат-боты, простые автоматизации и генерацию текстов умеренной сложности, в том числе на CPU или GPU начального уровня. Обучение включало предварительное обучение и supervised fine-tuning; в учебной смеси заметную долю составляли код и общеязыковые данные. Модель не предназначена для сложных многошаговых рассуждений и критически важных медицинских, юридических или финансовых решений. Указана лицензия OpenRAIL-M: коммерческое использование допускается с ограничениями на вредоносные, незаконные и неэтичные сценарии; также требуется указывать Egomnia S.p.A. как автора.

Gaon-1.7B v2 Translate — модель для перевода между корейским и английским языками. Она основана на архитектуре Qwen3 и дообучена на 100 тысячах открытых параллельных пар из новостных, разговорных и энциклопедических текстов; дополнительный набор диалогов помогает сохранять возможности общего чата. Модель содержит 1,7 млрд параметров и имеет контекст длиной 2048 токенов. Модель предназначена для локального использования и перевода простых и средних по сложности предложений в обоих направлениях. Для генерации автор рекомендует температуру 0,3. Доступны сторонние GGUF-квантизации, а также браузерная демонстрация с WebGPU. Модель распространяется по лицензии Apache-2.0. На длинных предложениях со сложной структурой модель может пропускать или добавлять уточняющие обороты. README характеризует перевод таких текстов как ограничение модели масштаба 1,7 млрд параметров.

Jais-13b-chat-hf — чат-модель с 13 млрд параметров, разработанная Inception, Университетом искусственного интеллекта Мохамеда бин Заида (MBZUAI) и Cerebras Systems. Это дообученная версия Jais-13b на базе архитектуры Transformer decoder-only с нелинейностью SwiGLU и позиционными эмбеддингами ALiBi. Модель принимает текст и генерирует текст; она поддерживает арабский литературный язык и английский, а контекст составляет 2048 токенов. Модель предназначена для многошагового диалога, чат-ассистентов и обслуживания клиентов, особенно для сценариев, ориентированных на арабоязычную аудиторию. В карточке описаны дообучение на арабских и английских парах запрос–ответ и инструкции по безопасности. Для загрузки требуется пользовательский класс модели с параметром trust_remote_code=True; автор репозитория также описывает загрузку в 8-битном режиме для снижения требований к видеопамяти. Модель распространяется по лицензии Apache 2.0. Она может выдавать ошибочную, вводящую в заблуждение или оскорбительную информацию, склонна к смещениям и не предназначена для надёжной работы на языках помимо арабского и английского. Не следует полагаться на неё при принятии медицинских, юридических, финансовых и других критически важных решений без проверки человеком; также не рекомендуется обрабатывать конфиденциальные данные.

Карточка модели aboros98/merlin1.2 на Hugging Face совпадает с карточкой aboros98/merlin1.5, поэтому описание составлено по ней. aboros98/merlin1.5 — текстовая авторегрессионная модель семейства Phi с 3,5 млрд параметров. Она предназначена для генерации текста; метаданные указывают архитектуру PhiForCausalLM и контекст длиной 2048 токенов. Модель доступна в формате PyTorch и распространяется по лицензии MIT согласно метаданным Hugging Face. README содержит незаполненные результаты бенчмарков, поэтому по карточке нельзя оценить качество модели.

Phr00tyMix-v3-32B — диалоговая языковая модель, созданная Phr00t слиянием нескольких предварительно обученных моделей методом Model Stock с помощью mergekit. В основе слияния лежит Phr00t/Phr00tyMix-v2-32B; среди других компонентов — модели на базе Qwen2.5 и DeepSeek. Модель содержит 32 млрд параметров, использует архитектуру Qwen2 и контекст длиной до 131 072 токенов. Модель предназначена для генерации диалогового текста и творческих ответов с акцентом на следование инструкциям и менее ограниченную манеру общения. Автор отмечает, что результаты по связности и качеству неоднозначны, и рекомендует вместо этой версии использовать Phr00tyMix v4. Для генерации автор советует попробовать высокую температуру и MinP, подбирая значения под задачу. Модель распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

SOMEHOTMEAL/Qwen3.5-9B-Janus-Abliterated-V2-GGUF — это текстовая генеративная модель в формате GGUF, созданная SOMEHOTMEAL на основе Qwen/Qwen3.5-9B и модели huihui-ai/Huihui-Qwen3.5-9B-abliterated. Это merge, выполненный методом SLERP, а не дообучение: примерно 40% вклада приходится на базовую модель, а 60% — на аблитерированную версию. Дополнительные обучающие данные не использовались. Модель предназначена для творческого письма, художественной прозы, длинных повествований, ролевых сценариев, в том числе зрелого содержания, а также общего диалога, мозгового штурма и исследовательской помощи с меньшим количеством отказов на неоднозначные или провокационные запросы. Указан английский язык и задача text-generation. Модель сохраняет часть рассуждений, следования инструкциям и общих знаний базовой Qwen3.5-9B, одновременно демонстрируя более слабое поведение отказа. Доступны варианты квантования F16, Q8_0, Q6_K, Q4_K_M и Q2_K; для большинства пользователей рекомендуется Q4_K_M как компромисс между качеством и размером, ориентировочно для систем с 12 ГБ и более видеопамяти. Размер базовой модели — 9B параметров. Контекстное окно в README не указано. Возможны артефакты merge: на некоторых вариантах квантования могут ухудшаться результаты в пограничных математических задачах и при работе с очень длинным контекстом. Модель не предназначена для критически важных систем и автоматизированного принятия решений; сниженный защитный слой требует ответственности пользователя, а знания и фактическая точность унаследованы от базовой модели. Указана лицензия Apache 2.0, унаследованная от базовой модели, однако для компонентов-источников действуют их соответствующие лицензии. Модель не связана с Qwen или Alibaba.

RexBERT-base — англоязычный энкодерный трансформер семейства ModernBERT, разработанный Rahul Bajaj и Anuj Garg для задач электронной коммерции. Модель содержит около 149 млн параметров и обучена предсказывать замаскированные токены; обучение включало общее предварительное обучение, расширение контекста и специализацию на коммерческих текстах. Для запуска доступны веса PyTorch и Safetensors, модель совместима с Transformers. Контекст составляет около 8 тысяч токенов. Модель предназначена для семантического поиска товаров и запросов, извлечения атрибутов, классификации товарных данных и отзывов, понимания запросов и ранжирования. Энкодер также можно использовать для получения векторных представлений и дообучать для классификации. Модель не предназначена для генерации длинных текстов; результаты классификации по безопасности, соответствию требованиям и другим значимым признакам требуют проверки человеком. Обучение ориентировано на английский язык и коммерческую лексику. Среди ограничений авторы отмечают возможные смещения по брендам, ценам и регионам, а также необходимость защищать персональные данные и фильтровать взрослые или регулируемые товары. Лицензия — Apache-2.0.

crumbs-playground/test-bf-moe — текстовая авторегрессионная модель для генерации текста, опубликованная аккаунтом Crumbs Playground на Hugging Face. Метаданные указывают на архитектуру Qwen3.5 MoE для языка и класс Qwen3_5MoeForCausalLM, формат весов Safetensors, 23,6 млн параметров и контекст до 32 768 токенов. Карточка конкретной модели и сведения о её обучении, языковом охвате и целевом применении не обнаружены, поэтому её назначение можно описать только как генерацию текста. Лицензия по доступным сведениям не установлена. Данных для подтверждения базовой модели или происхождения весов нет; название архитектуры указывает на семейство Qwen3.5, но само по себе не подтверждает связь с конкретным чекпойнтом. Доступные материалы также не содержат результатов оценки качества.

TrelBERT — модель на основе BERT, разработанная командой deepsense.ai для анализа польскоязычных сообщений в Twitter. Это плотная трансформерная архитектура BertForMaskedLM с 151,6 млн параметров, дообученная методом masked language modeling на примерно 45 млн польских твитов. В качестве основы использован контрольный пункт HerBERT; модель работает с контекстом до 514 токенов, а для обучения на данных Twitter применялась максимальная длина последовательности 128 токенов. Модель предназначена прежде всего для предсказания замаскированных слов в польском тексте и может служить основой для дообучения на задачах анализа польских сообщений. В экспериментах с KLEJ её дообучали для распознавания сущностей, анализа тональности и выявления кибербуллинга; на задаче обнаружения кибербуллинга она заняла первое место в соответствующем задании KLEJ. Опубликована по лицензии CC BY 4.0. Оптимизация на польских твитах и специальная предобработка ссылок и упоминаний ориентируют её на короткие сообщения из социальных сетей.

Fer1155453/xlm-roberta-sarcasmo — модель классификации текста, дообученная автором на базе FacebookAI/xlm-roberta-large. По названию репозитория она предназначена для определения сарказма в тексте. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и рассчитана на контекст до 514 токенов. В README приведены результаты на тестовой выборке: F1 Macro 0,9288, F1 Weighted 0,9318, F1 Binary 0,9137 и accuracy 0,9319. Карточка не сообщает состав и язык датасета, поэтому эти показатели нельзя переносить на другие языки и типы текста без проверки. Модель распространяется по лицензии MIT.

Модель amirsoahil101/Bank_Telemarketing_Success_Prediction_using_ANN — нейронная сеть прямого распространения, созданная для прогноза отклика клиентов на телефонное предложение срочного банковского вклада. Она принимает табличные признаки клиента и социально-экономические показатели и предсказывает бинарный результат «да» или «нет». По карточке, данные UCI содержат 20 признаков; категориальные поля кодируются OneHotEncoder, числовые масштабируются StandardScaler, а сеть использует полносвязные слои с ReLU и Dropout и выходной слой с Sigmoid. Автор сообщает о точности 82% на проверке. Репозиторий также описывает приложение для инференса с интерфейсом Streamlit и API FastAPI; модель построена на TensorFlow/Keras. Лицензия — MIT. Описание не приводит деталей разбиения данных или иных метрик качества, поэтому заявленную точность следует трактовать как результат автора, а не как независимую оценку.

Bella 2 8B — текстовая модель на 8 млрд параметров, разработанная CognitivessAI и представленная в формате GGUF в виде квантизированных вариантов. Квантизацию выполнил mradermacher с использованием weighted/imatrix-подхода. В карточке указана поддержка английского и румынского языков. Модель предназначена для генерации текста и, судя по заявленным тегам, может применяться в задачах анализа тональности. Репозиторий содержит набор вариантов квантизации от IQ1 до Q6, размером примерно от 2,1 до 6,7 ГБ. В README рекомендуются варианты Q4_K_M как быстрые и сбалансированные по размеру, скорости и качеству, а Q4_K_S — как оптимальные по соотношению этих характеристик. К преимуществам относятся возможность запуска в компактном формате GGUF и выбор между множеством уровней квантизации в зависимости от доступной памяти и требований к качеству. Более агрессивные варианты квантизации уменьшают размер, но могут заметно снижать качество; сам автор отмечает низкое качество некоторых компактных вариантов. Архитектура, размер контекста, поддержка других модальностей и результаты оценки в README не указаны. Для модели заявлена лицензия Apache-2.0, при этом также указано имя лицензии Cognitivess и ссылка на условия использования Cognitivess.

almanach/camembertav2-base-cls — франкоязычная модель классификации текста, разработанная Виссамом Антуном из группы Almanach в Inria-Paris. Это дообученная для классификации последовательностей модель DeBERTa-v2 с 138,4 млн параметров и контекстом до 1024 токенов; она основана на almanach/camembertav2-base и обучена на датасете FLUE-CLS для классификации отзывов Amazon о фильмах, музыке и книгах. На FLUE-CLS модель достигает точности 0,95849. Модель предназначена для классификации франкоязычных отзывов в сценариях анализа пользовательских оценок и категорий отзывов. Она распространяется в формате safetensors по лицензии MIT. Возможны смещения, связанные с обучающими данными, и снижение качества на других наборах данных и задачах.

EZlee разработал мультиязычную модель эмбеддингов на архитектуре BERT, предназначенную для представления предложений и абзацев в виде плотных векторов размерностью 768. Модель подходит для поиска семантически близких текстов, кластеризации и сравнения предложений; по названию она ориентирована на электронную коммерцию. Модель содержит 205,1 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. В карточке указаны английский и китайский языки. Для работы доступны PyTorch и библиотека Sentence Transformers; при использовании Transformers требуется применить подходящую операцию pooling к выходам токенов. Лицензия в предоставленных данных не указана.

Sao10K/Llama-3.3-70B-Vulpecula-r1 — совместная модель GradientPutri и Sao10K на архитектуре Llama, дообученная на базе Meta Llama 3.3 70B Instruct. Это диалоговая модель генерации текста с 69,5 млрд параметров и контекстом до 131 072 токенов; для работы используются Transformers и формат Safetensors. Модель предназначена для диалогов, ролевых сценариев и творческого письма с более управляемым стилем и следованием инструкциям. Обучение включало SFT и небольшую долю RL на чатах, ролевых и инструктивных данных, а также отфильтрованных трассах рассуждений DeepSeek-R1. Режим рассуждений можно включить префиксом <think>; модель работает и без него. В первую очередь поддерживается английский язык. Модель распространяется по лицензии Llama 3.3 Community License Agreement и подчиняется Acceptable Use Policy Meta. Авторы просят коммерческих пользователей связаться с ними перед развёртыванием и обеспечить атрибуцию. Авторы также предупреждают о возможных небольших недостатках; отдельные оценки качества в карточке не приведены.

simonbutt дообучил модель на основе unsloth/llama-3-8b-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная авторегрессионная модель семейства Llama 3 с 7,5 млрд параметров, предназначенная для генерации текста; заявленная длина контекста — 8192 токена. В карточке не описаны специализированная область обучения, конкретный набор данных или целевые сценарии, поэтому модель можно охарактеризовать только как текстовую генеративную. Модель принимает текст и генерирует текст на английском языке. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README не приводит результатов оценки качества или дополнительных ограничений применения.

Trendyol LLM v2.0 — чат-модель авторегрессионной генерации текста, разработанная Trendyol на основе Trendyol LLM base v2.0. Базовая модель продолжила предобучение Llama 3 8B на 13 млрд токенов; чат-версия содержит около 7,5 млрд параметров, использует архитектуру Llama и рассчитана на контекст до 8192 токенов. В репозитории представлены веса Safetensors. Модель предназначена для диалогов и генерации текста на турецком и английском языках. Её можно применять для составления черновиков, ответов и продолжения текста. Широкая проверка в реальных сценариях не проводилась, поэтому качество ответов может быть непостоянным; модель способна выдавать фактические ошибки, предвзятые или оскорбительные формулировки и хуже справляться со сленгом и другими языками. Для использования требуется лицензия Llama 3.

Writer/palmyra-20b-chat — чат-модель семейства Palmyra от Writer, представленная как GPT-2 и предназначенная для генерации текста в диалоговом формате. По метаданным, она обучена на наборах WizardLM Evol Instruct V2 и OpenOrca; поддерживаемая задача — text-generation. Модель работает с текстом и рассчитана на английский язык, а её контекст ограничен 2048 токенами. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. В README приведены результаты оценки на Open LLM Leaderboard: средний балл 38,97, ARC — 43,52 и HellaSwag — 72,83. Модель снята с поддержки; авторы не рекомендуют применять её в производстве или критически важных сценариях.

Модель fpadovani/ppt-wc-zipf-newlex-eng-100mb_seed89 — дообученная версия одноязычной GPT-2-модели goldfish-models/eng_latn_100mb. Разработчик сообщает, что модель обучалась с помощью TRL; она предназначена для генерации английского текста и может использоваться для продолжения текста и ответов на открытые вопросы в формате текстовой генерации. Модель работает через Transformers, хранится в формате safetensors и имеет контекстное окно 512 токенов. Сведений о лицензии и специальных ограничениях применения в карточке нет.

Siki-77/sbert_yelp2class — модель классификации текста, дообученная на данных Yelp для бинарного определения тональности отзывов. В README указана базовая модель sentence-transformers/all-MiniLM-L6-v2; метаданные описывают архитектуру как MPNetForSequenceClassification с 136,7 млн параметров и контекстом до 514 токенов, поэтому сведения о семействе и размере противоречат друг другу. Модель предназначена для классификации отзывов Yelp на два класса. В README приведены результаты обучения за две эпохи: точность на валидации достигла 0,981158. Карточка не сообщает названия классов и деталей набора данных или процедуры оценки, поэтому эти значения нельзя переносить на другие источники отзывов без проверки. Разработчик и лицензия в карточке не указаны. Модель опубликована в формате safetensors и использует библиотеку Transformers; доступные сведения не уточняют условия использования.

nickmuchi/sec-bert-finetuned-finance-classification — модель классификации финансовых новостей по тональности, дообученная на базе nlpaueb/sec-bert-base. Она использует архитектуру BERT и различает три класса: отрицательную, нейтральную и положительную тональность. Обучение проводилось на предложениях из Financial PhraseBank с разметкой 50% согласия и наборе Kaggle; данные включают новости о COVID-19. В README указаны accuracy 0,8755 и F1 0,8744 на оценочном наборе. Модель предназначена для автоматической разметки тональности финансовых новостей и анализа настроений в текстах на английском языке. Она содержит 136,3 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и ONNX. Лицензия — CC BY-SA 4.0.

HassanB4/t1_s7_xlmr_text_target — классификатор арабской тональности по отношению к заданной теме, созданный для Track 1 (Seen Targets) соревнования StanceEval-2026 в рамках ArabicNLP 2026. На вход модель получает арабский твит и целевую тему, а на выходе относит позицию автора к одному из классов: поддержка, противодействие или нейтральное, нерелевантное либо неясное отношение. Модель представляет собой дообученную XLM-RoBERTa large с архитектурой XLMRobertaForSequenceClassification и 658,7 млн параметров. Контекст составляет 514 токенов. Она обучалась на наборе Mawqif-v2 и рассчитана на известные при обучении темы: вакцины от COVID-19, цифровую трансформацию и расширение прав и возможностей женщин. На отладочной выборке указана метрика Favg2 77,90. Модель распространяется под лицензией Apache-2.0.

Suryabhan/tiny-bert-sst2-distilled — компактная модель BERT, опубликованная пользователем Suryabhan на Hugging Face. Она предназначена для классификации текста и настроена на задачу SST-2: определение тональности как negative или positive. Модель загружается через Transformers как BertForSequenceClassification и рассчитана на запуск в PyTorch. Архитектура основана на google/bert_uncased_L-2_H-128_A-2: 2 Transformer-слоя, 2 attention heads, размер скрытого представления 128, промежуточный размер 512 и словарь из 30 522 токенов. Максимальная длина последовательности — 512 токенов; используются только текстовые входы. Размер файлов модели на странице репозитория составляет около 18,6 МБ, что облегчает локальный запуск и снижает требования к ресурсам. Сильные стороны модели — малый размер и специализация на быстрой бинарной классификации тональности. Ограничения — узкая область применения: она не предназначена для генерации текста, диалога или универсального понимания языка; качество вне сценария SST-2 может быть существенно ниже. На странице репозитория указано, что обучение находится в процессе, поэтому готовность и стабильность модели могут быть ограничены. Лицензия в доступных материалах не указана.

Tweeties/tweety-7b-italian-v24a — языковая модель семейства Mistral, опубликованная Tweeties. Это плотная авторегрессионная модель на 7,1 млрд параметров для генерации текста; карточка указывает итальянский язык, а стандартное окно контекста составляет 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Модель подходит для генерации и продолжения текста на итальянском языке. Разработка ещё продолжается, поэтому веса могут измениться; качество и стабильность результатов могут различаться между версиями.

Модель InfoBayAI предназначена для анализа тональности речи в аудиоразговорах. В README описан конвейер, в котором речь преобразуется в текст, сегментируется на предложения и классифицируется как негативная, нейтральная или позитивная; для классификации использован DistilBERT, обученный на текстах, полученных из аудиоданных InfoBay.AI. По метаданным модель дообучена на основе openai/whisper-small и принимает аудио.

JiunYi/Baichuan2-7B-Chat-DcardStylePost-SFT — дообученная чат-модель на архитектуре Baichuan 2 с 7 млрд параметров. Она предназначена для генерации текста в стиле публикаций Dcard и ведения диалога. Модель принимает текст и выдаёт текст, поддерживает китайский и английский языки, а её контекст составляет 4096 токенов. Весы сохранены в формате safetensors. Лицензия — GPL-3.0.

eugenesiow выпустил крупную модель BART, дообученную для перефразирования предложений. Это последовательная модель «текст в текст» с двунаправленным энкодером и авторегрессионным декодером; она содержит 252,8 млн параметров и рассчитана на контекст до 1024 токенов. Обучение проводилось на наборах Quora, PAWS и MSR Paraphrase Corpus на основе facebook/bart-large. Модель принимает английское предложение и генерирует его перефразированный вариант. Её можно применять для переформулирования текста и подготовки вариантов формулировок. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache 2.0.