III.2Исследование рынка и маркетинг

Модель ericsonwillians/distilbert-base-uncased-steam-sentiment разработана на основе DistilBERT-base-uncased и дообучена для бинарной классификации англоязычных отзывов Steam на положительные и отрицательные. Она принимает текст и выдаёт метку тональности с вероятностями. Архитектура — DistilBERT для классификации последовательностей; максимальная длина контекста составляет 512 токенов. Модель предназначена для анализа отзывов об играх: она может помогать системам рекомендаций учитывать оценки игроков, выявлять негативные отзывы для работы с обратной связью и собирать мнения о продукте для исследования рынка. В карточке заявлена точность около 89% на тестовой выборке, однако подробности протокола оценки не приведены. За пределами игровых отзывов качество может снижаться; сарказм, юмор и контекст модель может распознавать ненадёжно. Обучающие данные могут содержать грубые выражения и оскорбления, что способно отражаться на результатах. Лицензия — MIT.

flammen22C-mistral-7B — языковая модель семейства Mistral, разработанная FlammenAI на основе flammen22-mistral-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и принимает контекст до 32 768 токенов. Модель дообучена методом Direct Preference Optimization на наборе flammenai/casual-conversation-DPO. Она предназначена для ролевых диалогов с персонажами, творческого письма и общих текстовых запросов. Доступна в формате safetensors для Transformers. Модель распространяется по лицензии Apache-2.0. README не сообщает о целевых языках и приводит общие сценарии использования; качество ответов и безопасность ролевого контента могут зависеть от промпта и конкретной задачи.

ITT-AF/ITT-Yi-Ko-6B-v5.0 — дообученная модель генерации текста, разработанная на основе beomi/Yi-Ko-6B на пользовательском наборе данных. Это плотная авторегрессионная модель семейства Llama с 5,9 млрд параметров и контекстом 2048 токенов. Модель предназначена для генерации текста. Карточка не описывает состав обучающих данных, целевые сценарии и результаты оценки, поэтому качество и специализацию модели по этим данным определить нельзя. Весовые файлы опубликованы в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

linear_Merged_gpt2_0.0 — объединённая модель генерации текста на базе архитектуры GPT-2, созданная с помощью mergekit методом Linear. В конфигурации использованы GPT-2 и gpt2_debias с весами 1,0 и 0,0 соответственно, поэтому результат фактически опирается на веса первой модели. Репозитории базовых моделей указаны как локальные пути Kaggle, а не как идентификаторы Hugging Face. Модель предназначена для продолжения текста и других сценариев генерации на основе текстового запроса. Она реализована как плотная авторегрессионная языковая модель GPT2LMHeadModel, распространяется в формате safetensors и имеет контекст длиной 1024 токена. В метаданных указана библиотека Transformers. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны. README не приводит оценки качества или специальных ограничений применения.

trinhkhng/linear_Merged_gpt2-medium_0.3 — языковая модель семейства GPT-2, созданная слиянием методом Linear через mergekit. В слиянии использованы /kaggle/working/gpt2-medium с весом 0,7 и /kaggle/working/debias_gpt2-medium с весом 0,3; для токенизатора указан ComCom/gpt2-small. Модель предназначена для генерации текста по текстовому контексту и может применяться для продолжения фраз и создания черновиков. Модель использует плотную архитектуру GPT2LMHeadModel, распространяется в формате safetensors и поддерживает контекст до 1024 токенов. В карточке нет данных о лицензии или специальных прикладных областях. Слияние с моделью, обозначенной как debias_gpt2-medium, само по себе не подтверждает отсутствие предвзятости или её снижение.

Модель kwoncho/Llama-3.2-3B-KO-EN-Translation разработана Hyunkwon Cho (Kwon Cho) на базе Llama 3.2 и дообучена для перевода между корейским и английским языками. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров; она загружается через Transformers, а её контекстное окно составляет 131 072 токена. Для обучения использовались около 470 тысяч пар финансовых предложений и около 500 тысяч предложений общего содержания; при этом основное назначение модели — финансовые и деловые тексты. Модель подходит для перевода отдельных предложений с корейского на английский и с английского на корейский, однако качество перевода с английского на корейский, по словам автора, заметно ниже. Автор также предупреждает, что на длинных текстах возможны ошибки, переносы строк усложняют извлечение результата, а числа и суммы могут изменяться при генерации. Лицензия в доступных сведениях не указана.

thealper2/mt5-small-hashtag-generation — модель последовательного преобразования текста в текст, созданная дообучением google/mt5-small разработчиком репозитория на наборе sm4rtdev/x_dataset_240. Она генерирует переменное количество хештегов для публикации в соцсетях: хештеги в исходном тексте удаляются, а модель выдаёт предсказания в виде текста. Архитектура — mT5, около 157,4 млн параметров; файлы представлены в формате safetensors. В метаданных указана задача text-generation, хотя в README задача описана как генерация хештегов.

louis030195/multi-qa-MiniLM-L6-cos-v1-de-ecommerce — модель Sentence Transformers на архитектуре BERT с 25,9 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 384; модель предназначена для семантического поиска и кластеризации текстов, в том числе в электронной коммерции, как предполагает название репозитория. Модель принимает текст и выдаёт векторные представления. Для работы требуется корректная операция pooling поверх контекстных представлений токенов; её можно использовать через Sentence Transformers или Transformers. Контекст ограничен 512 токенами. В карточке указано обучение с DenoisingAutoEncoderLoss; формат весов — PyTorch. Лицензия в предоставленных данных не указана. Поддержка немецкого языка предполагается по суффиксу «de» в названии, но карточка не приводит явного перечня языков или оценки качества. Результаты следует проверять на целевых запросах и каталоге товаров.

nuslerp_Merged_gpt2_0.5 — объединённая языковая модель на архитектуре GPT-2, созданная с помощью mergekit методом NuSLERP. В слияние с равными весами вошли GPT-2 и debias_gpt2; для токенизатора использован GPT-2. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель предназначена для генерации текста на основе текстового запроса. Контекст ограничен 1024 токенами. Включение debias_gpt2 указывает на попытку совместить базовую модель с вариантом, ориентированным на снижение предвзятости, однако карточка не приводит оценки качества или подробностей этой характеристики. Лицензия в предоставленных данных не указана.

Sam Jackson разработал SamSJackson/paraphrase-dipper-no-ctx — англоязычную модель для управляемого перефразирования. Это последовательная encoder-decoder модель семейства T5 с 502,7 млн параметров, дообученная на 100 тысячах пар перефразирования без контекста на основе google/t5-efficient-large-nl32. Для управления степенью изменений во вход добавляются параметры lexical и order со значениями от 0 до 100 с шагом 20: lexical задаёт, насколько менять слова, а order — насколько перестраивать структуру абзаца. Модель подходит для перефразирования предложений и абзацев с сохранением смысла и настройкой лексических и структурных изменений. Метаданные Hugging Face указывают задачу summarization, однако карточка описывает модель именно как перефразировщик. Контекст модели составляет 512 токенов. Указана лицензия MIT. Автор рекомендует более мощную DIPPER при наличии вычислительных ресурсов и отмечает, что эта модель уступает ей по возможностям.

Это дообученная модель семейства T5 с 132 млн параметров, опубликованная пользователем sharifMunna в формате safetensors. Судя по названию и карточке, она предназначена для перефразирования текста: пользователь передаёт исходную фразу или текст и получает вариант с иной формулировкой. В карточке не описаны обучающие данные, языки, контекстное окно, качество на тестах или ограничения применения. README указывает, что модель дообучена на наборе данных, название которого не приведено. Лицензия в предоставленных метаданных и README отсутствует.

PolyLM-Multialpaca — языковая модель на 13 млрд параметров, дообученная на PolyLM-13B с помощью набора инструкций Multialpaca. Она предназначена для генерации текста по запросам и выполнения простых инструкций, в том числе на нескольких языках. В метаданных указаны архитектура GPT-2, библиотека PyTorch и контекст до 2048 токенов. Модель может служить основой для простых помощников, генерации черновиков и ответов на одношаговые запросы. Карточка предупреждает о возможных галлюцинациях и токсичных ответах, а также отмечает слабую поддержку многоходового диалога и понимания контекста. Лицензия — Apache 2.0; перед применением рекомендуется отдельно оценить безопасность и справедливость для конкретного сценария.

Модель francesca9805/ppt-wc-uniform-newlex-dan-before-100mb-packed-bfdiso_seed455 — дообученная с помощью TRL модель Goldfish на архитектуре GPT-2, созданная на основе goldfish-models/eng_latn_100mb. Она предназначена для генерации английского текста; в карточке приведён пример ответа на открытый вопрос. Модель использует библиотеку Transformers и формат safetensors, её контекст составляет 512 токенов. Лицензия в предоставленных данных не описана.

SOMEHOTMEAL разработал Qwen3.5-9B-Janus-Abliterated-V2 — объединённую модель на базе Qwen3.5-9B и её аблитерированной версии. Модель предназначена для диалогов, творческого письма, ролевых сценариев и мозгового штурма; в ней стремились сохранить рассуждения и следование инструкциям базовой модели, одновременно снизив склонность к отказам. Она доступна в формате Safetensors и работает через библиотеку Transformers. Модель принимает текст и генерирует текст. Карточка указывает на поддержку английского языка; в метаданных базовая модель описана как мультимодальная, но для этой версии каталог подтверждает только генерацию текста. Используйте её для художественных и исследовательских задач, а не в критически важных системах или автоматизированном принятии решений. Возможны ухудшения на сложных математических задачах и при работе с очень длинным контекстом; уменьшенный уровень отказов не гарантирует безопасного поведения. Лицензия — Apache-2.0.

Модель kapliff89/roberta-base-finetuned-emotion — дообученная для классификации текста модель klue/roberta-base на основе архитектуры RoBERTa. В README указано, что она настроена для распознавания эмоций, однако набор данных обозначен как None, а описание модели и сведения о назначении обучения не раскрыты. Модель содержит 137,8 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате safetensors. Её можно использовать для отнесения текстов к эмоциональным категориям, например для анализа коротких сообщений. Оценка на тестовом наборе в карточке приведена только как loss 0,1584; перечень классов, языков и подробности оценки отсутствуют. Базовая klue/roberta-base предназначена для понимания корейского текста, поэтому разумно ожидать корейскую языковую специализацию. Условия лицензии в предоставленных данных не указаны.

Shikov971/sentiment-distilbert-multilingual-5class — дообученная многоязычная модель семейства DistilBERT для классификации текста на пять классов тональности. Она использует архитектуру DistilBertForSequenceClassification и предназначена для определения тональности текста в сценариях анализа отзывов, сообщений и других текстовых высказываний. Модель построена на distilbert/distilbert-base-multilingual-cased и принимает текст; максимальная длина контекста — 512 токенов. В оценке на тестовой выборке модель показала accuracy 0,375 и F1 0,3804, поэтому качество классификации может быть ограниченным. Датасет обучения и соответствие пяти классов в карточке не раскрыты. Модель распространяется под лицензией Apache-2.0.

HassanB4/t1_s3_arabert_twitter_text_target — арабоязычный классификатор выявления позиции автора твита по отношению к заданной теме. Модель разработана для Track 1 (Seen Targets) соревнования StanceEval-2026 в рамках ArabicNLP 2026 и дообучена на aubmindlab/bert-base-arabertv02-twitter, модели AraBERT на архитектуре BERT, предварительно обученной на твитах и диалектной речи. На вход подаются арабский твит и целевая тема; на выходе — метка Favor, Against или None, означающая поддержку, неприятие либо нейтральную, не относящуюся к теме или неясную позицию. Обучение и оценка проводились на твитах о вакцине от COVID-19, цифровой трансформации и расширении прав женщин; README сообщает результат 81,45 Favg2 на dev-наборе. Модель имеет 162,4 млн параметров, контекст до 512 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Она рассчитана на темы, встречавшиеся при обучении, поэтому качество на новых темах не подтверждено.

trinhkhng/ties_Merged_gpt2-medium_0.3 — языковая модель, созданная объединением GPT-2 Medium и debias_gpt2-medium методом TIES с помощью mergekit. Она предназначена для генерации текста и может использоваться для продолжения заданного текста и создания коротких текстовых фрагментов. Модель основана на архитектуре GPT-2 и принимает текст, выдавая текст; нативная длина контекста — 1024 токена. В README указано, что для объединения использовались веса GPT-2 Medium в качестве базовой модели и debias_gpt2-medium. В метаданных указан формат safetensors и библиотека Transformers. Лицензия и сведения о поддерживаемых естественных языках в предоставленных данных отсутствуют.

Модель tiantiaf/whisper-large-v3-msp-podcast-emotion — модель классификации эмоций в речи, разработанная на основе Whisper large-v3 и описанная в рамках бенчмарка Vox-Profile. Она дообучена на данных MSP-Podcast; система использует аудио без транскрипта и предназначена для распознавания девяти категорий: гнев, презрение, отвращение, страх, радость, нейтральное состояние, грусть, удивление и другие эмоции. Модель подходит для анализа эмоциональной окраски подкастов и другого онлайн-аудиоконтента. В README отмечено, что предсказания могут зависеть от содержания речи, поэтому результаты следует трактовать с учётом этого фактора. Репозиторий распространяется по лицензии OpenRAIL.

Argetsu — текстовая генеративная модель, созданная Azazelle с помощью слияния моделей методом SLERP через mergekit. В карточке указаны исходные модели Azazelle/SlimMelodicMaid и Azazelle/Dumb-Maidlet; базовая архитектура — Mistral-7B-v0.1 с плотной архитектурой MistralForCausalLM, около 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста. Она опубликована в формате safetensors и распространяется по лицензии CC BY 4.0. Карточка не описывает отдельные специализированные сценарии или результаты оценки качества.

Beetle-FineWeb3-24B/beetle-monolingual-fineweb3-deu — модель генерации текста из семейства Beetle-FineWeb3-24B, доступная через библиотеку Transformers. По названию репозитория модель ориентирована на немецкий язык, однако подробности о разработчике, исходной модели, обучающих данных и архитектуре в карточке не приведены. Модель предназначена для авторегрессионного продолжения и генерации текста, например для создания немецкоязычных фрагментов, черновиков и других сценариев, основанных на text generation. Размер модели, длина контекста, лицензия и результаты оценки не указаны, поэтому требования к ресурсам и условия использования следует проверять отдельно.

gokuls/BERT-tiny-sst2 — компактная модель классификации последовательностей на архитектуре BERT, дообученная на базе google/bert_uncased_L-2_H-128_A-2 на наборе GLUE. Модель предназначена для классификации текста, в частности тональности коротких англоязычных отзывов SST-2. Она содержит 4,4 млн параметров и обрабатывает последовательности длиной до 512 токенов. На оценочной выборке указаны accuracy 0,8372 и loss 0,4422. Модель работает с текстом и выдаёт метку класса; карточка не уточняет конкретные метки и дополнительные сценарии применения. Лицензия — Apache-2.0.

aiplanet/buddhi-indic — это дообученная модель на базе Google Gemma 2 9B IT, разработанная для генерации ответов на хинди, каннада и тамильском языках. Она использует плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров и поддерживает контекст длиной до 8192 токенов. Модель предназначена для диалоговых агентов, поддержки клиентов и генерации контента на трёх индийских языках. В README приведён шаблон запросов с инструкцией, входными данными и полем для ответа. Модель принимает текст и генерирует текст. В репозитории указаны веса Safetensors и библиотека Transformers. Лицензия в предоставленных данных не указана.

Модель rogelioplatt/distilbert-base-multilingual-cased-Sarcasmo_Esp — дообученная для классификации текста версия distilbert-base-multilingual-cased. Она предназначена для выявления сарказма в испаноязычных текстах. В основе лежит DistilBERT; модель обрабатывает входные тексты с контекстом до 512 токенов и выдаёт результат классификации. В карточке приведены метрики на оценочной выборке: accuracy 0,8475 и loss 0,4405. Данные об обучающем наборе и более подробных ограничениях не приведены. Модель распространяется по лицензии Apache-2.0.

German GPT-2 — языковая модель для генерации текста на немецком языке. По метаданным, это плотная архитектура GPT-2 с классом GPT2LMHeadModel, опубликованная в форматах PyTorch, TensorFlow и Flax. Разработчик README не указан; карточка сообщает, что модель переименована, но не приводит нового идентификатора. Модель предназначена для продолжения и генерации немецкого текста. Её контекст составляет 1024 токена. Модель распространяется по лицензии MIT. В README нет сведений о качестве, обучающих данных или специальных сценариях применения.

GerPT2-large — крупная немецкоязычная авторегрессионная языковая модель семейства GPT-2, опубликованная benjamin. Она предназначена для продолжения и генерации немецкого текста; пример использования в карточке загружает модель как causal language model через Transformers. В сравнении на наборах CC-100 и немецкой Википедии автор сообщает значения perplexity 16,08 и 23,26 соответственно — ниже, чем у GerPT2 и dbmdz/german-gpt2 в тех же сравнениях. Контекст модели составляет 1024 токена. Доступны веса PyTorch, Flax и safetensors. Модель распространяется по лицензии MIT. Карточка рекомендует учитывать ограничения и смещения, описанные для GPT-2; приведённые оценки perplexity не гарантируют качество для любых текстов и сценариев.

beomi/kcbert-large — крупная корейскоязычная модель семейства KcBERT, разработанная Beomi. Это двунаправленная Transformer-архитектура BERT для masked language modeling, обученная на корейских интернет-комментариях и предназначенная прежде всего для последующего дообучения на задачах обработки корейского текста. Модель содержит около 433,4 млн параметров, использует 24 слоя, 16 attention-heads, скрытое представление размером 1024 и поддерживает контекст до 300 токенов. Основной сценарий применения — заполнение маскированных токенов; после fine-tuning модель может использоваться для классификации тональности, распознавания сущностей, определения сходства и классификации текстовых пар, ответов на вопросы и других задач корейского NLP. Модель не является генеративной диалоговой моделью общего назначения и не предназначена для длинной генерации текста. Она ориентирована на корейский язык и домен интернет-комментариев, поэтому её качество может снижаться на других языках, специализированных корпусах и текстах, существенно отличающихся от обучающих данных. Для конкретной карточки модели условия лицензирования следует проверять в репозитории перед распространением или коммерческим использованием.

Meta-Llama-3-11.5B — плотная авторегрессионная языковая модель на архитектуре Llama, созданная mpasila с помощью mergekit. Это экспериментальное объединение слоёв предварительно обученной модели Undi95/Meta-Llama-3-8B-hf методом passthrough: в итоговую модель включены диапазоны слоёв 0–23 и 8–31. Модель содержит около 11 млрд параметров, использует формат safetensors и поддерживает контекст до 8192 токенов. Модель предназначена для генерации английского текста и диалоговых ответов. В метаданных заявлена задача text-generation и возможность чата. README описывает объединение предварительно обученных моделей, а не инструкционную версию; для неё автор указывает отдельную модель Meta-Llama-3-11.5B-Instruct. Лицензия — Llama 3 License. Карточка не сообщает об оценках качества, поэтому пригодность результата merge для конкретных задач следует проверять отдельно.

RJuro/munin-neuralbeagle-7b — генеративная языковая модель, созданная объединением Munin-7B-Alpha и NeuralBeagle14-7B методом DARE TIES с помощью mergekit. В основе — плотная архитектура Mistral с 7,1 млрд параметров; модель распространяется в формате safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста. В README отмечено, что на 28 января 2024 года она занимала второе место в Mainland Scandinavian NLG leaderboard после GPT-3.5. Базовая Munin-7B-Alpha описана как датская генеративная модель; карточка также сообщает о включении NeuralBeagle14-7B в объединение. Модель выпущена под лицензией CC BY-NC 4.0, которая не разрешает коммерческое использование. Результат рейтинга относится к указанной в README дате; доступные сведения не описывают отдельные ограничения качества или поведения модели.

my_first_model — дообученная модель генерации текста на базе distilbert/distilgpt2, опубликованная пользователем serialdotai. Она предназначена для генерации продолжения текста; конкретный сценарий дообучения и состав обучающих данных не раскрыты. Модель построена на архитектуре GPT-2, представлена в формате safetensors и рассчитана на контекст до 1024 токенов. Базовая модель оптимизирована для английского языка, поэтому основное применение модели — англоязычная генерация текста. Указана лицензия Apache-2.0.