III.2Исследование рынка и маркетинг

paper-pretrained-model-gpt2 — дообученная языковая модель на архитектуре GPT-2, основанная на openai-community/gpt2. Она предназначена для генерации текста и может использоваться для продолжения заданного текста и создания черновиков. В README приведён результат оценки: loss 0.6482; название обучающего набора данных указано как None, поэтому особенности обучения и целевой области определить нельзя. Модель принимает текст и выдаёт текст. Контекстное окно составляет 1024 токена. Веса доступны в формате safetensors, лицензия — MIT. README не уточняет поддерживаемые языки, специальные сценарии применения и известные ограничения; качество для конкретных задач следует оценивать отдельно.

Модель francesca9805/ppt-wc-uniform-newlex-heb-before-100mb-packed-bfd_seed3407 — дообученная с помощью TRL модель семейства GPT-2 на основе goldfish-models/eng_latn_100mb. Она предназначена для генерации текста по запросу; в карточке приведён пример ответа на открытый вопрос. Репозиторий использует библиотеку Transformers и формат safetensors, а длина контекста составляет 512 токенов. Базовая модель предназначена для генерации текста на английском языке, поэтому английский — основной язык модели. Лицензия в предоставленных данных не указана.

Модель francesca9805/ppt-wc-uniform-newlex-ind-before-100mb-packed-bfd_seed10 — дообученная с помощью TRL версия одноязычной GPT-2-модели goldfish-models/eng_latn_100mb. Она предназначена для генерации английского текста; в карточке приведён пример ответа на открытый вопрос. Модель использует архитектуру GPT-2, веса сохранены в формате safetensors, контекст составляет 512 токенов. Модель можно применять для продолжения текста и генерации ответов на вопросы на английском языке. Сведения о лицензии и специальных ограничениях в предоставленных материалах отсутствуют.

Модель bendavidsteel/Qwen3.5-4B-stance-detection — дообученная на основе Qwen/Qwen3.5-4B модель классификации позиции автора относительно заданной темы. Она определяет один из трёх классов: в поддержку, против или нейтрально. Модель использует архитектуру Qwen3_5ForSequenceClassification с 3,4 млрд параметров по метаданным и классификационной головой; для работы вход следует подавать в формате чат-шаблона с generation prompt, соответствующем обучению. Модель предназначена для анализа позиции в отдельных документах и сообщениях в цепочках ответов. Её обучали на объединённых наборах данных по разным темам, включая политические дискуссии. На отложенной выборке из 16 972 примеров указаны accuracy 0,7403 и macro F1 0,7399. Основной язык — английский; также представлены ограниченные данные на каталонском, испанском, французском и итальянском. Лицензия — Apache-2.0. Хотя базовая модель поддерживает контекст до 262 144 токенов, эту модель обучали и оценивали с усечением входов свыше 2 048 токенов. Она выдаёт только три заданные метки; ирония и отсылки к внутригрупповому контексту затрудняют классификацию, а качество на неанглийских языках и темах вне обучающих доменов может быть ниже.

sarcasm-detection-RoBerta-base-CR — дообученная модель классификации текста на базе roberta-base. Она предназначена для определения сарказма в тексте. Архитектура — RoBERTa с классификационной головой, размер — 151,8 млн параметров, максимальный контекст — 514 токенов. В карточке указана точность 0,726 и значение loss 3,024 на наборе оценки; обучающий датасет не описан. Модель распространяется в формате PyTorch по лицензии MIT. Язык данных и область применения в карточке не указаны.

Trendyol-LLM-7b-chat-stock — диалоговая языковая модель, созданная Trendyol слиянием нескольких предварительно обученных моделей с помощью Model Stock из mergekit. В качестве базовой использована Trendyol/Trendyol-LLM-7b-chat-dpo-v1.0; в слияние также вошли Trendyol-LLM-7b-base-v1.0 и TURKCELL/Turkcell-LLM-7b-v1. Модель построена на архитектуре Mistral, содержит 7,2 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов. Базовые модели ориентированы на турецкий язык, поэтому модель подходит для турецкоязычного общения и создания текста. В репозитории указаны веса в формате safetensors; README сообщает, что при слиянии использован тип bfloat16. Лицензия в предоставленных данных не указана. Качество модели на конкретных задачах и её ограничения в карточке не описаны; результаты могут различаться в зависимости от запроса и сценария использования.

cardiffnlp/twitter-roberta-base-dec2021 — языковая модель RoBERTa-base, обученная на 123,86 млн твитов, опубликованных до конца декабря 2021 года. Она разработана Cardiff NLP и предназначена для работы с текстом Twitter; архитектура — RoBERTa для предсказания замаскированных токенов, размер по метаданным — 151,8 млн параметров, контекст — до 514 токенов. Модель принимает английский текст и может заполнять пропуски в тексте, а также использоваться для получения представлений твитов. Для предобработки авторы рекомендуют заменять имена пользователей на «@user», а ссылки — на «http». Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Обучение на твитах до декабря 2021 года означает, что модель отражает язык и знания этого временного периода; она не предназначена для генерации развернутых ответов или актуальных сведений.

nirajsaran/AdTextGenerator — языковая модель для генерации рекламных текстов и описаний товаров для Amazon Shopping. Автор дообучил GPT-Neo на наборе данных Amazon Ads, уделив основное внимание электронике и носимым устройствам. Модель имеет архитектуру GPT-Neo с 137,7 млн параметров, работает в формате PyTorch и поддерживает контекст до 2048 токенов. Она подходит для создания коротких рекламных формулировок и товарных описаний по названию бренда, продукта или заданному началу фразы. В целевых категориях модель обычно генерирует связный текст, но может выдумывать сведения; в других областях качество ниже. Лицензия — MIT.

Arakandar 3B Base — базовая причинная языковая модель на 3,1 млрд параметров для локального помощника по исследованию рынков. Разработчики Arakandar предназначили её для объяснения структурированных рыночных данных, новостных свидетельств и сигналов, переданных приложением. Модель построена на основе Qwen2 и дообучена; архитектура использует grouped-query attention с 16 головами запросов и 2 головами ключей/значений, контекстное окно — 32 768 токенов. Репозиторий содержит веса Transformers в формате SafeTensors. Для практического запуска рекомендуется NVIDIA GPU с 10–12 ГБ видеопамяти; на CPU модель работает значительно медленнее. В приложении Arakandar языковая модель объясняет результаты, а решение BUY, HOLD или SELL остаётся за отдельной детерминированной моделью LightGBM. Эта базовая версия не является автономной торговой системой; разговорная специализация поставляется отдельно как LoRA-адаптер. Модель ориентирована на английский язык. Лицензия — Apache-2.0.

DeepSeek-R1-Distill-Qwen-1.5B-Uncensored — текстовая генеративная модель от Thirdeye AI, дообученная на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Она использует плотную архитектуру Qwen2 и содержит 1,5 млрд параметров; заявленная длина контекста — 131 072 токена. Модель предназначена для свободного письма, сторителлинга, открытых обсуждений и генерации материалов на чувствительные или спорные темы. В карточке указан английский язык; модель можно запускать через Transformers для генерации текста. По сравнению с базовой моделью, эта версия позиционируется как менее ограниченная фильтрацией ответов. Она может выдавать спорный или оскорбительный текст и допускать фактические ошибки, поэтому ответы требуют проверки, особенно в важных сценариях. В метаданных указана лицензия MIT; README сообщает Apache 2.0, поэтому сведения о лицензии в источниках расходятся.

Модель ali2066/finetuned_sentence_itr1_2e-05_all_26_02_2022-04_03_26 — дообученная версия DistilBERT для классификации текста. В карточке указана базовая модель distilbert-base-uncased-finetuned-sst-2-english; задача модели — отнесение текста к классам. Модель создана на базе англоязычной версии DistilBERT, предназначенной для анализа тональности. В README приведены результаты оценки: accuracy 0,8299 и F1 0,8892; название набора данных для дообучения не указано. Контекст составляет 512 токенов, веса представлены в формате PyTorch. Модель распространяется по лицензии Apache-2.0. Карточка не описывает классы целевого датасета, обучающие данные и ограничения, поэтому применимость указанных метрик к конкретным сценариям классификации следует проверять отдельно.

German FinBERT SC Sentiment — модель BERT base, разработанная Морицем Шеррманом для анализа тональности финансовых текстов на немецком языке. Она предназначена для классификации финансовых новостей и коротких фраз по тональности. Модель обучена с нуля, а затем дообучена на немецком переводе набора Financial News Phrase Bank. В карточке сообщается о точности 95,95% и Macro F1 92,70% на тестовой выборке этого набора. Архитектура — BertForSequenceClassification с 136,3 млн параметров; максимальный контекст — 512 токенов. Доступны веса PyTorch и Safetensors. Модель подходит для анализа тональности финансовых новостей и мониторинга новостных потоков на немецком языке. Результаты карточки относятся к указанному набору данных и сами по себе не подтверждают качество на других текстах или типах финансовых документов. Лицензия — Apache-2.0.

GGARA02 разработала классификатор эмоций в корейском тексте на основе KcELECTRA-base-v2022, дообученный на корпусе AI-Hub Emotional Dialogue Corpus. Модель принимает отдельную реплику или текст высказываний одного говорящего и относит его к одному из шести классов: гнев, радость, тревога, смущение, грусть или обида. Это ELECTRA-дискриминатор с архитектурой ElectraForSequenceClassification и 155 млн параметров. Контекст модели составляет до 512 токенов; при обучении использовалась максимальная длина последовательности 128 токенов. Для тестового раздела AI-Hub автор сообщает точность 86,95% и Macro F1 0,8672. Модель предназначена для классификации корейских высказываний по эмоциям; результаты следует использовать как вспомогательный сигнал, поскольку эмоциональная интерпретация субъективна. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели.

kikori — модель классификации тональности относительно указанного человека в португалоязычном тексте. Она принимает пару «имя человека и текст» и предсказывает, относится ли текст к этому человеку негативно, нейтрально или позитивно. Модель разработана для проекта rashomon; дообучена на BERTimbau Base, бразильской португальской версии BERT, с помощью 13 778 примеров, размеченных LLM-учителем. Архитектура — BertForSequenceClassification, размер — 136,1 млн параметров, контекст — до 512 токенов по метаданным; описанный в README контракт задаёт max_length 256. Модель рассчитана на анализ упоминаний людей и сопоставление тональности публикаций из разных источников, например новостных лент и социальных сетей. Выход содержит оценки для классов neg, neu и pos, а итоговый балл находится в диапазоне от −10 до 10. Доступны веса safetensors и ONNX, включая динамическую квантованную версию int8. По holdout-набору из 578 пар точность fp32 и int8 составляет 0,78; на отдельном наборе отзыв положительной тональности составляет 0,73 для fp32 и 0,71 для int8. Модель имеет известное смещение по имени человека: обучающие метки неодинаково распределены для разных персон, поэтому она может учитывать имя как априорный сигнал. Авторы рекомендуют сравнивать источники на текстах об одном и том же человеке, а не сравнивать людей между собой. Лицензия — MIT.

colable/llama-ko-peft-v0.6 — корейская языковая модель для генерации текста, дообученная на внутреннем наборе данных на основе beomi/open-llama-2-ko-7b. Она использует плотную архитектуру Llama и предназначена для генерации корейского текста. Модель содержит 6,7 млрд параметров и имеет контекст длиной 2048 токенов. Доступна в формате Safetensors по лицензии MIT.

LLäMmlein 1B — немецкоязычная авторегрессионная языковая модель на 1 млрд параметров, разработанная LSX-UniWue и обученная с нуля на немецкой части RedPajama V2 с использованием адаптированной кодовой базы TinyLlama. Данные очищены от повторов на уровне абзацев и отфильтрованы по соотношению токенов и слов. Модель построена на архитектуре LLaMA и предназначена для генерации текста на немецком языке; опубликованы также варианты на 7 млрд и 120 млн параметров и промежуточные чекпойнты обучения. Модель работает с библиотекой Transformers, хранится в форматах PyTorch и Safetensors и имеет контекстное окно 2048 токенов. Подходит для экспериментов и прикладных сценариев генерации немецкого текста. Лицензия указана как other; конкретные условия следует сверить на странице модели.

Qwen3.6-Queen-27B-GGUF — GGUF-версия модели aifeifei798/Qwen3.6-Queen-27B, основанной на Qwen3.6-27B. По данным README, модель адаптирована для ролевого общения и различных персонажей, включая образ «Queen», Dark Academia и Dark-roleplay, а также для написания промптов, объёмных текстов и песен. Разработчик заявляет поддержку генерации текста и обработки изображений и видео в сценариях image-to-text и video-to-text, однако подробности реализации этих возможностей не указаны. Модель имеет размер 27B параметров, ориентирована преимущественно на англоязычные ответы и заявлена как подходящая для мобильных устройств и быстрого отклика. Среди сильных сторон отмечаются специализированные персонажи, выразительный стиль, низкая склонность к отказам и пригодность для создания маркетинговых текстов, вирусных публикаций и ролевых сценариев. Архитектура, размер контекстного окна, точный перечень поддерживаемых модальностей и количественные результаты независимых оценок в README не приведены. Распространение указано по лицензии Apache-2.0. Для использования рекомендуется формат GGUF; конкретные требования к аппаратным ресурсам, совместимые рантаймы и ограничения на коммерческое применение в предоставленных данных не описаны.

SmartToxic-7B — диалоговая языковая модель, созданная объединением нескольких моделей с помощью mergekit. Она предназначена для генерации текста и ответов в чате, с упором на творческие и увлекательные ответы при сохранении приемлемого тона. Модель основана на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 8192 токенов. Карточка сообщает о хороших результатах на нескольких тестах, но не приводит их названий или численных оценок. Разработчик отмечает, что модель не является uncensored; ответы могут быть неточными или неуместными, поэтому их следует проверять. Лицензия — Apache-2.0.

HassanB4/t1_s6_arabert_msa_text_target — классификатор тональности позиции в арабских сообщениях, подготовленный для трека Seen Targets соревнования StanceEval-2026. Модель принимает арабский твит вместе с целевой темой и относит позицию автора к одному из трёх классов: Favor (поддерживает тему), Against (выступает против) или None (нейтральная, не относящаяся к теме либо неясная позиция). Она дообучена на aubmindlab/bert-large-arabertv02 и использует архитектуру BERT для классификации последовательностей; число параметров — 468,2 млн, контекст — до 512 токенов. Модель предназначена для анализа арабских публикаций о заранее встречавшихся в обучении темах, в частности о вакцинах от COVID-19, цифровой трансформации и расширении прав и возможностей женщин. На dev-наборе Mawqif-v2 указана оценка 76,53 Favg2. Модель ориентирована на арабский язык. Распространяется по лицензии Apache-2.0. Результаты относятся к заданному набору тем и не подтверждают качество на новых темах или за пределами описанного сценария.

Модель NihalSrivastava/advertisement-description-generator разработана Nihal Srivastava и представляет собой дообученную GPT-2 для генерации коротких рекламных описаний товаров. На вход подаются ключевые слова о товаре, на выходе — описание длиной в одну-две строки; пример в карточке показывает описание умной колонки Echo Dot. Модель дообучена на собственном наборе из 328 пар «ключевые слова — текст». Архитектура — GPT-2, формат весов — PyTorch и Safetensors, контекст — до 1024 токенов. В карточке заявлена поддержка английского языка. Лицензия — MIT. Небольшой объём обучающего набора может ограничивать разнообразие и качество формулировок, а результаты следует проверять на точность характеристик товара и соответствие рекламным требованиям.

Ahma-3B — финноязычная авторегрессионная языковая модель, разработанная проектом Finnish-NLP и представленная в работе Scaling Data-Constrained Language Models. Это декодерный трансформер на архитектуре Meta Llama v1, обученный с нуля на финских текстах; модель содержит около 3,4 млрд параметров по метаданным (в карточке README указано 3,6 млрд) и имеет контекст 2048 токенов. Модель предназначена для генерации текста на финском языке и может следовать инструкциям при использовании рекомендованного формата запросов. Её можно дообучать для конкретных задач. Веса доступны в формате safetensors, библиотека — Transformers, лицензия — Apache-2.0. Обучение проводилось на финноязычных корпусах новостей, Википедии, Reddit, парламентских выступлений и других текстах, включая переведённые наборы инструкций. Модель обучалась без супервизии; инструкция встроена в двухэтапную схему предобучения. Она не предназначена для многоязычной генерации или генерации кода. Интернет-данные могут приводить к предвзятым и токсичным ответам, несмотря на фильтрацию.

Barcenas-3b — языковая модель для генерации текста, опубликованная Danielbrdz. Она основана на архитектуре GeneZC/MiniMA-3B и дообучена на данных HuggingFaceH4/no_robots. Модель содержит около 2,9 млрд параметров, использует архитектуру Llama и принимает текст для продолжения или создания связных ответов и других текстов. Модель подходит для черновиков, творческого письма и генерации контента. Контекст составляет до 4096 токенов. В репозитории указаны веса PyTorch и лицензия Llama 2. README не описывает отдельные языки или специализированные области применения; качество и надёжность результатов для конкретных задач не установлены.

philipobiorah/bert-imdb-model — модель BERT, дообученная для бинарной классификации тональности отзывов о фильмах IMDb. Она присваивает тексту метку «положительный» или «отрицательный» и может возвращать оценки уверенности. Модель основана на google-bert/bert-base-uncased, имеет архитектуру BertForSequenceClassification и содержит 136,7 млн параметров; максимальная длина входа — 512 токенов. Для работы используется библиотека Transformers, веса доступны в форматах PyTorch и Safetensors. Основной сценарий — анализ англоязычных отзывов о фильмах. В README приведены заявленные точности 0,96 на IMDb и 0,89 на SST-2, Yelp и Amazon, но условия и методика этих оценок не описаны. Модель обучена на датасете IMDb и может хуже работать на других темах, языках и текстах, отличающихся от отзывов. Лицензия — MIT.

Cheerfulness_continuous — дообученная ajrayman на базе microsoft/deberta-v3-base модель для классификации текста. По названию и метрикам RMSE, MAE и корреляции она, вероятно, оценивает степень жизнерадостности текста как непрерывную величину. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает текстовые последовательности длиной до 512 токенов. В README приведены результаты оценки: loss 0,0492, RMSE 0,2218, MAE 0,1717 и корреляция 0,2470; набор данных описан как None, поэтому назначение шкалы и качество оценки трудно интерпретировать. Модель опубликована в формате Safetensors и распространяется по лицензии MIT.

ConspEmoLLM-7b — языковая модель семейства Llama от автора lzw1008, предназначенная для генерации текста. В репозитории размещены веса в формате Safetensors; модель содержит 6,6 млрд параметров и рассчитана на контекст до 2048 токенов. Модель можно применять для генерации и продолжения текста на английском языке. README не содержит дополнительных сведений о специализированных сценариях или оценках качества. Модель распространяется по лицензии MIT.

Карточка модели lzw1008/ConspLLM-7b на Hugging Face совпадает с карточкой lzw1008/ConspEmoLLM-7b, поэтому описание составлено по ней. ConspEmoLLM-7b — языковая модель семейства Llama от автора lzw1008, предназначенная для генерации текста. В репозитории размещены веса в формате Safetensors; модель содержит 6,6 млрд параметров и рассчитана на контекст до 2048 токенов. Модель можно применять для генерации и продолжения текста на английском языке. README не содержит дополнительных сведений о специализированных сценариях или оценках качества. Модель распространяется по лицензии MIT.

Corporate Memphis — дообученная модель Stable Diffusion, опубликованная jinofcoolnes. Она создаёт изображения по текстовым запросам в стиле корпоративных иллюстраций Memphis; для активации стиля в запросе рекомендуется фраза «Corporate_Memphis digital illustration». Модель использует интерфейс Diffusers StableDiffusionPipeline и распространяется в форматах Diffusers и PyTorch. Модель предназначена для генерации цифровых иллюстраций, например сцен с объектами и цветными формами. Лицензия CreativeML OpenRAIL-M допускает использование с ограничениями, предусмотренными её условиями. Карточка не сообщает размер модели и длину контекста.

Drug_Ollama_v3-2 — языковая модель на архитектуре Llama, созданная с помощью H2O LLM Studio на базе openlm-research/open_llama_3b. Это плотная авторегрессионная модель с 3,3 млрд параметров, рассчитанная на генерацию текста; в метаданных указан контекст 2048 токенов и библиотека Transformers. Название указывает на применение, связанное с лекарствами, однако README не описывает специализированные медицинские данные или функции, поэтому подтверждений такой специализации нет. Модель можно использовать для генерации текста на английском языке. README предупреждает, что ответы могут быть ошибочными, нерелевантными, предвзятыми или оскорбительными, поэтому их следует проверять. Условия лицензии в предоставленных данных не указаны.

vamossyd разработал emtract-distilbert-base-uncased-emotion — модель классификации текстов на основе DistilBERT, дообученную для определения эмоций в финансовых публикациях. Она относит текст к одной из семи категорий: нейтральность, радость, грусть, гнев, отвращение, удивление или страх. Модель обучалась на объединённом наборе примерно из 250 тысяч текстов с эмоциональными метками, а затем адаптировалась на 10 тысяч вручную размеченных сообщений StockTwits. Модель предназначена для анализа эмоциональной окраски сообщений в финансовых соцсетях, в частности для изучения настроений инвесторов и публикаций о рынке. Максимальная длина контекста по метаданным — 512 токенов; в описании обучения указан размер последовательности 64. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT. Результаты классификации могут зависеть от тематики и стиля исходных сообщений: модель специализировалась на финансовых текстах StockTwits, а карточка не приводит численные значения метрик качества.ений

9mark9/finbert-minilm-sentiment — разработанная 9mark9 компактная модель-классификатор тональности финансовых текстов. Это MiniLM-L12-H384-uncased на базе BERT, дообученная на Financial PhraseBank; метаданные указывают 40 млн параметров, а карточка модели — 33,4 млн. Модель относит текст к одному из трёх классов: отрицательному, нейтральному или положительному. Она принимает текст и выдаёт метку тональности; контекст модели — 512 токенов, а в описанных экспериментах длинные входы обрезаются до 96 токенов. Модель предназначена для оценки коротких формальных финансовых текстов, например новостных заголовков, сводок о доходах, аналитических заметок и регуляторных документов. В README сообщается о точности 95,29% и macro-F1 0,9368 на отложенной выборке Financial PhraseBank Sentences_AllAgree. Модель рассчитана на английский язык и распространяется по лицензии MIT. Обучающая выборка преимущественно нейтральная, поэтому надёжность для отрицательного класса может быть ниже. Качество на неформальной речи, сообщениях в соцсетях, сленге и эмодзи не оценивалось; результаты классификации не являются финансовыми рекомендациями.