III.2Исследование рынка и маркетинг

Это классификатор тональности финансовых текстов от navu013: DistilBERT, дообученный на наборе Financial PhraseBank для трёх классов — отрицательная, нейтральная и положительная тональность. Модель предназначена для коротких предложений из финансовых и деловых новостей, например сообщений о прибыли компаний, рыночных комментариев и корпоративных объявлений; для общей тональности вне финансового контекста она не предназначена. На тестовой выборке автор сообщает accuracy 0,838 и weighted F1 0,84. Модель лучше справляется с явными маркерами тональности, но может пропускать подразумеваемые финансовые выводы и путаться в предложениях со смешанными сигналами; положительные и отрицательные примеры иногда получает нейтральную метку. Контекст ограничен 512 токенами. Модель распространяется по лицензии Apache-2.0; автор отмечает, что это учебный проект и не рекомендует использовать его для принятия финансовых решений.

ClassCat/gpt2-base-french — франкоязычная авторегрессионная модель генерации текста на архитектуре GPT-2, опубликованная ClassCat. Она использует базовые настройки GPT-2 с изменённым размером словаря; токенизатор BPE содержит 50 000 токенов, а контекст модели составляет 1024 токена. Модель обучена на франкоязычной Википедии wiki40b и части веб-корпуса CC-100. Модель подходит для продолжения французского текста по заданному началу и генерации нескольких вариантов продолжения. Доступна в формате PyTorch для использования с Transformers. Лицензия — CC BY-SA 4.0.

NM-StarUnleashed — объединённая языковая модель на архитектуре Mistral, созданная сообществом mergekit из Luni/StarDust-12b-v2 и MarinaraSpaghetti/NemoMix-Unleashed-12B. Веса объединены методом task arithmetic; размер модели — 12,1 млрд параметров, формат репозитория — safetensors. Для запуска используется библиотека Transformers. Модель предназначена для генерации текста, в том числе ролевых диалогов и историй. В карточке указано нативное контекстное окно до 1 024 000 токенов. README не приводит оценки качества, рекомендации по настройке или явное описание поддерживаемых языков. Лицензия в предоставленных сведениях не указана.

OpenMia-Indo-Mistral-7b-v3 — дообученная на индонезийских инструкциях модель семейства Mistral, опубликованная проектом OpenMia. Она предназначена для диалогов и генерации ответов на индонезийском языке; в карточке указан датасет cahya/alpaca-id-cleaned. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров, принимает текст и выдаёт текст. Контекстное окно составляет 32 768 токенов. Карточка README называет модель альфа-версией и отмечает, что её разработка ограничена доступными ресурсами. Модель доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

asas — дообученная на неизвестном наборе данных компактная модель генерации текста на базе distilbert/distilgpt2. Она использует архитектуру GPT-2 и подходит для генерации продолжений и черновиков текста. Контекст модели — 1024 токена; веса сохранены в формате Safetensors. В карточке приведён результат оценки: loss 1,2071. Назначение дообучения, обучающие данные и конкретные ограничения не описаны. Модель распространяется по лицензии Apache-2.0.

Beetle-FineWeb3-24B/beetle-monolingual-fineweb3-ita — автор и лицензия модели в доступных материалах не указаны. Это модель генерации текста на базе библиотеки Transformers с архитектурным тегом pico_decoder, ориентированная на италоязычные сценарии; название также указывает на обучение или дообучение на данных FineWeb3. Модель предназначена для продолжения и генерации текста на итальянском языке.

creative-writer-32b-preview-GGUF — это GGUF-квантизации языковой модели creative-writer-32b-preview, разработанной jukofyork и подготовленной квантизатором bartowski с использованием llama.cpp. Модель предназначена для генерации творческих текстов и других задач текстовой генерации; указанный язык — английский. Для запуска рекомендуется использовать LM Studio или совместимое ПО на базе llama.cpp. Модель имеет размер 32 млрд параметров в исходном варианте, однако README не содержит сведений о её базовой архитектуре, размере контекстного окна или поддерживаемых модальностях, поэтому её следует рассматривать как текстовую, англоязычную модель. Доступны варианты от F16 до различных Q8, Q6, Q5, Q4 и Q3-квантизаций объёмом примерно от 14,71 до 64,60 ГБ. Более высокие уровни квантизации обеспечивают лучшее качество, а младшие требуют меньше оперативной памяти, но могут заметно уступать по качеству. Сильной стороной является наличие большого выбора квантизаций для разных аппаратных конфигураций; README рекомендует, в частности, варианты Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S и Q4_K_M. Ограничения включают англоязычную специализацию, требования к значительному объёму памяти для крупных вариантов и потенциальное снижение качества при использовании низких уровней квантизации. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства и ограничивающей коммерческое применение.

Danish BERT Tone — модель на базе BERT, разработанная Alexandra Institute путём дообучения предварительно обученного датского BERT от BotXO. Она классифицирует датский текст как субъективный или объективный и подходит для анализа тональности высказываний, например сообщений в социальных сетях и фрагментов парламентских дебатов. Модель содержит 137,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в форматах PyTorch, Safetensors и TensorFlow. Для обучения использованы наборы DDSC/twitter-sent и DDSC/europarl. Модель распространяется по лицензии Apache-2.0. Она предназначена для датского языка; результаты на других языках и для текстов за пределами обучающих сценариев могут быть ненадёжными.

Модель abhshkp/footfall-analysis-vit-stage1 — дообученный Vision Transformer для бинарной классификации изображений людей по категориям female и male. Разработчик в карточке не назван. Модель основана на google/vit-base-patch16-224: представление токена [CLS] передаётся линейному классификатору, который выдаёт два логита. Веса предназначены для обработки обрезанных изображений людей, например, после детектора и трекера объектов, в системах анализа потока посетителей и розничной аналитики. Модель подходит для получения агрегированной статистики о распределении предсказанных категорий в магазинах, общественных пространствах и местах проведения мероприятий. Она принимает изображения и выдаёт метку класса. Лицензия — Apache 2.0. Классификация ограничена двумя категориями и не отражает всего разнообразия гендерных идентичностей. Качество может снижаться при низком разрешении, размытии, сильных ракурсах и перекрытиях; возможны различия в точности для людей разного возраста и этнической принадлежности, а также при разном освещении.

gpt2-orao — генеративная языковая модель, разработанная Михайло Шкоричем (@procesaur) при участии JeRTeh и Национальной AI-платформы Сербии. Она основана на архитектуре GPT-2 Large и содержит 810 млн параметров. Модель продолжает заданный текст или генерирует новый на сербском языке; она поддерживает ввод как кириллицей, так и латиницей. Модель обучалась на сербскоязычном корпусе объёмом 4 млрд токенов, включая данные CC-100, сербскую Википедию, SrpELTeC, srwac и корпуса современного сербского языка. Контекст ограничен 1024 токенами. Подходит для генерации сербского текста и продолжения фрагментов на обеих письменностях. Лицензия — CC BY-SA 4.0.

GPT-Neo Romanian 780M — авторегрессионная языковая модель на архитектуре GPT-Neo, разработанная Стефаном Думитреску и Михаем Илие. Она предназначена для генерации продолжений румынского текста и других задач генерации текста на румынском языке. Модель содержит около 891 млн параметров и обучена примерно на 40 ГБ очищенного и дедуплицированного корпуса румынских текстов: в него вошли OSCAR, OPUS, Википедия, литература и другие текстовые источники. Контекст составляет 2048 токенов; модель использует формат PyTorch. Оценка качества в карточке не приведена, поэтому уровень её результатов по сравнению с другими моделями определить нельзя. Лицензия — MIT.

Finnish-NLP разработала llama-3b-finnish — плотную авторегрессионную модель семейства Llama с 3,4 млрд параметров по метаданным (в README указано 3,6 млрд). Модель обучена с нуля на финских текстах для предсказания следующего токена; контекст составляет 2048 токенов. Для токенизации используется BPE на SentencePiece с словарём из 64 256 токенов, регистр учитывается. Модель предназначена прежде всего для продолжения и генерации финского текста по текстовой подсказке. Её также можно дообучить для последующих задач, например следования инструкциям, однако исходная версия не проходила обучение для диалогов или инструкций. Обучение проводилось на корпусах веб-текстов, новостей, Википедии, Reddit и других финских источников. Модель распространяется по лицензии Apache-2.0. Интернет-источники в обучающей выборке могут приводить к предвзятым ответам; фильтрация токсичных текстов не гарантирует их полного удаления. Для более надёжной работы в прикладных задачах может потребоваться дообучение.

leafxyz/main-v2 — модель Sentence Transformers, дообученная на основе prestoai/qwen3-embedding-0.6b-arabic-ecom. Она преобразует текстовые предложения и абзацы в плотные эмбеддинги размерностью 1024 для поиска и сравнения по косинусному сходству. Архитектура включает Qwen3Model и пулинг последнего токена. Модель подходит для семантического поиска и извлечения релевантных текстов, в частности в сценариях поиска арабских товаров по запросам, что отражено в описании базовой модели. Метаданные указывают 507,6 млн параметров и контекст до 32 768 токенов; карточка самой модели задаёт максимальную длину последовательности 128 токенов. Доступны веса в формате safetensors. Лицензия в предоставленных данных не указана.

MUSE-news_target — текстовая авторегрессионная модель семейства Llama, опубликованная организацией muse-bench на Hugging Face. Она предназначена для генерации текста; репозиторий предоставляет веса в формате Safetensors для Transformers. Модель содержит около 6,6 млрд параметров и имеет контекстное окно 2048 токенов. Карточка модели не описывает специальное назначение, обучающие данные, поддерживаемые языки или разработчика базовой модели. Лицензия в доступной карточке не обозначена. По имеющимся сведениям модель подходит для стандартной генерации текста, но её качество и ограничения для конкретных задач не документированы.

Neuro_continuous — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она использует архитектуру DeBERTa-v2 с головой классификации последовательностей и содержит 211,6 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для присвоения тексту непрерывной оценки: в карточке приведены метрики RMSE, MAE и корреляции. На тестовой выборке указаны RMSE 0,1690, MAE 0,1342 и корреляция 0,4255. Назначение оценки, обучающий набор данных и ограничения применения в карточке не описаны. Распространяется по лицензии MIT.

NusaBERT-Plutchik-Emotion-Classifier — модель классификации текста на базе BERT, дообученная на основе Aardiiiiy/EmoSense-ID-Indonesian-Emotion-Classifier. Она предназначена для распознавания эмоций в индонезийском тексте и может применяться для анализа сообщений и других текстовых материалов. Модель содержит 137,8 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В README приведён результат F1 0,6419 на оценочном наборе; данные этого набора и его состав не раскрыты. Модель распространяется по лицензии MIT.

Карточка модели nityaak/phi4-14b-stance-matrix-mtcsd-qlora на Hugging Face совпадает с карточкой nityaak/phi4-14b-stance-matrix-ezstance-qlora, поэтому описание составлено по ней. Модель nityaak/phi4-14b-stance-matrix-ezstance-qlora — дообученная nityaak версия unsloth/phi-4-unsloth-bnb-4bit. Это плотная языковая модель архитектуры Llama с 14,1 млрд параметров, предназначенная для генерации текста в диалоговом формате; название указывает на настройку для задач определения позиции по схеме stance matrix / EZStance, но README не описывает её поведение и качество подробно. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 16 384 токенов. Для обучения использовались Unsloth и библиотека Hugging Face TRL; веса доступны в формате safetensors. Лицензия — Apache-2.0.

Модель Ahmedh24/qwen2.5-7b-merchant — дообученная Ahmedh24 версия Qwen2.5-7B-Instruct, созданная с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров с контекстом до 32 768 токенов, предназначенная для диалогов и генерации текста; метаданные также указывают интерфейс вызова инструментов. Название модели указывает на ориентацию на задачи продавцов, однако карточка не описывает конкретные торговые сценарии или результаты обучения, поэтому специализацию нельзя подтвердить. Модель принимает текст и генерирует текст. Поддерживаемый карточкой язык — английский. Лицензия Apache-2.0.

IlyaGusev/rut5_base_headline_gen_telegram — русскоязычная модель генерации заголовков на основе rut5-base. Она предназначена для создания краткого заголовка по входному тексту, например для публикации в Telegram. Модель построена на архитектуре T5 и содержит 122,1 млн параметров; использует формат PyTorch и обучалась на наборе ru_all_split.tar.gz. Модель решает задачу суммаризации и подходит для автоматического получения краткого заголовка из текста. Карточка не уточняет состав обучающих данных и качество на отдельных типах текстов. Лицензия — Apache-2.0.

Zefiro-7b-sft-qlora-ITA-v0.5 — разговорная языковая модель, разработанная giux78 для итальянского языка. Это плотная причинная модель семейства Mistral с 7,1 млрд параметров, дообученная методом SFT на диалоговых данных; она предназначена для генерации ответов и может служить основой для более специализированных италоязычных диалоговых систем. Модель поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель подходит для ведения диалога, ответов на вопросы и создания италоязычных приложений с генерацией текста. В обучении использовался набор UltraChat-ITA, полученный фильтрацией и предварительной обработкой синтетических диалогов UltraChat. Разработчик указывает лицензию Apache 2.0. В карточке отмечено, что модель не проходила этап RLHF для согласования с предпочтениями людей и не использует фильтрацию ответов во время работы, поэтому может выдавать проблемный контент. Перевод обучающих данных мог вносить ошибки синтаксиса и смысла; качество следует проверять для конкретных сценариев.

ankitanand9/bert-finetuned-imdb — модель классификации текста на основе BERT, дообученная автором репозитория от google-bert/bert-base-uncased. Она предназначена для классификации отзывов о фильмах по тональности и может использоваться для автоматического определения положительной или отрицательной оценки отзыва. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и сохранена в формате safetensors; для работы используется библиотека Transformers. В README приведены результаты оценки: accuracy 0,915 и F1 0,9157, однако набор данных обозначен как неизвестный, а подробности обучения и ограничений не раскрыты. Модель распространяется по лицензии Apache-2.0.

cdso13 — текстовая генеративная модель на архитектуре GPT-2, доступная в формате safetensors и предназначенная для продолжения текста. В карточке указано, что модель дообучена на неизвестной базовой модели и неизвестном наборе данных; в описании приведено значение loss 2,7812 на наборе оценки. Модель можно использовать для генерации и продолжения текста. Доступные сведения не описывают целевой язык, предметную область, ограничения или условия лицензии; контекст составляет 1024 токена.

DictaBERT Sentiment — дообученная модель семейства BERT для анализа тональности текстов на современном иврите. Её разработала команда Dicta для проекта по обработке иврита и арабского языка; модель обучена на датасете HebrewSentiment и предназначена для классификации текста по тональности. Модель принимает текстовые последовательности и выдаёт метки классов тональности. Архитектура — BertForSequenceClassification, размер — 211,6 млн параметров, максимальная длина контекста — 512 токенов. Модель можно использовать через Transformers для определения тональности отдельных фраз и текстов на иврите. В карточке заявлено свободное использование; лицензия — CC BY 4.0. Модель специализирована на иврите, поэтому её результаты для других языков не подтверждены. Качество может зависеть от тематики и стиля текста.

KnutJaegersberg/Galactica-6.7B-EssayWriter — причинная языковая модель семейства OPT, дообученная для генерации эссе по инструкциям. В карточке указан набор данных ChristophSchuhmann/essays-with-instructions; пример предлагает восстановить исходное эссе по его краткому пересказу. Модель предназначена для генерации связного текста и написания эссе по заданию или краткому описанию. Модель содержит 8,8 млрд параметров, принимает текст и генерирует текст. Родной размер контекста — 2048 токенов. Веса опубликованы в формате safetensors, лицензия — CC BY-NC 4.0, которая требует указания авторства и ограничивает коммерческое использование. Карточка также приводит результаты оценки на нескольких языковых бенчмарках; они сами по себе не гарантируют качество эссе.

GPT-NeoX-Japanese-2.7B — плотная авторегрессионная языковая модель на архитектуре GPT-NeoX, разработанная компанией ABEJA, Inc. Модель содержит 3,4 млрд параметров и предназначена для генерации японского текста; в Transformers её можно использовать через pipeline text-generation. Контекст модели составляет 2048 токенов. Модель обучена на японских версиях CC-100, Википедии и OSCAR и использует специальный субсловный токенизатор. Она подходит для продолжения текста и генерации ответов на японском языке. Репозиторий распространяется по лицензии MIT.

Ateeqq/keywords-title-generator — дообученная модель семейства T5 для генерации заголовков по ключевым словам или краткой информации о содержании. Она принимает текстовый запрос и предлагает варианты заголовков, в том числе для контента, которому нужны привлекательные формулировки. В метаданных указаны архитектура T5 с условной генерацией, 123,8 млн параметров, контекст до 512 токенов и форматы PyTorch и Safetensors; карточка сообщает о дообучении T5-Base на датасете Ateeqq/Title-Keywords-SEO. README приводит также примеры заголовков и результаты обучения, но указывает другое число параметров — 223 млн. Модель ориентирована на англоязычную генерацию заголовков. В метаданных указана лицензия Apache-2.0. Примеры показывают возможное повторение ключевых слов и однообразные формулировки; качество результата стоит проверять и редактировать под конкретную аудиторию.

duyntnet/LongWriter-llama3.1-8b-imatrix-GGUF — набор квантованных GGUF-версий модели LongWriter-llama3.1-8b, исходно разработанной THUDM на базе Meta-Llama-3.1-8B. Формат предназначен для локального запуска и совместим с llama.cpp, KoboldCPP, text-generation-webui и Ollama. Модель относится к генеративным текстовым моделям и предназначена прежде всего для создания очень длинных текстов: заявлена возможность генерировать более 10 000 слов за один запуск. В качестве сценариев приводятся написание подробных материалов, например путеводителей. Указан английский язык; другие языки в карточке не заявлены. В примерах используется контекст до 32 768 токенов и генерация до 32 768 новых токенов, однако фактические требования к памяти и производительность зависят от выбранной квантованной версии и оборудования. Ключевое преимущество модели — ориентация на длинную связную генерацию и наличие GGUF-квантований, упрощающих запуск на совместимом локальном оборудовании. Ограничения включают специализацию преимущественно на английском языке, возможное снижение качества из-за квантования и отсутствие в карточке подробных результатов оценки, точных характеристик отдельных вариантов и описания мультимодальных возможностей; модель является текстовой. Лицензия указана как other, без дополнительных условий в README.

fpadovani/nld-latn-100mb-ppt-Dp-100mb_seed455 — это дообученная с помощью TRL модель генерации текста на базе goldfish-models/nld_latn_100mb. Она использует архитектуру GPT-2 и формат весов safetensors. Базовая модель обучена на нидерландском языке на 100 МБ данных; в карточке этой модели приведён пример генерации ответа на вопрос.

Martsv07 разработал эту русскоязычную модель распознавания именованных сущностей в коротких поисковых запросах для продуктовых и интернет-магазинов. Это дообученная модель BERT на основе DeepPavlov/rubert-base-cased с архитектурой BertForTokenClassification и разметкой BIO. Модель содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель выделяет тип или категорию товара, бренд, объём или количество, а также процентные значения, например жирность. Она рассчитана на короткие неформальные запросы и справляется с вариантами регистра, сокращениями и небольшими опечатками. Обучение проводилось на закрытом наборе обезличенных русских поисковых запросов X5 Group, поэтому переносимость на другие предметные области и форматы запросов может быть ограничена. Опубликованы веса и конфигурация токенизатора; лицензия — Apache-2.0.

SambaLingo-Japanese-Chat — чат-модель SambaNova Systems для общения на японском и английском языках. Она построена на SambaLingo-Japanese-Base и обучена с помощью direct preference optimization; базовая модель адаптирует Llama 2-7B к японскому языку на 42 млрд токенов японской части Cultura-X. Архитектура — плотная LlamaForCausalLM с 6,7 млрд параметров, контекст — 4096 токенов, веса доступны в формате safetensors. Модель предназначена для диалогов и генерации ответов на японском и английском: например, для чат-ботов и разговорных помощников. Словарь расширен с 32 000 до 57 000 токенов, чтобы лучше работать с японским языком. Возможны галлюцинации, переключение между языками, повторы и слабые результаты в сложном программировании и математике; модель также может выдавать токсичный контент. Разработчик не рекомендует применять её в критически важных и связанных с безопасностью сценариях. Использование регулируется лицензией Meta Llama 2 Community License Agreement.