III.2Исследование рынка и маркетинг

CAMeL-Lab разработала CAMeLBERT-DA SA — модель анализа тональности арабского текста, полученную дообучением диалектной модели CAMeLBERT-DA. Она классифицирует предложения как положительные или отрицательные и предназначена для использования в компоненте анализа тональности CAMeL Tools или через Transformers pipeline. Модель основана на архитектуре BERT и содержит 136,3 млн параметров. Она принимает текст на арабском языке, поддерживает контекст до 512 токенов и выдаёт метку тональности. Для дообучения использовались датасеты ASTD, ArSAS и SemEval. Модель распространяется по лицензии Apache-2.0.

finiteautomata/bertweet-base-sentiment-analysis — модель классификации тональности коротких англоязычных сообщений, разработанная на базе BERTweet. Это RoBERTa с архитектурой RobertaForSequenceClassification и примерно 162,4 млн параметров; модель обучена на корпусе SemEval 2017, содержащем около 40 тысяч твитов. Она присваивает тексту одну из трёх меток: POS, NEG или NEU. Модель подходит для анализа тональности англоязычных твитов и похожих коротких сообщений, например для мониторинга общественного мнения или разметки текстов по тональности. Она принимает текст и выдаёт метку класса. Контекст модели составляет 130 токенов; доступны форматы PyTorch и TensorFlow. Карточка не указывает лицензию. Обучение на твитах и ограниченная длина контекста могут снижать качество на длинных текстах, других жанрах и языках, а также на формулировках, отличающихся от данных обучения.

ChartGemma — модель для понимания и анализа диаграмм, разработанная на основе PaliGemma. Она принимает изображение диаграммы и текстовую инструкцию, чтобы отвечать на вопросы, составлять сводки и проверять утверждения по визуальным данным. В отличие от подходов, обученных на таблицах, извлечённых из диаграмм, ChartGemma дообучена на инструкциях, созданных непосредственно по изображениям, что помогает учитывать визуальные тенденции и детали разных диаграмм. В README заявлены результаты уровня state of the art на пяти бенчмарках для суммаризации диаграмм, ответов на вопросы и фактчекинга. Модель опубликована в формате safetensors и распространяется по лицензии MIT.

Модель oke0653/distilbert-base-uncased-finetuned-sst-2-english-zero-shot-sentiment-model — дообученная версия DistilBERT для классификации тональности англоязычного текста. В карточке указано, что она основана на distilbert-base-uncased-finetuned-sst-2-english; заявление о zero-shot в названии репозитория не подтверждено описанием модели. Модель принимает текст и присваивает ему класс тональности. Она построена на DistilBERT, использует PyTorch и поддерживает контекст до 512 токенов. Подходит для анализа тональности коротких английских текстов, например отзывов и комментариев. Лицензия — Apache-2.0.

Emot5-large — модель проекта EmoLLMs, разработанная для анализа эмоциональной окраски текста. Это дообученная на основе T5-large модель архитектуры T5 с 385,2 млн параметров, представленная в формате Safetensors и рассчитанная на контекст до 512 токенов. Для работы можно использовать библиотеку Hugging Face Transformers. Модель выполняет классификацию тональности и эмоций, а также оценивает силу тональности и интенсивность отдельных эмоций. Среди примеров применения — определение положительной или отрицательной окраски текста, выявление таких эмоций, как радость, гнев, страх и печаль, и присвоение численной оценки их интенсивности. В карточке указана поддержка английского языка. Модель может ошибаться, чрезмерно обобщать и проявлять гендерные смещения, поэтому её предсказания следует проверять перед использованием в системах анализа эмоций. Лицензия — MIT.

Это конвертированная в формат safetensors версия англоязычной модели Jochen Hartmann для многоклассовой классификации эмоций в тексте. В основе лежит j-hartmann/emotion-english-distilroberta-base; архитектура — DistilRoBERTa с классификационной головой RobertaForSequenceClassification, около 95,2 млн параметров и контекстом до 514 токенов. Модель присваивает тексту категории anger, disgust, fear, joy, neutral, sadness и surprise. Она подходит для анализа тональности эмоциональных реакций в отзывах, сообщениях и других англоязычных текстах. Репозиторий содержит только преобразованные веса safetensors; архитектура, токенизатор и поведение исходной модели не менялись. Лицензия — MIT.

anvay/finetuning-cardiffnlp-sentiment-model — модель классификации тональности текста, дообученная на основе cardiffnlp/twitter-roberta-base-sentiment-latest. Она использует архитектуру RoBERTa с головой классификации последовательностей и содержит 151,8 млн параметров. Модель предназначена для определения тональности текстовых сообщений; конкретный обучающий датасет не описан. В карточке приведены результаты оценки: точность 0,9165 и функция потерь 0,2685. Контекст составляет до 514 токенов. Репозиторий содержит веса PyTorch и выпущен под лицензией, указанной в метаданных модели.

Hailay/glot500-multilingual-sentiment — многоязычный классификатор тональности, разработанный Hailay Kidu Teklehaymanot в рамках проекта VEXMLM. Модель дообучена на базе cis-lmu/glot500-base: энкодер XLM-RoBERTa с классификационной головой предсказывает одну из трёх меток — positive, negative или neutral. В репозитории доступны веса Safetensors и формат ONNX; общее число параметров — около 421,3 млн. Модель предназначена для определения тональности коротких неформальных публикаций в социальных сетях. Обучающий корпус включает тексты на разных языках; в примерах README упоминаются английский, нигерийский пиджин, суахили, португальский, йоруба, игбо, тви, арабский, марокканская дариджа и амхарский. Максимальная длина входа — 512 токенов. На описанном тестовом наборе из 30 211 примеров точность составила 66,24%; лицензия — Apache-2.0. Многоязычная предобученная база расширяет применение модели на языки с ограниченными ресурсами, однако перечень языков обучения не проверен полностью, а языковые метки примеров отсутствовали. Результаты на коротких смешанных по языкам или кодовым сценариям текстах могут быть ненадёжными; показатели тестирования не гарантируют аналогичного качества для каждого языка и типа текста.

IndoBERT Halim MBG — модель классификации тональности комментариев в индонезийских социальных сетях на положительные и отрицательные. Карточка модели называет её бинарным классификатором; метаданные указывают архитектуру BERT с головой BertForSequenceClassification, библиотеку Transformers и 151,6 млн параметров. Модель принимает текст и выдаёт метку класса. Контекст — до 512 токенов. Модель подходит для анализа тональности индонезийских комментариев и мониторинга реакции аудитории в социальных сетях. Доступна под лицензией Apache-2.0.

Copycats/koelectra-base-v3-generalized-sentiment-analysis — модель классификации текста, построенная на архитектуре ELECTRA и предназначенная для определения тональности отзывов на корейском языке. Она различает два класса: отрицательный и положительный отзыв. Модель содержит 140,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и работает через библиотеку Transformers. Модель подходит для автоматической сортировки отзывов по тональности и анализа мнений в корейских текстах. Веса доступны в форматах PyTorch и Safetensors. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.

cruiser/roberta-twitter-sentiment-ada-delta_batch_64 — модель классификации текста, опубликованная пользователем или организацией cruiser на Hugging Face. По названию и карточке модели она предназначена для анализа тональности сообщений из Twitter и близких по стилю коротких текстов. Модель основана на архитектуре RoBERTa и используется через библиотеку Transformers для задачи text-classification. Модель содержит около 95,2 млн параметров и поддерживает контекст до 514 токенов. Её сильная сторона — специализированная классификация коротких сообщений в социально-медийном стиле; размер модели делает её более компактной по сравнению с крупными языковыми моделями. В открытых источниках не удалось надёжно установить поддерживаемые естественные языки, точные классы тональности и лицензионные условия.

Модель blanchefort/rubert-base-cased-sentiment-rusentiment — русскоязычный классификатор тональности на базе DeepPavlov/rubert-base-cased-conversational, дообученный на наборе RuSentiment. Она относит текст к одному из трёх классов: нейтральная, положительная или отрицательная тональность. Модель предназначена для анализа русскоязычных публикаций и сообщений в социальных сетях, а также для автоматической разметки тональности текстов. Архитектура — BERT с классификационной головой BertForSequenceClassification; размер — 205,1 млн параметров, максимальный контекст — 512 токенов. Доступны версии в форматах PyTorch, TensorFlow и Flax, включая safetensors. Классификатор обучен на RuSentiment, поэтому его результаты могут хуже переноситься на тексты других жанров и предметных областей. Лицензия в предоставленных данных не указана.

airzipm/sentiment-analysis-muril-v2 — классификатор тональности на базе MuRIL, разработанный автором репозитория и дообученный на google/muril-base-cased. Модель относит текст к одному из трёх классов: Negative, Neutral или Positive. Она предназначена для анализа английского, хинди и смешанного хинди-английского текста, включая хинди на деванагари и Hinglish в латинской записи. Это плотная BERT-модель для классификации последовательностей с 264,8 млн параметров и контекстом до 512 токенов. Для обучения использовались датасеты отзывов и публикаций в соцсетях на английском, хинди и Hinglish; автор сообщает тестовую точность 0,86 и macro F1 0,86. Модель распространяется под лицензией MIT. Классификатор подходит для определения тональности отзывов, твитов и другого короткого пользовательского текста. Данных на хинди и Hinglish при обучении было существенно меньше, чем английских; результаты могут быть слабее, а покрытие вариантов написания Hinglish зависит от обучающих примеров. Модель не оценивалась на далёких от отзывов и соцсетей доменах, например на новостных или юридических текстах.

SentimentArEng — дообученная qandos0 модель на основе cardiffnlp/twitter-xlm-roberta-base-sentiment для классификации тональности текстов на арабском и английском языках. Она использует архитектуру XLM-RoBERTa и содержит 305,2 млн параметров; максимальная длина контекста — 514 токенов. Модель предназначена для анализа тональности коротких сообщений и других текстов, например отзывов и комментариев. В README указаны 114 885 записей в обучающей выборке и 12 765 в оценочной; точность на оценочной выборке составляет 0,7985. Пример показывает предсказание отрицательной тональности для арабского текста. Модель доступна в формате safetensors и рассчитана на использование через библиотеку Transformers. Сведения о лицензии в доступных данных отсутствуют.

SLIM-RATINGS — компактная специализированная языковая модель из серии SLIM, разработанной llmware и дообученной для вызова функции оценки тональности. Она анализирует текст и выдаёт словарь Python с оценкой от 1 до 5, где меньший балл соответствует более негативной, а больший — более позитивной тональности. Модель предназначена для классификации степени тональности в автоматизированных рабочих процессах, где несколько небольших моделей выполняют отдельные этапы обработки. Это плотная decoder-only модель семейства Llama с архитектурой LlamaForCausalLM, содержащая 1 млрд параметров. Она работает с текстом, использует формат PyTorch и имеет контекст длиной до 2048 токенов. В карточке приведён пример вызова через Transformers и интеграцию с llmware; модель настроена на формирование структурированного результата по заданным ключам. Модель распространяется по лицензии Apache-2.0. Она специализирована на оценке тональности по шкале 1–5 и не предназначена для широкого диалога или произвольной классификации; README не приводит отдельной оценки качества или перечня поддерживаемых языков.

Модель Ido-shraga/twitter-roberta-base-tweeteval-sentiment — англоязычный классификатор тональности сообщений в социальных сетях, созданный дообучением RoBERTa на наборе TweetEval. Она относит текст к одному из трёх классов: негативному, нейтральному или позитивному. Модель содержит 151,8 млн параметров, построена на архитектуре RoBERTa и принимает последовательности длиной до 514 токенов. Модель подходит для анализа тональности твитов, коротких публикаций и других сообщений на английском языке. В тесте TweetEval авторы README сообщают точность и Macro-F1 0,7155; доменное предобучение на твитах дало преимущество перед упомянутой в README DistilBERT, при этом увеличивает стоимость инференса. Лицензия модели — MIT.

poltextlab/xlm-roberta-large-pooled-sentiment-v3 — модель классификации тональности текста, разработанная poltextlab на основе xlm-roberta-large и предназначенная для использования с библиотекой Transformers. В README указана поддержка английского языка и классификация по трём классам: Negative, Neutral и Positive. Модель применяется для автоматического анализа тональности текстов, в том числе в сравнительных исследовательских проектах и в платформе CAP Babel Machine. По опубликованному отчёту macro и weighted F1-score составляют 0,91, precision и recall также равны 0,91. Для отрицательного класса F1-score составляет 0,94, для нейтрального — 0,87, для положительного — 0,91; это указывает на несколько более слабое распознавание нейтральных текстов. В README не указаны размер модели в параметрах, максимальная длина контекста, полный набор языков, данные обучения и точное значение accuracy. Модель использует токенизатор SentencePiece. Доступ ограничен: новые заявки на доступ в настоящее время не принимаются, а использование возможно для ранее одобренных пользователей через gated access. Указана лицензия CC BY 4.0. Для запуска требуется токен Hugging Face с правом чтения.

aXhyra/demo_sentiment_31415 — модель классификации текста на основе DistilBERT, дообученная на наборе данных tweet_eval. Она предназначена для анализа тональности коротких текстов, в частности сообщений в стиле твитов. На оценочной выборке указана F1-мера 0,7114 и функция потерь 0,6332. Модель принимает текст, имеет контекст до 512 токенов и распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не раскрывает набор меток и подробные ограничения качества.

Это модель классификации текста на основе DistilBERT, дообученная на наборе данных emotion для распознавания эмоций в тексте. Она подходит для автоматической разметки эмоциональной окраски коротких текстов, например сообщений и отзывов. По результатам оценки на тестовом наборе модель показала accuracy 0,9385 и F1 0,9382. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт класс эмоции. Максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка не уточняет набор классов эмоций и не описывает ограничения модели.

Это модель классификации текста DistilBERT-base-uncased, дообученная Hugging Face на наборе SST-2 для определения тональности английских высказываний. Она выдаёт один из двух классов — положительный или отрицательный; в описанной оценке точность на dev-выборке SST-2 составила 91,3%. Архитектура — DistilBERT для классификации последовательностей, контекст — до 512 токенов. Модель подходит для анализа тональности отзывов, рецензий и коротких текстов на английском языке. Она компактнее исходного BERT, но может ошибаться и демонстрировать смещения: авторы отмечают, что предсказания могут меняться из-за упоминаний групп и стран, даже если тональность текста не меняется. Модель разработана Hugging Face и распространяется по лицензии Apache-2.0.

Tanneru дообучил DeBERTa-v3-Large от Microsoft для классификации эмоций в англоязычном тексте. Модель на архитектуре DeBERTa V3 содержит 533,8 млн параметров, принимает текст длиной до 512 токенов и относит его к одному из семи классов: гнев, отвращение, страх, радость, нейтральное состояние, грусть или удивление. Модель обучена на объединённых и дополненных наборах GoEmotions, ISEAR и Emotion Dataset от DAIR-AI. Она предназначена для определения эмоциональной окраски сообщений, отзывов и других текстов; в карточке приведены метрики обучения и валидации, но они не гарантируют такое же качество на новых данных и других жанрах текста. Лицензия — Apache 2.0.

Модель j-hartmann/emotion-english-roberta-large — англоязычный классификатор эмоций на основе RoBERTa-large, дообученный на шести разнородных наборах данных. Она относит текст к одной из семи категорий: гнев, отвращение, страх, радость, нейтральное состояние, печаль или удивление. Модель предназначена для анализа эмоциональной окраски англоязычных текстов, например публикаций и комментариев в социальных сетях. Модель имеет архитектуру RobertaForSequenceClassification и содержит 454,1 млн параметров. Контекст составляет до 514 токенов; репозиторий содержит веса PyTorch. Ограничения: классификатор обучен для английского языка и семи заданных категорий, поэтому он не предназначен для надёжной интерпретации других языков или эмоций за пределами этой схемы. Лицензия в предоставленных данных не указана.

Emotion_RoBERTa_german6_v7 — дообученная модель семейства XLM-RoBERTa для классификации эмоций в текстах на немецком языке. Она относит текст к одной из шести категорий: гнев, страх, отвращение, грусть, радость или отсутствие этих эмоций. Модель имеет около 305,2 млн параметров, принимает последовательности длиной до 514 токенов и опубликована в формате safetensors. Модель предназначена для анализа эмоциональной окраски сообщений, в том числе публикаций в социальных сетях и отзывов клиентов. В карточке указаны точность 0,81 и macro F1 0,85; лучшие результаты приведены для классов страха и отвращения, а распознавание гнева и нейтрального класса обозначено как более слабое. Качество может меняться в зависимости от тематики, стиля и длины текста; модель может ошибаться, когда для определения эмоции нужен широкий контекст. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но ограничивает коммерческое применение.

visegradmedia-emotion/Emotion_RoBERTa_polish6 — дообученная модель на базе XLM-RoBERTa для классификации польских текстов по шести категориям эмоций: гнев, страх, отвращение, грусть, радость и отсутствие этих эмоций. Она использует архитектуру XLM-RoBERTa с классификационной головой XLMRobertaForSequenceClassification и содержит 305,2 млн параметров. Модель предназначена для анализа отзывов, сообщений в социальных сетях и других текстов, где нужно определить преобладающую эмоцию. На приведённой в карточке оценке точность составила 0,82, а макроусреднённый F1 — 0,85; особенно сильные результаты указаны для страха, отвращения и радости. Модель хуже справляется с распознаванием гнева и категории «ни одна из эмоций». Контекстное понимание ограничено, а качество может меняться в зависимости от тематики, стиля и длины текста; модель рассчитана на польский язык. Лицензия — MIT.

avichr/heBERT_sentiment_analysis — модель классификации тональности текста на иврите, разработанная авторами HeBERT. Она предназначена для определения полярности высказываний: положительной, отрицательной или нейтральной. Модель основана на архитектуре Google BERT Base и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch и Flax. Базовый HeBERT предварительно обучен на корпусах OSCAR и Википедии на иврите. В карточке приведены результаты оценки классификатора тональности: F1 составляет 0,94 для положительных и 0,98 для отрицательных примеров; для нейтральных примеров — 0,67. Хотя исследование также рассматривает распознавание восьми эмоций, авторы указывают, что в этой публикации выпущена только модель анализа полярности. Лицензия в предоставленных данных не указана.

Hellenic Sentiment AI — модель классификации тональности текстов на базе XLM-RoBERTa, опубликованная gsar78. Она относит предложение или абзац к положительной, отрицательной или нейтральной тональности и возвращает оценки уверенности для классов. Модель содержит около 305,2 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате safetensors. Версия 1.1 рассчитана прежде всего на греческий язык, а также поддерживает английский, французский, итальянский, испанский, немецкий и арабский. Обучение проводилось на отобранных вручную отзывах о товарах, заведениях и ресторанах; модель также учитывает эмодзи. Её можно использовать для анализа отзывов и локального запуска на CPU. README заявляет готовность к промышленному применению, однако карточка не приводит количественных результатов оценки качества и не описывает поведение на других жанрах текста. Лицензия — CC BY 4.0.

Indo Sentiment Analysis — модель agufsamudra для бинарной классификации тональности индонезийских текстов. Она дообучена на indobenchmark/indobert-base-p1 — BERT-модели, предварительно обученной для индонезийского языка, — и выдаёт метку «положительная» или «отрицательная». Модель содержит 151,6 млн параметров, принимает текст длиной до 512 токенов и рассчитана на классификацию отзывов и других индонезийских текстов. В карточке указаны результаты оценки на отдельной выборке из 20 000 примеров: точность 95,56%, precision и recall по 96%. Модель не предназначена для определения нейтральной тональности и может ошибаться на неоднозначных текстах или текстах со смешанной тональностью; её также не следует применять к другим языкам без отдельной проверки. Для использования в приложениях с серьёзными последствиями рекомендуется проверять предсказания. Лицензия — Apache-2.0.

Модель cirimus/modernbert-base-go-emotions — дообученная на наборе GoEmotions англоязычная модель ModernBERT-base для многометочной классификации эмоций в тексте. Она присваивает каждому фрагменту текста один или несколько из 28 эмоциональных классов. Модель подходит для анализа эмоциональных реакций в публикациях и комментариях, оценки отзывов клиентов и исследовательского анализа поведения. Она построена на архитектуре ModernBERT с 149 млн параметров и поддерживает контекст до 8192 токенов. Для обучения использовался корпус комментариев Reddit GoEmotions; модель выпущена в марте 2026 года. На тестовой части GoEmotions при пороге 0,5 указаны macro F1 0,500 и micro F1 0,607; подбор отдельных порогов для меток может повысить полноту и macro F1. Качество может снижаться на текстах из других источников и культурных контекстов, особенно для редких классов; разметка корпуса также содержит неоднозначности. Лицензия — MIT.

SBERT-Large-Base-ru-sentiment-RuSentiment — модель семейства BERT, разработанная для классификации тональности русскоязычных публикаций. Она дообучена на датасете RuSentiment, содержащем сообщения общего характера из социальной сети «ВКонтакте», и предназначена для анализа тональности пользовательских текстов. Модель принимает текст и выдаёт результат классификации; её контекст ограничен 512 токенами. В репозитории представлены версии PyTorch и Flax. По метаданным, размер модели составляет 525,7 млн параметров. Модель подходит для анализа настроений в публикациях и сообщениях на русском языке, в том числе для мониторинга пользовательских отзывов и обсуждений. Обучение на постах из одной социальной сети может ограничивать перенос результатов на другие жанры, платформы и предметные области. Информация о лицензии в предоставленных данных отсутствует.

airzipm/sentiment-analysis-roberta — модель классификации тональности на базе RoBERTa, дообученная автором airzipm от roberta-base. Она относит текст к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель предназначена для анализа отзывов о фильмах и ресторанах, коротких высказываний и публикаций в Twitter. В README указаны более 200 000 обучающих примеров из нескольких корпусов; для проверки приведены точность 0,8239 и macro F1 0,7827. Модель содержит 151,8 млн параметров, работает с текстом и имеет нативный контекст длиной 514 токенов. В метаданных указан английский язык и лицензия Apache-2.0. Результаты на реальных текстах могут отличаться от приведённых метрик, особенно для других жанров, языков и распределений данных.