III.2Исследование рынка и маркетинг

SKY-Ko-Solar-10.7B-lora — языковая модель семейства Llama, созданная на основе Solar-10.7B и дообученная с помощью LoRA. Разработчик — SkyOrbis. Модель содержит 10,6 млрд параметров и принимает текст, генерируя текст; её контекст составляет 4096 токенов. Модель предназначена для генерации текста на корейском языке. В карточке указано применение LoRA, но конкретные целевые сценарии или специализированная область дообучения не описаны. Для использования опубликованы веса в формате safetensors. Лицензия в предоставленных данных не указана.

Athuin/tinyLama-german — компактная языковая модель семейства Llama, разработанная Athuin на основе unsloth/tinyllama. Это дообученная модель с архитектурой LlamaForCausalLM и примерно 1 млрд параметров, предназначенная для генерации текста. Репозиторий содержит веса PyTorch; при обучении использовались Unsloth и библиотека TRL. Модель может служить основой для генерации продолжений текста и диалоговых ответов. Для неё указан контекст длиной 4096 токенов. Название указывает на немецкую специализацию, однако README и метаданные не подтверждают её отдельно; метаданные карточки указывают английский язык. Модель распространяется по лицензии Apache-2.0.

CardiffNLP Twitter RoBERTa-base — англоязычная модель семейства RoBERTa, обученная на 90 млн твитов, опубликованных до конца 2019 года. Она предназначена прежде всего для предсказания пропущенных токенов в тексте и анализа языка Twitter; карточка также показывает пример получения эмбеддингов твитов. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForMaskedLM и принимает последовательности длиной до 514 токенов. Модель подходит для восстановления замаскированных слов и извлечения представлений твитов. Для предобработки авторы рекомендуют заменять имена пользователей на @user, а ссылки — на http. Веса доступны в формате PyTorch по лицензии MIT. Поскольку обучение ограничено твитами до конца 2019 года, модель может хуже отражать более поздний язык и лексику платформы; её доменная специализация также ограничивает перенос на тексты других типов.

VidEmo-7B — мультимодальная модель KlingAI, созданная исследователями из Нанкайского университета, Pengcheng Laboratory и Kuaishou Technology. Она предназначена для анализа видео с фокусом на эмоциях и использует рассуждение по аффективному дереву. Модель основана на Qwen/Qwen2.5-VL-7B-Instruct и дообучена на датасете KlingTeam/Emo-CFG. Это плотная модель семейства Qwen2.5-VL с 7,1 млрд параметров; она принимает видео и текстовые запросы и выдаёт текст. Размер контекстного окна — 128 000 токенов. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель подходит для задач понимания эмоционального содержания видео и ответов на вопросы о нём. Работа принята на NeurIPS 2025. Данных о точности и конкретных ограничениях в карточке нет.

Emil7018/business-news-generator — дообученная модель генерации текста на базе HuggingFaceTB/SmolLM2-135M, разработанная Emil7018. Она предназначена для генерации деловых новостей; карточка сообщает о дообучении на неизвестном наборе данных и результате Loss 2,5782 на оценочной выборке. Модель построена на плотной архитектуре семейства Llama, содержит 134,5 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. Репозиторий содержит веса в формате Safetensors и рассчитан на использование с Transformers. Базовая модель ориентирована на английский язык; отдельные сведения о языках обучения этой версии не приведены. Лицензия — Apache-2.0. Качество и фактический охват новостных тем не описаны; результат на оценочной выборке сам по себе не подтверждает пригодность для публикации без проверки.

ContaLLM-Fashion-7B-Instruct — дообученная ContaAI китайскоязычная языковая модель для маркетинга в индустрии моды и косметики. Она основана на Qwen/Qwen2.5-7B-Instruct, использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров. Модель принимает текстовые инструкции и генерирует маркетинговые тексты с учётом бренда, товара, темы, преимуществ, хештегов, сценария публикации и желаемой длины. Контекст — до 32 768 токенов; заявленный основной язык — китайский. Модель предназначена для создания разнообразных маркетинговых материалов и адаптации текста под заданные требования бизнеса. Репозиторий содержит веса в формате safetensors; для загрузки используется Transformers. Лицензия — Apache-2.0. Разработчики сообщают о мерах безопасности при подготовке данных и обучении, но при генерации нет автоматической фильтрации ответов. Модель может выдавать проблемный контент, поэтому результаты следует проверять и при необходимости фильтровать.

Модель Danish BERT for emotion detection разработана Alexandra Institute и предназначена для бинарной классификации датского текста: определяет, является ли текст эмоциональным. Это дообученная на вручную размеченных данных из социальных сетей модель BERT, основанная на предварительно обученном датском BERT от BotXO. Она подходит для анализа коротких публикаций и сообщений на датском языке. Модель содержит 137,8 млн параметров, принимает текст с контекстом до 512 токенов и доступна в форматах PyTorch, Safetensors и TensorFlow. Обучающие данные были подготовлены совместно с Danmarks Radio и публично не опубликованы. Лицензия — Apache-2.0.

mkarthik/distilbert-base-uncased-finetuned-product — модель на архитектуре DistilBERT, опубликованная пользователем mkarthik на Hugging Face и реализованная для PyTorch и Transformers. Она предназначена для задачи fill-mask: восстановления пропущенного слова или фрагмента в тексте, с настройкой на продуктовую тематику, судя по идентификатору модели. Модель работает с текстовой модальностью, использует контекст длиной до 512 токенов и применяется через pipeline fill-mask или AutoModelForMaskedLM. DistilBERT — компактная дистиллированная версия BERT, ориентированная на более эффективное выполнение языковых задач при сохранении двунаправленного контекстного представления. В карточке модели отсутствует описание набора данных, точных метрик, числа параметров и лицензии, поэтому эти характеристики нельзя достоверно указать.

PDM/finetuning-sentiment-model-3000-samples — модель классификации текста на базе DistilBERT, дообученная на датасете IMDb для анализа тональности отзывов. Она принимает текст и относит его к одному из классов тональности. В README указаны результаты на оценочной выборке: accuracy 0,8733 и F1 0,8742; архитектура — DistilBertForSequenceClassification, максимальный контекст — 512 токенов. Модель подходит для автоматической классификации отзывов о фильмах и других похожих текстов на положительные и отрицательные. Она разработана на основе distilbert-base-uncased и распространяется по лицензии Apache-2.0. Карточка не описывает ограничения применения и детали обучающего набора сверх указания IMDb.

Japanese-LLaMA-3-8B — базовая полноразмерная языковая модель, разработанная GMO Internet Group на основе Meta-Llama-3-8B. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации текста. Модель обучали и тестировали на VPS ConoHa с GPU NVIDIA H100. Карточка указывает японский язык; контекстное окно составляет 8192 токена. Репозиторий содержит веса в формате Safetensors. Лицензия — Llama 3. Модель подойдёт для генерации и продолжения японского текста, но карточка не приводит сравнительных оценок качества или подробностей обучения.

ko-ref-llama2-7b — авторегрессионная языковая модель на архитектуре LLaMA 2, разработанная Hyunseok Lee и Taeyoung Kim из KAIST AI Lab и omnious.ai. Это дообученная версия Llama-2-7B, обученная на открытом корейском корпусе для генерации текста на корейском языке. Модель принимает текст и выдаёт текст. Она подходит для генерации и продолжения корейского текста; использует библиотеку Transformers и веса PyTorch. Размер модели — 6,6 млрд параметров, контекст — 2048 токенов. В карточке указана лицензия Llama 2 для базовой модели, однако отдельные условия лицензирования этой версии не приведены.

KR-FinBert-SC — это корейская модель для классификации тональности финансовых новостей и аналитических отчетов. Она разработана путем дополнительного предобучения KR-BERT-MEDIUM на финансовых текстах, а затем дообучена на размеченных данных для анализа тональности. В карточке Hugging Face указана архитектура BERT с классификационной головой, размер около 128,6 млн параметров и максимальная длина контекста 512 токенов. Модель предназначена для определения положительной или отрицательной тональности сообщений о компаниях, рынках и финансовых результатах. В описанном эксперименте она достигла точности 0,963 на 50 000 размеченных примерах. Обучающие данные включали корейские новости и отчеты аналитиков, поэтому модель ориентирована прежде всего на корейский язык и финансовую тематику. Модель распространяется в формате PyTorch. Лицензия в предоставленных данных не указана.

AIdenU/LLAMA-2-13b-ko-Y24-DPO_v2.0 — корейская языковая модель для генерации текста, разработанная на основе AIdenU/LLAMA-2-13b-ko-Y24_v2.0. Она относится к плотной архитектуре LLaMA 2 и содержит 12,9 млрд параметров. Модель предназначена для генерации текста на корейском языке; карточка указывает задачу text-generation. Контекст модели составляет 4096 токенов. Веса доступны в формате PyTorch, лицензия — Apache-2.0. README называет базовую модель, но не приводит сведения о конкретных сценариях диалогового использования, качестве, обучающих данных или результатах оценки.

POLAR-14B-v0.5 — корейская языковая модель, разработанная AI-Lab компании Plateer. Модель создана под влиянием SOLAR от Upstage и предназначена для генерации текста на корейском языке. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 14,1 млрд параметров; она принимает текст и выдаёт текст, работает через Transformers и имеет контекстное окно 4096 токенов. Модель можно использовать для генерации корейского текста и диалоговых сценариев на её основе. Карточка предупреждает, что ответы могут содержать вредные стереотипы, в том числе о защищённых группах и социальных характеристиках. Модель распространяется по лицензии Apache-2.0.

Stark-Prompt-Extender — генеративная языковая модель на архитектуре GPT-2, предназначенная для продолжения и расширения коротких текстовых подсказок. Она может помогать развивать творческие идеи, набрасывать варианты тем для публикаций, предлагать дополнительные детали к исходному запросу и поддерживать мозговой штурм. Модель принимает текст и генерирует текст; заявленный контекст составляет 1024 токена. В репозитории представлены форматы PyTorch и ONNX, лицензия — CreativeML Open RAIL-M. README описывает общие сценарии расширения промптов, но не приводит сведения о точном размере модели, обучающих данных, языках или оценках качества. Результаты генерации могут быть нерелевантными или фактически неточными, поэтому их следует проверять и при необходимости редактировать.

mateiaassAI/teacher_sst2 — дообученная для классификации текста модель на базе румынского BERT dumitrescustefan/bert-base-romanian-cased-v1. Она использует архитектуру BERT с классификационной головой; размер составляет 151,6 млн параметров, контекст — до 512 токенов. Модель предназначена для отнесения текстов к классам, однако README не раскрывает набор меток и конкретный сценарий классификации. В карточке указаны результаты оценки: F1 0,8648, ROC AUC 0,8646 и точность 0,8635. Данные обучения не названы, поэтому эти показатели не позволяют судить о качестве на конкретной прикладной задаче. Модель распространяется под лицензией MIT.

Модель textattack/bert-base-uncased-imdb — версия BERT-base-uncased, дообученная командой TextAttack для классификации отзывов из набора IMDB. Она относит текст отзыва к одной из категорий тональности, например положительной или отрицательной. Модель имеет плотную архитектуру BERT и около 136,7 млн параметров. Метаданные указывают контекст до 512 токенов; при обучении использовалась максимальная длина последовательности 128 токенов. В карточке сообщается о точности 0,89088 на оценочной выборке IMDB. Доступны веса PyTorch и Flax. Модель подходит для анализа тональности англоязычных отзывов и демонстрации классификации текста. Она обучалась на IMDB, поэтому её результаты на других жанрах, языках и предметных областях могут быть хуже; карточка не приводит дополнительных оценок обобщения. Условия лицензии в предоставленных данных не указаны.

Модель vivianhuang88/bert_twitter_hashtag — англоязычная модель на архитектуре BERT, дообученная на более чем 30 тысячах твитов, собранных из Twitter. Она предназначена для заполнения позиции [MASK] хештегом, подходящим к контексту твита, и подбора возможных трендовых тем. Модель содержит 137,5 млн параметров, использует формат PyTorch и поддерживает контекст до 512 токенов. Для работы с ней передают текст с маркером [MASK]; модель предсказывает токены для заполнения пропуска. Лицензия — AFL-3.0.

onewind2024/business-news-generator — дообученная модель генерации текста на базе HuggingFaceTB/SmolLM-135M, разработанная автором репозитория onewind2024. Модель содержит 134,5 млн параметров, использует плотную архитектуру семейства Llama и предназначена для генерации текста; название указывает на сценарий создания деловых новостей, однако карточка не подтверждает специализацию примерами или описанием обучения. Модель принимает текст и выдаёт текст, работает с контекстом до 2048 токенов и распространяется в формате Safetensors через Transformers. В карточке приведён результат оценки Loss 3,2300, но набор данных и методика оценки не раскрыты, поэтому это значение не позволяет судить о качестве для конкретных задач. Лицензия — Apache-2.0.

fpadovani/cds_original_new_67 — дообученная модель для генерации текста на базе архитектуры GPT-2. Она предназначена для продолжения текстового запроса и генерации связного текста. Модель использует библиотеку Transformers, веса представлены в формате safetensors, максимальная длина контекста — 1024 токена. В README приведён результат оценки: loss 2,8087. Данные о назначении дообучения, обучающем наборе и языках не раскрыты, поэтому специализированные сценарии и качество для конкретных задач определить нельзя. Условия лицензии в доступных сведениях не указаны.

Cerebro_BM_solar_v01 — языковая модель для генерации текста, разработанная YoungWoo Nam из компании I-BRICKS. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 10,6 млрд параметров; для загрузки приведён пример с Transformers. Модель рассчитана на корейский язык, имеет контекстное окно 4096 токенов и распространяется в формате safetensors. Модель можно использовать для генерации продолжений текста и других сценариев текстовой генерации на корейском языке. Лицензия Apache 2.0 разрешает использование на её условиях.

COKAL-DPO-13b-v2 — авторегрессионная языковая модель на архитектуре LLaMA 2, разработанная Сыню Ли (DopeorNope) в рамках исследовательского консорциума Media Group Saramin and Forest и Markr. Модель содержит около 12,9 млрд параметров и принимает и генерирует текст; максимальная длина контекста — 2048 токенов. Модель предназначена для генерации текста и диалоговых сценариев на корейском языке. Она прошла supervised fine-tuning на наборе Orca_Near_Dedup-v2, а затем была дообучена методом DPO на парных предпочтениях из DPO-Ko-Dataset. Датасеты обозначены как частные. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и ограничивает коммерческое использование.

FinancialBERT — англоязычная модель семейства BERT, созданная Ahmed Rachid Hazourli и предварительно обученная на корпусе финансовых текстов. Она предназначена для исследований и практических NLP-задач в финансовой сфере и позволяет использовать готовую модель без значительных ресурсов, необходимых для её обучения с нуля. Модель содержит 137 млн параметров, использует архитектуру BertForMaskedLM и принимает текстовые последовательности длиной до 512 токенов. В обучающие данные вошли новости Reuters и Bloomberg, корпоративные отчёты 10-K и 10-Q, а также документы с отчётами о доходах. Основная задача по метаданным — восстановление замаскированных токенов в тексте. Доступна в формате PyTorch; лицензия в предоставленных сведениях не указана.

NickyNicky/Financial_graph — диалоговая языковая модель на архитектуре Gemma, предназначенная для понимания и анализа финансовых новостей и информации о фондовом рынке. Она может разбирать биржевые тенденции, экономические отчёты и инвестиционный анализ, а также работать с графами в формате JSON для их визуализации и анализа. Модель содержит 2,5 млрд параметров, использует библиотеку Transformers и принимает контекст длиной до 8192 токенов. Заявлена поддержка испанского и английского языков. Веса опубликованы в формате safetensors. README не уточняет базовую модель, лицензию и результаты оценки качества.

Gemini 2.5 Flash Image, также известная как Nano Banana, — модель Google для генерации изображений с контекстным пониманием. Она предназначена для создания изображений по запросам и работы с визуальным контекстом. Карточка описывает модель как общедоступную и отмечает её возможности генерации изображений. В доступных сведениях не приведены размер модели, архитектура, поддерживаемые языки, длина контекста и условия лицензии. Каталог классифицирует её как image-text-to-text; подробности о входных данных и ограничениях в карточке отсутствуют.

ITT-AF/ITT-Yi-Ko-6B-v1.0 — языковая модель, дообученная авторами репозитория на базе beomi/Yi-Ko-6B на пользовательском наборе данных. Это плотная причинная модель семейства Llama примерно с 5,9 млрд параметров, предназначенная для генерации текста; заявленный контекст — 2048 токенов. В репозитории веса представлены в формате safetensors. Карточка не описывает состав обучающих данных, конкретные сценарии применения, результаты оценки или специальные ограничения. Название базовой модели указывает на корейскую направленность, но карточка не подтверждает поддерживаемые языки. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое использование.

mssma/ko-solar-10.7b-v0.1b — плотная авторегрессионная языковая модель семейства Llama с 10,7 млрд параметров, предназначенная для генерации текста. Карточка показывает загрузку через Transformers и использование AutoModelForCausalLM; модель принимает текст и генерирует текст. Модель ориентирована на корейский язык, что отражено в языковом теге ko. Контекстное окно составляет 4096 токенов. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. README не приводит оценок качества, конкретных сценариев или сравнения с другими моделями.

Sentiments-FinBERT-PT-BR — модель классификации тональности финансовых текстов на бразильском португальском языке, разработанная на основе FinBERT-PT-BR и обученная на датасете Sentiments-FinBERT-PT-BR. Она использует архитектуру BERT с классификационной головой и относит текст к одной из трёх категорий: положительной, отрицательной или нейтральной. Модель предназначена для анализа новостей, отчётов, комментариев аналитиков и других материалов бразильского финансового рынка; её можно применять для мониторинга настроений и исследовательских задач в финансах и обработке естественного языка. Модель содержит 136,1 млн параметров, работает с текстом и имеет контекст до 512 токенов. Распространяется по лицензии Apache 2.0. Возможности за пределами финансового домена и других вариантов португальского языка могут быть ниже; результаты в финансовых решениях следует проверять человеком. Модель может воспроизводить смещения обучающих данных.

Модель разработана LRieser на базе Qwen/Qwen3-8B и дообучена для классификации отзывов об играх в Steam. По тексту отзыва и контексту игры она определяет, обсуждает ли автор генеративный ИИ, использованный при создании контента игры: например, изображений, озвучки, музыки, текста, кода или перевода. Модель выдаёт JSON с бинарным признаком, оценкой уверенности и кратким обоснованием. Это плотная языковая модель Qwen3 с 7,6 млрд параметров и контекстом до 40 960 токенов. Дообучение выполнено методом QLoRA с DoRA на 19 152 размеченных отзывах; адаптер объединён с базовыми весами bf16. Модель многоязычная: обучающие данные охватывают 20 языков, а в карточке перечислено 17 языков, включая русский, английский и китайский. На тестовой выборке автор сообщает macro-F1 0,953 для отзывов из выборки, подобранной по ключевым словам, и 0,940 для неанглоязычных отзывов. Модель рассчитана на анализ отзывов Steam с передачей системного промпта и контекста игры; её можно запускать, например, через vLLM. Она может ошибаться при неоднозначных или спекулятивных упоминаниях ИИ, а качество зависит от соблюдения формата входа и инструкций из промпта. Лицензия — Apache-2.0.

Модель tiantiaf/wavlm-large-msp-podcast-emotion-dim — дообученная версия WavLM Large, созданная для классификации эмоциональных характеристик речи. Она реализует подход к оценке эмоциональных измерений из бенчмарка Vox-Profile и использует речевую систему SAILER, занявшую первое место в INTERSPEECH 2025 Speech Emotion Challenge. Для прогнозирования модель использует аудио без транскрипта. На выходе — три оценки от 0 до 1: возбуждение (от спокойного до активного состояния), валентность (от негативного до позитивного) и доминирование (от слабого до сильного состояния). Модель обучена на данных MSP-Podcast и может быть полезна для анализа эмоций в подкастах и другом интернет-контенте. Разработчик предупреждает, что прогнозы могут зависеть от содержания речи. Лицензия — OpenRAIL.