III.2Исследование рынка и маркетинг

francesca9805/arb-arab-100mb-ppt-Dp-100mb-packed-bfdiso_seed3407 — дообученная Francesca9805 модель семейства GPT-2 на базе goldfish-models/arb_arab_100mb. Она создана с помощью TRL и предназначена для генерации текста; в карточке показан пример ответа на открытый вопрос. Модель работает через Transformers, сохраняется в формате safetensors и имеет контекстное окно 512 токенов. Лицензия в доступных данных не указана.

Barcenas-Gemma-2-9b — разговорная языковая модель на архитектуре Gemma 2, разработанная автором репозитория и основанная на google/gemma-2-9b-it. Модель содержит 9 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста составляет 8192 токена. Модель предназначена для генерации ответов в диалоге с упором на последовательные ответы на испанском языке. Её можно применять для испаноязычных чат-ботов и ответов на пользовательские вопросы. В карточке указано использование набора alpaca-cleaned-en; подробности процедуры обучения не приведены. Репозиторий содержит веса в формате safetensors. Указана лицензия Gemma. В карточке нет результатов оценки качества или описания конкретных ограничений; специализация на испанском заявлена автором модели.

YoichiTakenaka/deverta-v3-japanese-large-Trust — модель классификации японского текста на основе DeBERTa V2, предназначенная для определения наличия эмоции доверия (Trust). Это один из восьми отдельно дообученных классификаторов эмоций, описанных в пакете DeBERTa Emotion Predictor; модель выдаёт метку и уверенность для положительного класса. Модель принимает отдельный текст или набор текстов и рассчитана на японский язык. В карточке указаны 451,8 млн параметров, контекст до 512 токенов и формат safetensors. Пакет обрабатывает несколько эмоций отдельными моделями, загружая их по мере необходимости, чтобы снизить использование видеопамяти. Модель подходит для анализа эмоциональной окраски японских сообщений и текстов. Лицензия — CC BY-SA 4.0; для использования и распространения следует соблюдать её условия.

lordtt13/emo-mobilebert — модель классификации текста, созданная Tanmay Thakur на основе MobileBERT. Она определяет эмоциональную окраску реплики в диалоге по четырём классам: sad, happy, angry и others. Для контекста могут использоваться сама реплика и два предыдущих хода диалога. Модель построена на архитектуре MobileBERT и содержит 45,1 млн параметров. Она принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса с оценкой уверенности. Обучение выполнено на наборе SemEval-2019 Task 3 EmoContext; карточка демонстрирует применение через Transformers для распознавания эмоций в коротких сообщениях. Модель подходит для анализа эмоциональной окраски англоязычных диалогов. Она не предназначена для надёжного определения сложных или смешанных эмоций, а качество на языках и типах текста за пределами обучающего набора не подтверждено. Лицензия в предоставленных данных не указана.

Эстонская авторегрессионная языковая модель семейства GPT-2, разработанная командой TartuNLP и обученная с нуля на 2,2 млрд слов из Эстонского национального корпуса, News Crawl и Common Crawl. Модель предназначена для генерации продолжений текста на эстонском языке. Для работы перед текстом требуется указывать доменный префикс, например «>generalwebnewsdoajwikiweb<».

HumanSense_Omni_Reasoning — мультимодальная модель Ant Group и Сианьского университета Цзяотун, дообученная на базе Qwen2.5-Omni-7B для понимания человеческих намерений и создания эмпатичных, учитывающих контекст ответов с использованием рассуждений. Она предназначена для анализа длительного видеоконтекста, в том числе с аудио, и выдачи текстовых ответов; в карточке Hugging Face основная задача обозначена как video-text-to-text. Архитектура — плотная Qwen2.5-Omni для условной генерации; модель опубликована в формате safetensors и принимает видео, аудио и текст согласно возможностям базовой omni-модели. Модель обучалась с многоэтапным прогрессивным по модальностям обучением с подкреплением и оценивалась на бенчмарке HumanSense, ориентированном на человекоцентричное восприятие и взаимодействие. Подходит для интерпретации намерений и эмоционального контекста в мультимодальных сценариях и формирования обоснованной обратной связи. Размер базовой модели — 7 млрд параметров; поддерживаемый язык карточки — английский. Лицензия — Apache-2.0. README не приводит отдельных численных характеристик качества модели.

jalo — дообученная на наборе данных, обозначенном в карточке как None, языковая модель на базе distilgpt2. Она использует архитектуру GPT-2 и предназначена для генерации текста; максимальная длина контекста составляет 1024 токена. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не раскрывает назначение дообучения, конкретные сценарии, языки или результаты оценки. Поэтому пригодность модели для определённой тематики и качество её ответов по имеющимся сведениям оценить нельзя.

mssma/ko-solar-10.7b-v0.4 — причинная языковая модель семейства Llama, опубликованная пользователем mssma. Это плотная модель с 10,7 млрд параметров для генерации текста; карточка демонстрирует загрузку через Transformers и использование весов в формате safetensors. Метаданные указывают корейский язык и контекст длиной 2048 токенов. Модель можно использовать для генерации продолжений текста и других сценариев на основе text-generation. Она распространяется по лицензии Apache-2.0. Карточка не описывает специальную настройку, обучение или оценку качества, поэтому её пригодность для конкретных задач следует проверять отдельно.

colable/llama-ko-peft-v0.5 — корейская языковая модель разработчика colable, созданная на основе beomi/open-llama-2-ko-7b и обученная на внутреннем наборе данных. Она предназначена для генерации текста на корейском языке. Модель построена на архитектуре Llama, имеет 6,7 млрд параметров и контекст длиной 2048 токенов. В репозитории представлены веса в формате safetensors. Модель можно применять для генерации корейского текста и диалоговых ответов. Она распространяется по лицензии MIT. README не сообщает о специальных ограничениях или оценках качества.

KBNIT разработала разговорную языковую модель Kolon на базе davidkim205/nox-solar-10.7b-v4. Это плотная Llama-модель с 10,6 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; её контекст составляет 4096 токенов. Модель дообучена с использованием QLoRA с параметрами 128 и 32 и NEFTune на частных данных в течение пяти эпох. Модель предназначена для диалоговых сценариев Kolon и генерации ответов на текстовые запросы. В карточке указаны корейский и английский языки. Репозиторий содержит веса PyTorch; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Качество и ограничения на конкретных задачах в карточке не описаны.

trinhkhng/nuslerp_Merged_gpt2-medium_0.0 — языковая модель, полученная слиянием предварительно обученных моделей GPT-2 с помощью NuSLERP и mergekit. В конфигурации указаны gpt2-medium с весом 1,0 и debias_gpt2-medium с весом 0,0; для токенизатора указан ComCom/gpt2-small. Модель использует архитектуру GPT2LMHeadModel и формат safetensors. Модель предназначена для генерации текста на основе текстового контекста. Окно контекста — 1024 токена. Карточка не приводит специализированных сценариев или языковых характеристик, поэтому область применения можно определить только как общее продолжение текста. Лицензия в предоставленных сведениях не указана.

Модель GAI-LLM/OPEN-SOLAR-KO-10.7B-mixed-v15-dedup разработана Донхуном О, Ханмином Мёном и Ынён Ким из SK C&C G.AI Eng. Это авторегрессионная языковая модель на архитектуре трансформера LLaMA 2, предназначенная для генерации текста на корейском языке. По карточке модели, она дообучена на основе beomi/OPEN-SOLAR-KO-10.7B на объединённом наборе открытых корейских данных с дедупликацией, использующей смешанную стратегию. Модель принимает и генерирует только текст; размер по метаданным — 5,9 млрд параметров, контекст — 2048 токенов. Модель подходит для генерации корейского текста и диалоговых сценариев на её основе. Карточка указывает лицензию CC BY-NC 4.0, которая разрешает использование с указанием авторства, но ограничивает коммерческое применение. Данные не подтверждают отдельные специализированные области применения или дополнительные возможности.

OSim-8B-Mid — модель для симуляции человеческого поведения в диалогах, разработанная авторами проекта OdysSim. Она дообучена методом midtraining на базе Qwen/Qwen3-8B-Base: корпус OdysSim объединяет 62 публичных поведенческих набора данных, около 21,4 млн взаимодействий и 10 млрд токенов. Архитектура — плотная авторегрессионная Qwen3ForCausalLM с 7,6 млрд параметров и контекстом 32 768 токенов. Модель предназначена для генерации следующей реплики от лица пользователя или другого участника разговора по социальному контексту, заданному в системном промпте. Её применяют для симуляции пользователей при оценке диалоговых агентов, социальных симуляций и ролевых сценариев. Обучение охватывает ведение диалога, социальные навыки, когнитивное рассуждение о состояниях собеседников, ролевое поведение и оценочные суждения. В опубликованной оценке на OdysSim модель показала perplexity 4,95 и BLEU 26,72. Это промежуточная midtrained-версия без специализированного RL и экспертной дистилляции; для инструктивного варианта авторы указывают OSim-Inst-8B. Модель распространяется под лицензией MIT. README не уточняет языковой охват; результаты и область применения описаны для разговорной симуляции.

sdadas/polish-gpt2-medium — польскоязычная авторегрессионная языковая модель семейства GPT-2, опубликованная разработчиком sdadas. Она предназначена для генерации текста по текстовой подсказке, например для продолжения польских фраз и создания черновиков. Модель доступна для использования через Transformers; метаданные указывают контекст 2048 токенов и лицензию LGPL. В карточке указаны архитектура GPT2LMHeadModel и форматы PyTorch и Safetensors. Модель ориентирована на польский язык; сведений о размере в переданных метаданных нет.

Это дообученная на TRL модель генерации текста на базе одноязычной GPT-2-модели Goldfish goldfish-models/eng_latn_100mb. Она предназначена для продолжения текста и генерации ответов на английском языке; в примере карточки модели ей предлагают ответить на открытый вопрос. Модель использует архитектуру GPT-2 с плотными слоями, веса опубликованы в формате safetensors, контекст составляет 512 токенов. Карточка не уточняет специализацию обучения или результаты оценки качества. Базовая модель описана как предназначенная для генерации английского текста и исследований языковых моделей. Для использования указаны Transformers и pipeline text-generation. Лицензия в предоставленных данных не указана.

Это арабоязычный классификатор тональности по отношению к заданной теме, созданный для трека Seen Targets соревнования StanceEval-2026 в рамках ArabicNLP 2026. Модель дообучена на UBC-NLP/MARBERTv2 и принимает арабский твит вместе с целевой темой, после чего относит позицию автора к одному из трёх классов: Favor (поддерживает тему), Against (выступает против) или None (нейтральная, не относящаяся к теме или неясная позиция). Модель основана на BERT-архитектуре, имеет около 190 млн параметров и контекст длиной до 512 токенов. Она предназначена для анализа твитов по темам, встречавшимся в обучающих данных: вакцины от COVID-19, цифровая трансформация и расширение прав и возможностей женщин. На dev-наборе Mawqif-v2 авторы сообщают Favg2 82,63; оценка относится к конкретному набору и метрике соревнования. Модель распространяется под лицензией Apache-2.0. Её результаты на новых или существенно отличающихся темах не установлены: обучающая и оценочная постановка ограничена заранее встречавшимися целями.

Tanpo Product — компактная языковая модель, созданная d4rkninja для задач продуктовой стратегии и управления продуктом. Это дообученная модель LiquidAI/LFM2.5-1.2B-Instruct с архитектурой LFM2 и примерно 1,5 млрд параметров; LoRA-адаптер объединён с базовыми весами в формате Transformers Safetensors. Модель принимает текст и генерирует текст. Карточка указывает контекст до 128 000 токенов. Модель предназначена для локального и недорогого развёртывания. Она помогает сравнивать продуктовые инициативы и расставлять приоритеты, планировать дорожную карту, определять метрики и OKR, готовить PRD, анализировать позиционирование, ценообразование и результаты исследований пользователей. README сообщает о росте результата во внутренней автоматической оценке, но отмечает, что оценка охватывала около 20 задач и не является отраслевым бенчмарком. Модель специализирована на продуктовых рабочих процессах: её качество может снижаться за их пределами. Ограниченный размер влияет на объём знаний и способность к сложным рассуждениям, а уверенные ответы при недостатке данных требуют проверки человеком. Она не предназначена для замены исследований клиентов, финансовых прогнозов или решений в юридической, защитной и комплаенс-сферах. Указана лицензия other; конкретные условия лицензии в предоставленных данных не раскрыты.

turkish-gpt2-medium — языковая модель на архитектуре GPT-2 medium, предназначенная для генерации текста и продолжения заданного фрагмента на турецком языке. Модель выпущена под лицензией MIT и доступна в форматах PyTorch, Safetensors и TensorFlow; максимальная длина контекста составляет 1024 токена. Модель подходит для создания и продолжения турецких текстов. Разнообразие обучающих источников, включая веб-страницы и книги, может приводить к смещениям в генерации. README не приводит подробных оценок качества или дополнительных рекомендаций по применению.

Cosmos LLaMa — дообученная командой YTU-CE на турецком корпусе объёмом 30 ГБ языковая модель семейства Llama 3. Это плотная авторегрессионная модель с 7,5 млрд параметров на базе meta-llama/Meta-Llama-3-8B; она предназначена для генерации текста и связного продолжения заданного фрагмента. Модель принимает текст и выдаёт текст, поддерживает турецкий язык и имеет контекстное окно 8192 токена. Обучающие данные включали сайты, книги и другие текстовые источники. Разнообразие корпуса помогает продолжать текст в контексте, но модель может воспроизводить смещения, присутствующие в данных. Репозиторий содержит веса в формате safetensors. Лицензия — Llama 3; перед использованием следует соблюдать её условия.

Модель Pakkapon/wangchanberta-fine-tune-fin-news-sentiment-finnlp-th — дообученная версия nlp-chula/augment-sentiment-finnlp-th для классификации текста. Она основана на архитектуре CamemBERT и содержит 132,5 млн параметров; максимальная длина контекста — 512 токенов. В README приведены результаты оценки: точность 0,7516 и loss 0,8258. Название указывает на анализ тональности финансовых новостей на тайском языке, однако карточка не уточняет обучающий датасет, набор классов и конкретные сценарии применения. Весы опубликованы в формате safetensors. Условия лицензии в доступных данных не описаны.

Модель tiantiaf/whisper-large-v3-msp-podcast-emotion-dim — модель классификации эмоций в речи, разработанная на основе Whisper large-v3 и обученная на данных MSP-Podcast. Она анализирует аудио без использования транскрипта и выдаёт три оценки от 0 до 1: возбуждение (от спокойного до активного состояния), валентность (от отрицательной до положительной) и доминантность (от слабого до сильного состояния). Модель предназначена для исследования и анализа эмоциональных характеристик речи, в том числе в подкастах и другом онлайн-контенте. В описании указано, что использован подход SAILER — решение с лучшим результатом в Speech Emotion Challenge на INTERSPEECH 2025; модель также связана с исследованием Vox-Profile. Обучение на MSP-Podcast может приводить к чувствительности предсказаний к содержанию аудио, что следует учитывать при интерпретации оценок. Репозиторий содержит веса в формате safetensors. Лицензия — OpenRAIL.

Zefiro-7b-sft-ITA — модель с 7,1 млрд параметров, разработанная giux78 для проекта MII Community и дообученная методом SFT для общения на итальянском языке. Это плотная авторегрессионная модель семейства Mistral, созданная на основе mistralai/Mistral-7B-v0.1 с применением подходов Zephyr и Alignment Handbook; в README также упоминается влияние работы над Llamantino. Модель поддерживает генерацию текста и рассчитана на контекст до 32 768 токенов. Модель предназначена для диалогов на итальянском языке и может служить основой для более специализированных разговорных приложений. Для обучения использовался отфильтрованный набор UltraChat-ITA, переведённый вариант UltraChat с синтетическими диалогами. Лицензия — Apache 2.0. В README указано, что модель не проходила RLHF-выравнивание по человеческим предпочтениям и не использует фильтрацию ответов, поэтому может выдавать проблемный контент. Авторы также отмечают, что перевод обучающих данных способен вносить ошибки в синтаксис и смысл; качество модели не следует считать гарантированным для задач, требующих высокой точности.

Это модель BERT multilingual basecased, дообученная автором репозитория на корейском корпусе отзывов о фильмах NSMC (Naver Sentiment Movie Corpus). Она предназначена для классификации тональности корейских текстов, прежде всего отзывов о кино, и может использоваться через конвейер sentiment-analysis в Transformers. Модель содержит около 205,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса тональности. В репозитории указаны веса PyTorch. Модель подходит для автоматической разметки отзывов зрителей и анализа мнений о фильмах. Хотя базовая модель многоязычная, дообучение проводилось на корейском корпусе; подтверждённая основная языковая специализация этой версии — корейский. Лицензия в предоставленных сведениях не указана.

GerPT2 — немецкоязычная модель генерации текста семейства GPT-2, опубликованная Benjamin. В карточке описаны варианты GerPT2 и GerPT2-large; пример загрузки показывает causal language model на базе Transformers. В метаданных для этой модели указаны архитектура GPT2LMHeadModel, форматы PyTorch, TensorFlow, Flax и Safetensors, а также контекст длиной 1024 токена. Модель предназначена для продолжения и генерации немецкого текста. В сравнении на корпусах CC-100 и немецкой Википедии GerPT2 показала более низкую perplexity, чем dbmdz/german-gpt2; GerPT2-large дала лучшие значения среди сравниваемых вариантов. Модель распространяется по лицензии MIT. Следует учитывать общие для GPT-2 ограничения и возможные смещения, на которые ссылается карточка; результатов сравнения недостаточно, чтобы судить о качестве на других задачах.

Japanese Financial SentiCSE — модель эмбеддингов предложений для японских экономических текстов, разработанная на основе SentiCSE (Kim et al., COLING 2024). Она дообучена методом контрастивного обучения с метками тональности на японской RoBERTa rinna/japanese-roberta-base; размер модели — 137,8 млн параметров, архитектура — RoBERTa, максимальная длина контекста — 514 токенов. Вектор предложения получают из скрытого состояния первого токена CLS; слой pooler использовать не следует, поскольку он не обучался. Модель сближает предложения с одинаковой тональностью — положительной, нейтральной или отрицательной — и отдаляет предложения с разной тональностью. Обучение проводилось на Economy Watchers Survey; качество линейного классификатора на CLS-векторе составило macro-F1 0,7466 на валидации и 0,7366 на тесте. Модель подходит для сравнения и поиска японских экономических высказываний с учётом тональности, а также для классификации тональности на основе эмбеддингов. Карточка указывает библиотечный формат PyTorch/Safetensors; отдельная лицензия в предоставленных данных не приведена.

Phuoc06/my_awesome_eli5_clm-model — дообученная автором Phuoc06 компактная англоязычная модель семейства GPT-2 на базе distilbert/distilgpt2 для генерации текста. Она использует архитектуру GPT2LMHeadModel, библиотеку Transformers и веса в формате Safetensors; контекст составляет 1024 токена. В карточке указана оценка Loss 3,8025 на тестовом наборе, однако название и состав набора данных не раскрыты, поэтому эта оценка не позволяет уверенно судить о качестве для конкретных задач. Модель распространяется по лицензии Apache-2.0.

fairewholesale/product-taxonomy-llava-hf-v1.6-13b — модель LLaVA в формате Hugging Face, полученная из actuaryzhang/product-taxonomy-llava-v1.6-13b. Репозиторий создан преобразованием модели в формат Hugging Face с помощью изменённого скрипта конвертации; доступны веса safetensors и архитектура LlavaForConditionalGeneration на базе Transformers. Модель предназначена для диалоговой работы с изображениями и текстом. Хотя она обозначена как v1.6 (LLaVA-NeXT), в ней отсутствуют некоторые улучшения обработки изображений из LLaVA-NeXT: в частности, не используется улучшенный механизм обработки изображений, а тензор image_newline отсутствует. Карточка не сообщает лицензию и точное число параметров.

Project Indus — языковая модель на архитектуре GPT-2, разработанная Нихилом Малхотрой, Нилешем Брамхе, Сатишем Мишрой и Винаем Шармой из Makers Lab, TechMahindra. Это предварительно обученная и настроенная на инструкции модель для генерации текста, диалогов и ответов на вопросы на хинди и его диалектах. В README также заявлена поддержка бходжпури, майтхили и догри. Модель предназначена для чат-ботов и помощников, в том числе для сценариев контакт-центров, телекома и автомобильной отрасли. Карточка описывает планируемое применение в разных отраслях, включая здравоохранение, но предостерегает от использования для медицинских диагнозов и других решений с высокими ставками. Контекст модели — 1024 токена; формат весов — safetensors. Лицензия в метаданных указана как OSL-3.0. Среди ограничений — склонность к галлюцинациям и возможное воспроизведение стереотипов. README отмечает, что модель обучалась на одиночной настройке инструкций, поэтому для прикладных задач может потребоваться дополнительная адаптация; она также не предназначена для заполнения пропусков и множественных вопросов и ответов.

shalev396/purchase-propensity — набор компактных моделей и сегментации RFM для электронной торговли. Основная модель по умолчанию — логистическая регрессия scikit-learn с 24 параметрами; также доступны MLP на PyTorch с 3 649 параметрами и сегментация клиентов по давности, частоте и сумме покупок. Модели классифицируют однодневные сессии сайта по 23 бинарным признакам, например добавлению товара в корзину, просмотру оформления заказа, входу в аккаунт и типу устройства. Модель предназначена для оценки склонности посетителя к покупке в текущей сессии, ранжирования сессий и выделения клиентских сегментов для анализа электронной торговли. Для обученной модели автор приводит ROC-AUC 0,9974 и PR-AUC 0,8995 на тестовой выборке; логистическая регрессия выбрана моделью по умолчанию как более компактная и интерпретируемая. Репозиторий распространяется по лицензии MIT. Вероятности не откалиброваны из-за балансировки классов при обучении, поэтому их не следует трактовать как буквальную вероятность покупки. Признаки позднего этапа воронки могут фактически отражать уже начавшееся оформление заказа: это оценка намерения в текущей сессии, а не ранний прогноз. Данные получены для одного магазина и ограниченного периода; качество на других магазинах и новых типах сессий не установлено.

karthikqnq/qnqgpt2 — дообученная авторегрессионная языковая модель на архитектуре GPT-2, опубликованная пользователем karthikqnq. Она предназначена для генерации продолжения текста по текстовому запросу. В метаданных указаны базовая модель openai-community/gpt2, контекст 1024 токена, формат safetensors и языки английский и тамильский. Модель заявлена как GPT-2, но сведения о конкретных сценариях применения и обучающих данных в карточке не раскрыты. Лицензия — MIT.