III.2Исследование рынка и маркетинг

Qwen3.6-Queen-27B — дообученная мультимодальная модель на 27 млрд параметров, созданная aifeifei798 на базе Qwen/Qwen3.6-27B. Она предназначена для диалогов и ролевых сценариев, написания постов для соцсетей, промптов, песен и развёрнутых текстов; карточка также описывает работу с изображениями и адаптацию для мобильных устройств. В модели заявлены персонажи для X, TikTok, Instagram, Twitch и LinkedIn, а также быстрые ответы на английском языке. Модель использует плотную архитектуру семейства Qwen3.5 и распространяется в формате safetensors для Transformers. README заявляет уменьшение влияния отказов базовой модели и улучшение скорости вывода, но не приводит методику или независимую проверку этих утверждений. Лицензия — Apache-2.0. Параметры контекста в предоставленных сведениях не указаны.

nchcalvin/results — дообученная модель генерации текста на архитектуре GPT-2, разработанная на основе openai-community/gpt2. Она предназначена для продолжения текста и генерации текстовых ответов; конкретная область применения и обучающий набор данных в карточке не раскрыты. Модель использует библиотеку Transformers, веса представлены в форматах PyTorch и Safetensors, длина контекста — 1024 токена. В карточке приведён результат оценки: loss 3,3851. Модель распространяется по лицензии MIT. Поскольку данные обучения неизвестны, качество и пригодность генерации для конкретных тем или сценариев оценить по карточке нельзя.

Карточка модели KlingTeam/VidEmo-3B на Hugging Face совпадает с карточкой KlingTeam/VidEmo-7B, поэтому описание составлено по ней. 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.

Модель wavlm-bert-fusion-s-emotion-russian-resd разработана для распознавания эмоций в русской речи. Это мультимодальный классификатор, который совместно анализирует аудиосигнал и его текстовую расшифровку: аудиоветвь основана на WavLM/wav2vec2, дообученной для русского распознавания речи, а текстовая — на DeepPavlov/rubert-base-cased. Модель содержит 504 млн параметров и принимает монофоническое аудио с частотой 16 кГц и текст произнесённой реплики. Она относит высказывание к одному из семи классов: гнев, отвращение, энтузиазм, страх, счастье, нейтральное состояние или грусть. Обучение проводилось на датасете Aniemo­re/resd. На тестовой выборке RESD модель показала macro-F1 0,794, однако результаты на подкастах и наборе CAMEO существенно ниже. Модель подходит для анализа эмоциональной окраски русских реплик, когда доступна расшифровка речи. Главные ограничения связаны с обучением на сбалансированной постановочной речи: на спонтанной речи модель часто переоценивает эмоциональные классы. Она рассчитана только на русский язык, семь заданных классов и отдельные реплики; перед применением на собственных данных рекомендуется оценить качество и откалибровать вероятность нейтрального класса. Лицензия — MIT.

ckt2 — дообученная модель генерации текста на архитектуре GPT-2, созданная на основе samhitmantrala/ckt1. В README указана оценка loss 0,6151 на наборе для оценки, но сведения о датасете и методике оценки отсутствуют. Модель предназначена для генерации текста. Контекст составляет 1024 токена. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. В карточке не описаны целевые сценарии, языки или ограничения применения.

COKAL-DPO_test-v2-13b — авторегрессионная языковая модель на 12,9 млрд параметров, разработанная Сынгю Ли (DopeorNope) в исследовательском консорциуме южнокорейских компаний Media Group Saramgwa Sup и Marker. Модель основана на архитектуре LLaMA 2 и предназначена для генерации текста; она принимает и выдаёт только текст. Нативная длина контекста — 2048 токенов. Модель дообучена методом DPO на корейском наборе предпочтений DopeorNope/DPO-Ko-Dataset после SFT на корейском наборе DopeorNope/Orca_Near_Dedup-v2. Она подходит для генерации ответов и диалогового текста на корейском языке. Модель доступна по лицензии CC BY-NC-SA 4.0, которая требует указания авторства, распространения производных работ на тех же условиях и запрещает коммерческое использование.

baptle выпустила дообученную модель FinBERT для классификации финансовых новостей по реакции рынков на события. Модель обучена на заголовках новостей о мировых фондовых рынках и использует рыночные последствия как основу для анализа тональности; в карточке это противопоставляется разметке по субъективным оценкам экспертов. Модель построена на архитектуре BERT и содержит 136,7 млн параметров. Она принимает текст и выполняет классификацию последовательностей; контекст ограничен 512 токенами. Разработчик сообщает о сравнительных улучшениях точности и полноты относительно нескольких моделей, однако приведённые метрики на валидации составляют 0,497 для macro F1 и 0,563 для micro F1. Модель предназначена для анализа финансовых новостей, но качество на других типах текста или рынках карточкой не подтверждено. Лицензия в предоставленных данных не указана.

GPT2-Large Dutch — авторская языковая модель автора yhavinga, обученная с нуля для генерации нидерландского текста. Модель содержит 762 млн параметров, использует архитектуру GPT-2 и токенизатор BPE, обученный специально для нидерландского языка. Она обучалась на очищенном нидерландском подмножестве mC4; в README указана perplexity 15,1. Модель предназначена для продолжения нидерландского текста и генерации по заданному фрагменту. Её контекстное окно составляет 1024 токена. Доступны веса в форматах PyTorch, Flax и safetensors. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя.

Humaneyes — англоязычная модель Eemansleepdeprived для преобразования текста, созданная на основе PEGASUS и дообученная на tuner007/pegasus_paraphrase. Она перефразирует сгенерированный ИИ текст, стремясь сделать его более естественным, сохраняя исходный смысл и связность абзацев. Модель предназначена для редактирования и стилистической переработки англоязычных текстов; автор также заявляет сценарии снижения вероятности обнаружения ИИ-генерации. Модель содержит 366,8 млн параметров, использует архитектуру PegasusForConditionalGeneration и библиотеку Transformers. Указанная длина контекста — 60 токенов, поэтому длинные тексты могут требовать обработки частями. Автор предупреждает о возможных смысловых сдвигах и о том, что обход систем обнаружения ИИ не гарантируется. Лицензия — MIT.

Illuma — модель генерации изображений по текстовому описанию, опубликованная fuhaddesmond как копия Salesforce/BLIP3o-NEXT-GRPO-TexT-3B. Она использует двухэтапную архитектуру: авторегрессионная часть на базе Qwen2.5-VL генерирует визуальные токены, а декодер диффузии SANA 1.5 преобразует их в изображение. В README указано около 4 млрд параметров суммарно, тогда как метаданные Hugging Face указывают 1,9 млрд; поэтому размер модели противоречив. Метаданные также относят архитектуру к семейству llava_qwen_grpo. Модель предназначена для создания изображений по текстовым запросам. Обучение GRPO, согласно README, улучшило отображение текста внутри сгенерированных изображений. Карточка предлагает локальный запуск и развёртывание через Hugging Face Inference Endpoints с пользовательским обработчиком. Репозиторий распространяется по лицензии Apache 2.0.

Модель theharmonylab/implicit-motives-affiliation-roberta-large — дообученная версия FacebookAI/roberta-large для классификации текста. Она обучена на GLUE SCHONE_AFF и предназначена для определения аффилиационных мотивов в тексте. В карточке приведены результаты на оценочной выборке: loss 0,1011 и ROC AUC 0,9877. Модель содержит 454,1 млн параметров, использует архитектуру RoBERTa для классификации последовательностей и принимает текст длиной до 514 токенов. Указан английский язык. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Карточка не уточняет метки классов и ограничения применения, поэтому результаты на другом распределении данных не подтверждены.

acrastt/IS-LM-3B — языковая модель на архитектуре StableLM Epoch, дообученная автором репозитория на наборе DataForge Economics в течение трёх эпох с помощью QLoRA. Модель содержит 2,7 млрд параметров, принимает текст и генерирует текст; для общения в карточке приведён шаблон USER/ASSISTANT. Максимальный контекст — 4096 токенов. Модель предназначена для генерации ответов и текста по экономическим темам. В репозитории доступны веса PyTorch и safetensors; в README также упомянуты GGUF-квантизации. Лицензия — CC BY-SA 4.0.

taeminlee/kogpt2 — репозиторий с KoGPT2 версии 1.0 от SKT-AI, подготовленной для использования через библиотеку Transformers. Это плотная авторегрессионная языковая модель семейства GPT-2 для генерации текста; карточка приводит примеры применения для повседневного диалогового чат-бота и генерации отзывов о косметике. Модель поддерживает корейский язык, имеет контекст до 1024 токенов и опубликована в форматах PyTorch, Flax и Safetensors. В карточке сказано, что SKT-AI выпустила KoGPT2 версии 2.0, но этот репозиторий содержит версию 1.0. Указанные примеры не гарантируют точность или фактическую достоверность сгенерированных ответов и отзывов. Лицензия в доступных сведениях не приведена.

mssma/ko-solar-10.7b-v0.13 — авторегрессионная языковая модель семейства LLaMA с плотной архитектурой, опубликованная в формате safetensors для библиотеки Transformers. Она содержит 10,7 млрд параметров и рассчитана на генерацию текста на корейском языке; карточка показывает загрузку через AutoModelForCausalLM и AutoTokenizer с точностью float16 и автоматическим распределением по устройствам. Модель может использоваться для генерации и продолжения корейского текста. Окно контекста составляет 2048 токенов. Лицензия Apache-2.0. README не сообщает базовую модель, способ обучения или оценку качества.

MaLLaM 3B — языковая модель компании Mesolitica, предварительно обученная с нуля на малайзийских текстах. Она использует плотную архитектуру Mistral и содержит 2,9 млрд параметров; обучение проводилось на 90 млрд токенов. Модель предназначена для генерации текста на малайском языке и сценариев, где требуется продолжать или создавать текст. В README заявлена длина контекста 4096 токенов, тогда как метаданные каталога указывают нативный контекст 32768 токенов. Для обучения использовались вычислительные узлы с ускорителями A100. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

xipho/mt5-small-finetuned-amazon-en-es — дообученная модель Google mT5-small для суммаризации текста. Она построена на архитектуре MT5ForConditionalGeneration и содержит 157,4 млн параметров; веса представлены в формате safetensors. Название указывает на настройку для текстов Amazon на английском и испанском языках, однако карточка не описывает обучающую выборку и конкретные сценарии использования. Модель принимает текст и генерирует его краткое изложение. В README приведены результаты оценки: ROUGE-1 0,1282, ROUGE-2 0,0526 и ROUGE-L 0,1213. Это дообучение базовой google/mt5-small; лицензия — Apache-2.0.

Модель ayeshayasir7543458/results — версия DistilBERT, дообученная на датасете отзывов о фильмах IMDB для классификации тональности на положительную и отрицательную. Она принимает текст отзыва и возвращает метку класса; архитектура — DistilBertForSequenceClassification, формат весов — safetensors. Модель предназначена для анализа англоязычных отзывов о кино; заявленная длина контекста — 512 токенов. В README приведены метрики на оценивании: accuracy 0,893, precision 0,8699, recall 0,9180 и F1 0,8933. Модель выпущена под лицензией Apache-2.0. Результаты относятся к задаче и данным IMDB; качество на других жанрах текста или языках не подтверждено.

Модель zhayunduo/roberta-base-stocktwits-finetuned — дообученная для классификации финансовых сообщений версия RoBERTa-base, опубликованная пользователем zhayunduo. Она определяет, выражает ли комментарий инвестора на Stocktwits настроения Bullish («бычьи») или Bearish («медвежьи»). Модель предназначена для анализа тональности сообщений и обсуждений об инвестициях на английском языке. Модель имеет архитектуру RoBERTa для классификации последовательностей, содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. В описании обучения указаны 3,2 млн размеченных комментариев Stocktwits и точность на валидации 92,1% после трёх эпох. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Результаты относятся к указанной в карточке валидационной выборке; качество на других источниках и современных финансовых текстах отдельно не подтверждено.

Это модель классификации тональности комментариев о турецком фондовом рынке на положительные, нейтральные и отрицательные. Она предназначена для анализа настроений инвесторов и финансовых обсуждений на турецком языке. Модель построена на архитектуре BERT для классификации последовательностей, содержит 137,8 млн параметров и принимает текст длиной до 512 токенов. В README заявлена точность 97% на тестовом наборе, однако описание не приводит протокол оценки и подробности датасета. Модель дообучена на базе google-bert/bert-base-uncased согласно метаданным; README называет другой источник — dbmdz/bert-base-turkish-uncased. Лицензия — MIT.

ZooClaw-FashionSigLIP2 — специализированный для моды vision-language энкодер, разработанный для платформы ZooClaw AI agents и дообученный на базе google/siglip2-base-patch16-384. Модель использует архитектуру SigLIP2 ViT-B/16 с визуальной и текстовой башнями и примерно 375 млн параметров. Она кодирует изображения и текст в согласованные векторы размерности 768; изображения подаются в размере 384 × 384 RGB. Модель предназначена для поиска товаров по изображению или текстовому запросу, поиска похожих изображений, сопоставления изображений с описаниями и классификации изображений по текстовым меткам без отдельного классификатора. Её можно применять для поиска и рекомендаций в каталогах одежды и других модных товаров. В README также описан доступ к модели через API ZooData. Репозиторий распространяется по лицензии Apache-2.0.

Модель textattack/distilbert-base-uncased-imdb — классификатор текстовых последовательностей на архитектуре DistilBERT, дообученный TextAttack на датасете IMDb. Она предназначена для определения тональности отзывов о фильмах и различения положительных и отрицательных отзывов. Модель работает с текстом; максимальная длина последовательности в метаданных составляет 512 токенов, а при обучении использовалась длина до 128 токенов. На проверочной выборке модель достигла точности 0,88; лучший результат был получен после двух эпох обучения. Это специализированная модель для классификации отзывов, поэтому её результаты на других темах или типах текстов могут быть хуже. Модель сохранена в формате PyTorch; сведения о лицензии в доступных данных отсутствуют.

DISTILBERT-IMDB-HUGGINGFACE — модель классификации текста на базе DistilBERT, дообученная автором репозитория cyh002 на наборе данных неизвестного происхождения. Она предназначена для классификации текстовых отзывов, в частности анализа тональности отзывов о фильмах по IMDB. Архитектура — DistilBertForSequenceClassification; модель принимает текст и выдаёт метку класса. Максимальная длина контекста составляет 512 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. В README приведены результаты оценки: accuracy 0,912 и F1 0,9113; состав и методика оценки не описаны. Базовая модель DistilBERT использует английский регистр-независимый вариант BERT, поэтому модель ориентирована на англоязычные отзывы. Данных о точных метках классов, обучающей выборке и ограничениях применения недостаточно.

GovRoBERTa-governance — модель на архитектуре RoBERTa, разработанная для классификации текстов об управленческих аспектах ESG. Её создали на основе GovRoBERTa-base и дополнительно дообучили на датасете из 2 тысяч примеров governance-текстов, чтобы выявлять тексты, относящиеся к этой теме. Модель содержит 151,8 млн параметров, принимает текст и выдаёт результат классификации; максимальный контекст — 514 токенов. В карточке указан английский язык и лицензия Apache-2.0. Модель предназначена для отбора и анализа корпоративных коммуникаций по теме корпоративного управления в рамках ESG-исследований и мониторинга. Авторы рекомендуют более быструю и менее требовательную к ресурсам GovernanceBERT-governance: её качество, по их описанию, лишь немного ниже.

indic-gpt — дообученная модель GPT-2 от автора aashay96, обученная на данных на нескольких индийских языках: ассамском, бенгальском, гуджарати, каннада, малаялам, телугу, тамильском, одия и панджаби. Она предназначена для генерации текста на этих языках и может использоваться для создания продолжений и черновиков текста. Модель построена на архитектуре GPT-2, распространяется в формате PyTorch и имеет контекстное окно 1024 токена. В карточке приведено значение loss 1,9482 на оценочном наборе, но сведения о наборе и методике оценки ограничены. Модель распространяется по лицензии MIT. Карточка не описывает специальные ограничения применения или гарантии качества.

lightblue/japanese-mpt-7b — текстовая генеративная модель на архитектуре MPT-7B, обученная разработчиком lightblue на базе чекпойнта mosaicml/mpt-7b. Для обучения использован японский поднабор датасета mC4; модель рассчитана на генерацию текста на японском языке. Модель представлена в формате PyTorch и распространяется по лицензии Apache-2.0. README рекомендует установить пакет einops для загрузки модели. Сведений о длине контекста и результатах оценки качества в доступных данных нет.

MatAIart/kurzgesagt-style-v2-768 — модель генерации изображений по текстовому описанию, созданная методом DreamBooth на базе модели v2-768. Она предназначена для создания изображений в стиле Kurzgesagt: в запросе рекомендуется указывать название этого стиля. Модель распространяется в формате Diffusers/PyTorch и использует библиотеку Diffusers. Лицензия — CreativeML OpenRAIL-M.

Модель animay1106/my_awesome_eli5_clm-model — дообученная версия компактной англоязычной distilbert/distilgpt2 для генерации текста. Она построена на архитектуре GPT-2 и предназначена для автодополнения и создания черновиков текста. Контекст модели составляет 1024 токена; веса опубликованы в формате safetensors, для работы используется библиотека Transformers. В карточке указана оценка Loss 3.8085 на наборе для оценки, но назначение дообучения и характеристики данных не раскрыты. Модель распространяется по лицензии Apache-2.0.

SenseNova-U1-8B-MoT-Interleaved — мультимодальная модель SenseNova на архитектуре NEO-unify, представленная как часть семейства SenseNova U1. Она объединяет понимание изображений и генерацию в единой архитектуре и специально оптимизирована для чередования текста и изображений в многостраничных материалах: иллюстрированных руководствах, рассказах, учебниках и презентациях. Модель поддерживает генерацию текста и изображений, а также сценарии мультимодального диалога; для запуска доступны веса safetensors и интеграция с Transformers. По сравнению с базовой SenseNova-U1-8B-MoT, версия Interleaved улучшает связность повествования, постоянство персонажей и стиля, а также соответствие текста изображениям на нескольких страницах. README указывает на поддержку многостраничных презентаций, отсутствующую у базовой модели. В карточке приведена лицензия Apache-2.0. Для производственного обслуживания разработчики рекомендуют отдельный стек LightLLM и LightX2V; показатели качества и численный размер контекстного окна в предоставленных данных не указаны.

ShopSphere AICV TabTransformer v2 — модель классификации табличных данных на PyTorch, разработанная для академического проекта по аналитике маркетинга на основе данных. Она предсказывает отток клиентов интернет-магазина по синтетическому набору данных ShopSphere из 12 000 наблюдений за 1 000 клиентов и 12 месяцев. Модель использует архитектуру в стиле TabTransformer и предназначена для демонстрации прогнозирования оттока и анализа маркетинговых сценариев. В README приведено сравнение с логистической регрессией и градиентным бустингом; порог классификации 0,17 выбран на валидационных данных с учётом заданного соотношения стоимости потерянного клиента и удерживающего предложения. Доступен формат ONNX.

Qwen3-4B GRPO CollabLLM medium, step 129 — экспериментальный чекпойнт yuhan-nlp, полученный дообучением Qwen/Qwen3-4B методом GRPO на задаче написания документов CollabLLM medium без предварительного SFT. Это плотная авторегрессионная языковая модель на 3,7 млрд параметров с контекстом до 40 960 токенов; чекпойнт в формате safetensors загружается напрямую через Transformers. Модель предназначена для диалогового совместного написания документов и генерации текста. В тесте на 100 примерах версия шага 129 не улучшила BLEU относительно шага 100, а интерактивность диалога снизилась. README также отмечает утечку целевых ответов между обучающими и оценочными промптами в 35 из 100 случаев и то, что выигрыш сводной метрики в значительной степени объясняется сокращением длины ответов. Результаты следует считать ограниченными этим экспериментальным протоколом. Лицензия — MIT.