III.2Исследование рынка и маркетинг

Модель lupobricco/irony_classification_single_label_base — дообученная версия итальянской языковой модели Musixmatch/umberto-commoncrawl-cased-v1 на классификацию текста по метке иронии. Она предназначена для определения ироничных высказываний в текстовых данных. Модель построена на архитектуре CamemBERT и содержит 137,8 млн параметров; длина контекста составляет 514 токенов. В README приведены результаты на оценочной выборке: accuracy 0,6227 и F1 0,5853. Данные о наборе для обучения и подробности использования в карточке не раскрыты. Репозиторий содержит веса в формате safetensors. Лицензия не указана в доступных данных.

MelissaJ разработала дообученную модель KoELECTRA-base-v3 для классификации эмоций в коротких корейских высказываниях. На одно высказывание модель выдаёт вероятности для семи классов: радость, гнев, обида, тревога, смущение, грусть и нейтральный тон. Модель основана на ELECTRA с 140,1 млн параметров и контекстом до 512 токенов по метаданным; в README для входа указана длина до 128 токенов. Модель подходит для анализа эмоциональной окраски реплик в чатах и диалогах. Обучение проводилось на корейских эмоциональных высказываниях и нейтральных новостных заголовках и вопросах; автор сообщает о точности 0,6745 и macro F1 0,6699 на валидационной выборке с аугментацией стиля. Лицензия — Apache-2.0. Границы между обидой, грустью и тревогой распознаются неуверенно: для этих классов F1 около 0,5. Нейтральные разговорные предложения в неформальном стиле могут ошибочно классифицироваться как эмоциональные, а модель рассчитана на отдельные короткие высказывания, а не длинные тексты.

cringepnh/koelectra-korean-sentiment — модель классификации текста, разработанная на основе KoELECTRA и дообученная на датасете NSMC для определения тональности корейских отзывов о фильмах. Она относит отзыв к одному из двух классов: положительному или отрицательному. Модель построена на архитектуре ELECTRA, содержит 140,1 млн параметров и принимает последовательности длиной до 512 токенов; при обучении использовалась максимальная длина 128 токенов. На очищенной тестовой выборке из 48 416 отзывов модель показала преимущество по точности в 3,72 процентного пункта перед символьным TF-IDF с логистической регрессией, однако требует существенно больше вычислений и имеет более высокую задержку. Она предназначена для анализа отзывов на корейском языке, а не для нейтральной тональности или текстов из других областей. Отрицательные отзывы модель пропускает чаще, чем положительные; результаты получены на одном разбиении и одном seed. Лицензия — MIT.

MiniCPM5-1B Viva Mais v2 — текстовая разговорная модель на базе архитектуры Llama, разработанная marinarosa и дообученная от marinarosa/minicpm5-1b-vivamais-v1. Она предназначена для диалогов на бразильском португальском и ответов на вопросы с опорой на предоставленный контекст, включая сценарии вопросов и ответов по панели Viva Mais. Веса содержат 837,6 млн параметров, модель поддерживает контекст до 131 072 токенов и распространяется в формате safetensors через Transformers. Для обучения использованы открытые португалоязычные инструкции под лицензией Apache-2.0, диалоговые данные, дистиллированные от учителя Qwen3, и очищенный набор вопросов и ответов по панели Viva Mais. В README указана лицензия Apache-2.0. Это дообученная модель, поэтому её ответы и качество зависят от обучающих данных и входного контекста; заявленные сценарии ориентированы на бразильский португальский. В опубликованный набор не включены исходные экспорты WhatsApp, идентификаторы клиентов, документы, удостоверяющие личность, или локальные приватные данные.

bornil20005/my_awesome_eli5_clm-model — дообученная авторами модели bornil20005 модель distilbert/distilgpt2 для генерации текста. Она построена на архитектуре GPT-2 и сохранена в формате safetensors; базовая модель описана как компактная англоязычная версия GPT-2 для автодополнения и творческих черновиков. В карточке указана оценка loss 3,7765 на наборе оценки, но назначение дообучения и состав данных не раскрыты. Модель принимает текст и генерирует текст, с контекстом до 1024 токенов. Лицензия — Apache-2.0.

OSim-4B (mid-trained, text) — промежуточно дообученная текстовая модель из семейства OdysSim, разработанная cmu-lti на базе Qwen3-4B-Base. Модель обучена на корпусе OdysSim из 62 поведенческих датасетов, охватывающих пять осей Soul, и предназначена для моделирования поведения и генерации текстовых ответов в сценариях симуляции пользователей. Модель имеет плотную архитектуру Qwen3ForCausalLM с 3,7 млрд параметров, принимает текст и генерирует текст; размер контекстного окна — 32 768 токенов. Это промежуточный чекпойнт midtraining, родственный post-trained версии OSim-4B; README не сообщает отдельные результаты оценки качества или конкретные ограничения поведения. Лицензия — MIT.

Это дообученная полносвязная языковая модель на 7,6 млрд параметров, созданная на основе Qwen/Qwen3-8B и обученная на датасете control_tweet_1m_en. Модель предназначена для генерации текста в диалоговом формате; базовая модель также поддерживает рассуждения, выполнение инструкций, работу с кодом и вызов инструментов, но эти возможности отдельно для данного дообучения не описаны. Модель использует архитектуру Qwen3ForCausalLM и принимает текст, выдавая текст. Её родной контекст составляет 40 960 токенов. Название датасета указывает на англоязычные твиты, однако README не уточняет обучающую цель и качество модели именно на этом материале. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели.

bramb0/roberta-steam-review-emotions — англоязычная модель классификации текста, разработанная на основе RoBERTa и дообученная для распознавания 28 эмоциональных состояний в отзывах об играх. Модель возвращает оценки для меток, охватывающих, например, радость, раздражение, разочарование, любопытство и нейтральную реакцию. Она предназначена для анализа отзывов Steam, а также игровых обсуждений в Reddit и Discord, в том числе для определения эмоциональной реакции игроков. Модель имеет архитектуру RoBERTa для классификации последовательностей, содержит 151,8 млн параметров и поддерживает контекст до 514 токенов. Обучение проводилось на синтетических эмоциональных метках, созданных с помощью LLM для датасета игровых отзывов. Лицензия — MIT.

tf-allociné — модель анализа тональности французских отзывов, разработанная Тэофилем Бларом. Она основана на CamemBERT и дообучена на большом наборе пользовательских отзывов с сайта Allociné.fr. Модель классифицирует текстовые отзывы, например, чтобы определить их эмоциональную окраску. Модель содержит 137,8 млн параметров, построена на архитектуре CamemBERT и доступна в формате TensorFlow. Максимальная длина контекста — 514 токенов. В README указаны точность 97,44% и F1-мера 97,34% на тестовой выборке; эти результаты относятся к оценке на данных проекта и не гарантируют аналогичного качества на других текстах. Карточка не указывает лицензию, поэтому условия использования по ней определить нельзя. Модель предназначена для классификации французских текстов и может хуже работать на других языках, длинных текстах или отзывах, не похожих на данные Allociné.fr.

Harsha901/tinybert-imdb-sentiment-analysis-model — компактная модель классификации текста на базе TinyBERT, дообученная для определения тональности отзывов о фильмах. Она относит отзыв к одному из двух классов: положительный или отрицательный. Модель использует архитектуру BERT и содержит 15,6 млн параметров. В метаданных указан контекст до 512 токенов; в README для обучения описана максимальная длина 300 токенов. Модель обучена на подмножестве IMDB из 4 000 тренировочных и 1 000 тестовых отзывов; на тестовой выборке из 1 000 примеров точность составила 88,02%. Поддерживаемый язык — английский. Модель подходит для автоматической сортировки и анализа англоязычных отзывов о кино. Её результаты могут быть менее надёжны на других жанрах текста, языках или темах, поскольку обучение описано только на небольшом подмножестве IMDB. Лицензия — MIT.

alter-wang/bert-base-japanese-emotion-lily — модель на архитектуре BERT Base, разработанная на основе tohoku-nlp/bert-base-japanese и дообученная для распознавания эмоций в японском тексте. Она классифицирует текст по десяти категориям: удивление, гнев, неприязнь, возбуждение, страх, радость, симпатия, облегчение, грусть и стыд. Модель предназначена для классификации японских предложений, в частности эмоциональных записей в блогах. Дообучение проводилось на наборе примерно из 1 000 предложений, около 100 на каждую категорию. Модель содержит 137,8 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. Небольшой и сбалансированный по категориям обучающий набор ограничивает надёжность обобщения на другие жанры, формулировки и распределения эмоций; README не приводит метрик качества. Лицензия в предоставленных данных не указана.

Austism/chronos-hermes-13b — объединённая модель на основе Chronos-13B и Nous-Hermes-13B в пропорции 75/25. Она использует архитектуру Llama с плотной моделью примерно на 12,9 млрд параметров и предназначена для генерации текста, особенно выразительных историй и продолжения повествования. По описанию автора, модель сочетает стиль Chronos с большей связностью и лучшим следованием инструкциям, чем предыдущая версия объединения. Модель принимает текст и генерирует текст; заявленная длина контекста — 2048 токенов. В карточке указана лицензия other, поэтому конкретные условия использования следует сверять с лицензиями исходных моделей и файлами репозитория.

BaoNhan/distilbert-multilingual-UITVSMEC — модель классификации эмоций во вьетнамских текстах из социальных сетей. Она разработана на основе distilbert-base-multilingual-cased, дообученной на наборе UIT-VSMEC, и выдаёт одну из семи меток: гнев, отвращение, удовольствие, страх, прочее, грусть или удивление. Модель принимает текст; максимальная длина контекста по метаданным — 512 токенов. В оценке на тестовой выборке UIT-VSMEC средняя Macro-F1 составила 0,3027, точность — 0,4853. Набор данных небольшой, несбалансированный по классам и отражает вьетнамский язык социальных сетей определённого периода; эмоции субъективны, поэтому предсказания не подходят для психологической оценки. Лицензия в предоставленных данных не указана.

Модель dennisjooo/emotion_classification — классификатор изображений на базе Vision Transformer (ViT), дообученный на наборе FastJobs/Visual_Emotional_Analysis. Она предназначена для определения эмоциональной категории по изображению; в наборе данных используется восемь меток. Модель содержит 113,2 млн параметров и принимает изображения, масштабируемые до 224 × 224 пикселей. На тестовой выборке автор сообщает точность 0,6687, F1 0,6713 и precision 0,7104. Эти показатели относятся к указанному разделению набора данных и не гарантируют такого же качества на других изображениях. Модель опубликована в форматах PyTorch и Safetensors под лицензией Apache-2.0.

FinBERT Indonesia — классификатор тональности финансовых новостей на индонезийском языке, разработанный Michael Manurung. Это дообученная версия ProsusAI/finbert на примерно 500 вручную размеченных заголовках из индонезийских источников; архитектура основана на BERT с классификационной головой для трёх классов: положительный, нейтральный и отрицательный. Модель принимает текст и выдаёт метку тональности. Размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для анализа тональности заголовков финансовых новостей на Bahasa Indonesia, например для выявления оптимистичных, нейтральных и негативных сообщений о рынке, компаниях и экономических событиях. В README приведена оценка на бенчмарке индонезийского финансового анализа тональности: accuracy 0,299 и F1 0,276; эти результаты указывают на ограниченное качество и необходимость проверки на целевых данных. Выпущена под лицензией MIT.

FLUX.2 klein-4B 1-step RDM — экспериментальная одноступенчатая модель генерации изображений по тексту от автора репозитория epfl-vita. Она получена полным дообучением 4-миллиардной DiT-модели FLUX.2 klein-4B с дистилляцией методом Representation Distribution Matching (RDM): ученик за один проход приближает распределение изображений четырёхшаговой модели-учителя. Для работы используются текстовый энкодер Qwen3 и VAE базового пайплайна; веса генератора представлены в safetensors и bfloat16. Модель предназначена для быстрого создания изображений по текстовым запросам: генерация выполняется при разрешении 512×512 примерно за 0,15–0,3 секунды на изображение согласно карточке. В описанных оценках она показала хорошие результаты на композиции объектов и предпочтениях изображений, однако часть промптов GenEval входила в обучение, а обобщение на отложенные композиционные тесты ещё не измерено. Указана лицензия Apache-2.0.

GPT-Neo 125M Dutch — языковая модель семейства GPT-Neo, разработанная yhavinga и обученная с нуля на очищенном нидерландском корпусе mC4. В модели около 137,7 млн параметров; она использует плотную архитектуру GPTNeoForCausalLM и рассчитана на контекст до 2048 токенов. Для токенизации применяется BPE-токенизатор, обученный на нидерландских данных. Модель предназначена для продолжения нидерландского текста и генерации текста через Transformers. В README приведена perplexity 20,9 на очищенном нидерландском mC4. Доступны веса в форматах PyTorch, Flax и safetensors; лицензия в предоставленных данных не указана.

gigauser/kcbert_nsmc_tuning — корейская модель классификации последовательностей на основе BERT, дообученная на beomi/kcbert-base с использованием набора NSMC, содержащего корейские рецензии на фильмы. Она предназначена для классификации тональности коротких отзывов и может применяться для автоматической оценки пользовательских мнений о фильмах. По данным карточки, модель содержит 136,3 млн параметров и принимает текст длиной до 300 токенов. В оценке на тестовой выборке NSMC указаны точность 0,9013 и значение функции потерь 0,4492. Модель распространяется в формате Safetensors по лицензии Apache-2.0; подробности обучения и дополнительные ограничения в карточке не раскрыты.

KR-FinBert — корейская BERT-модель, разработанная для финансовой тематики. Авторы дополнительно предварительно обучили её на финансовых текстах, а затем настроили для анализа тональности. В обучающие данные вошли новости компаний и аналитические отчёты, а также корейская Википедия, общие новости, юридические тексты и комментарии. Модель имеет архитектуру BertForMaskedLM, содержит около 128,6 млн параметров и принимает текстовые последовательности длиной до 512 токенов. В опубликованном репозитории указаны веса PyTorch. Основной сценарий по карточке — предсказание замаскированных токенов; анализ тональности упомянут как задача настройки модели, но отдельный pipeline для него в метаданных отсутствует. Модель рассчитана на корейский язык и финансовые тексты. Карточка не сообщает условия лицензии и не описывает ограничения качества или области применения.

Ateeqq/product-description-generator — модель генерации описаний товаров, разработанная на базе T5 и дообученная на данных Amazon о товарах. Для генерации используется префикс «description: »; модель предназначена для преобразования кратких сведений о товаре в связное описание для карточки товара или каталога. Архитектура — T5-base, около 124 млн параметров по метаданным, контекст — до 512 токенов. README сообщает о дообучении на очищенной выборке из 250 тысяч примеров и приводит длины источника до 50 и целевого текста до 300 токенов; в описании датасета также упоминаются 500 тысяч очищенных примеров. Модель рассчитана на англоязычные товарные данные и выдаёт текст. Она может ускорить подготовку описаний для интернет-магазина, однако качество и точность зависят от полноты входных характеристик; сгенерированные утверждения о товаре следует проверять. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

Модель textattack/roberta-base-imdb разработана TextAttack на основе roberta-base и дообучена для классификации текстов на датасете IMDb. Она определяет тональность англоязычных отзывов о фильмах, относя их к положительному или отрицательному классу. Модель содержит около 151,8 млн параметров; архитектура — RoBERTa для классификации последовательностей. В README указаны обучение в течение пяти эпох, максимальная длина входа 128 токенов и точность 0,91436 на оценочной выборке, достигнутая после двух эпох. Метаданные указывают контекст до 514 токенов. Доступны варианты весов PyTorch и Flax. Лицензия в предоставленных данных не указана.

SocRoBERTa-social — модель семейства RoBERTa, разработанная командой ESGBERT для классификации текстов социальной тематики в области ESG. Она дообучена на базе SocRoBERTa-base на датасете из 2 тысяч социальных текстов и предназначена для распознавания текстов, относящихся к социальной составляющей ESG. Модель принимает текст и выдаёт результат классификации. Архитектура — RobertaForSequenceClassification, размер — 151,8 млн параметров, максимальный контекст — 514 токенов. В карточке указана поддержка английского языка. Модель опубликована под лицензией Apache-2.0. Карточка отмечает, что SocialBERT-social работает быстрее, требует меньше ресурсов и лишь немного уступает SocRoBERTa-social по качеству. Описание не приводит конкретных метрик качества или подробностей о классах классификации.

Aniemore/wav2vec2-emotion-russian-resd — модель распознавания эмоций в русской речи, разработанная Aniemore. Она дообучена для классификации аудио на базе jonatasgrosman/wav2vec2-large-xlsr-53-russian и обучена на наборах Aniemore/resd и Aniemore/resd_annotated. Модель основана на Wav2Vec2ForSequenceClassification, содержит 402,7 млн параметров по метаданным и принимает монофонический аудиосигнал с частотой 16 кГц. Модель относит речь к одному из семи классов: гнев, отвращение, энтузиазм, страх, счастье, нейтральное состояние и грусть. Она подходит для анализа эмоциональной окраски отдельных русскоязычных речевых фрагментов, например в записях разговоров или подкастов. Репозиторий распространяет веса в форматах PyTorch и safetensors. На тестовой выборке RESD модель показала точность 0,7107 и macro-F1 0,7079; на тестовых записях подкастов Dusha macro-F1 составил 0,1260, а на CAMEO — 0,2446. Это указывает на существенное ухудшение на спонтанной речи: обучающая выборка содержит сбалансированную актёрскую речь, а в естественных разговорах часто преобладает нейтральный тон. README также указывает на ограничение отдельными короткими фрагментами одного говорящего и на необходимость проверки качества и калибровки нейтрального класса на целевых данных. Лицензия — MIT.

Darkidol-Gemma-4-E4B-it — дообученная мультимодальная модель на базе Google Gemma 4 E4B Instruct, опубликованная пользователем aifeifei798. Автор ориентирует её на ролевые диалоги, включая мрачные сценарии, а также на сочинение текстов, песен, промптов и публикаций для социальных сетей. В карточке заявлены обработка текста, изображений и видео с выдачей текста, быстрые ответы и адаптация для мобильных устройств; архитектура — плотная Gemma 4, веса представлены в формате safetensors. Автор также заявляет об изменении поведения отказов, но не приводит независимых оценок качества или подробностей проверки этих утверждений. Модель заявлена только для английского языка. Её можно применять для создания персонажных диалогов, художественного письма, песенных текстов, маркетинговых публикаций и помощи с кодом в стилизованной манере. Лицензия — Apache-2.0. Карточка не приводит длину контекста или подробные результаты мультимодальных тестов; заявленные возможности обработки видео и повышение эффективности следует считать утверждениями автора.

juliensimon/distilbert-amazon-shoe-reviews — модель классификации текстов на основе DistilBERT, дообученная автором на базе distilbert-base-uncased. Она предназначена для классификации отзывов об обуви Amazon; README приводит результаты оценки: accuracy 0,579 и значения F1 по пяти классам от 0,470 до 0,737. Модель принимает текст, работает с контекстом до 512 токенов и выдаёт метку класса. Модель опубликована в форматах PyTorch и Safetensors под лицензией Apache-2.0. README не раскрывает названия классов и описывает данные обучения как None, поэтому интерпретировать конкретные категории и переносить результаты на другие типы отзывов без дополнительной проверки затруднительно.

EXAONE-3.5-7.8B-it-DACON-LLM — дообученная языковая модель Dongwook Min (mindw96) для соревнования по восстановлению корейских отзывов, записанных с обфускацией. Она основана на инструкционной модели LGAI-EXAONE/EXAONE-3.5-7.8B-Instruct и использует плотную архитектуру ExaoneForCausalLM с 7,4 млрд параметров. Модель принимает текст и генерирует текст; базовая модель поддерживает корейский и английский языки. Контекстное окно составляет 32 768 токенов. Модель предназначена прежде всего для восстановления читаемого текста корейских отзывов. Данных о качестве на других задачах нет, поэтому её пригодность для широкого использования как чат-модели не установлена. Весовые файлы опубликованы в формате safetensors; лицензия в предоставленных данных не указана.

GroNLP публикует GPT-2 medium, адаптированную для итальянского языка. Веса слоёв Transformer совпадают с исходной англоязычной gpt2-medium, а лексические эмбеддинги переобучены для итальянского словаря. Модель предназначена для генерации итальянского текста; её можно использовать через pipeline text-generation в библиотеке Transformers. Контекст модели — 1024 токена. Карточка описывает адаптацию только лексических эмбеддингов и не сообщает о дополнительном дообучении остальных весов. Репозиторий содержит варианты весов PyTorch, TensorFlow и Flax, включая safetensors. Условия лицензирования в предоставленных данных не указаны.

aariciah/gpt2-portuguese-20k-lc — языковая модель семейства GPT-2, опубликованная в формате safetensors и предназначенная для генерации текста. Согласно README, модель дообучена на датасете, однако его название и базовая модель не указаны. Модель подходит для продолжения текстового фрагмента и генерации текста на португальском языке. Контекстное окно составляет 256 токенов. В карточке нет сведений об оценке качества или конкретных сценариях применения.

Nikhil0097/wavlm-large-emotion-vad — модель WavLM-large, дообученная автором для оценки эмоциональных характеристик естественной английской речи. Она принимает монофонический звук с частотой 16 кГц и выдаёт непрерывные оценки валентности, возбуждения и доминирования (Valence, Arousal, Dominance, VAD). Модель предназначена для анализа эмоций в речи, в частности в подкастах; в README сообщается об оценке на тестовых клипах MSP-Podcast v2.0 с разделением по говорящим. Модель содержит около 402,7 млн параметров и использует WavLMModel с регрессионной головой, которая усредняет скрытые состояния и выдаёт три значения. В README приведены CCC 0,705 для валентности, 0,714 для возбуждения и 0,626 для доминирования. Эти результаты относятся к естественной речи в стиле подкастов на английском языке; автор предупреждает, что качество на постановочной речи не переносится. Модель основана на microsoft/wavlm-large и распространяется по лицензии CC BY-NC-SA 4.0.

HamidRezaAttar/gpt2-product-description-generator — модель на базе GPT-2, дообученная на метаданных товаров для дома с Amazon. По текстовой подсказке она генерирует описания таких товаров, например для заполнения карточек каталога или подготовки черновиков товарного контента. Модель использует архитектуру GPT-2 с причинной генерацией текста; формат весов — PyTorch. Карточка указывает англоязычные данные, а метаданные — английский язык и контекст до 1024 токенов. Модель распространяется по лицензии Apache-2.0.