III.2Исследование рынка и маркетинг

Marqo-FashionSigLIP — мультимодальная модель для поиска и классификации модных товаров, разработанная Marqo. Она дообучена на базе ViT-B-16-SigLIP (webli) с использованием Generalised Contrastive Learning: при обучении учитывались текстовые описания, категории, стили, цвета, материалы, ключевые слова и мелкие визуальные детали. Модель предназначена для сопоставления изображений товаров с текстовыми запросами и категориями, а также для поиска похожих товаров в каталогах модной одежды. Модель рассчитана на сценарии электронной коммерции и модного поиска. В README приведены сравнительные результаты на шести публичных датасетах модной индустрии для текстового поиска по изображениям и поиска товаров по категориям; в указанных тестах Marqo-FashionSigLIP показала более высокие средние метрики, чем FashionCLIP2.0 и OpenFashionCLIP. Она принимает изображения и текст, а для поиска и классификации формирует сопоставимые представления. Модель доступна в форматах PyTorch и safetensors и используется через OpenCLIP. Лицензия — Apache-2.0. Оценки в карточке относятся к указанным публичным датасетам и не гарантируют такое же качество для других каталогов, языков или типов изображений.

Это модель SetFit для классификации текстовых описаний товаров по 598 классам. Разработчик в карточке не назван; модель создана с использованием метода few-shot learning: сначала дообучен Sentence Transformer на контрастивных примерах, затем обучен классификатор LogisticRegression. В метаданных указаны архитектура XLM-RoBERTa, 305,2 млн параметров и формат safetensors. Модель предназначена для отнесения названий и описаний товаров к категориям электронной торговли. Примеры меток и текстов показывают товары из корейских магазинов и площадок, включая продукты питания и хозяйственные категории. Максимальная длина последовательности — 512 токенов; примеры и метки в карточке преимущественно на корейском языке. Для запуска требуется библиотека SetFit. Карточка не указывает лицензию, поэтому условия использования определить нельзя. Классификация ограничена обученными 598 классами и тематикой товарных категорий, представленной в примерах.

Модель vjosap/moralBERT-predict-subversion-in-text — классификатор текста из семейства MoralBERT, разработанного авторами исследования MoralBERT. Она предсказывает наличие морального измерения «авторитет/подрыв авторитета» (Authority/Subversion) в тексте в рамках Теории моральных оснований. MoralBERT основан на BERT и дообучен на размеченных текстах социальных сетей; отдельные модели отвечают за отдельные моральные измерения. Модель принимает текст и выдаёт результат классификации. Разработчики описывают MoralBERT как инструмент анализа моральных установок в общественных дискуссиях; в исследовании отмечены различия качества между обучением и тестированием внутри и вне домена. Репозиторий модели распространяется по лицензии MIT.

CampAIgn/Phi-3-mini_16bit — диалоговая языковая модель, разработанная CampAIgn на основе unsloth/Phi-3-mini-4k-instruct-bnb-4bit. Модель дообучена для генерации текста и общения; в карточке указано обучение с помощью Unsloth и библиотеки Hugging Face TRL. Архитектура — плотная авторегрессионная модель класса MistralForCausalLM, размер — 3,7 млрд параметров, контекст — до 4096 токенов. В метаданных указаны английский и французский языки, а среди обучающих данных — французские наборы DDD и описаний игр Steam. Модель принимает текст и генерирует текст, поэтому подходит для диалогов и ответов на французском, а также для сценариев генерации текста. Распространяется по лицензии Apache-2.0.

Qwythos-9B-WeChat v2 — настраиваемая модель генерации текста на архитектуре Qwen3.5-9B, созданная автором репозитория на базе empero-ai/Qwythos-9B-Claude-Mythos-5-1M. Она предназначена для подготовки технологических, ИИ- и новостных статей для публичных аккаунтов WeChat с выводом в Markdown. Модель дообучена методом LoRA на 2398 очищенных статьях, затем адаптер объединён с базовой моделью; карточка описывает обучение в течение двух эпох и последовательности длиной 4096 токенов. В репозитории также сохранён LoRA-адаптер. Модель сохраняет способность базовой модели к рассуждению и рассчитана на диалоговую генерацию текста на китайском языке. Автор рекомендует при развёртывании через vLLM разделять рассуждения и основной текст с помощью парсера Qwen3. В README указан предел 49152 токена для примера запуска, однако это значение настройки сервера, а не заявленная нативная длина контекста. Лицензия репозитория — Apache-2.0.

Twroberta-baseB_5epoch — дообученная модель на базе Cardiff NLP twitter-roberta-base-irony, предназначенная для классификации текста. В метаданных указана архитектура RoBERTa для классификации последовательностей, 151,8 млн параметров и контекст до 514 токенов. README сообщает о дообучении на датасете, который не описан, и приводит результаты оценки: accuracy 0,7793, F1 0,2545; для класса сарказма F1 составляет 0,3591. Эти показатели дают ориентир по конкретной оценочной выборке, но без сведений о данных и разметке переносить их на другие тексты нельзя. Карточка не указывает лицензию модели.

Duchifat-1-Base — небольшая языковая модель для генерации текста на современном иврите, созданная разработчиками репозитория Raziel1234. Это плотный авторегрессионный трансформер на базе архитектуры Llama, обученный с нуля; в метаданных указано 153,2 млн параметров, а в README — 132 млн. Модель использует словарь из 52 000 токенов и контекст до 1024 токенов. Модель предназначена для генерации и продолжения текстов на иврите, включая современные разговорные формулировки, публикации в социальных сетях, новостные и финансовые тексты, литературу и эссе. В README отмечено внимание к морфологии и синтаксису иврита; автор также заявляет об эффективности на устройствах с ограниченными ресурсами. Она доступна через Transformers в формате Safetensors. Лицензия — Apache-2.0. Модель компактна, но контекст ограничен 1024 токенами; заявленные способности и пригодность для запуска на мобильных устройствах не сопровождаются результатами оценки. README и метаданные расходятся в числе параметров.

abhilash1910/financial_roberta — маскированная языковая модель на архитектуре RoBERTa, обученная разработчиком на корпусе Financial PhraseBank. Она предназначена для предсказания скрытых токенов в финансовых фразах и может использоваться для анализа контекста и подготовки текстовых признаков в финансовой тематике. Модель содержит 99,6 млн параметров, включает 6 слоёв трансформера и 12 голов внимания, использует словарь из 56 000 токенов и поддерживает контекст до 514 токенов. Модель рассчитана на работу с текстом и выдаёт вероятности возможных подстановок вместо маскированных фрагментов. В карточке указана загрузка через Transformers; доступны веса в форматах PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

FinBERT-FOMC — модель классификации тональности финансовых текстов, разработанная Ziwei Chen на основе ProsusAI/finbert и дообученная на материалах протоколов заседаний FOMC за период с января 2006 года по февраль 2023 года. Для сложных предложений в обучающих данных метки тональности были уточнены методом Sentiment Focus. Модель предназначена для определения положительной, отрицательной или нейтральной тональности финансовых высказываний, в том числе сложных формулировок из протоколов Федерального комитета по операциям на открытом рынке США. Архитектура — BERT для классификации последовательностей, размер — 137 млн параметров; контекст ограничен 512 токенами. Модель работает с текстом и распространяется в формате PyTorch. Авторы сообщают о более высокой точности на сложных финансовых предложениях по сравнению с исходной FinBERT. Обучение ориентировано на протоколы FOMC, поэтому результаты на других финансовых текстах могут отличаться. Лицензия в предоставленных данных не указана.

FinBERT-India-v1 — модель Vansh Momaya, дообученная для анализа тональности финансовых новостей и заголовков фондового рынка Индии. Она использует архитектуру BERT и содержит 137 млн параметров; принимает текст и относит его к одному из трёх классов: положительному, нейтральному или отрицательному. Модель рассчитана на англоязычные материалы об индийском рынке, а максимальный контекст составляет 512 токенов. Модель подходит для анализа новостного фона, классификации тональности финансовых сообщений и подготовки признаков для систем прогнозирования и алгоритмической торговли. В README указана точность 76,8% на оценочной выборке; эти результаты относятся к данным и условиям оценки автора и не гарантируют качество на других источниках. Модель может ошибаться на сарказме и неоднозначных заголовках, а на новостях о рынках за пределами Индии её качество может быть ниже. Данные для обучения размечались с помощью LLM и дополнительно проверялись вручную. Лицензия — MIT.

Это версия Gemma 4 E2B Instruct, адаптированная для рабочих процессов UX-исследований в Istara и преобразованная в формат MLX F16 для Apple Silicon. Карточка описывает её как сборку исходной модели henrique-simoes/gemma-4-e2b-it-istara-ux-research; метаданные указывают архитектуру Gemma4ForConditionalGeneration, поддержку чата и задачу генерации текста. Модель предназначена для подготовки материалов UX-исследований, например плана исследования для анализа оттока пользователей при онбординге. В README указана совместимость с MLX-загрузчиками, включая runtime в LM Studio; локальный smoke-тест прошёл на Apple Silicon, с пиковым потреблением памяти около 9,4 ГБ в коротком запуске. Это дообученная модель, опубликованная в формате Safetensors под лицензией Gemma. Версия F16 требует совместимой среды MLX и оборудования Apple Silicon; результаты короткого smoke-теста не характеризуют качество на широком наборе UX-задач.

zhzh98/gpt2-german20k-english10k-configA-42-1B — языковая модель на архитектуре GPT-2, разработанная пользователем zhzh98 и обученная с нуля. Она предназначена для генерации текста; карточка не приводит дополнительных сценариев использования или сведений об обучающих данных. Модель использует библиотеку Transformers и распространяется в формате safetensors. Длина контекста составляет 256 токенов. Название указывает на связь с немецким и английским языками, однако карточка не подтверждает языковой состав обучения. Размер модели и условия лицензии не приведены. Качество и ограничения применения не описаны.

Kautilyaa 9B — модель ThinkingDBx (Pvt. Ltd.), созданная Mallesh Madapathi для анализа финансовых данных. Это декодерная языковая модель со sparse Mixture-of-Experts: 9 млрд параметров всего, 2,6 млрд активных на токен и 8 экспертов с маршрутизацией top-2. По README модель обучена с нуля на документах SEC EDGAR и финансовых новостях с ценовыми данными FNSPID, затем прошла инструкционную настройку; метаданные указывают связь с thinkingdbx/kautilyaa-9b-base как с дообученной моделью. Она принимает текстовые запросы и контекстные блоки с рыночными данными, чтобы извлекать и сопоставлять указанные значения, ранжировать инструменты по заданному показателю и отвечать на вопросы по финансовым документам и новостям. Для корректной атрибуции в каждом блоке контекста должен быть ровно один финансовый инструмент; при нескольких инструментах модель часто отвечает о первом. Контекст составляет 4096 токенов. Модель не предназначена для арифметики, самостоятельного получения рыночных котировок или задач общего назначения. README отмечает повреждение части весов из-за weight decay и более слабые способности по сравнению с современными моделями общего назначения. Лицензия — Apache-2.0.

Marqo-FashionCLIP — модель Marqo для поиска и сопоставления изображений одежды с текстом. Это дообученная версия CLIP ViT-B-16 из laion2b_s34b_b88k: Generalised Contrastive Learning позволяет учитывать не только описания, но и категории, стиль, цвета, материалы, ключевые слова и мелкие детали товаров. Модель принимает изображения и текст и сопоставляет их в общем пространстве признаков. Она предназначена для поиска товаров по текстовому запросу, подбора товаров по категории или подкатегории и классификации изображений по текстовым меткам без отдельного обучения на каждом наборе классов. В карточке приведены результаты на шести публичных модных датасетах; для этих задач Marqo-FashionCLIP показала более высокие усреднённые результаты, чем сравниваемые модели FashionCLIP2.0 и OpenFashionCLIP по большинству приведённых метрик. Модель доступна в форматах PyTorch, ONNX и safetensors, использует библиотеку OpenCLIP; в карточке также описан запуск через Transformers.js. Основной язык карточки — английский. Лицензия — Apache-2.0. Она предназначена для модных товаров, поэтому её результаты на других предметных областях не подтверждены приведёнными оценками.

mini1013/master_item_top_el_flat — модель классификации текста на базе SetFit, построенная на klue/roberta-base. В ней используется дообученный Sentence Transformer на основе RoBERTa для получения представлений текста и классификатор LogisticRegression. Модель содержит 137,8 млн параметров, поддерживает последовательности длиной до 514 токенов и относит текст к одному из 232 классов. Модель предназначена для классификации коротких корейских описаний товаров и товарных категорий, включая примеры из каталога Naverstore. В README сообщается об accuracy 0,9082 на наборе метрик модели, но не уточняется методика оценки. Модель выпущена под лицензией, сведения о которой в доступных данных отсутствуют.

PersonaGPT — диалоговая модель, разработанная для генерации ответов с заданным профилем личности собеседника и учётом цели текущего хода разговора. Она построена на DialoGPT-medium на архитектуре GPT-2 и дообучена на наборе Persona-Chat; специальные токены отделяют историю диалога от фактов о личности, а обучение с активным отбором данных поддерживает управляемую генерацию по целям, заданным кодами действий. Модель предназначена для открытых текстовых диалогов, в которых нужно сохранять заданную персону и направлять беседу, например побуждать собеседника рассказать о работе или любимой музыке. Репозиторий использует формат PyTorch, модель поддерживает контекст до 1024 токенов и доступна по лицензии GPL-3.0.

sdadas/polish-gpt2-xl — авторегрессионная языковая модель семейства GPT-2, опубликованная разработчиком sdadas для генерации текста на польском языке. Карточка Hugging Face указывает задачу text-generation и загрузку через Transformers как GPT2LMHeadModel. Размер модели — около 2 млрд параметров, максимальный контекст — 1536 токенов. Модель подходит для продолжения польского текста по заданному промпту и генерации фрагментов на польском языке. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии LGPL. Доступные сведения не подтверждают диалоговую настройку или поддержку других языков.

seroe выпустил sentence-transformers-модель эмбеддингов на основе Qwen/Qwen3-Embedding-0.6B, дообученную на 70 941 турецком триплете из телекоммуникационной области. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; сходство между ними можно оценивать по косинусной близости. Максимальная длина последовательности — 32 768 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Matryoshka-обучение позволяет использовать усечённые векторы размерностью 768, 512 или 256. В README приведены результаты оценки на турецких триплетах и all-nli-test, но они не гарантируют аналогичного качества на других данных. Модель особенно ориентирована на телекоммуникационные запросы о мобильных услугах, счетах, кампаниях и подписках; вне этой области качество может снижаться. Поддерживается турецкий язык. Лицензия — Apache-2.0.

ESGBERT/SocialBERT-social — англоязычная модель классификации текстов в тематике социальной составляющей ESG, разработанная на основе SocialBERT-base. Авторы дополнительно дообучили её на наборе из 2 тысяч текстовых примеров, чтобы выявлять тексты, относящиеся к социальной тематике ESG. Модель построена на архитектуре RoBERTa, содержит 95,2 млн параметров и принимает последовательности длиной до 514 токенов. Её можно использовать для отбора и анализа социальных ESG-коммуникаций, в том числе в исследованиях измерения ESG. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Corianas/590m — англоязычная GPT-2-модель на 590 млн параметров, дообученная Corianas на базе Cerebras 590M с использованием фреймворка Databricks Dolly и набора инструкций tatsu-lab/alpaca. Она предназначена для диалога и генерации текста по инструкциям: например, для черновиков писем, коротких текстов и ответов на вопросы. Контекст модели составляет 2048 токенов. В примерах карточки ответы часто содержат фактические ошибки и бессвязные детали; автор отдельно предупреждает, что знания модели о фактах почти отсутствуют. Поэтому её следует использовать для экспериментов с генерацией и инструктивным диалогом, а не полагаться на неё для достоверных сведений. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но запрещающая коммерческое применение.

Это модель Sentence Transformers, дообученная разработчиком seroe на базе BAAI/bge-m3 на наборе vodex-turkish-triplets-large. Она преобразует предложения и абзацы на турецком языке в плотные векторы размерностью 1024 для семантического сходства и поиска. Архитектура основана на XLM-RoBERTa с пулингом по токену CLS и нормализацией; максимальная длина последовательности — 8192 токена, сходство измеряется косинусом. Обучение ориентировано на телекоммуникационные тексты: мобильные услуги, счета, кампании и условия подписки. Модель выпущена под лицензией Apache-2.0. Модель также подходит для поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. В README приведены высокие показатели cosine accuracy на указанных тестах и размерностях, однако они не гарантируют аналогичного качества на других данных. Из-за специализации на турецком телеком-домене качество за его пределами может быть ниже; результаты следует проверять на целевых данных.

Cat2Real-DINOv3-384 — модель для получения векторных представлений изображений товаров, созданная дообучением DINOv3 ViT-L/16 компанией или автором zhanganyi88. Она отображает реальные фотографии товаров и каталожные изображения packshot в общее пространство эмбеддингов, чтобы находить визуально похожие изображения. Модель предназначена для поиска товаров по изображению и сопоставления пользовательских фотографий с изображениями из каталога. Это визуальная модель на архитектуре DINOv3 ViT с 402,7 млн параметров; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Модель извлекает признаки изображений и формирует эмбеддинги для поиска по сходству. Карточка описывает сценарий сопоставления реальных фотографий с packshot-изображениями, но не приводит оценки качества, перечень поддерживаемых категорий товаров или сведения о допустимых размерах входного изображения.

Модель madhanbv12345/emotion-classifier-qwen2.5-0.5b — дообученная языковая модель для генерации текста на основе Qwen2.5-0.5B-Instruct. Разработчик — madhanbv12345; модель содержит около 494 млн параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Название указывает на классификацию эмоций, однако README не описывает обучающие данные, формат запросов или точность этой функции. Модель рассчитана на англоязычные диалоги и может применяться для генерации ответов в задачах распознавания эмоциональной окраски текста. Доступна в формате safetensors; лицензия — Apache 2.0.

ausjahk/movie-sentiment-roberta-best — модель классификации текста на базе RoBERTa, дообученная автором репозитория на наборе данных, название которого в карточке не раскрыто. Она предназначена для анализа тональности текстов о фильмах. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. На указанном в карточке наборе оценки модель получила accuracy 0,9385 и F1 0,9393. Эти результаты характеризуют только приведённую оценку; сведения о составе классов и методике оценки не приведены. Модель распространяется под лицензией MIT.

Модель aquiro1994/naics-github-classifier — дообученная RoBERTa-large для отнесения репозиториев GitHub к одному из 19 отраслевых секторов NAICS. Она анализирует название репозитория, описание, темы и README; текст следует предварительно собирать и очищать тем же способом, что использовался при обучении. Модель разработана на основе 6 588 размеченных англоязычных репозиториев, а метки для обучения получены с помощью оценок GPT-4.1. В метаданных указаны архитектура RoBERTa для классификации последовательностей, 454,1 млн параметров и контекст длиной 514 токенов. Модель предназначена для классификации репозиториев по отраслям, анализа экосистемы открытого ПО и исследований внедрения технологий в разных секторах. Она принимает текст и выдаёт метку класса; поддерживает только английский язык и не умеет отказаться от классификации, поэтому может уверенно относить к отрасли учебные проекты, портфолио и упражнения. Модель не предсказывает NAICS 55, обучалась только на примерах, отнесённых к существующим секторам, и может плохо работать с неанглоязычными или неспециализированными репозиториями. Лицензия — MIT.

nmthien/vietnamese-gpt2 — дообученная модель генерации текста на архитектуре GPT-2, доступная в формате safetensors и предназначенная для работы с вьетнамским языком. В метаданных указана длина контекста 1024 токена; модель загружается через библиотеку Transformers. Модель можно использовать для продолжения вьетнамского текста и генерации текста по заданному началу. В README приведено значение loss 3,0493 на оценочном наборе, но назначение дообучения и использованный датасет не описаны. Лицензия в предоставленных данных не указана.

michamcs/bert-japanese-food-classification — дообученная модель BERT, разработанная на базе cl-tohoku/bert-base-japanese-v3 для классификации текстов о японской еде. Она предназначена для отнесения входного текста к классам, связанным с японской кухней. Модель содержит 138,4 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В карточке приведён результат оценки: accuracy 0,9261 и loss 0,3337; состав классов и данные оценки не описаны. Модель опубликована в формате safetensors под лицензией Apache-2.0. README не раскрывает подробностей о разметке, обучающих данных и ограничениях применения.

Это дообученная модель на базе hfl/chinese-bert-wwm, опубликованная пользователем agdsga. В метаданных указаны архитектура BERT с головой BertLMHeadModel, 129,5 млн параметров и контекст до 512 токенов. Модель предназначена для генерации текста; карточка называет её дообученной для product, но не описывает конкретные сценарии применения или обучающие данные. Модель принимает текст и выдаёт текст. В карточке указана лицензия Apache-2.0. Оценка Loss 0.0000 приведена без подробностей об оценочном наборе, поэтому по ней нельзя судить о качестве модели; также README не раскрывает известные ограничения.

NebulaByte/hindi_gpt2 — текстовая GPT-2-модель, дообученная на наборе данных, который в карточке обозначен как None. Она предназначена для генерации текста; в оценке на тестовой выборке указан loss 1,9187. Модель использует архитектуру GPT2LMHeadModel, работает с текстом и имеет контекстное окно 1024 токена. Модель разработана NebulaByte как дообучение GPT-2 из семейства openai-community/gpt2. Название указывает на ориентацию на хинди, однако README и метаданные не подтверждают поддерживаемые языки или конкретные сценарии использования. Репозиторий содержит веса PyTorch; лицензия — MIT. Информация о данных обучения и ограничениях в карточке отсутствует.

Orato ASR Hindi v1 — модель распознавания речи, разработанная Orato как полнопараметрическая дообученная версия Qwen/Qwen3-ASR-0.6B. При дообучении обновлялись декодер и проектор, а аудиоэнкодер оставался замороженным. Модель принимает аудио и выдаёт текст; она рассчитана на хинди, английский и переключение между ними в разговорной речи. Модель предназначена для транскрибации звонков в сценариях записи на приём, поддержки, страхования и продаж. В тестах авторов она улучшила WER относительно базовой модели на наборах Kathbath, Gramvaani и Lahaja, особенно на данных, близких к телефонным разговорам и разговорной речи. В README указана бета-стадия; оценка за пределами аудио звонков на хинди не проводилась. Для загрузки требуется библиотека qwen-asr и класс Qwen3ASRModel; README предупреждает, что загрузка через Transformers AutoModel может работать некорректно. Метаданные указывают формат safetensors и лицензию Apache-2.0, однако авторы сообщают, что подтверждение прав на часть обучающих данных и проверка согласия и персональных данных ещё продолжаются; выпуск предназначен для внутренней и бета-оценки.