III.2Исследование рынка и маркетинг

Adaptive Classifier — адаптивный классификатор категорий товаров на основе answerdotai/ModernBERT-base. Он присваивает тексту один из четырёх классов: книги, одежда, электроника или товары для дома и сада. Модель использует эмбеддинги размерности 768 и механизм непрерывного обучения с добавлением новых классов. Карточка сообщает о 20 примерах обучения — по пять на каждый класс. Для добавления класса требуется не менее трёх примеров; поддерживается до 150 примеров на класс, а прототипы обновляются каждые десять примеров. Модель распространяется в формате safetensors под лицензией Apache-2.0.

Это дообученная версия мультиязычной модели распознавания речи Whisper large-v2, созданной OpenAI. Модель разработана для транскрибации записей турецких телефонных разговоров; для дообучения использовались симулированные данные турецкого колл-центра. В карточке приведено значение loss 0,2338 на оценочном наборе. Модель принимает аудио и выдаёт распознанный текст. Базовая Whisper large-v2 обучалась на 680 тысячах часов размеченных данных для транскрибации и перевода речи; в этой версии целевым сценарием являются турецкие звонки. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Подробности о составе оценочного набора и качестве на реальных звонках в карточке не приведены.

DALL·E Mini — трансформерная модель генерации изображений по текстовому описанию, разработанная Борисом Даймой, Сураджем Патилом и соавторами как открытая попытка воспроизвести результаты ранней DALL·E. Репозиторий содержит Flax-вариант модели семейства DalleBART; модель предназначена для творческих и образовательных инструментов, создания иллюстраций и экспериментов с генеративными моделями. Модель рассчитана прежде всего на англоязычные запросы. Она может быть полезна для быстрых концептных изображений и художественных идей, но не предназначена для достоверного изображения реальных людей и событий. Лица и люди часто получаются некорректными, животные — нереалистичными; качество зависит от формулировки запроса. Выходы могут содержать стереотипы и отражают перекосы обучающих данных, в которых преобладают англоязычные описания и западные представления. Лицензия — Apache 2.0.

SetFit/distilbert-base-uncased__sst2__train-8-1 — модель классификации текста на базе DistilBERT, дообученная на наборе данных SST-2 для классификации тональности отзывов. В метаданных указана архитектура DistilBertForSequenceClassification, формат PyTorch и контекст до 512 токенов. Модель принимает текст и выдаёт метку класса. На оценочной выборке в карточке указаны точность 0,5047 и функция потерь 0,6930, что свидетельствует о слабом качестве предсказаний. Модель может служить примером или отправной точкой для экспериментов с классификацией тональности; для практического применения её качество следует отдельно проверить. Лицензия — Apache-2.0.

yiyanghkust/finbert-tone-chinese — дообученная на частном наборе предложений из аналитических отчетов модель для анализа тональности финансовых текстов на китайском языке. Она основана на bert-base-chinese и использует архитектуру BERT для классификации последовательностей; размер составляет 129,5 млн параметров, контекст — до 512 токенов. Модель относит текст к одному из трех классов: нейтральный, положительный или отрицательный. Модель подходит для определения тональности предложений в аналитических отчетах и других финансовых текстах на китайском языке. В README указаны точность 0,88 и macro F1 0,87 на тестовой выборке. Модель распространяется по лицензии Apache-2.0. Ее качество на других типах текстов и вне китайского языка не подтверждено; обучающий набор частный.

balhafni/personalized-gen — модель генерации текста, созданная дообучением Pythia-1b на корпусе авторских блогов, IMDb62 и Amazon 5-core Reviews. Её разработали для генерации текста с управлением тонкими лингвистическими признаками, отражающими стиль письма авторов. Модель построена на архитектуре GPT-NeoX и содержит 1,2 млрд параметров. Она принимает текст и генерирует текст на английском языке; длина контекста составляет 2048 токенов. В README упоминается статья с описанием процедуры дообучения и гиперпараметров, а также код и данные. Лицензия — MIT. Модель подходит для экспериментов с персонализированной генерацией и имитацией авторского стиля; качество и применимость для других языков или доменов в предоставленных материалах не описаны.

beauty-mix — дообученная модель Qwen3-4B, опубликованная пользователем abdoul-rz. В карточке указано, что для дообучения использован набор данных beauty-mix; подробности о его составе и обучении не приведены. Это плотная причинно-следственная языковая модель с 3,7 млрд параметров, предназначенная для генерации текста в диалоговом формате. Заявленная длина контекста — 262 144 токена. Модель работает через библиотеку Transformers и распространяется в формате safetensors. Базовая Qwen3-4B поддерживает диалоги, рассуждения, генерацию кода и многоязычные задачи, однако карточка beauty-mix не уточняет, какие именно сценарии из этого набора возможностей сохранены или улучшены дообучением. Лицензия указана как other, без дополнительных условий в карточке.

gxinxing/qwen-trader-cn-merged — модель генерации текста на основе Qwen2.5-7B-Instruct, дообученная для китайских финансовых и торговых сценариев. Это плотная авторегрессионная модель с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров; веса fp16 в формате Safetensors. Контекст — до 32 768 токенов. Модель предназначена для анализа рыночной информации, ответов на вопросы о торговых стратегиях и объяснения финансовых сведений на китайском языке. Она поддерживает диалоговый режим. Веса объединены после полноразмерного дообучения, поэтому отдельный адаптер для запуска не требуется. Модель распространяется по лицензии Apache 2.0. README отмечает, что репозиторий служит академической и инженерной резервной копией, а результаты модели не являются инвестиционной рекомендацией.

rost-1b-instruct-v2 — компактная инструкционная языковая модель на 1,384 млрд параметров, разработанная rostlabs как дообучение rost-1b-base. Это плотная causal LM собственной архитектуры RostForCausalLM; для загрузки через Transformers требуется trust_remote_code=True. Модель предназначена для генерации ответов и выполнения инструкций на румынском и английском языках. Контекст составляет 4096 токенов. Версия v2 использует изменённую смесь данных для supervised fine-tuning, включая математические и кодовые примеры. Внутренний тест показал улучшение следования инструкциям по сравнению с v1, однако общая оценка на публичном англоязычном наборе правдоподобия оказалась немного ниже, а отдельная закрытая проверка не подтвердила общего улучшения. В тестах на завершение генерации v2 реже доходила до лимита токенов, но зацикливание сохранялось на некоторых запросах. Модель подходит для компактных диалоговых сценариев, простых ответов на инструкции и генерации текста; надёжность повседневного диалога отдельно не измерялась. Это небольшая модель, поэтому арифметика и многошаговые рассуждения часто ошибочны, убедительного улучшения программирования не показано, а устойчивость к галлюцинациям не улучшилась. Специальная настройка безопасности не применялась. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на коммерческое применение.

Tanpo Deals — компактная языковая модель для коммерческих переговоров и продаж в B2B, разработанная d4rkninja как часть семейства Tanpo. Она дообучена методом LoRA на базе LiquidAI/LFM2.5-1.2B-Instruct; в этом репозитории размещены объединённые с базовыми весами параметры. Модель содержит около 1,5 млрд параметров, использует архитектуру LFM2 и предназначена для диалогового применения через Transformers. В метаданных указан контекст до 128 000 токенов. Модель помогает квалифицировать сделки, готовить вопросы для выявления потребностей, отвечать на возражения, формулировать предложения и планы следующих шагов, а также разрабатывать сценарии набора дистрибьюторов и канальные цены. Она рассчитана на локальный и недорогой запуск; карточка приводит внутреннюю автоматическую оценку на небольшом наборе задач, которую следует считать ориентировочной, а не отраслевым бенчмарком. Указанная лицензия — other, конкретные условия в доступных данных не раскрыты. Модель специализирована на сделках и может хуже работать за пределами этого распределения задач; её небольшой размер ограничивает объём знаний и сложные рассуждения. Коммерческие рекомендации являются черновиками и требуют проверки человеком, особенно в вопросах договоров, цен и условий партнёрства; модель не предназначена для юридических, финансовых или налоговых консультаций.

dama-kurong-solopreneur-ko (Kurong) — лёгкая языковая модель-компаньон, разработанная hwihwalab на основе Google Gemma 2 2B IT и дообученная с помощью Unsloth LoRA. Модель предназначена для локального запуска на устройстве и представляет персонажа заботливой феи-помощницы Куронг. Основные сценарии использования — поддержка солопредпринимателей, инди-разработчиков и фрилансеров. Модель содержит более 50 практических двуязычных сценариев, включая общение с первыми клиентами, подготовку сообщений об авариях, сокращение объёма MVP и восстановление режима глубокой работы. Она оптимизирована прежде всего для естественного вежливого общения на корейском языке и локализованных бизнес-рекомендаций; английский поддерживается на базовом уровне с сохранением образа персонажа. Доступен формат GGUF Q4_K_M для локального использования через LM Studio, Ollama и llama.cpp. Сильными сторонами модели являются небольшой размер около 2 млрд параметров, быстрая работа на локальном устройстве, приватность данных, специализированные рекомендации для самостоятельных предпринимателей и устойчивый двуязычный образ Куронг. Английские ответы могут быть менее стабильными, поскольку основное дообучение выполнено на корейских данных; в таких случаях рекомендуется явно указать отвечать на английском языке. Модель следует использовать в формате диалога Gemma 2 с маркерами начала и конца хода. Лицензия указана как Gemma.

Fashion Florence — модель на базе Florence-2-large от Microsoft, дообученная Anushree Berlia для извлечения структурированных характеристик одежды по изображению. Она принимает изображение предмета одежды и возвращает JSON с тегами категории, основного цвета, материала и другими атрибутами; базовая Florence-2 также поддерживает задачи компьютерного зрения по текстовым запросам. Модель основана на архитектуре Florence-2 и содержит 0,77 млрд параметров; LoRA-адаптер слиянием включён в веса базовой модели. В тесте на 3 915 примерах из iMaterialist точность категории составила 89,5%, а точное совпадение цвета — 52,7%; для обуви и аксессуаров в тестовой выборке было мало примеров. Лицензия — MIT.

Metin/gemma-2b-tr — плотная языковая модель семейства Gemma, дообученная на генерацию текста на турецком языке. В карточке указана базовая модель gemma-2b; размер модели — 2,5 млрд параметров, архитектура — GemmaForCausalLM, формат весов — PyTorch и Safetensors, контекст — до 8192 токенов. Модель предназначена для генерации турецкого текста на основе текстового запроса или продолжения. Карточка также указывает поддержку английского, однако основная задача и язык модели — турецкий. По заявлению автора, модель не предназначена для выполнения инструкций или ответов на вопросы; для её обучения использованы веб-данные объёмом около 190 млн токенов, или 100 тысяч документов. Модель выпущена под лицензией CC BY-NC 4.0, а также подпадает под условия использования Gemma. Перед применением следует учитывать ограничения этих условий и некоммерческий характер лицензии.

gohumanize-open-humanizer — открытая исследовательская модель для перефразирования англоязычного текста, стилистически похожего на текст, созданный ИИ, в более естественную человеческую письменную речь. Модель разработана проектом GoHumanize и предназначена для исследовательских и образовательных задач; она не является production-моделью GoHumanize.ai и не заявляет о способности обходить или выявлять AI-детекторы. Это полноразмерная дообученная версия Qwen3-4B с примерно четырьмя миллиардами параметров: в процессе full fine-tune обновлялись все веса. Модель работает в режиме text generation через Transformers, использует чатовый формат, поддерживает английский язык и обучена на 2 957 парах текстов: фрагментах книг из Project Gutenberg и современной прозе федеральных агентств США. Рекомендуемый размер входа — примерно 80–300 слов; длинные документы следует обрабатывать по абзацам. Для локального запуска доступны варианты GGUF. Сильная сторона модели — перестройка предложений и изменение ритма текста, а не только замена отдельных слов. На тестовых данных она приблизила показатели сохранения смысла, сходства с человеческим текстом и сохранения имён к исходным человеческим текстам. При этом примерно в одном случае из шести современный текст может вернуться почти без изменений, а при работе с текстами, содержащими много чисел, около 28,5% перефразирований теряют хотя бы одну числовую величину. Модель также может тяготеть к литературному или официальному стилю, поскольку соответствующие тексты преобладают в обучающих данных. Лицензия — Apache-2.0.

Модель abcorrea/llama-3.2-1b-tinystories-ft-25k — текстовая генеративная модель семейства Llama, разработанная abcorrea и дообученная на основе abcorrea/llama-3.2-1b-wiki-ft-v1. Она предназначена для генерации текста; в названии репозитория указана связь с TinyStories, однако README не раскрывает состав обучения и целевые сценарии подробнее. Модель содержит 1,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. В карточке указан английский язык. Обучение проводилось с использованием Unsloth и библиотеки Hugging Face TRL. Модель распространяется в форматах PyTorch и safetensors под лицензией Apache-2.0.

nandinib1999/quote-generator — языковая модель GPT-2, дообученная на наборе цитат Quotes-500K. По заданному пользователем началу или подсказке она генерирует мотивационные цитаты, продолжая текст. Модель принимает текст и выдаёт текст; карточка указывает английский язык и контекст длиной 1024 токена. Модель доступна в форматах PyTorch и Flax и распространяется по лицензии CC. Она предназначена для генерации коротких цитат по подсказке. Карточка не приводит подробностей об оценке качества, поэтому пригодность результатов для публикации или иных важных задач следует проверять отдельно.

Карточка модели SejongKRX/Sejong-Qwen-test-v3 на Hugging Face совпадает с карточкой SejongKRX/RevThink-Sejong-Qwen-Base-v1, поэтому описание составлено по ней. SejongKRX/RevThink-Sejong-Qwen-Base-v1 — модель генерации текста, разработанная SejongKRX путём дообучения unsloth/qwen2.5-7b-bnb-4bit. Это плотная причинно-языковая модель семейства Qwen2 с 7,1 млрд параметров и контекстом до 131 072 токенов. В карточке указаны обучение с Unsloth и библиотекой Hugging Face TRL, а среди метаданных — набор gyung/RevThink-financial-mmlu-ko, ориентированный на финансовые вопросы на корейском языке. Модель предназначена для генерации ответов и рассуждений в текстовом формате; вероятный сценарий применения — финансовые вопросы на корейском языке. Лицензия — Apache-2.0. Карточка не приводит оценок качества и подробных результатов обучения, поэтому надёжность ответов в финансовых сценариях по доступным сведениям не установлена.

eminAydin разработал эту небольшую модель GPT-2 для генерации текста на турецком языке. Она дообучена на базе eminAydin/turkish-gpt2-mini-M0-cleaned-wiki720-10ep; README указывает датасет как None и сообщает значение loss 4,1690 на оценочной выборке. Модель предназначена для продолжения и генерации турецкого текста. Контекст составляет 1024 токена, веса доступны в формате Safetensors.

kaaniince/turkishReviews-textGeneration — дообученная модель GPT-2 для генерации текста. В README указано, что она обучалась на неизвестном наборе данных, поэтому её связь с турецкими отзывами нельзя надёжно подтвердить только по названию репозитория. Модель использует архитектуру GPT2LMHeadModel, формат TensorFlow и контекст до 1024 токенов. Разработчик не приводит дополнительных сведений о назначении, данных обучения или оценке качества. Репозиторий распространяется по лицензии MIT.

CrudeBERT — модель классификации тональности заголовков новостей о сырой нефти, разработанная автором магистерской работы путём дообучения FinBERT. Она предназначена для отнесения новостных заголовков к положительной, отрицательной или нейтральной тональности в контексте факторов предложения и спроса, влияющих на рынок нефти WTI. Модель построена на архитектуре BERT, содержит 136,7 млн параметров и имеет контекст до 512 токенов; в примере из карточки для токенизации используется bert-base-uncased. CrudeBERT адаптирует финансовый анализ тональности к специфике нефтяного рынка и может служить источником сигналов для анализа поведения цен WTI. В работе отмечено, что тональность зависит от целевого актива, а практическая польза классификации для прогнозирования цен на нефть требует дальнейшего изучения. Для работы описан загрузчик на PyTorch и Transformers. Лицензия в предоставленных данных не указана.

rogelioplatt/distilbert-base-multilingual-cased-Actitud_de_tener_la_razon_Esp — модель классификации текста на базе DistilBERT, дообученная разработчиком rogelioplatt на наборе данных, который в карточке обозначен как None. Модель предназначена для классификации последовательностей; название указывает на задачу, связанную с установкой «быть правым», и испанским языком, но карточка не уточняет метки классов или точный сценарий применения. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и поддерживает контекст до 512 токенов. В README приведены результаты оценки: точность 0,8849 и loss 0,2706. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

Norod78 разработал небольшую модель генерации текста на основе GPT-2 для иврита. Модель сначала обучалась на корпусах OSCAR и CC-100 на иврите, а затем дополнительно дообучалась на данных из Twitter, Википедии и других источников. В метаданных указана архитектура GPT2LMHeadModel и контекст длиной 1024 токена. Модель предназначена для продолжения и генерации текста на иврите. Она распространяется по лицензии MIT. В карточке не приведены результаты оценки качества, поэтому пригодность для конкретных сценариев стоит проверять на собственных данных.

IncursiosMemeDiffusion v1.6 — модель генерации изображений по текстовому описанию от FallenIncursio. Она предназначена для создания изображений и мемов по промптам; в карточке приведены демонстрационные изображения, созданные через AUTOMATIC1111 и API Hugging Face. Репозиторий содержит модель в формате Diffusers с весами Safetensors и рассчитан на использование с Stable Diffusion. Лицензия обозначена как other, поэтому конкретные условия использования следует уточнять в материалах репозитория.

LLama-3-8B-Tele-it — инструктивная языковая модель Ali Maatouk для задач телекоммуникационной отрасли. Она основана на Meta Llama 3 8B и дообучена методом supervised fine-tuning на сочетании наборов Alpaca и Open-Instruct, чтобы выполнять инструкции и отвечать на запросы. Модель использует плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров и контекстом до 8192 токенов. Она принимает текст и генерирует текст; в карточке заявлен английский язык. Для запуска README предлагает использовать Transformers. Модель предназначена для диалогов и генерации ответов по тематике телекоммуникаций. Модель распространяется по лицензии llama3. Качество ответов и знание специализированных телекоммуникационных данных зависят от обучения; README не приводит результатов оценки.

Это облегчённая версия зрительной части модели HopitAI/moda-fashion-distilled-512d, подготовленная DexterCodeDev для поиска сходных изображений в каталогах одежды и модных товаров. Она принимает изображение размером 224 × 224, обрабатывает его визуальным энкодером ViT-B/16 на основе SigLIP, проецирует 768-мерные признаки в 512-мерный вектор и нормализует его по L2. В чекпойнте около 93,3 млн параметров, сохранённых в FP32 и формате Safetensors. Модель предназначена для поиска похожих товаров и изображений, сопоставления продуктов, обнаружения дубликатов, кластеризации и построения визуальных рекомендаций. Векторные представления можно индексировать в векторной базе и сравнивать по косинусному сходству. Текстовая часть исходной модели удалена, поэтому эта версия не кодирует текст и не поддерживает текстовый поиск или классификацию по текстовым запросам. Карточка не приводит независимых бенчмарков для этой производной версии; качество следует оценивать на собственном каталоге. Результаты могут ухудшаться на изображениях не из модной тематики, при низком разрешении, перекрытиях товара, загромождённом фоне и несоответствии данных обучающему распределению. Для совместимых результатов важно соблюдать исходную предобработку. Лицензия — MIT; автор производной версии просит указывать авторов MODA и HopitAI.

q1 — дообученная на неизвестном наборе данных компактная англоязычная модель генерации текста на архитектуре GPT-2, созданная на основе distilbert/distilgpt2. Модель предназначена для генерации продолжения текста; конкретные сценарии применения в карточке не описаны. В репозитории представлены веса в формате safetensors. Контекст модели — 1024 токена. В README приведено значение loss 0,0078 на наборе оценки, но описание набора данных и методики оценки отсутствует, поэтому этот результат нельзя надёжно интерпретировать. Модель распространяется по лицензии Apache-2.0. Данные для дообучения неизвестны; качество и ограничения на конкретных задачах по имеющейся оценке установить нельзя.

Kelnux/Qwen3-0.6B-seo-finetuned — дообученная Kelnux модель на базе Qwen/Qwen3-0.6B, предназначенная для генерации текста и ответов по поисковой оптимизации. Она охватывает техническое SEO, внутреннюю и внешнюю оптимизацию страниц, построение ссылок и качество контента, включая robots.txt, карты сайта, Core Web Vitals, канонические URL, микроразметку, ключевые слова, метатеги и принципы E-E-A-T. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 507,9 млн параметров. Максимальная длина контекста — 40 960 токенов; карточка указывает английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не приводит результатов оценки качества или подробностей об ограничениях; ответы по SEO стоит проверять, особенно при принятии решений, зависящих от актуальных рекомендаций поисковых систем.

Это дообученная на турецких триплетах модель Sentence Transformers на базе Qwen/Qwen3-Embedding-0.6B, разработанная автором репозитория seroe. Она преобразует предложения и абзацы на турецком языке в плотные векторы размерностью до 1024 и предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Модель обучалась на данных телекоммуникационной тематики и особенно подходит для запросов о мобильных услугах, счетах, кампаниях и подписках. Архитектура включает Qwen3Model, пулинг по последнему токену и нормализацию; заявленная максимальная длина последовательности — 32768 токенов. В README приведены высокие результаты на тестах триплетов с размерностями эмбеддингов 1024, 768, 512 и 256, однако методика и наборы для части оценок могут не отражать качество на реальных данных. Лицензия — Apache-2.0. Модель может хуже работать за пределами турецкого телекоммуникационного домена.

Shako-iraqi-4B-it — модель anaspro, дообученная на unsloth/gemma-3n-E4B-it для общения на иракском диалекте арабского языка. Она предназначена для чат-ботов, виртуальных помощников и служб поддержки: отвечает на вопросы, помогает с типовыми проблемами и составляет вежливые сообщения. Модель поддерживает разговорный и профессиональный тон, иракский сленг, культурные выражения и сообщения со смесью арабского и английского. Основана на архитектуре Gemma 3n, класс размера — 4 млрд параметров; метаданные указывают на поддержку изображений и текста на входе и генерацию текста. Лицензия Apache-2.0. Сильные стороны модели — специализация на иракской разговорной речи, социальных контекстах и вариантах диалекта, а также переключение между неформальным и деловым стилем. Оценки качества и подробности контекстного окна для этой версии в карточке не приведены; ответы на диалектные и культурные темы могут требовать проверки, особенно в важных сценариях.

tradebot-slm-v1 — компактная языковая модель на 1,5 млрд параметров, разработанная автором репозитория market-proof и дообученная полным fine-tuning на базе Qwen/Qwen2.5-1.5B-Instruct. Она принимает текст индийских корпоративных раскрытий NSE/BSE и формирует структурированный JSON с типом события, материальностью, извлечёнными суммами и оценкой последующей реакции акций. В схему также входят направление и форма движения цены, признак заметного движения и прогнозные траектории доходности и объёма. Модель предназначена для извлечения и структурирования сведений из биржевых документов, а также для исследований реакции рынка на корпоративные события. Обучение проводилось на 146 500 раскрытиях NSE с целями, основанными на измеренной реакции рынка; модель использует архитектуру Qwen2 с причинным декодером, поддерживает диалоговый интерфейс и контекст до 32 768 токенов. README приводит результаты сравнения, в котором модель уступает постоянному прогнозу FLAT по точности направления; генеративное извлечение и классификация отдельно не оценивались. Область применимости ограничена индийскими раскрытиями за 2025–2026 годы, а формат запроса должен соответствовать обучающему шаблону. Лицензия — Apache-2.0.