III.2Исследование рынка и маркетинг

abilfad/sentiment-binary-dicoding — дообученная модель DistilBERT для бинарной классификации тональности текста. Она основана на distilbert-base-uncased и предназначена для определения одной из двух категорий тональности; модель можно применять, например, для анализа отзывов и коротких текстовых сообщений. Архитектура — DistilBertForSequenceClassification, максимальная длина контекста — 512 токенов. В README приведены точность обучения 0,9307 и ошибка на проверочной выборке 0,2322 после двух эпох, но набор данных и метрики на независимом тесте не описаны. Модель распространяется по лицензии Apache-2.0.

NYTK/sentiment-ohb3-hubert-hungarian — венгерская модель для аспектного анализа тональности, разработанная NYTK. Она основана на huBERT, дообученном на корпусе OpinHuBank (OHB), и классифицирует тональность в одну из трёх категорий: отрицательную, нейтральную или положительную. В примере из карточки аспект отделён от текста маркером [SEP]. Модель содержит 137,8 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текст длиной до 512 токенов по метаданным; в README указано ограничение max_seq_length=256. Карточка сообщает результат 82,30 на OHB для huBERT против 80,59 для XLM-R. Модель распространяется под лицензией Apache-2.0.

Twitter-roberta-base-sentiment — англоязычная модель Cardiff NLP для классификации тональности сообщений в Twitter и других коротких текстов. Она основана на RoBERTa-base, предварительно обученной примерно на 58 млн твитов, и дообучена для анализа тональности на бенчмарке TweetEval. Модель относит текст к одному из трёх классов: негативному, нейтральному или позитивному, и возвращает оценки для классов. Число параметров — 151,8 млн, контекст — до 514 токенов. Доступны версии для PyTorch, TensorFlow и JAX. Модель рассчитана на английский язык и короткие сообщения; для похожей многоязычной модели README рекомендует XLM-T. В карточке не указаны условия лицензии, поэтому их нельзя уточнить по имеющимся данным. Разработчики также упоминают более новую модель, обученную на большем и более свежем наборе твитов.

cardiffnlp/twitter-roberta-large-emotion-latest — модель Cardiff NLP на архитектуре RoBERTa-large, дообученная для многометочной классификации эмоций в сообщениях Twitter. Базовая модель обучалась на 154 млн твитов до конца декабря 2022 года, а дообучение для распознавания эмоций выполнено на наборе TweetEmotion из SuperTweetEval. Модель назначает тексту одну или несколько из 11 меток: гнев, ожидание, отвращение, страх, радость, любовь, оптимизм, пессимизм, грусть, удивление и доверие. Она подходит для анализа эмоциональной окраски коротких публикаций на английском языке. Размер модели — 454,1 млн параметров, контекст — до 514 токенов. Репозиторий содержит веса в формате Safetensors; лицензия — MIT.

Это мультиязычный классификатор последовательностей на базе XLM-RoBERTa, дообученный Citizen Lab на основе модели Cardiff NLP Group для классификации тональности. Он предназначен для определения тональности текстов, в том числе публикаций в Twitter, и может использоваться через библиотеку Transformers для классификации текста. Модель содержит 305,2 млн параметров, работает с текстом и принимает последовательности длиной до 514 токенов. В метаданных указана поддержка английского, нидерландского, французского, португальского, итальянского, испанского, немецкого, датского, польского и африкаанс. Формат весов — PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

XLM-RoBERTa-German-Sentiment — модель классификации тональности на базе XLM-RoBERTa, опубликованная пользователем ssary на Hugging Face. Она дообучена на более чем 200 тысячах немецкоязычных примеров и предназначена прежде всего для определения тональности немецких текстов. Автор сообщает о взвешенном F1 87%. Модель также может обрабатывать тексты на английском, арабском, французском, хинди, итальянском, португальском и испанском языках, однако обучение и тестирование проводились только на немецком, поэтому для остальных языков качество ниже. Это плотная модель для классификации последовательностей размером 305,2 млн параметров с контекстом до 514 токенов; она работает через Transformers и доступна в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

PRAli22/AraBert-Arabic-Sentiment-Analysis — модель классификации текста на основе AraBERT, дообученная для анализа тональности на неизвестном наборе данных. Она предназначена для определения тональности арабских текстов; архитектура — BERT для классификации последовательностей, размер — 162,4 млн параметров, максимальный контекст — 512 токенов. На оценочном наборе указаны Macro F1 0,6543 и точность 0,8003. Модель распространяется по лицензии Apache-2.0.

Это англоязычная модель классификации тональности текста, созданная с помощью SetFit на базе BAAI/bge-small-en-v1.5 и обученная на наборе SetFit/sst2. Она использует BERT-представление предложений и классификационную голову SetFitHead, обученную различать два класса — положительную и отрицательную оценку. Модель содержит около 40 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначена для классификации отзывов и других коротких высказываний на английском языке. Обучение выполнено методом few-shot: контрастивное дообучение Sentence Transformer дополняется обучением классификационной головы. В карточке указана точность 0,8842 на используемой оценке. Модель выпущена в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Модель fyaronskiy/deberta-v1-base-russian-go-emotions разработана на основе deepvk/deberta-v1-base и дообучена для распознавания эмоций в русскоязычных текстах. Это энкодер DeBERTa с классификационной головой; модель содержит 151,8 млн параметров и принимает последовательности длиной до 512 токенов. Модель выполняет многометочную классификацию по 27 категориям эмоций из набора ru_go_emotions: она может выделять несколько эмоций в одном тексте или проверять наличие конкретных эмоций. Пороговые значения для классов подобраны на валидационной выборке с максимизацией macro F1. Качество заметно различается между категориями: в карточке отмечены хорошие результаты для amusement, gratitude и fear, а распознавание relief и realization даётся модели сложнее. Модель распространяется по лицензии MIT.

Модель neuralnaut/deberta-wrime-sentiment разработана для анализа тональности японского текста. Это регрессионная модель на базе DeBERTa V3, дообученная на субъективных оценках авторов в датасете WRIME v2. Она предсказывает непрерывную оценку полярности от −2 (сильная негативная тональность) до +2 (сильная позитивная); логиты модели нормализованы в диапазон от −1 до +1, поэтому для исходной шкалы результат нужно умножить на 2 и ограничить диапазоном от −2 до +2. Модель подходит для оценки тональности коротких публикаций в соцсетях, отзывов и комментариев, количественного анализа обратной связи и мониторинга репутации. Архитектура DeBERTa V3 для классификации последовательностей содержит 187,7 млн параметров; максимальный контекст по метаданным — 512 токенов, а карточка рекомендует ограничивать вход 128 токенами. На тестовой выборке WRIME v2 указаны RMSE 0,9224, MAE 0,7254 и корреляция Пирсона 0,6787. Модель ориентирована на японский язык и субъективное восприятие автора текста, а не читателя. Она обучена на разговорных коротких текстах и хуже оценивает нейтральную тональность; также отмечены склонность к слегка завышенным позитивным оценкам и трудности с сарказмом. Лицензия — MIT.

Модель hope613/distilbert-base-multilingual-cased-finetuned-emotion — дообученная для классификации текста версия многоязычной DistilBERT от hope613 на базе distilbert/distilbert-base-multilingual-cased. По названию репозитория она предназначена для распознавания эмоций в тексте; карточка сообщает о точности 0,9325 и F1 0,9327 на оценочной выборке, но не описывает набор меток и состав этой выборки. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и возвращает класс текста. Максимальная длина контекста — 512 токенов. Базовая модель многоязычная, однако карточка не перечисляет языки, для которых именно эмоциональная классификация проверена. Модель распространяется по лицензии Apache-2.0.

Xenova/distilbert-base-multilingual-cased-sentiments-student — модель для классификации тональности текста, разработанная на основе lxyuan/distilbert-base-multilingual-cased-sentiments-student. Репозиторий Xenova содержит веса в формате ONNX, адаптированные для использования с библиотекой Transformers.js и запуска в JavaScript-средах, включая веб-приложения. Модель предназначена для определения тональности пользовательских текстов и может применяться в анализе отзывов, мониторинге обратной связи и других сценариях текстовой классификации. В качестве базовой архитектуры используется мультиязычная регрессионная версия DistilBERT с поддержкой регистра. Точный размер модели, перечень языков, объём контекста и набор меток тональности в README не указаны. Ключевое преимущество модели — возможность выполнять классификацию через Transformers.js с ONNX-весами, что упрощает интеграцию в JavaScript-проекты. Ограничения, показатели качества, условия лицензирования и область обучающих данных в представленном описании не указаны, поэтому их следует уточнить в карточке исходной модели lxyuan/distilbert-base-multilingual-cased-sentiments-student.

KshitizSharma выпустил модель distilbert-emotion — дообученную DistilBERT модель для классификации текста по эмоциональным меткам. Она предназначена для анализа эмоциональной окраски коротких текстов. В README указаны результаты на наборе оценки: F1 — 0,9252, точность — 0,925, loss — 0,1842; название и состав датасета не раскрыты. Модель построена на DistilBertForSequenceClassification, принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов. Распространяется по лицензии Apache-2.0.

mohawwad93/distilbert-emotion-detector — дообученная модель на базе distilbert/distilbert-base-uncased для классификации эмоций в тексте. Она предназначена для определения эмоциональной категории текста; архитектура — DistilBertForSequenceClassification, веса хранятся в формате safetensors. Максимальная длина контекста составляет 512 токенов. В README указаны результаты на оценочной выборке: accuracy 0,916 и F1 0,8664; обучающий датасет и перечень классов не описаны. Модель распространяется по лицензии Apache-2.0.

jitesh/emotion-english — англоязычная модель классификации текста по эмоциям, опубликованная пользователем jitesh. Она основана на архитектуре RoBERTa и содержит около 95,2 млн параметров; модель принимает текст и относит его к одной из 20 эмоциональных категорий. Подходит для анализа тональности и эмоционального окраса коротких сообщений и других текстов на английском языке. Модель рассчитана на применение через Transformers для получения эмоциональной метки текста. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — MIT. Контекст модели составляет 514 токенов.

Модель Steeve2ml/globatrend-absa-english-classifier разработана как часть независимого портфолио-проекта GlobaTrend Insights. Это энкодер DistilBERT, дообученный для классификации тональности по конкретному аспекту отзыва: на вход подаются текст отзыва и название аспекта, а на выходе — метка «отрицательная», «нейтральная» или «положительная». Модель предназначена для анализа англоязычных отзывов, в частности ресторанных и интернет-магазинных, когда нужно определить, что именно понравилось или не понравилось клиенту. Модель решает задачу классификации последовательностей по паре предложений и принимает текст. Она обучена на отзывах ресторанов из SemEval-2014 Task 4; метки conflict при обучении объединены с нейтральным классом. Контекст модели составляет 512 токенов. На отложенной части обучающей выборки указаны accuracy 0,767 и macro F1 0,698. Модель не извлекает аспекты из текста — их нужно передать отдельно или получить другим компонентом. Качество снижается на длинных отзывах с несколькими аспектами и меняющейся тональностью: общий тон текста может повлиять на оценки отдельных аспектов. Смешанное мнение об одном аспекте может классифицироваться как нейтральное. Обучение и проверка проводились на ресторанных отзывах, поэтому для других областей нужна отдельная проверка и, возможно, дообучение. Лицензия — MIT.

IndoBERT-Sentiment-Analysis — дообученная модель классификации тональности текста на основе indobenchmark/indobert-base-p1, созданная сообществом crypter70 и обученная на наборе данных IndoNLU. Это модель BERT с примерно 151,6 млн параметров, принимающая текст и выдающая метку класса; контекст ограничен 512 токенами. В README указаны точность 0,9452 и F1 0,9451 на оценочной выборке. Модель предназначена для определения тональности индонезийских текстов. Доступна по лицензии MIT.

luwa-01 — экспериментальная языковая модель ChatPBC Labs для бизнес-исследований, анализа рынков, стратегии и конкурентной разведки. Это плотная авторегрессионная модель семейства Qwen2 с 494 млн параметров, рассчитанная на контекст до 32 768 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации структурированных бизнес-ответов, а при запуске с агентной обвязкой может формировать вызовы инструментов для поиска и сбора данных в интернете. Сценарии применения включают предварительную оценку выхода на рынок, анализ конкурентов и их позиционирования, прогнозирование отраслевых тенденций, проверку бизнес-идей и начальный инвестиционный анализ. Основной язык — английский. Для веб-исследований требуется внешняя агентная среда: сама модель не просматривает интернет. Из-за небольшого размера и заявленных ограничений синтеза её выводы по сложным многошаговым запросам следует проверять; модель также уступает крупным моделям в сложном рассуждении. Распространяется по лицензии Apache 2.0.

Это модель для бинарного анализа тональности текста на малайском языке, разработанная Malaysia AI. Она представляет собой дообученный чекпойнт DeBERTa-V3-xsmall с архитектурой DeBERTa-v2 для классификации последовательностей и содержит 77,5 млн параметров. Модель относит текст к положительной или отрицательной тональности. Модель предназначена для классификации малайскоязычных отзывов, комментариев и коротких сообщений. Она принимает текст длиной до 512 токенов и выдаёт метку класса тональности. В репозитории указаны веса в формате safetensors; лицензия в предоставленных данных не приведена.

fyaronskiy дообучил ModernBERT-large на наборе GoEmotions для многометочной классификации эмоций в английском тексте. Модель находит несколько эмоций одновременно или проверяет наличие заданных эмоций; она построена на архитектуре ModernBERT и содержит 394,7 млн параметров. Нативный контекст — до 8192 токенов. Для исходной модели доступны веса Safetensors и версия ONNX, а также квантованная до INT8 версия ONNX. По результатам автора, ONNX ускоряет инференс примерно в 1,6 раза при сопоставимом качестве, а INT8 — примерно в 2,5 раза с небольшим снижением макро-F1. Качество заметно различается между классами: модель лучше распознаёт некоторые частые эмоции, тогда как редкие классы, например разочарование и осознание, даются ей хуже. Лицензия — MIT.

Aniemore/rubert-tiny-emotion-russian-cedr-m7 — русскоязычная модель классификации эмоций, разработанная Aniemore и дообученная на наборе данных Aniemore/cedr-m7 от cointegrated/rubert-tiny. Это BERT-модель с классификационной головой, поддерживающая семь независимых меток эмоций: она может отнести текст сразу к нескольким классам или не выбрать ни одного. По результатам на тестовой выборке CEDR-M7 макроусреднённый ROC AUC составляет 0,9008. Модель предназначена для определения эмоциональной окраски русскоязычных предложений, например, в анализе отзывов, сообщений и пользовательских высказываний. Размер в метаданных — 29 млн параметров; модель принимает текст и выдаёт оценки по классам эмоций. Для классификации с порогом 0,5 README рекомендует подбирать порог на собственных данных. Длина контекста по метаданным — 2048 токенов. Лицензия — MIT.

SentiCSE — модель на базе RoBERTa-base, разработанная DILAB-HYU и дообученная для задач анализа тональности на датасете MR. Она предназначена для анализа английских текстов и представления их в виде эмбеддингов: пример в карточке показывает, что модель оценивает косинусное сходство между отзывами и предложениями о ресторане. Архитектура RoBERTa содержит около 151,8 млн параметров; заявленная длина контекста — 514 токенов. Модель может применяться для определения тональности текста и сравнения отзывов по смысловой близости. В метаданных также перечислены датасеты Rotten Tomatoes, SST-2, Amazon Polarity, IMDB и Yelp Polarity. Доступны веса в формате PyTorch. Лицензия в предоставленных данных не указана.

nahiar/sentiment-analysis-v2 — модель классификации тональности текстов из социальных сетей, разработанная на основе XLM-RoBERTa-Base. Она определяет положительную, нейтральную или отрицательную тональность и предназначена для публикаций и комментариев на индонезийском и английском языках, в том числе в Twitter/X, Instagram, TikTok, Facebook и на форумах. Модель содержит 305,2 млн параметров, использует архитектуру XLMRobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. Доступна в формате safetensors и запускается через библиотеку Transformers. В README сообщаются accuracy 0,8527, macro F1 0,8525 и weighted F1 0,8525 на отложенной валидационной выборке со сбалансированным распределением тональности. Модель можно применять для анализа тональности публикаций, фильтрации комментариев и контроля качества контента. Она дообучена на FacebookAI/xlm-roberta-base и распространяется по лицензии Apache-2.0. Качество может снижаться на очень коротких или неоднозначных сообщениях; модель не оптимизирована для формальных текстов и может быть подвержена смещениям. README называет задачу классификацией по трём классам, хотя в перечне ограничений ошибочно указано «Binary classification».

samandar1105/sentiment-classifier — дообученная модель RoBERTa для бинарного анализа тональности английского текста. Она относит текст к положительному или отрицательному классу; модель разработана на основе roberta-base и обучена на наборах SST-2 и IMDB. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт метку класса. В README указаны accuracy 0,9292 и F1 0,9413 на 20 000 отложенных примеров из IMDB. Подходит для анализа тональности отзывов и текстов, похожих на рецензии. Модель обучалась только на английских текстах и не распознаёт нейтральную тональность. Результаты на других типах текстов могут отличаться. Лицензия в предоставленных данных не указана.

emre/turkish-sentiment-analysis — модель классификации текста, созданная с помощью AutoTrain на базе архитектуры BERT. Она предназначена для многоклассового анализа тональности турецких текстов, например отзывов и коротких пользовательских сообщений. Модель содержит 211,6 млн параметров, принимает текстовые входные данные и рассчитана на контекст до 512 токенов. В README приведены метрики на валидации: accuracy 0,970 и macro F1 0,948. Это производная модель, однако её базовая модель в предоставленных данных не названа. Модель распространяется по лицензии Apache-2.0; результаты на других типах турецких текстов могут отличаться от указанных метрик.

Neo-11/tweet_sentiment — модель классификации тональности твитов, дообученная на основе distilbert-base-uncased. Она использует архитектуру DistilBertForSequenceClassification и принимает текст длиной до 512 токенов. В README приведены результаты на наборе оценки: accuracy 0,9985 и F1 0,9950; название и состав обучающего набора данных не раскрыты. Модель подходит для автоматической разметки тональности коротких сообщений и анализа публикаций в соцсетях. Распространяется по лицензии Apache-2.0.

cardiffnlp/twitter-roberta-base-2021-124m-sentiment — модель Cardiff NLP на базе RoBERTa, дообученная для классификации тональности сообщений в Twitter. Она предназначена для определения тональности твитов и коротких текстов в сценариях анализа пользовательских публикаций и социальных сетей. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт метку класса тональности. В README приведены результаты на тестовой части tweet_eval: micro-F1 0,713, macro-F1 0,716 и accuracy 0,713. Модель обучена на обучающей части tweet_eval (sentiment), а параметры подбирались на валидационной части. Она рассчитана на короткие сообщения, подобные публикациям в Twitter; качество и применимость к другим жанрам текста могут отличаться. Сведения о лицензии в предоставленных данных отсутствуют.

Xenova/twitter-roberta-base-sentiment-latest — версия модели CardiffNLP/cardiffnlp/twitter-roberta-base-sentiment-latest с весами в формате ONNX, подготовленная для использования через библиотеку Transformers.js. Модель предназначена для классификации тональности текста и может применяться в сценариях анализа пользовательских сообщений, публикаций и отзывов, включая запуск в JavaScript- и web-приложениях. Ключевая особенность этой версии — совместимость с Transformers.js и наличие ONNX-весов, что позволяет выполнять инференс средствами JavaScript. В README не указаны точные размер модели, языки, максимальная длина контекста, поддерживаемые модальности, результаты оценки или лицензия, поэтому эти характеристики нельзя достоверно определить по представленным данным. Условия использования также не уточнены.

NetworkIsLife/twitter-xlm-roberta-base-sentiment-fast — копия модели Cardiff NLP для классификации тональности сообщений в соцсетях и коротких текстов. Основа — XLM-RoBERTa с архитектурой XLMRobertaForSequenceClassification и 305,2 млн параметров; модель принимает текст и относит его к одному из трёх классов: Negative, Neutral или Positive. Контекст составляет до 514 токенов. Веса побайтно совпадают с cardiffnlp/twitter-xlm-roberta-base-sentiment. Дополнительно репозиторий содержит tokenizer.json, созданный для загрузки быстрого токенизатора без проблем конвертации SentencePiece в Transformers v5; по карточке, токенизатор выдаёт те же идентификаторы токенов, что и исходный медленный токенизатор. Поддерживается многоязычный ввод. Модель предназначена, в частности, для анализа тональности твитов и коротких сообщений. Для работы доступны веса PyTorch, SafeTensors и TensorFlow. Лицензия в предоставленных данных не указана. Классы ограничены отрицательной, нейтральной и положительной тональностью; точность для отдельных языков и типов текста в карточке не приведена.

WangchanBERTa-finetuned-sentiment — модель классификации текста, разработанная пользователем poom-sci на базе архитектуры CamemBERT. Она дообучена для анализа тональности тайскоязычных текстов и классифицирует высказывания как положительные, нейтральные или отрицательные. Модель предназначена для автоматического анализа отзывов, комментариев и пользовательских сообщений на тайском языке. В обучении использовались наборы данных wongnai_reviews, wisesight_sentiment и generated_reviews_enth. Модель содержит около 132,5 млн параметров и поддерживает контекст длиной до 512 токенов; основной сценарий применения — pipeline text-classification в экосистеме Transformers и PyTorch. Примеры в карточке показывают обработку тайских отзывов и сообщений с положительной, нейтральной и отрицательной окраской. Модель создана только для учебных целей, поэтому её предсказания следует дополнительно проверять при использовании в продуктивных системах. Распространяется по лицензии Apache-2.0.