III.2Исследование рынка и маркетинг

Англоязычный классификатор тональности комментариев YouTube, разработанный Rishiraj Gupta. Модель основана на CardiffNLP Twitter-RoBERTa-base-sentiment-latest и дообучена на наборе более чем из миллиона размеченных комментариев YouTube. Архитектура RoBERTa для классификации последовательностей содержит 151,8 млн параметров и принимает текст длиной до 514 токенов. Модель относит комментарии к отрицательной, нейтральной или положительной тональности. Она предназначена для анализа комментариев, мониторинга реакции аудитории, аналитики авторов и отслеживания тональности упоминаний бренда. В README сообщается о точности 88% на специально собранном внешнем бенчмарке и 77,43% на отложенной тестовой выборке; результаты зависят от данных и не гарантируют такую же точность в других условиях. Лицензия — MIT. Классификатор может ошибаться при сарказме, иронии, неоднозначных шутках и без контекста других комментариев. Разработчик также не рекомендует использовать его для медицинских, юридических или финансовых решений и в высокорисковых автоматизированных системах.

mr-checker разработал англоязычную модель классификации текста на базе DistilBERT для определения стратегического намерения аудитории в материалах, связанных с YouTube. Модель относит текст к одной из восьми категорий: Build, Learn, Career, Evaluate, Awareness, Decide, Inspiration или Predict. Она предназначена для анализа интересов аудитории, планирования контентной стратегии, исследования рынка и поддержки бизнес-решений. Модель реализована как DistilBertForSequenceClassification и дообучена на distilbert/distilbert-base-uncased с использованием набора yt-strategic-intent-9k объёмом около 10 тысяч строк. Принимает англоязычный текст; штатная длина контекста — до 512 токенов. Распространяется в формате Safetensors под лицензией Apache 2.0. Классификация помогает выявлять предполагаемые мотивы взаимодействия с контентом, но качество прогнозов зависит от текста заголовков, расшифровок или метаданных. Модель не использует изображения, аудио или другие мультимодальные сигналы; автор также отмечает возможные ошибки на реальных данных из-за их качества.

CAMeLBERT Mix SA Model — арабоязычная модель анализа тональности, разработанная CAMeL Lab путём дообучения CAMeLBERT Mix. Она классифицирует текстовые высказывания по тональности; модель можно использовать через компонент анализа тональности CAMeL Tools или через pipeline библиотеки Transformers. Модель основана на архитектуре BERT для классификации последовательностей, содержит 136,3 млн параметров и принимает последовательности длиной до 512 токенов. Для дообучения использовались наборы ASTD, ArSAS и SemEval. Модель поддерживает арабский язык и распространяется по лицензии Apache-2.0.

CAMeLBERT MSA SA — модель анализа тональности, разработанная CAMeL Lab путём дообучения CAMeLBERT для современного стандартного арабского языка (MSA). Она классифицирует арабские предложения по тональности; модель можно использовать через компонент SentimentAnalyzer в CAMeL Tools или через pipeline библиотеки Transformers. Модель построена на архитектуре BERT и содержит 136,3 млн параметров. Она принимает текст на арабском языке, поддерживает контекст до 512 токенов и выдаёт метки тональности, в том числе positive и negative. При дообучении использовались наборы данных ASTD, ArSAS и SemEval. Модель распространяется по лицензии Apache-2.0. Описание не приводит результатов оценки качества или перечня известных ошибок; применение за пределами современного стандартного арабского языка не подтверждено.

Это модель классификации текста, опубликованная TextAttack: BERT-base-uncased, дообученная для определения тональности по набору SST-2. Она относит входной текст к положительному или отрицательному классу и подходит для анализа коротких отзывов и фраз на английском языке. Модель использует архитектуру BERT для классификации последовательностей, содержит около 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Доступны веса PyTorch и Flax. Карточка предлагает использовать её через Transformers как text-classification pipeline; лицензия в доступных сведениях не установлена.

pysentimiento/bert-it-sentiment — модель классификации текста от команды pysentimiento на основе BERT, предназначенная для анализа тональности на итальянском языке. Она выдаёт метку класса для входного текста; в Hugging Face указаны задача text-classification, архитектура BertForSequenceClassification, около 137,1 млн параметров и контекст до 512 токенов. Модель можно применять для определения тональности итальянских сообщений, отзывов и публикаций в социальных сетях. Карточка демонстрирует использование через Transformers и PyTorch, но подробностей об обучающих данных, классах тональности, качестве и лицензии не содержит. Это специализированный классификатор, поэтому он не предназначен для генерации текста.

mavinsao/bert-sst2-sentiment — модель классификации текста на основе BERT, дообученная на google-bert/bert-base-uncased. Она предназначена для определения тональности английских текстов в сценариях анализа отзывов и коротких высказываний. В README указаны результаты оценки: accuracy и F1 — 0,9197, precision — 0,9201, recall — 0,9197; в метаданных указан набор данных Stanford Sentiment Treebank 2 (SST-2). Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в формате PyTorch. Распространяется по лицензии Apache-2.0. Она решает задачу классификации текста; результаты приведены для оценки на конкретном наборе данных SST-2, поэтому их нельзя считать гарантией качества на других языках, доменах или типах текстов.

akoksal/bounti — модель для анализа тональности турецких текстов, дообученная автором карточки на базе BERTurk 128k uncased с датасетом BounTi. Это плотная архитектура BERT для классификации последовательностей; модель принимает текст и присваивает ему метку положительной, нейтральной или отрицательной тональности. Она рассчитана на короткие сообщения, в частности публикации в Twitter, и поддерживает турецкий язык. Размер модели — 211,6 млн параметров, контекст — до 512 токенов. В README приведены результаты на тестовой выборке: accuracy 0,723 и F1 0,701. Модель можно использовать для автоматической разметки тональности турецких сообщений и анализа общественного мнения. Лицензия в предоставленных данных не указана.

Pravallika6/detr-finetuned-logo-detection_v2 — модель обнаружения объектов на базе архитектуры DETR, опубликованная пользователем Pravallika6 на Hugging Face. Модель предназначена для поиска логотипов на изображениях и возврата ограничивающих рамок обнаруженных объектов. Модель содержит около 6,3 млн параметров и реализована для использования с библиотекой Transformers; формат safetensors указан в метаданных. Она может применяться в системах анализа изображений, мониторинга представленности брендов, поиска логотипов в пользовательском контенте и автоматической разметки изображений. Сведения о разработчике, лицензии, обучающих данных, поддерживаемых языках, длине контекста и результатах оценки в доступных материалах отсутствуют.

lyrisha/distilbert-base-finetuned-sentiment — модель классификации текста на базе DistilBERT, разработанная путём дообучения lyrisha/distilbert-base-finetuned-imdb-sentiment на наборах IMDb и GLUE SST-2. Она предназначена для определения тональности коротких текстов, например отзывов. В README указана точность 0,9128 на оценочном наборе; подробности протокола оценки не приведены. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст с контекстным окном до 512 токенов и выдаёт метку класса. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не уточняет языки, поддерживаемые метки и ограничения применения.

hezarai/distilbert-fa-sentiment-dksf — модель классификации текста, опубликованная Hezar AI и дообученная на базе hezarai/distilbert-base-fa. Она предназначена для определения тональности персоязычного текста. Карточка Hugging Face относит её к задачам Text Classification и указывает персидский язык. Модель доступна в формате PyTorch и связана с библиотекой Hezar. Доступные сведения не подтверждают число параметров, длину контекста, точность или конкретный набор классов тональности. Условия лицензии в использованных источниках не установлены.

NOtda/distilbert-finetuned-emotion — модель классификации текста, дообученная на базе distilbert/distilbert-base-uncased для определения эмоций в тексте. Она использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса. В README указаны результаты на оценочном наборе: accuracy 0,922 и F1 0,9219; датасет обучения и наборы эмоциональных меток не раскрыты. Модель подходит для автоматической разметки эмоций в текстах, например в сообщениях и отзывах. Максимальная длина контекста — 512 токенов. Веса представлены в формате safetensors, библиотека — Transformers; лицензия — Apache-2.0. Базовая модель uncased рассчитана на английский текст.

Sapolas0730/distilbert-finetuned-emotion — модель классификации текста на основе DistilBERT, дообученная автором репозитория на наборе данных, который в карточке не назван. Она предназначена для определения эмоциональной категории текста. На указанной автором оценочной выборке модель показала accuracy 0,9255 и F1 0,9252 при loss 0,2192; описание не уточняет состав классов, датасет и методику оценки. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метки классов. Базовая модель — distilbert/distilbert-base-uncased; максимальный контекст составляет 512 токенов. Лицензия — Apache-2.0.

Это модель классификации тональности на базе DistilBERT, дообученная iam-tsr на корпусе комментариев YouTube. Она присваивает тексту одну из трёх меток: POSITIVE, NEUTRAL или NEGATIVE; модель рассчитана на разговорный английский, включая сленг, эмодзи и неформальные выражения. Архитектура — DistilBertForSequenceClassification, базовая модель distilbert/distilbert-base-uncased; контекст составляет до 512 токенов, а в обучении использовалась максимальная длина последовательности 128 токенов. Модель подходит для мониторинга реакции аудитории на видео, анализа отзывов и помощи в модерации комментариев. На тестовой выборке комментариев YouTube указаны accuracy 0,7301 и F1 0,7300. Распространяется по лицензии Apache-2.0.

Emollama-7b — языковая модель проекта EmoLLMs, разработанная для анализа эмоциональной окраски текста и следующих инструкциям. Она дообучена на основе Meta LLaMA 2 7B с использованием полного набора инструкций AAID; архитектура — плотная LLaMAForCausalLM, размер — 6,6 млрд параметров. Модель принимает текст и формирует текстовые ответы с классификацией или численной оценкой. Модель предназначена для определения тональности и категорий эмоций, а также оценки интенсивности эмоции и силы тональности. В примерах карточки показаны анализ коротких сообщений на английском языке и распознавание нескольких эмоций в одном тексте. Контекст составляет 2048 токенов. Репозиторий содержит веса Safetensors, лицензия — MIT. Карточка предупреждает о возможных гендерных смещениях, ошибочных предсказаниях и чрезмерных обобщениях; для применения в реальных системах эмоционального анализа требуется учитывать эти риски.

datapk/finetuning-sentiment-model-3000-samples — модель классификации текста на основе DistilBERT, дообученная на 3000 примерах для анализа тональности. Она предназначена для определения тональности текстовых высказываний. Модель использует архитектуру DistilBertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В карточке не описаны набор данных, метки классов, языки текстов и результаты оценки, поэтому нельзя уточнить охват тональностей и ожидаемое качество на конкретных данных.

Mateplo/finetuning-sentiment-model-3000-samples — модель классификации текста на основе DistilBERT, дообученная автором Mateplo на неизвестном наборе данных. Она предназначена для определения тональности текста. В README приведены результаты на оценочной выборке: accuracy 0,8767, F1 0,8795 и loss 0,3353; подробности о метках классов и данных не описаны. Модель принимает текст с контекстом до 512 токенов и доступна в форматах Safetensors и ONNX. Лицензия — Apache-2.0.

HumanLM-Opinion — диалоговая языковая модель-симулятор пользователей, разработанная исследователями Стэнфорда на базе Qwen3-8B. Она генерирует ответы, стараясь передать предполагаемые убеждения, эмоции, позицию, ценности, цели и стиль общения пользователя. Модель дообучена методом GRPO с выравниванием по состояниям на наборе Humanual-Opinion: ответах пользователей Reddit в дискуссиях на личные темы. Перед формированием ответа она рассуждает о скрытых состояниях пользователя, а затем выдаёт текст от его лица. Модель предназначена для пользовательских исследований, проверки реакции аудитории на контент, генерации обратной связи и моделирования мнений в онлайн-сообществах. Она содержит 7,6 млрд параметров, использует архитектуру Qwen3 и поддерживает контекст до 40 960 токенов; основной язык карточки — английский. В оценках на Humanual-Opinion модель превзошла указанный базовый вариант по показателю согласованности с состоянием пользователя; в пользовательском исследовании её ответы часто оценивались как естественные. Эти результаты относятся к описанным в карточке оценкам и не гарантируют точного воспроизведения реальных людей или мнений. Обучающие данные основаны на обсуждениях Reddit, поэтому ответы могут отражать их особенности и смещения. Лицензия — Apache-2.0.

Jinuuuu разработал эту модель, дообучив KoELECTRA-base для классификации корейского текста по шести эмоциям: гневу, радости, тревоге, смущению, печали и обиде. Это модель классификации последовательностей на базе ELECTRA с 140,1 млн параметров; она принимает текст и возвращает эмоциональную метку с оценкой уверенности. Максимальная длина входа — 512 токенов. Модель предназначена для анализа публикаций и комментариев в соцсетях, отзывов клиентов и диалогов, а также для эмоционального анализа литературы и подбора контента по эмоциональной окраске. В карточке указаны обучающий набор примерно из 50 000 предложений и метрики на валидации: accuracy выше 0,85 и macro F1 выше 0,83; эти значения приведены автором и зависят от данных и сценария применения. Модель ориентирована на корейский язык. Сленг, неологизмы и диалекты могут снижать точность, а результат зависит от контекста и возможных смещений обучающих данных. Репозиторий использует формат Safetensors и библиотеку Transformers; лицензия — MIT.

Bhumika/roberta-base-finetuned-sst2 — модель классификации текста на базе RoBERTa, обученная на наборе данных GLUE. По названию репозитория она предназначена для определения тональности по задаче SST-2 и выдаёт метку класса для входного текста. Архитектура — RobertaForSequenceClassification, размер — 151,8 млн параметров; контекст составляет до 514 токенов. Модель распространяется в формате PyTorch. В карточке приведён результат оценки на тестовом наборе: accuracy 0,945 и loss 0,300. Разработчик не описал дополнительные сценарии применения и ограничения. Лицензия в предоставленных данных не указана.

Модель разработал Lakshya Kumar: это дообученная RoBERTa-Large для многометочной классификации эмоций в тексте. Она определяет 28 эмоций и нейтральное состояние по датасету GoEmotions, поэтому одному сообщению может соответствовать несколько меток. Модель содержит 454,1 млн параметров, принимает текст и выдаёт оценки и метки эмоций; заявленная длина контекста — 514 токенов. Для обучения применялись focal loss, отдельная настройка порога для каждой метки и целевая аугментация, чтобы улучшить работу с несбалансированными классами. Модель ориентирована на англоязычный текст, в частности комментарии и короткие сообщения. Она распространяется по лицензии MIT.

Модель ivanovsdesign/sbert-ru-huawei-sentiment-fine-up — русскоязычная модель классификации текста на основе архитектуры BERT, дообученная автором с помощью AutoTrain от базовой модели sismetanin/sbert-ru-sentiment-rusentiment. Она предназначена для определения тональности текста, в том числе пользовательских сообщений и публикаций. Модель принимает текстовые последовательности длиной до 512 токенов и выдаёт класс тональности. В README приведены метрики на валидации: accuracy и micro F1 около 0,672, macro F1 около 0,460. Это указывает на заметно более слабые результаты по отдельным классам, чем усреднённая точность, поэтому качество стоит проверить на данных целевого сценария. Веса опубликованы в формате Safetensors. Лицензия в предоставленных данных не указана.

nie3e/sentiment-polish-gpt2-small — модель классификации тональности польского текста, обученная разработчиком nie3e на базе польской версии GPT-2 small с использованием датасета polemo2-official. Она относит текст к одной из четырёх категорий: нейтральная, негативная, позитивная или неоднозначная тональность. Модель построена на архитектуре GPT-2 для классификации последовательностей и принимает текст, выдавая метку класса. Контекст модели составляет 2048 токенов. В README приведены результаты оценки на тестовом наборе: accuracy 0,9627 и loss 0,4659. Модель предназначена для анализа польских текстов; её качество на других языках и доменах не подтверждено. Модель распространяется под лицензией MIT. Для использования предусмотрен Transformers AutoModel.

Это англоязычная модель SetFit для бинарной классификации тональности текста, созданная с помощью библиотеки SetFit и обученная на наборе SST-2. Она использует дообученный энкодер предложений sentence-transformers/all-MiniLM-L6-v2 и классификатор LogisticRegression, обученный на векторных представлениях текста. Модель различает положительные и отрицательные отзывы и подходит для быстрой классификации коротких англоязычных текстов. Обучение выполнено в режиме few-shot: для классификатора использовано по 32 примера каждого класса. В метаданных указан размер 25,9 млн параметров и контекст до 512 токенов; карточка модели задаёт максимальную длину последовательности 256 токенов. На тесте SST-2 указана точность 0,7513. Лицензия — Apache-2.0.

Tanpo Marketing — компактная языковая модель для маркетинга и задач GTM, созданная d4rkninja. Она дообучена методом LoRA на базе LiquidAI/LFM2.5-1.2B-Instruct; в репозитории размещены объединённые веса для Transformers. Модель рассчитана на локальное и недорогое развёртывание, в том числе на устройствах с ограниченными ресурсами. Архитектура LFM2, около 1,5 млрд параметров по метаданным, контекст — до 128 000 токенов. Модель помогает создавать рекламные заголовки и хуки, холодные письма, тексты для посадочных страниц, сообщения для целевой аудитории, брифы кампаний, анонсы запусков и ответы на возражения. Английский указан среди языков модели. Авторские автоматические оценки показывают улучшение на небольших наборах маркетинговых заданий, но не являются отраслевыми бенчмарками и не гарантируют качества в реальных кампаниях. Модель специализирована на маркетинге и GTM: за пределами этих задач качество может снижаться, а её небольшой размер ограничивает объём знаний и способность к длительным рассуждениям. Она не предназначена для проверки юридических утверждений, товарных знаков или соответствия регулируемой рекламе. Лицензия указана как other; конкретные условия следует проверять на странице модели.

cardiffnlp/twitter-roberta-base-emotion — модель Cardiff NLP для распознавания эмоций в сообщениях Twitter. Она основана на RoBERTa-base, предварительно обученной примерно на 58 млн твитов, и дообучена на бенчмарке TweetEval для классификации эмоций. Модель содержит около 151,8 млн параметров и принимает текст длиной до 514 токенов. Модель присваивает тексту оценки по эмоциональным категориям, например радости, оптимизму, гневу и грусти. Её можно использовать для анализа тональности и эмоций в публикациях и коротких сообщениях на английском языке. Доступны варианты весов для PyTorch, TensorFlow и Flax. В README указана более новая модель семейства с расширенным набором эмоций; применимость текущей модели ограничена короткими сообщениями в стиле Twitter и метками её обучающего бенчмарка. Лицензия в предоставленных данных не указана.

XLM-RoBERTa-Large-ru-sentiment-RuSentiment — русскоязычная модель классификации текста, разработанная на основе XLM-RoBERTa-Large и дообученная на наборе RuSentiment. Датасет содержит публикации общего характера из социальной сети ВКонтакте. Модель предназначена для определения тональности русскоязычных постов и других коротких текстов. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей и содержит 658,7 млн параметров. Её нативная длина контекста — 514 токенов; доступны веса в формате PyTorch. Карточка приводит результаты сравнения на нескольких задачах, но конкретные оценки в предоставленном тексте опущены. Модель подойдёт для анализа тональности публикаций в социальных сетях и исследовательской работы с русскоязычными текстами. Лицензия в предоставленных данных не указана.

Это модель классификации текста на базе ALBERT, дообученная TextAttack на задаче SST-2 из набора GLUE. Она предназначена для классификации коротких текстов по тональности, например для определения положительной или отрицательной оценки отзыва. Модель содержит 136,3 млн параметров, использует архитектуру AlbertForSequenceClassification и принимает последовательности длиной до 512 токенов; при дообучении применялась максимальная длина 64 токена. В карточке указана точность 0,925 на оценочной выборке. Модель подходит для анализа тональности англоязычных отзывов и коротких высказываний. Используется формат PyTorch и лицензия, явно указанная в доступных сведениях, не приводится.

techthiyanes/Bert_Bahasa_Sentiment — модель классификации последовательностей на архитектуре BERT, предназначенная для анализа тональности текста на языке Bahasa Indonesia. README показывает загрузку модели через Transformers и пример подачи токенизированного текста на вход классификатору. Модель содержит 194,6 млн параметров, поддерживает контекст до 512 токенов и опубликована в форматах PyTorch, TensorFlow и Flax. Модель подходит для определения тональности коротких текстов, например отзывов и сообщений. README не раскрывает набор и значения классов, обучающие данные и оценку качества; эти сведения нельзя уточнить по имеющимся данным. Лицензия в предоставленных метаданных и README не указана.

Модель gchhablani/bert-base-cased-finetuned-sst2 — англоязычный классификатор тональности на базе BERT, дообученный на наборе SST-2 из GLUE. Она принимает текст и относит его к одному из классов тональности; модель использовалась для сравнения google/fnet-base с bert-base-cased. Архитектура — BertForSequenceClassification, размер — 135,5 млн параметров, максимальная длина контекста — 512 токенов. На оценочной выборке SST-2 модель достигла точности 0,9232 при значении loss 0,3649. Эти результаты относятся к указанному набору и сами по себе не гарантируют такое же качество на других текстах. Модель распространяется под лицензией Apache-2.0.