III.2Исследование рынка и маркетинг

llm-book/bert-base-japanese-v3-wrime-sentiment — японскоязычная модель классификации текста, опубликованная проектом llm-book. Она дообучена на базе cl-tohoku/bert-base-japanese-v3 и предназначена для анализа тональности японских текстов. Модель использует архитектуру BERT с 12 слоями, 12 attention-головами, скрытым размером 768 и примерно 138,4 млн параметров. Это одномодальная текстовая модель с контекстом до 512 токенов, работающая через Transformers и PyTorch. Она классифицирует входной текст по двум классам: positive и negative. Модель подходит для автоматической оценки тональности японских отзывов, сообщений и других коротких текстов. Она не предназначена для генерации текста, поддержки нескольких языков или анализа контекстов длиннее 512 токенов. Сведения о лицензии в использованных источниках не установлены.

Toshifumi разработал эту модель на основе bert-base-multilingual-cased, дообучив её на наборе данных emotion для классификации эмоций в тексте. Это многоязычная модель BERT с архитектурой BertForSequenceClassification и 205,1 млн параметров; она принимает текст и выдаёт метку класса. Максимальная длина контекста составляет 512 токенов. На оценочной выборке указаны Accuracy 0,9195 и F1 0,9205. Модель распространяется по лицензии Apache-2.0. Подходит для определения эмоциональной категории коротких текстов, например сообщений или отзывов. README не уточняет список меток, языковой состав обучающих и оценочных данных и ограничения качества по отдельным языкам, поэтому результаты не следует считать одинаково надёжными для всех языков и типов текста.

Модель Cardiff NLP — мультиязычная версия BERT для классификации тональности текстов, дообученная на наборе твитов tweet_sentiment_multilingual с помощью tweetnlp. Она предназначена для определения тональности коротких сообщений и других текстов на поддерживаемых моделью языках. Архитектура — BertForSequenceClassification, 205,1 млн параметров; максимальная длина входа составляет 512 токенов. Модель принимает текст и выдаёт метки классов тональности. На тестовой выборке датасета указаны micro-F1 0,617, macro-F1 0,617 и accuracy 0,617. Эти результаты относятся к тестовому разделу данного набора и не гарантируют аналогичного качества на других типах текстов или доменах. Модель доступна в формате PyTorch; README указывает базовую модель bert-base-multilingual-cased. Условия лицензии в предоставленных данных не приведены.

saribasmetehan разработал модель анализа тональности, дообучив турецкий регистрозависимый BERTurk dbmdz/bert-base-turkish-cased на наборе winvoker/turkish-sentiment-analysis-dataset. Это плотный BERT-энкодер с 137,8 млн параметров, рассчитанный на классификацию турецких текстов по трём меткам: положительная, нейтральная и отрицательная. Для обработки доступны входные последовательности длиной до 512 токенов. В README указаны точность 0,962 и loss 0,2458 на оценочной выборке; для обучения использовались 10 000 примеров, для тестирования — 2 000. Модель можно применять для определения тональности коротких сообщений и отзывов. Лицензия — MIT. Показатели качества относятся к указанной оценочной выборке и не гарантируют таких же результатов на других данных.

beto-sentiment-analysis — модель классификации тональности испаноязычных текстов, разработанная на основе BETO, испанской версии BERT. Она дообучена на корпусе TASS 2020, содержащем около 5 тысяч твитов на нескольких диалектах испанского языка, и присваивает текстам метки POS, NEG или NEU. Модель подходит для анализа тональности коротких сообщений и твитов на испанском языке. Её архитектура — BERT с классификационной головой, размер — 137,1 млн параметров, максимальный контекст — 512 токенов. Репозиторий содержит веса PyTorch и Flax. В карточке указано, что модель планируется к удалению и рекомендуется перейти на pysentimiento/robertuito-sentiment-analysis. Сведения о лицензии в доступных данных отсутствуют.

Ido-shraga/distilbert-base-tweeteval-sentiment — англоязычная модель классификации тональности коротких сообщений в социальных сетях, разработанная автором репозитория и дообученная на DistilBERT. Она относит текст к одному из трёх классов: негативному, нейтральному или позитивному. Модель основана на distilbert/distilbert-base-uncased, содержит около 67 млн параметров и принимает текст длиной до 512 токенов; в обучении использовались сообщения из набора TweetEval, ограничение длины при обучении составляло 128 токенов. Модель подходит для анализа тональности твитов и потоковой обработки пользовательских публикаций, когда важна высокая пропускная способность. На тестовой части TweetEval указаны accuracy 0,6888 и macro-F1 0,6877; в сравнении с twitter-roberta-base автор сообщает примерно в 1,8 раза более быстрый вывод при меньшем размере, но с несколько меньшей точностью. Лицензия — Apache-2.0.

Модель abdelkader/distilbert-base-uncased-finetuned-emotion — дообученная для классификации эмоций версия DistilBERT от автора репозитория abdelkader. Она предназначена для присвоения эмоциональных меток тексту; в README указаны результаты на наборе emotion: accuracy 0,9215 и F1 0,9216. Модель использует архитектуру DistilBertForSequenceClassification, веса PyTorch и контекст до 512 токенов. Модель принимает текст и выдаёт классовую оценку, поэтому подходит для анализа эмоциональной окраски коротких текстовых фрагментов. Она дообучена на наборе emotion; язык этого набора и точный перечень меток в доступных сведениях не приведены. Лицензия — Apache-2.0. Результаты оценки относятся к указанному набору и сами по себе не гарантируют качество на других тематиках и языках.

chaymans/distilbert-sentiment-demo — дообученная модель семейства DistilBERT для классификации текста. Она основана на distilbert/distilbert-base-uncased и использует архитектуру DistilBertForSequenceClassification. Модель предназначена для определения тональности текста; в README приведена точность 0,8433 и значение loss 0,4170 на оценочном наборе. Модель принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов. Данные обучения и точные классы тональности в карточке не описаны, поэтому результаты на других данных могут отличаться. Репозиторий содержит веса safetensors и ONNX; библиотека — Transformers. Лицензия — Apache-2.0.

mrm8488/electricidad-small-finetuned-sst2-es — испаноязычная модель анализа тональности, созданная дообучением mrm8488/electricidad-small-discriminator на датасете sst2-es-mt. Датасет получен машинным переводом исходного SST2 с английского на испанский. Модель построена на ELECTRA и содержит 20,5 млн параметров; максимальная длина входа — 512 токенов. Модель классифицирует тональность испанских текстов и подходит, например, для определения эмоциональной окраски коротких отзывов и предложений. На оценочной выборке автор сообщает accuracy 0,879 и F1 0,88. В карточке приведён пример использования через Transformers pipeline. Лицензия в доступных данных не указана.

Emollama-chat-13b — языковая модель проекта EmoLLMs, разработанная для анализа эмоциональной окраски текста и выполнения инструкций. Модель дообучена на базе Meta LLaMA2-chat-13B с использованием полного набора инструкций AAID; её архитектура — плотная LLaMA, размер — 12,9 млрд параметров, максимальный контекст — 2048 токенов. Модель предназначена для классификации тональности и эмоций, а также оценки их выраженности числовой шкалой. Она может определять полярность и категории эмоций, включая радость, грусть, гнев и другие, и оценивать интенсивность эмоции или тональности. В карточке приведены примеры на английском языке; метаданные также указывают английский язык. Авторы отмечают риск смещений, ошибочных предсказаний и чрезмерного обобщения, поэтому результаты требуют проверки при использовании в реальных системах анализа эмоций. Модель распространяется по лицензии MIT.

Модель viviastaari/finetuning-sentiment-analysis-en-id — дообученная версия distilbert-base-multilingual-cased для классификации тональности текста. Она принимает текст и предсказывает его класс; в названии модели заявлена работа с английским и индонезийским языками. Архитектура — DistilBERT для классификации последовательностей, формат весов — PyTorch, максимальный контекст — 512 токенов. В README приведены результаты оценки: accuracy 0,9527, F1 0,9646, precision 0,9641 и recall 0,9652. Описание данных, разметки классов и предполагаемых сценариев применения не раскрыто, поэтому метрики нельзя уверенно переносить на произвольные тексты. Модель распространяется по лицензии Apache-2.0.

Abir Kheireddine дообучил DistilBERT для классификации тональности текста. Модель принимает текст и выдаёт классы тональности; карточка приводит результаты оценки: accuracy 0,8833 и F1 0,8867, а также loss 0,3346. Назначение и состав обучающего набора данных не раскрыты. Модель основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBertForSequenceClassification и поддерживает контекст до 512 токенов. Репозиторий содержит веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0.

LYTinn/finetuning-sentiment-model-tweet-gpt2 — модель GPT-2, дообученная для классификации тональности коротких сообщений, в том числе твитов. В метаданных указаны архитектура GPT2ForSequenceClassification, формат PyTorch и контекст до 1024 токенов; лицензия — MIT. На оценочном наборе модель показала accuracy 0,6908 и F1 0,6908. Датасет обучения, набор меток и подробные сценарии применения в карточке не описаны, поэтому качество на других данных может отличаться.

gchhablani разработал эту модель, дообучив google/fnet-base на наборе GLUE SST2 для классификации тональности английских текстов. Она использует архитектуру FNet и содержит 123,7 млн параметров; максимальная длина входа составляет 512 токенов. В оценке на SST2 модель показала accuracy 0,8945 и loss 0,4674. Модель подходит для определения положительной или отрицательной тональности коротких английских текстов, например отзывов. Она создана для сравнения FNet с bert-base-cased. Распространяется по лицензии Apache-2.0.

dilarayavuz/generated-sst2-addsent-bert-ep1 — англоязычная модель классификации текста, созданная пользователем dilarayavuz с помощью AutoTrain на базе google-bert/bert-base-uncased. Это BERT для классификации последовательностей с 136,7 млн параметров и контекстом до 512 токенов; веса доступны в формате safetensors. Модель предназначена для классификации текстов, в частности для определения тональности отзывов и предложений в сценариях SST-2. В карточке приведены метрики на валидации: accuracy 0,907, F1 0,915, precision 0,947, recall 0,885 и AUC 0,958. Эти результаты относятся к указанной в обучении задаче и не гарантируют аналогичного качества на других данных. Лицензия в предоставленных сведениях не указана.

Voicelab/herbert-base-cased-sentiment — модель классификации тональности польского текста, построенная на архитектуре BERT. Она дообучена на базе allegro/herbert-base-cased на отзывах и собственных данных; размер модели — 151,6 млн параметров, контекст — до 514 токенов. Пример в карточке показывает, что модель относит позитивное высказывание к классу positive. Модель предназначена для определения тональности польских отзывов и других коротких текстов, например сообщений о событиях. Она работает с текстом и выдаёт метку класса. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — CC BY 4.0.

yhchoi/klue-emotional-finetuned-emotion — модель классификации текста, дообученная на базе klue/roberta-small. Она предназначена для определения эмоциональных классов в тексте. Модель построена на архитектуре RoBERTa и содержит 81,2 млн параметров; максимальная длина контекста составляет 514 токенов. Доступны веса PyTorch. Карточка не раскрывает набор эмоциональных классов, обучающие данные, качество на тестах и конкретные сценарии применения. Условия лицензии в предоставленных данных не указаны.

KoELECTRA Sentiment v1 — модель Circulus Inc. для классификации корейских текстов по тональности. В метаданных указаны архитектура ELECTRA с головой ElectraForSequenceClassification, 140,1 млн параметров и контекст до 512 токенов; модель доступна в формате PyTorch и используется с Transformers как text-classification. Модель подходит для определения эмоциональной окраски корейских текстов, например отзывов или коротких сообщений. Карточка Hugging Face не содержит описания обучения, меток классов, точности или условий лицензии, поэтому эти характеристики нельзя подтвердить.

MatCha-Chart2text-statista — модель обработки изображений и текста, разработанная Fangyu Liu, Francesco Piccinno и соавторами и опубликованная в экосистеме Hugging Face при участии Younes Belkada. Это модель MatCha на архитектуре Pix2Struct, дообученная на наборе данных Chart2text-statista для создания кратких описаний диаграмм и ответов на вопросы о них. Модель предназначена для анализа графиков и диаграмм: она принимает изображение с визуализацией и текстовый вопрос или запрос, а затем генерирует ответ на естественном языке. Предобучение MatCha включает задачи восстановления структуры графиков и числовых рассуждений; в карточке сообщается о результатах на бенчмарках PlotQA и ChartQA и переносе подхода на другие визуальные задачи. Модель доступна в формате PyTorch под лицензией Apache-2.0. Карточка не приводит размер модели или длину контекста. Указанные в метаданных языки — английский, французский, румынский и немецкий; основное назначение модели — понимание графиков, поэтому качество ответов на конкретных типах диаграмм и формулировках запросов следует проверять на своих данных.

VivekMalipatel23 дообучил многоязычную mDeBERTa-v3-base на наборе Text_emotions для классификации текста по шести эмоциям: печаль, радость, любовь, гнев, страх и удивление. Модель построена на архитектуре DeBERTa V2, содержит 306 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Она предназначена для определения эмоциональной окраски текста на поддерживаемых языках. Модель можно применять для разметки эмоций в сообщениях, отзывах и других коротких текстах. Указана лицензия MIT. Карточка не сообщает о качестве модели на отдельных языках и доменах, поэтому перед использованием в критичных сценариях её следует оценить на собственных данных.

MiniLM-L12-H384-uncased__sst2__all-train — модель классификации текста на базе Microsoft MiniLM-L12-H384-uncased, дообученная для задачи определения тональности отзывов SST-2. Архитектура — BERT-классификатор с примерно 40 млн параметров и контекстом до 512 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Модель предназначена для классификации текста, в частности для отнесения отзывов к положительной или отрицательной тональности. В карточке указаны точность 0,9055 и значение loss 0,2632 на оценочном наборе. Сведения о составе обучающего набора и других сценариях применения не приведены.

philschmid/MiniLM-L6-H384-uncased-sst2 — модель классификации текста, опубликованная пользователем philschmid на Hugging Face. Она предназначена для определения тональности текста по схеме SST-2: классификации высказываний как положительных или отрицательных. Карточка Hugging Face указывает архитектуру BERT для классификации последовательностей, 25,9 млн параметров и максимальную длину контекста 512 токенов; модель загружается через Transformers как text-classification. Это дообученная версия англоязычной MiniLM-L6-H384-uncased: компактного шестислойного трансформера с 384-мерным скрытым состоянием, основанного на архитектуре BERT. Карточка модели не содержит сведений о лицензии; надёжно определить условия использования по доступным источникам нельзя. Модель рассчитана на текст и выдаёт метку класса с оценкой.

presentation_sentiment_1234567 — модель классификации текста, созданная дообучением distilbert-base-uncased на наборе данных tweet_eval. Она предназначена для отнесения коротких текстов, в частности сообщений в стиле твитов, к классам настроения или тональности. На оценочном наборе указана метрика F1 0,7183. Модель использует архитектуру DistilBERT и принимает текст длиной до 512 токенов. Модель опубликована под лицензией Apache-2.0. Карточка не уточняет классы тональности, языки данных и ограничения применимости; результаты оценки не гарантируют качество на других типах текстов.

SenseNova-U1-8B-MoT-Infographic-V2 — мультимодальная модель SenseNova, созданная на архитектуре NEO-unify для понимания и генерации текста и изображений. Это специализированная версия SenseNova-U1-8B-MoT, доработанная для создания инфографики с плотной информацией: постеров, презентаций, дашбордов, отчётов, комиксов и иллюстраций знаний. Модель формирует изображения с текстом и структурированной композицией, а также поддерживает мультимодальное понимание и диалог. По данным README, версия V2 улучшает отрисовку мелкого текста, работу со сложными макетами и визуальную согласованность; также исправлена проблема с непреднамеренно тёмным фоном. В карточке указана архитектура NEOChatModel, библиотека Transformers и формат safetensors. Модель распространяется по лицензии Apache-2.0. README не сообщает размер контекста и список поддерживаемых языков; примеры и показатели генерации приведены для английского и китайского. Качество мелкого текста и сложных макетов улучшено, но README не гарантирует точность текста или пригодность результатов без проверки человеком.

Sentimental-Mini-0.2M — компактная модель fromziro для классификации тональности текста. Она обучена на 189 тысячах примеров из наборов IMDb, GLUE, SST-5 и TweetEval и выдаёт метки тональности с оценками уверенности. Модель содержит около 298 тысяч параметров и использует двунаправленную архитектуру с GQA, RoPE, RMSNorm и SwiGLU; словарь пользовательского токенизатора состоит из 1024 токенов, максимальная длина входа — 96 токенов. Модель предназначена для быстрой оценки отзывов, публикаций и коротких сообщений. В README указана точность 70,34% на Yelp Polarity; автор также отмечает, что ясные положительные и отрицательные высказывания распознаются лучше, чем тонкие, нейтральные и неоднозначные формулировки. Репозиторий распространяется по лицензии Apache-2.0.

Nijil001/Sentiment_analysis_finetuning — модель классификации текста, дообученная на базе distilbert/distilbert-base-uncased. Она предназначена для анализа тональности текста. В README приведены результаты на наборе оценки: accuracy 0,8733 и F1 0,8766; размер набора и состав классов не описаны. Модель использует архитектуру DistilBERT с классификационной головой, принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов. Модель опубликована в формате Safetensors и доступна по лицензии Apache-2.0. В README не приведены сведения о датасете, языках, целевых сценариях и известных ограничениях, поэтому результаты нельзя уверенно переносить на другие данные.

Модель Jhusef Alfonso López Parra для классификации тональности текстов на испанском языке. Она дообучена на базе xlnet/xlnet-base-cased и построена на архитектуре XLNet; содержит 137,8 млн параметров. Модель принимает текст и относит его к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель предназначена для анализа испанских текстов, в том числе сообщений в социальных сетях, и доступна для инференса через библиотеку Transformers. Для оценки автор приводит macro-F1 0,561 на валидации; при использовании следует учитывать возможные смещения обучающих данных и проверять результаты человеком в критически важных сценариях. Модель распространяется по лицензии Apache-2.0.

TweetRoberta_5epochs — дообученная модель классификации последовательностей на основе cardiffnlp/twitter-roberta-base-sentiment. Она предназначена для определения тональности коротких текстов, например публикаций в социальных сетях. Модель построена на архитектуре RoBERTa, содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. В README приведены результаты оценки: accuracy 0,9452 и F1 0,9454 при loss 0,3387. Набор данных для дообучения не назван, поэтому эти показатели нельзя переносить на другие данные без проверки. Модель опубликована в формате safetensors; условия лицензии в доступных сведениях не приведены.

ukr-detect/ukr-emotions-classifier — модель классификации текста, разработанная ukr-detect для распознавания эмоций в украинских текстах. Она дообучена на intfloat/multilingual-e5-large на обучающей части набора ukr-detect/ukr-emotions-binary и использует архитектуру XLM-RoBERTa с классификационной головой. Модель содержит 658,7 млн параметров, принимает текст с контекстом до 514 токенов и для каждой эмоции выдаёт метку 0 или 1. Классификатор определяет радость, гнев, страх, отвращение, удивление, грусть и отсутствие этих эмоций. Он допускает несколько эмоций одновременно и подходит для анализа сообщений и других коротких украинских текстов. В отчёте на тестовой части датасета F1 для радости составил 0,73, для страха — 0,81, для гнева — 0,31; качество зависит от класса, а низкий recall для гнева указывает на частые пропуски этой эмоции. Лицензия модели — OpenRAIL++; перед использованием следует учитывать её условия.

VERA (Variant Evaluation from Real Analytics) — англоязычная модель NovusEdge для ранжирования коротких вариантов убедительного текста по прогнозируемой кликабельности. Она оценивает уже написанные варианты за один проход энкодера без промпта и генерации; более высокий балл означает предпочтительный вариант. Модель дообучена на DeBERTa-v3-large и использует архитектуру DeBERTa-v2 для классификации последовательностей; в метаданных указаны 533,8 млн параметров и контекст до 512 токенов. Модель предназначена для выбора заголовков и другого короткого текста в сценариях копирайтинга и A/B-тестирования. По README, обучение использовало 47 168 вариантов из 16 129 рандомизированных тестов, а проверка проводилась на отложенных тестах без пересечения тестовых идентификаторов с обучением. Результаты относятся к архиву одного издателя и не гарантируют аналогичную точность или абсолютный рост CTR на другом корпусе. Лицензия — Apache-2.0.