III.2Исследование рынка и маркетинг

alexandrainst/da-sentiment-base — модель DaNLP для определения тональности датских текстов. Она представляет собой BERT, дообученный на предварительно обученной датской модели BERT от BotXO, и классифицирует текст как положительный, нейтральный или отрицательный. Модель предназначена для классификации коротких текстов, в том числе сообщений в социальных сетях; при обучении использовались наборы Twitter Sentiment и EuroParl sentiment 2. Модель имеет около 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Доступны версии для PyTorch, TensorFlow и Safetensors. Лицензия в README указана как CC BY-SA 4.0, а в метаданных Hugging Face — Apache 2.0; сведения о лицензии расходятся, поэтому условия использования следует сверить с репозиторием. Карточка предупреждает о возможных стереотипных и вредных предсказаниях, а также не рекомендует применять модель для создания враждебной или отчуждающей среды.

Это дообученная модель на базе DeBERTa v2 для определения эмоций в японском тексте. Разработчик — YoichiTakenaka; модель имеет около 451,8 млн параметров и принимает текст длиной до 512 токенов. Модель оценивает восемь эмоций: радость, печаль, предвкушение, удивление, гнев, страх, отвращение и доверие. Для каждой эмоции используется отдельная модель, возвращающая метку наличия эмоции и уверенность для положительного класса. Пакет принимает один текст, список текстов или pandas Series и выдаёт таблицу с метками и оценками. Модель подходит для анализа эмоциональной окраски японских текстов, например отзывов и сообщений. Она предназначена для классификации текста, а не для генерации ответов; в описании не приведены сведения о точности и обучающих данных. Весы опубликованы в формате safetensors по лицензии CC BY-SA 4.0.

Модель transformersbook/distilbert-base-uncased-finetuned-emotion — дообученная для классификации эмоций версия distilbert-base-uncased, созданная в рамках главы «Text Classification» книги NLP with Transformers. Она принимает текст и относит его к эмоциональным категориям датасета Emotion. Модель построена на архитектуре DistilBertForSequenceClassification, работает с контекстом до 512 токенов и распространяется в формате PyTorch. На оценочной выборке указаны accuracy 0,927 и F1 0,9272. Модель подходит для определения эмоций в коротких текстах, например сообщениях и пользовательских отзывах. Данных о поддерживаемых языках в карточке нет; название базовой модели указывает на англоязычный вариант без регистрационных различий. Лицензия — Apache-2.0.

Это англоязычная модель классификации тональности предложений, опубликованная в репозитории Optimum как конверсия чекпойнта DistilBERT-base-uncased-finetuned-sst-2-english. В основе лежит DistilBERT-base-uncased, дообученный на наборе SST-2 для бинарной классификации тональности; модель принимает текст и выдаёт классовые оценки. Контекст составляет до 512 токенов. На dev-наборе SST-2 модель показала точность 91,3%. Она подходит для определения положительной или отрицательной тональности англоязычных отзывов и коротких текстов. Репозиторий содержит формат ONNX, лицензия — Apache-2.0. В README отмечен риск смещённых предсказаний для недостаточно представленных групп и примерах, где упоминание страны заметно меняет оценку без явного основания в тексте. Перед использованием в конкретном сценарии следует проверить качество и возможные смещения на подходящих данных.

JuliusAlphonso/distilbert-plutchik — модель классификации текста на базе архитектуры DistilBERT, опубликованная JuliusAlphonso. Она присваивает тексту метки эмоций, основанные на модели Плутчика; метки могут сочетаться. Предназначена для определения эмоциональных категорий в текстах. В карточке показан пример запуска через Transformers как text-classification. Модель использует PyTorch и принимает текст с контекстом до 512 токенов. Данные о лицензии, языковой поддержке и конкретном наборе обучающих данных доступные сведения не подтверждают.

DT12the разработала модель анализа тональности на основе distilbert-base-uncased, дообученную для классификации текстов. Она использует архитектуру DistilBertForSequenceClassification и предназначена прежде всего для анализа публикаций в социальных сетях; также её можно применять к текстам опросов и интервью. Модель относит текст к одному из двух классов: non-negative или negative. DistilBERT — облегчённый вариант BERT, рассчитанный на более эффективное выполнение задач классификации. Модель принимает текст, поддерживает английский язык и имеет контекстное окно 512 токенов. Веса опубликованы в формате Safetensors, лицензия — MIT. Качество на конкретных наборах данных и устойчивость к текстам вне обучающего домена в карточке не описаны. Поскольку классы объединяют все позитивные и нейтральные примеры в категорию non-negative, модель не различает позитивную и нейтральную тональность.

Модель sedat29/duygu-analizi-2 разработана Седатом Озджаном и дообучена на distilbert-base-uncased для классификации эмоций в английских текстах. Она относит текст к одному из шести классов: грусть, радость, любовь, гнев, страх или удивление. Модель построена на DistilBERT, использует библиотеку Transformers и принимает последовательности длиной до 512 токенов. Модель подходит для определения эмоциональной окраски отдельных текстов, например сообщений и отзывов. В карточке указана лицензия Apache-2.0. Классы ограничены шестью эмоциями, а описание модели не приводит метрик качества, поэтому заявленную точность нельзя оценить по представленным данным.

Emobloom-7b — языковая модель проекта EmoLLMs, разработанная для анализа эмоциональной окраски текста. Она дообучена на Bloomz-7b1-mt с использованием полного набора инструкционных данных AAID. Модель построена на плотной архитектуре BLOOM и содержит 9,1 млрд параметров; принимает и генерирует текст, а заявленная длина контекста составляет 2048 токенов. Модель предназначена для классификации тональности и эмоций, а также для оценки числовой интенсивности эмоций и силы тональности. Примеры в карточке показывают анализ коротких сообщений на английском языке; метаданные также указывают английский как язык карточки. Модель можно запускать через библиотеку Transformers. Распространяется по лицензии MIT. Авторы предупреждают о возможных гендерных смещениях, ошибочных предсказаниях и чрезмерных обобщениях. Они отмечают, что применение модели в системах анализа эмоций для реальных сценариев требует осторожности.

Модель lucky377/emotion_classifier — дообученная версия DistilBERT для классификации эмоций в английском тексте. Она присваивает тексту один из шести классов: грусть, радость, любовь, гнев, страх или удивление. В карточке указаны архитектура DistilBERT, базовая модель distilbert-base-uncased и обучение на наборе dair-ai/emotion из 20 000 размеченных текстовых фрагментов. Модель принимает текст и возвращает метки классов с оценками; максимальная длина контекста — 512 токенов. Модель подходит для анализа эмоциональной окраски коротких текстов, например сообщений и пользовательских отзывов. Она рассчитана на английский язык, поэтому качество на других языках не подтверждено. Лицензия — Apache 2.0.

IDEA-CCNL представила Erlangshen-MegatronBert-1.3B-Sentiment — китайскую модель MegatronBERT для классификации тональности текста. Это версия, дообученная на восьми наборах данных для анализа тональности из разных китайских областей, всего на 227 347 примерах. В карточке приведены результаты на нескольких тестах: 98,1 для ASAP-SENT, 97,8 для ASAP-ASPECT и 97 для ChnSentiCorp. Модель содержит 1,7 млрд параметров, принимает текст с контекстом до 512 токенов и выдаёт метки классификации. Она рассчитана на китайский язык и подходит для определения тональности текстов и аспектного анализа мнений. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

Модель lorenzosperisen/finetuning-sentiment-model-3000-samples — дообученная версия DistilBERT для классификации текста. В карточке указано, что модель обучалась на 3000 примерах, но набор данных и подробности обучения не описаны. Архитектура — DistilBertForSequenceClassification; модель использует библиотеку Transformers и веса в формате safetensors. Модель предназначена для классификации текстовых последовательностей, в частности для анализа тональности. Контекст составляет до 512 токенов. Базовая модель distilbert/distilbert-base-uncased рассчитана на английский язык. Репозиторий распространяется по лицензии Apache-2.0. Качество, набор меток и ограничения классификатора в карточке не раскрыты.

teomotun/finetuning-sentiment-model-for-c2er — модель классификации текста на основе DistilBERT, дообученная на базе distilbert-base-uncased. Она предназначена для анализа тональности текста. В README указаны результаты на оценочной выборке: accuracy 0,9523 и F1 0,9511; также приведено значение loss 0,1404. Модель принимает текст и выдаёт метку класса. Контекст составляет до 512 токенов. Датасет, схема меток и подробности предполагаемого применения не описаны, поэтому приведённые метрики нельзя уверенно переносить на другие данные. Модель распространяется по лицензии Apache-2.0.

Модель akshataupadhye/finetuning-sentiment-model-reddit-data — классификатор текста на базе DistilBERT, дообученный на наборе данных, который в карточке не описан. Она предназначена для определения тональности текстов, в том числе сообщений Reddit. В метаданных указана архитектура DistilBertForSequenceClassification и максимальная длина контекста 512 токенов. На оценочном наборе модель показала accuracy 0,8845 и F1 0,8845; состав классов и подробности оценки не приведены. Распространяется по лицензии Apache-2.0.

astrosbd/french_emotion_camembert — модель классификации эмоций во франкоязычных текстах, созданная дообучением CamemBERT. Она принимает текст и относит его к одной из шести эмоциональных категорий; среди примеров указаны радость, грусть, гнев и отвращение. Модель построена на архитектуре CamemBERT для классификации последовательностей, содержит 137,8 млн параметров и рассчитана на контекст до 514 токенов. Лицензия — MIT. Модель подходит для анализа отзывов и комментариев, изучения эмоционального тона пользовательских публикаций, а также как компонент интерфейсов, реагирующих на эмоциональную окраску текста. На тестовом наборе автор README сообщает точность 0,8295 и F1 0,8269. Модель обучалась на нескольких тысячах размеченных французских отзывов; результаты могут быть хуже на других языках, специализированных текстах и случаях, где эмоция выражена косвенно. Возможны смещения обучающих данных, поэтому предсказания не следует считать надёжной оценкой эмоционального состояния человека.

Это модель для классификации тональности испаноязычных комментариев в социальных сетях. Она разработана erickdp как дообученная версия fastino/gliner2-multi-v1: LoRA-адаптер обучен только для анализа тональности, затем объединён с базовыми весами. Модель использует библиотеку GLiNER2 и распространяется в формате safetensors по лицензии Apache-2.0. Модель относит текст к позитивной, негативной или нейтральной тональности по критерию оценочной окраски содержания: благоприятное или полезное содержание считается позитивным, неблагоприятное или вредное — негативным, а текст без явной окраски — нейтральным. В пилотной оценке на двух источниках средние macro-F1 составили 0,671, а accuracy — 0,721. Хотя базовая модель поддерживает динамические схемы других задач, они не входили в supervised-обучение этой версии и требуют отдельной проверки. Обучающая выборка содержала 2 500 примеров: половина была сгенерирована Claude, половина взята из размеченных людьми данных; распределение классов намеренно смещено в сторону позитивных примеров. На человеческом тестовом наборе полнота для нейтрального класса была слабой. Результаты пилота не гарантируют качество на других источниках и определениях тональности; перед применением следует проверить модель на репрезентативных данных с человеческой проверкой.

Модель djonuzi/goemotions-emotion-model — дообученный DistilBERT для многометочной классификации эмоций в коротких англоязычных текстах. Она оценивает 28 категорий: 27 эмоций и нейтральное состояние, возвращая метки с оценками уверенности. Модель предназначена для анализа комментариев, заголовков, сообщений и публикаций в социальных сетях, а также для учебных демонстраций и экспериментов с распознаванием эмоций. Она основана на distilbert-base-uncased и обучена на наборе GoEmotions; максимальная длина контекста — 512 токенов. Классификатор не предназначен для клинических, юридических или иных высокорисковых решений. Лицензия в предоставленных сведениях не указана.

Классификатор эмоций HR26kk/modernbert-emotion-classifier разработан на базе answerdotai/ModernBERT-base и дообучен на наборе данных dair-ai/emotion. Это энкодер ModernBERT с головой классификации последовательностей: модель относит текст к одному из шести классов — sadness, joy, love, anger, fear или surprise. Размер модели составляет 149 млн параметров, поддерживаемая длина контекста — до 8192 токенов; веса представлены в формате SafeTensors. Модель предназначена для определения эмоциональной окраски англоязычного текста, например в сообщениях и отзывах. В тестовых результатах README указаны accuracy 92,25% и macro F1 87,02%; качество заметно различается между классами, особенно для surprise. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.

Модель nityaak — дообученная версия unsloth/Phi-4-mini-instruct-unsloth-bnb-4bit на основе архитектуры Phi-3. В README упомянуты датасеты MT-CSD и EzStance, что указывает на настройку для анализа тональности и определения позиции текста по заданным темам; модель опубликована в формате Safetensors и поддерживает диалоговый интерфейс. Модель содержит 3,8 млрд параметров и рассчитана на контекст до 4096 токенов. Она принимает текст и генерирует текстовые ответы на английском языке. Обучение выполнялось с Unsloth и Hugging Face TRL. Лицензия — Apache-2.0.

textattack/roberta-base-SST-2 — модель классификации текста от команды TextAttack, основанная на архитектуре RoBERTa и дообученная для анализа тональности по набору SST-2. Она классифицирует фразы и предложения на позитивные и негативные; Hugging Face указывает для неё задачу text-classification, архитектуру RobertaForSequenceClassification, около 151,8 млн параметров и контекст до 514 токенов. Модель принимает текст и возвращает метку класса с оценкой. Она подходит для определения тональности коротких отзывов, комментариев и других англоязычных фраз. Это специализированный классификатор, а не генеративная модель: он не предназначен для свободных ответов или надёжного анализа языков, отличных от английского. Карточка модели не содержит описания лицензии, поэтому условия лицензирования здесь не уточняются.

SenseNova-U1-8B-MoT-Infographic — мультимодальная модель SenseNova, дообученная на базе SenseNova-U1-8B-MoT для создания инфографики. Она использует архитектуру NEO-unify, которая объединяет обработку текста и изображений в одной модели без отдельного визуального энкодера и VAE. Модель принимает текстовые и визуальные данные и поддерживает мультимодальное понимание и генерацию с чередованием текста и изображений. Основной сценарий — создание насыщенных информацией изображений: инфографики, диаграмм, постеров, презентаций, комиксов, резюме и иллюстраций знаний. В README сообщается об улучшении результатов на BizGenEval и IGenBench относительно базовой модели и о повышенном качестве компоновки и рендеринга текста, в том числе мелкого. Репозиторий содержит веса Safetensors и использует библиотеку Transformers; для обслуживания авторы также описывают стек LightLLM и LightX2V. Модель распространяется по лицензии Apache-2.0. Результаты генерации могут содержать неточности в тексте, данных диаграмм и визуальной компоновке; опубликованные сравнительные результаты не гарантируют качество для каждого запроса.

Ha1dir создал модель анализа тональности на основе IndoBERT base, дообучив её для классификации текстов на индонезийском языке. Модель использует архитектуру BERT с примерно 151,6 млн параметров и принимает последовательности длиной до 512 токенов. Она относит текст к одному из трёх классов: положительному, отрицательному или нейтральному. Модель можно применять для анализа отзывов, сообщений и других текстов на индонезийском языке; для загрузки предусмотрена библиотека Transformers. В README приведены высокие метрики на обучении и валидации, однако сведения о составе и размере выборки не приведены, поэтому эти результаты не позволяют оценить качество на других данных. Модель сохранена в формате Safetensors. Условия лицензии в предоставленных данных не описаны.

Модель michelecafagna26/t5-base-finetuned-sst2-sentiment — версия T5-base от Google, дообученная автором репозитория для анализа тональности на датасете SST-2. Она классифицирует английский текст как положительный или отрицательный; подходит, например, для определения тональности отзывов и коротких пользовательских сообщений. Модель построена на архитектуре T5 с 123,8 млн параметров и принимает текст длиной до 512 токенов. Для формата классификации указана задача text-classification; веса доступны в форматах PyTorch и Safetensors. В README приведены метрики на валидационной выборке SST-2: F1 составляет 0,95 для отрицательного и положительного классов. Эти результаты относятся к указанному набору данных и не гарантируют такую же точность на других типах текста. Модель распространяется по лицензии Apache-2.0.

akhooli/xlm-r-large-arabic-sent — модель классификации тональности арабских отзывов, созданная дообучением XLM-RoBERTa-Large. Она относит текст к одному из трёх классов: смешанная тональность, отрицательная или положительная. Модель принимает текст и выдаёт метку класса; размер составляет 658,7 млн параметров, максимальная длина контекста — 514 токенов. Основной сценарий — определение тональности арабских отзывов. В карточке также заявлена возможность классификации текстов на других языках в режиме zero-shot, включая смешанные арабско-английские тексты. Модель опубликована в формате PyTorch под лицензией MIT. Класс «смешанная тональность» основан на отзывах с оценкой 3 из 5 и может путаться с положительным и отрицательным классами. Заявленная классификация на других языках не сопровождается подробной оценкой качества.

Amit Aminov разработал классификатор отзывов на основе BERT-base, дообученный для предсказания оценки от 1 до 5 звёзд по тексту отзыва. Модель использует архитектуру BertForSequenceClassification: 12 слоёв, размер скрытого представления 768; содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для определения рейтинга в англоязычных отзывах о ресторанах, компаниях и товарах, написанных в привычном формате оценок от одной до пяти звёзд. Она обучена на наборе yelp_review_full и выдаёт одну из пяти меток LABEL_0–LABEL_4, соответствующих оценкам от 1 до 5 звёзд. Для использования указана библиотека Transformers; веса опубликованы в формате safetensors. Классификатор можно применять для автоматической сортировки отзывов по предполагаемой оценке и анализа пользовательских впечатлений. Точность на отложенной выборке в карточке не приведена. Короткие фрагменты, тексты не в формате отзывов и другие языки могут снижать надёжность предсказаний; оценки также могут отражать смещения обучающих данных. Лицензия — Apache-2.0.

llm-book/bert-base-japanese-v3-marc_ja — модель для анализа тональности японских текстов, разработанная сообществом llm-book. Она создана дообучением cl-tohoku/bert-base-japanese-v3 на наборе MARC-ja из JGLUE и предназначена для классификации отзывов и других текстов по тональности. Модель построена на архитектуре BERT, содержит 138,4 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса с оценкой уверенности. Модель подходит для автоматического определения положительной или отрицательной тональности японских отзывов и для учебных экспериментов по анализу тональности с Transformers. Репозиторий содержит веса PyTorch и опубликован по лицензии Apache 2.0. Карточка демонстрирует классификацию примера текста как положительного.

SchuylerH разработал многоязычную модель классификации эмоций на основе BERT, дообученную на датасете GoEmotions для английских и китайских текстов. Она относит входной текст к одной из 28 категорий эмоций, включая радость, гнев, грусть, страх, благодарность и нейтральный тон, и подходит для анализа эмоциональной окраски сообщений и текстов на этих языках. Модель имеет архитектуру BertForSequenceClassification, содержит около 205,1 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены метрики на валидационной выборке: accuracy 85,95%, precision 91,99%, recall 89,56% и F1 90,17%; эти показатели относятся к описанному автором эксперименту. Обучение включало машинно переведённые китайские данные и дополнительное включение уверенно предсказанных примеров, поэтому качество может зависеть от языка и распределения данных. Весы представлены в формате PyTorch и распространяются по лицензии Apache-2.0.

Это модель BERT-TWEET для анализа тональности итальянских текстов. Её разработчик дообучил uncased-модель BERT-TWEET-ITALIAN на датасете SENTIPOLC-16 для бинарной классификации сообщений на положительные и отрицательные; примеры со смешанной тональностью исключались. Модель предназначена прежде всего для твитов и других коротких публикаций в социальных сетях. Модель имеет архитектуру BERT и около 136,7 млн параметров. Она принимает текст, поддерживает итальянский язык и обрабатывает последовательности длиной до 512 токенов. На тестовой выборке SENTIPOLC-16 указаны точность 83,67%, полнота 83,15%, точность положительного предсказания 80,48% и F1 81,49% в среднем по двум классам. Модель может хуже работать на длинных, структурированных или узкоспециализированных текстах; она обучена на сообщениях из соцсетей и не предсказывает смешанную тональность как отдельный класс. Распространяется по лицензии Apache-2.0.

ChartVerse-2B — компактная мультимодальная модель для понимания графиков и диаграмм, разработанная в рамках проекта opendatalab/ChartVerse. Она дообучена на базе Qwen/Qwen3-VL-2B-Instruct и принимает изображения графиков вместе с текстовыми запросами, выдавая текстовые ответы и объяснения. Модель предназначена для вопросов по данным на графиках и многошагового анализа, включая рассуждения по цепочке мыслей. Модель содержит 2 млрд параметров и обучена на наборах ChartVerse-SFT-600K и ChartVerse-RL-40K. По данным карточки, она набрала в среднем 54,3% на шести сложных бенчмарках по графикам и превзошла приведённые в README специализированные модели на 7 млрд параметров. Репозиторий использует архитектуру Qwen3-VL, библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0.

agentlans/deberta-v3-xsmall-tweet-sentiment — англоязычная модель анализа тональности коротких сообщений, разработанная на основе DeBERTa-v3 xsmall и дообученная для регрессии тональности твитов. Она принимает текст и выдаёт непрерывную оценку: отрицательное значение соответствует негативной тональности, ноль — нейтральной, положительное значение — позитивной; абсолютная величина оценки отражает её выраженность. Модель содержит 77,5 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и рассчитана на контекст до 512 токенов. Модель предназначена для оценки тональности англоязычных твитов и коротких сообщений. Она обучена на твитах, опубликованных с сентября 2009 по январь 2010 года; оценки для обучающих данных получены из метаанализа десяти классификаторов тональности с использованием метода главных компонент. На тестировании для варианта xsmall указана RMSE 0,2560. Модель может хуже работать с сарказмом, тонкими нюансами и текстами за пределами жанра твитов; она не учитывает контекст за пределами отдельного сообщения. Данные обучения отражают демографию пользователей Twitter и условия указанного периода. Лицензия — Apache 2.0.

Модель superguo/distilbert-base-uncased-finetuned-emotion — англоязычная модель классификации текста на основе DistilBERT, дообученная на датасете emotion. Она предназначена для определения эмоциональной категории текста, например в коротких сообщениях и отзывах. Архитектура — DistilBertForSequenceClassification; размер контекста — до 512 токенов. В README указаны результаты на оценочной выборке: accuracy 0,9255 и F1 0,9251. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Подробности о метках эмоций, составе обучающих данных и ограничениях применения в карточке не приведены.