/ Модель
Каталог

Характеристики

Контекст
4 096 токенов
Параметры
7,5 млрд
Лицензия
Своя лицензия
Архитектура
llama · dense
Базовая модель
marin-8b-base
Библиотека
transformers
Опубликована
16 авг 2026

Ссылки

Hugging Face

capsd-convfinqa-fullscore-marin-8b-base-finance_ppl_b2000_s0

AmberYifan
Генерация текстаТекст → текст3 профессии

Дообученная Llama-модель с 7,5 млрд параметров для генерации текста и ответов в диалоговых финансовых сценариях.

16скачиваний за 30 дней0лайковвеса обновлены16 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

AmberYifan/capsd-convfinqa-fullscore-marin-8b-base-finance_ppl_b2000_s0 — дообученная модель на основе marin-community/marin-8b-base, разработанная с использованием набора данных capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_ppl_b2000_s0. Это плотная авторегрессионная Llama-модель с 7,5 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Контекст составляет 4096 токенов; модель работает с текстом и распространяется в формате safetensors для Transformers.

Обучение на финансовом наборе данных указывает на специализацию для ответов на вопросы по финансовым данным и диалоговых финансовых сценариев. Карточка не приводит результатов оценки, подробностей обучающей выборки или конкретных ограничений, поэтому качество и область надёжного применения по этим данным определить нельзя. Лицензия указана как other; условия использования следует проверять в файлах репозитория.

Сценарии применения

  • ответы на вопросы по финансовой информации
  • финансовые диалоги на основе текстовых запросов
  • генерация и продолжение финансового текста

Ограничения

В карточке отсутствуют результаты оценки и подробности данных, поэтому качество ответов и надёжность в конкретных финансовых сценариях не установлены. Лицензия обозначена как other, условия использования требуют проверки в репозитории.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
IV.2Отраслевые задачиБанки, платежи и инвестицииAI помогает управлять финансовым риском, платежами, инвестиционным анализом и обслуживанием клиентов.37 задач1 723моделиIV.3Отраслевые задачиСтрахование и актуарные задачиAI помогает оценивать риски, обрабатывать убытки и управлять страховым портфелем.30 задач563моделиIV.1Отраслевые задачиРитейл, электронная коммерция и fashion-techAI помогает управлять ассортиментом, покупательским опытом и эффективностью торговых операций.29 задач5 934модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

marin-8b-base_finance_ppl_b2000_s0

This model is a fine-tuned version of marin-community/marin-8b-base on the capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_ppl_b2000_s0 dataset.

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-05
  • train_batch_size: 2
  • eval_batch_size: 8
  • seed: 0
  • distributed_type: multi-GPU
  • num_devices: 4
  • gradient_accumulation_steps: 8
  • total_train_batch_size: 64
  • total_eval_batch_size: 32
  • optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_steps: 0.03
  • num_epochs: 1

Training results

Framework versions

  • Transformers 5.7.0
  • Pytorch 2.13.0+cu130
  • Datasets 4.0.0
  • Tokenizers 0.22.2

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
259e12b

0 моделей

    Создать бенчмарк