/ 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-finance-fincot-finqa-clean6k-marin-8b-base-finance_random_b1000_s0

AmberYifan
Генерация текстаТекст → текст3 профессии

Дообученная на финансовых данных Llama-модель для генерации текста и ответов на финансовые вопросы.

28скачиваний за 30 дней0лайковвеса обновлены17 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

Модель AmberYifan/capsd-finance-fincot-finqa-clean6k-marin-8b-base-finance_random_b1000_s0 — дообученная на финансовых данных версия Marin 8B Base от marin-community. Она построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и использует Transformers. Модель предназначена для генерации текста в диалоговом формате; обучение проводилось на наборе capsd_marin-8b-base-n6000-finance-fincot-finqa-clean6k__mix_finance_random_b1000_s0, связанном с финансовыми текстами и вопросами и ответами по финансам. Контекст модели — до 4096 токенов.

Модель может быть полезна для генерации ответов на финансовые вопросы и работы с финансовыми текстами. Карточка не приводит оценок качества, подробностей обучения или ограничений. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

Сценарии применения

  • ответы на вопросы о финансах
  • генерация ответов по финансовым документам
  • составление текстов на финансовую тематику

Ограничения

В карточке нет результатов оценки качества и подробностей об ограничениях модели. Лицензия указана как other; условия использования нужно уточнить 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 723моделиIII.6Корпоративные функцииБухгалтерия, управленческие финансы и казначействоAI помогает автоматизировать финансовые операции и улучшать прогнозирование денежных потоков и результатов.25 задач198моделейIII.1Корпоративные функцииСтратегия, продукт и бизнес-моделиAI помогает принимать продуктовые и стратегические решения на основе свидетельств, а не только интуиции.19 задач2 459моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

marin-8b-base_finance_random_b1000_s0

This model is a fine-tuned version of marin-community/marin-8b-base on the capsd_marin-8b-base-n6000-finance-fincot-finqa-clean6k__mix_finance_random_b1000_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
01b2ff9

0 моделей

    Создать бенчмарк