/ Модель
Каталог

Характеристики

Контекст
4 096 токенов
Параметры
338 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
6 сен 2026

Ссылки

Hugging Face

navya-1b

navyam-ai
Генерация текстаТекст → текст3 профессии

Navya-1b — обученная с нуля языковая модель для ответов на вопросы о личных финансах в индийском контексте.

20скачиваний за 30 дней0лайковвеса обновлены6 сен 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

Navya-1b — базовая языковая модель семейства Navya, разработанная nav yam-ai и обученная с нуля для финансовых сценариев, ориентированных на Индию. Это плотная авторегрессионная модель семейства Llama с 337,6 млн параметров; она распространяется в формате Safetensors и рассчитана на контекст до 4096 токенов.

Модель предназначена прежде всего для ответов на вопросы о личных финансах в индийском контексте. Обучающий корпус включает финансовые материалы, английский, хинди и Hinglish, а также другие индийские языки; используется собственный токенизатор на 64 тыс. токенов. Карточка указывает лицензию Apache-2.0. Модель не предназначена для предоставления инвестиционных рекомендаций; объем обучающих данных не раскрыт.

Сценарии применения

  • ответы на вопросы о личных финансах в Индии
  • объяснение базовых финансовых понятий на английском или хинди
  • создание прототипа чат-помощника по личным финансам для индийских пользователей

Ограничения

Модель не следует использовать как источник инвестиционных рекомендаций. Объем обучающих данных не раскрыт.

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.5Отраслевые задачиОбразование и развитие навыковAI помогает персонализировать обучение и снижать административную нагрузку на преподавателей.34 задачи6 641модельII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

navya-1b

Navya is an India-first financial foundation model family, trained from scratch on an India-first corpus (finance + English + Hindi/Hinglish and other Indian languages), custom 64k tokenizer.

Parameters337M
Training tokensnot disclosed
Trained2026
Typebase
AuthorNavyam AI (Bachatt)
LicenseApache-2.0
Codehttps://github.com/bachatt-app/navyam-gpt

337M from-scratch base — the largest before the 1.31B jump.

Intended use: India personal-finance Q&A. Research model — not investment advice.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer
tok = AutoTokenizer.from_pretrained("navyam-ai/navya-1b")
model = AutoModelForCausalLM.from_pretrained("navyam-ai/navya-1b")

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
a02b8b0

0 моделей

    Создать бенчмарк