Характеристики

Контекст: 8 192 токена
Параметры: 25,7 млн
Размер весов: 57,9 МБ
Лицензия: Apache 2.0
Архитектура: llama · dense
Библиотека: transformers
Опубликована: 12 авг 2026

Ссылки

Hugging Face

nvidia-transaction-decoder-fm

simonykq

ЭмбеддингиТекст → embedding3 профессии

Небольшая предварительно обученная модель NVIDIA на архитектуре Llama для извлечения эмбеддингов финансовых транзакций.

11скачиваний за 30 дней0лайковвеса обновлены12 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
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

simonykq/nvidia-transaction-decoder-fm — зеркало предварительно обученного чекпойнта NVIDIA Transaction Decoder Foundation Model из примера NVIDIA Build Your Own Transaction Foundation Model, описанного в техническом блоге NVIDIA. Это плотная decoder-only модель семейства Llama примерно на 25,7 млн параметров: в README указано около 29 млн, 8 слоёв, скрытый размер 512 и grouped-query attention. Словарь содержит около 6 251 специализированного токена финансовых транзакций; модель обучалась примерно 3 000 шагов на IBM TabFormer с NeMo AutoModel.

Модель предназначена для извлечения признаковых представлений финансовых транзакций: её можно загрузить через AutoModelForCausalLM и использовать эмбеддинг последнего токена. Заявленная длина контекста — 8 192 токена. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. README характеризует репозиторий как зеркало чекпойнта, а не как новую модель NVIDIA.

Сценарии применения

извлечение эмбеддингов записей о финансовых транзакциях
получение признаковых представлений транзакций для последующей аналитики
подготовка векторов транзакций для кластеризации или поиска похожих записей

Ограничения

Модель обучалась на IBM TabFormer и специализированном словаре транзакций, поэтому её применимость к другим типам данных и форматам транзакций может быть ограничена. README не приводит оценок качества или результатов сравнительных испытаний.

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 723модели III.7Корпоративные функцииАудит, внутренний контроль и налогиAI помогает искать ошибки, нарушения и налоговые риски, сохраняя проверяемый аудиторский след.25 задач336моделей IV.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

NVIDIA Transaction Decoder Foundation Model (~29M)

Pretrained checkpoint from the NVIDIA Build Your Own Transaction Foundation Model developer example, as described in the NVIDIA Technical Blog.

Architecture: Llama decoder-only (~29M params, hidden 512, 8 layers, GQA)
Vocabulary: ~6,251 domain-specific financial transaction tokens
Trained ~3,000 steps on IBM TabFormer with NeMo AutoModel
Load with AutoModelForCausalLM.from_pretrained(...) and extract last-token embeddings

This Hub mirror exists so Spaces / Transformers can load the Git LFS checkpoint published under models/decoder-foundation-model/ in the upstream GitHub repo.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Ревизия весов: 962ade5