III.1Стратегия, продукт и бизнес-модели

LedgerBERT-Market-Sentiment — англоязычная модель ExponentialScience для классификации рыночной тональности материалов о криптовалютах и технологиях распределённых реестров (DLT). Это дообученная для классификации последовательностей модель на основе BERT-base с 137,1 млн параметров по метаданным Hugging Face. Она принимает текст длиной до 512 токенов и относит его к одному из трёх классов: bullish (ожидание роста), bearish (ожидание снижения) или neutral (неопределённое либо сбалансированное направление).

MEDEA — мультимодальная модель на базе Qwen3-VL-8B-Thinking, разработанная Tianjiao Li, Kai Zhao, Xiang Li, Yang Liu и Huyang Sun для оценки пользовательского контента с точки зрения его отклика в сообществе. Она анализирует видеокадры, обложку, заголовок, теги, категорию, метаданные и расшифровку речи, затем формирует рассуждение с учётом разных зрительских перспектив и присваивает бинарную метку качества: высокое или низкое. Модель обучена с помощью supervised fine-tuning и процессно-ориентированного обучения с подкреплением GRPO с наградой за социальное соответствие. Поддерживает китайский и английский языки; в метаданных репозитория указана архитектура Qwen3-VL и формат safetensors. В README приведены результаты на CASTER-Bench: Macro F1 0,749. Описание развёртывания задаёт max-model-len 20480, но не утверждает, что это нативная длина контекста модели. Лицензия в предоставленных данных не указана.

shalev396/purchase-propensity — набор компактных моделей и сегментации RFM для электронной торговли. Основная модель по умолчанию — логистическая регрессия scikit-learn с 24 параметрами; также доступны MLP на PyTorch с 3 649 параметрами и сегментация клиентов по давности, частоте и сумме покупок. Модели классифицируют однодневные сессии сайта по 23 бинарным признакам, например добавлению товара в корзину, просмотру оформления заказа, входу в аккаунт и типу устройства. Модель предназначена для оценки склонности посетителя к покупке в текущей сессии, ранжирования сессий и выделения клиентских сегментов для анализа электронной торговли. Для обученной модели автор приводит ROC-AUC 0,9974 и PR-AUC 0,8995 на тестовой выборке; логистическая регрессия выбрана моделью по умолчанию как более компактная и интерпретируемая. Репозиторий распространяется по лицензии MIT. Вероятности не откалиброваны из-за балансировки классов при обучении, поэтому их не следует трактовать как буквальную вероятность покупки. Признаки позднего этапа воронки могут фактически отражать уже начавшееся оформление заказа: это оценка намерения в текущей сессии, а не ранний прогноз. Данные получены для одного магазина и ограниченного периода; качество на других магазинах и новых типах сессий не установлено.

SocRoBERTa-social — модель семейства RoBERTa, разработанная командой ESGBERT для классификации текстов социальной тематики в области ESG. Она дообучена на базе SocRoBERTa-base на датасете из 2 тысяч социальных текстов и предназначена для распознавания текстов, относящихся к социальной составляющей ESG. Модель принимает текст и выдаёт результат классификации. Архитектура — RobertaForSequenceClassification, размер — 151,8 млн параметров, максимальный контекст — 514 токенов. В карточке указана поддержка английского языка. Модель опубликована под лицензией Apache-2.0. Карточка отмечает, что SocialBERT-social работает быстрее, требует меньше ресурсов и лишь немного уступает SocRoBERTa-social по качеству. Описание не приводит конкретных метрик качества или подробностей о классах классификации.

Это компактная модель Sentence Transformers, разработанная на основе google/bert_uncased_L-2_H-128_A-2 и дообученная на 200 350 парах текстов из отзывов Amazon. Она кодирует предложения и абзацы в плотные векторы размерности 128, пригодные для поиска и сравнения по косинусному сходству. Архитектура состоит из BERT с усредняющим pooling; модель поддерживает только текст. Метаданные указывают контекст до 512 токенов, а карточка модели задаёт максимальную длину последовательности 128 токенов. Модель подходит для поиска похожих отзывов и извлечения релевантных текстов по смыслу. Англоязычная базовая модель и примеры обучающих данных ориентируют её на английские отзывы Amazon. Для других типов текстов качество не подтверждено. Лицензия в предоставленных данных не указана.

Карточка модели manelalab/chrono-bert-v1-20241231 на Hugging Face совпадает с карточкой manelalab/chrono-bert-v1-20041231, поэтому описание составлено по ней. ChronoBERT v1 20041231 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом хронологии. Она основана на двунаправленной архитектуре ModernBERT, содержит 149 млн параметров и принимает контекст до 8192 токенов. Модель обучена на датированных текстовых данных, чтобы снизить риск утечки будущей информации и смещения заглядывания вперёд при историческом анализе. Модель предназначена для предсказания замаскированных токенов и получения представлений текста, а также для задач понимания языка и анализа исторических и финансовых текстов. Семейство ChronoBERT оценивалось на GLUE и на прогнозировании доходности акций; приведённые результаты относятся к указанным в карточке версиям, а не обязательно к этой конкретной контрольной точке. Доступны веса в формате safetensors для Transformers. Лицензия — MIT.

Это классификатор тональности финансовых текстов от navu013: DistilBERT, дообученный на наборе Financial PhraseBank для трёх классов — отрицательная, нейтральная и положительная тональность. Модель предназначена для коротких предложений из финансовых и деловых новостей, например сообщений о прибыли компаний, рыночных комментариев и корпоративных объявлений; для общей тональности вне финансового контекста она не предназначена. На тестовой выборке автор сообщает accuracy 0,838 и weighted F1 0,84. Модель лучше справляется с явными маркерами тональности, но может пропускать подразумеваемые финансовые выводы и путаться в предложениях со смешанными сигналами; положительные и отрицательные примеры иногда получает нейтральную метку. Контекст ограничен 512 токенами. Модель распространяется по лицензии Apache-2.0; автор отмечает, что это учебный проект и не рекомендует использовать его для принятия финансовых решений.

Модель nickmuchi/finbert-tone-finetuned-fintwitter-classification — дообученная версия yiyanghkust/finbert-tone для определения финансовой тональности твитов. Она построена на архитектуре BERT и выдаёт класс тональности для входного текста; при обучении веса классов скорректировали с учётом их несбалансированного распределения. В README на тестовой выборке указаны accuracy 0,884 и F1 0,8838. Модель подходит для классификации тональности финансовых публикаций и анализа настроений вокруг акций. Она принимает текст, поддерживает контекст до 512 токенов и распространяется в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

智海-金磐 13B — языковая модель для розничных финансов, совместно разработанная Институтом искусственного интеллекта Чжэцзянского университета и компанией 摸象科技 и опубликованная в августе 2023 года. Модель построена на архитектуре Llama и содержит 13 млрд параметров; длина контекста составляет 4096 токенов. Для обучения использованы финансовые книги и статьи, графы финансовых знаний и финансовые диалоги. Модель предназначена для финансовых организаций: она отвечает на вопросы о финансовых знаниях, генерирует финансовые тексты и выполняет рассуждения и анализ в финансовой области. В описании также заявлены адаптация к розничным финансовым задачам, возможность работы с внешними базами знаний и поиском, а также развертывание на ограниченных вычислительных ресурсах внутри организации. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. README не уточняет поддерживаемые естественные языки; модель ориентирована на финансовый домен.

KR-FinBert-SC — это корейская модель для классификации тональности финансовых новостей и аналитических отчетов. Она разработана путем дополнительного предобучения KR-BERT-MEDIUM на финансовых текстах, а затем дообучена на размеченных данных для анализа тональности. В карточке Hugging Face указана архитектура BERT с классификационной головой, размер около 128,6 млн параметров и максимальная длина контекста 512 токенов. Модель предназначена для определения положительной или отрицательной тональности сообщений о компаниях, рынках и финансовых результатах. В описанном эксперименте она достигла точности 0,963 на 50 000 размеченных примерах. Обучающие данные включали корейские новости и отчеты аналитиков, поэтому модель ориентирована прежде всего на корейский язык и финансовую тематику. Модель распространяется в формате PyTorch. Лицензия в предоставленных данных не указана.

marinarosa/minicpm5-1b-vivamais-v0 — дообученная на текстовых данных модель MiniCPM5-1B для ответов на вопросы по панели Viva Mais. Она предназначена для диалогового поиска ответов по данным панели с опорой на предоставленный контекст, а также для сценариев, где нужно корректно отказываться от ответа при недостатке данных. Модель использует архитектуру LlamaForCausalLM с плотными весами; содержит 837,6 млн параметров и поддерживает контекст до 131 072 токенов. Основной язык — бразильский португальский. Доступна в формате safetensors для библиотеки Transformers; лицензия — Apache-2.0. Это кандидат версии v0, обученный на открытых португальских инструкционных данных и примерах вопросов и ответов в формате схемы Viva Mais, включая случаи обоснования ответов и отказа. По внутренней оценке он превзошёл базовую MiniCPM5-1B по среднему баллу, однако автоматический контроль не пройден: отмечены ошибки утечки данных и неверной обработки вопросов без ответа. Поэтому модель следует рассматривать как версионированный кандидат для задач Viva Mais, а не как окончательно проверенное решение.

Palmyra-Fin-70B-32K-IMat-GGUF — GGUF-квантизированная версия модели Writer/Palmyra-Fin-70B-32K, разработанной компанией Writer. Квантизация выполнена legraphista с использованием llama.cpp и IMatrix; доступны варианты от F32 и BF16 до низкобитных Q2_K, Q3_K, Q4_K, Q5_K, Q6_K и Q8_0. Размер базовой модели — 70B параметров, заявленное контекстное окно — 32K токенов. Модель предназначена для генерации текста на английском языке и ориентирована на финансовую тематику: анализ фондового рынка, свечных графиков, опционной торговли, фьючерсов, прогнозирования трендов и использования в корпоративных финансовых сценариях, включая банки и управление благосостоянием. К сильным сторонам относятся специализация на финансовой предметной области, большое контекстное окно и широкий выбор уровней квантизации для компромисса между качеством, размером файла и требованиями к ресурсам. Варианты с IMatrix доступны для ряда низко- и среднебитных форматов. README не содержит результатов тестирования, поэтому фактическое качество, точность прогнозов и устойчивость к ошибкам следует оценивать самостоятельно. Модель текстовая и англоязычная; сведения о мультимодальности и поддерживаемых языках, кроме английского, отсутствуют. Распространение регулируется Writer Open Model License. Согласно указанным условиям, модель предназначена для некоммерческого использования, если не приобретена отдельная лицензия у Writer. Для работы с отдельными квантизированными файлами могут потребоваться значительные объёмы оперативной или видеопамяти, особенно для вариантов с высокой точностью.

Sentiments-FinBERT-PT-BR — модель классификации тональности финансовых текстов на бразильском португальском языке, разработанная на основе FinBERT-PT-BR и обученная на датасете Sentiments-FinBERT-PT-BR. Она использует архитектуру BERT с классификационной головой и относит текст к одной из трёх категорий: положительной, отрицательной или нейтральной. Модель предназначена для анализа новостей, отчётов, комментариев аналитиков и других материалов бразильского финансового рынка; её можно применять для мониторинга настроений и исследовательских задач в финансах и обработке естественного языка. Модель содержит 136,1 млн параметров, работает с текстом и имеет контекст до 512 токенов. Распространяется по лицензии Apache 2.0. Возможности за пределами финансового домена и других вариантов португальского языка могут быть ниже; результаты в финансовых решениях следует проверять человеком. Модель может воспроизводить смещения обучающих данных.

Auditor Review Sentiment Model — модель классификации тональности отзывов об аудиторах, разработанная FinanceInc и дообученная на собственной версии FinBERT. Она предназначена для анализа оценок аудиторов в финансовой сфере и для исследовательских и практических задач финансового NLP. Модель основана на BERT, содержит 137 млн параметров и принимает текст длиной до 512 токенов; заявлен английский язык. Модель выполняет многоклассовую классификацию. На приведённой в карточке валидации точность составила около 86%, а macro F1 — около 0,845. Карточка сообщает, что модель проходила оценку в разработке; качество может зависеть от соответствия входных отзывов обучающим данным. Лицензия в предоставленных данных не указана.

FinTwitBERT-sentiment — англоязычная модель Stephan Akkerman для классификации тональности финансовых твитов и других коротких финансовых текстов из социальных сетей. Это дообученная модель FinTwitBERT на основе архитектуры BERT с 137 млн параметров и контекстом до 512 токенов; базовый FinTwitBERT предварительно обучен на 10 млн финансовых твитов. Модель предназначена для определения тональности неформальных публикаций о финансах, акциях и криптовалютах. Она обучена на наборе из 38 091 твита с человеческой разметкой и синтетическом наборе из 1 428 771 твита. Специализация на языке финансовых соцсетей — её сильная сторона по сравнению с моделями, ориентированными на новости и другие формальные тексты. Модель принимает текст и выдаёт метку класса тональности. Она распространяется по лицензии MIT. Результаты на финансовых публикациях вне обучающих наборов могут быть менее надёжными; карточка не приводит подробных метрик качества.

cringepnh разработал модель классификации корейских отзывов о покупках в Naver Shopping по четырём оценкам: 1, 2, 4 и 5. Это дообученный энкодер ELECTRA на базе monologg/koelectra-base-v3-discriminator с архитектурой ElectraForSequenceClassification; модель содержит 140,1 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Модель подходит для автоматической оценки отзывов покупателей и анализа качества товаров или обслуживания по корейским текстам. На указанном тестовом наборе она получила точность 71,66% и QWK 0,837. Оценка 3 отсутствует в обучающей выборке и среди выходных классов, поэтому модель не может её предсказать. Для применения на естественном потоке отзывов потребуется корректировать вероятности классов: исходный набор сбалансирован иначе, чем реальные оценки Naver Shopping. В README указана низкая полнота для оценки 4 — 13,5%, а также ограничение предметной областью отзывов Naver Shopping. Модель распространяется по лицензии MIT; для исходного набора данных отдельно заявлена лицензия Public Domain.

ESGBERT/SocialBERT-social — англоязычная модель классификации текстов в тематике социальной составляющей ESG, разработанная на основе SocialBERT-base. Авторы дополнительно дообучили её на наборе из 2 тысяч текстовых примеров, чтобы выявлять тексты, относящиеся к социальной тематике ESG. Модель построена на архитектуре RoBERTa, содержит 95,2 млн параметров и принимает последовательности длиной до 514 токенов. Её можно использовать для отбора и анализа социальных ESG-коммуникаций, в том числе в исследованиях измерения ESG. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Модель christian-phu/bert-finetuned-japanese-sentiment — BERT для классификации тональности японских отзывов. Она дообучена автором на базе cl-tohoku/bert-base-japanese-v2 на 20 000 предложениях из отзывов Amazon, размеченных как положительные, нейтральные или отрицательные. Архитектура — BertForSequenceClassification, размер — 138,4 млн параметров; модель принимает текст и обрабатывает контекст до 512 токенов. Модель предназначена для определения тональности японских предложений и отзывов, например, для анализа отзывов о товарах Amazon. В карточке приведены результаты оценки: accuracy 0,813 и F1 0,728. Эти показатели получены на указанном наборе данных и не гарантируют такого же качества на других текстах или доменах. Модель распространяется по лицензии CC BY-SA 4.0. Она обучена на отзывах Amazon, поэтому её пригодность для других жанров и языков не подтверждена.

German FinBERT SC Sentiment — модель BERT base, разработанная Морицем Шеррманом для анализа тональности финансовых текстов на немецком языке. Она предназначена для классификации финансовых новостей и коротких фраз по тональности. Модель обучена с нуля, а затем дообучена на немецком переводе набора Financial News Phrase Bank. В карточке сообщается о точности 95,95% и Macro F1 92,70% на тестовой выборке этого набора. Архитектура — BertForSequenceClassification с 136,3 млн параметров; максимальный контекст — 512 токенов. Доступны веса PyTorch и Safetensors. Модель подходит для анализа тональности финансовых новостей и мониторинга новостных потоков на немецком языке. Результаты карточки относятся к указанному набору данных и сами по себе не подтверждают качество на других текстах или типах финансовых документов. Лицензия — Apache-2.0.

Модель aquiro1994/naics-github-classifier — дообученная RoBERTa-large для отнесения репозиториев GitHub к одному из 19 отраслевых секторов NAICS. Она анализирует название репозитория, описание, темы и README; текст следует предварительно собирать и очищать тем же способом, что использовался при обучении. Модель разработана на основе 6 588 размеченных англоязычных репозиториев, а метки для обучения получены с помощью оценок GPT-4.1. В метаданных указаны архитектура RoBERTa для классификации последовательностей, 454,1 млн параметров и контекст длиной 514 токенов. Модель предназначена для классификации репозиториев по отраслям, анализа экосистемы открытого ПО и исследований внедрения технологий в разных секторах. Она принимает текст и выдаёт метку класса; поддерживает только английский язык и не умеет отказаться от классификации, поэтому может уверенно относить к отрасли учебные проекты, портфолио и упражнения. Модель не предсказывает NAICS 55, обучалась только на примерах, отнесённых к существующим секторам, и может плохо работать с неанглоязычными или неспециализированными репозиториями. Лицензия — MIT.

ShopSphere AICV TabTransformer v2 — модель классификации табличных данных на PyTorch, разработанная для академического проекта по аналитике маркетинга на основе данных. Она предсказывает отток клиентов интернет-магазина по синтетическому набору данных ShopSphere из 12 000 наблюдений за 1 000 клиентов и 12 месяцев. Модель использует архитектуру в стиле TabTransformer и предназначена для демонстрации прогнозирования оттока и анализа маркетинговых сценариев. В README приведено сравнение с логистической регрессией и градиентным бустингом; порог классификации 0,17 выбран на валидационных данных с учётом заданного соотношения стоимости потерянного клиента и удерживающего предложения. Доступен формат ONNX.

Marin 8B Base Finance Random B1000 S0 — дообученная AmberYifan модель на базе marin-community/marin-8b-base, созданная с использованием набора данных capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_random_b1000_s0. Это плотная авторегрессионная Llama-модель с 7,5 млрд параметров для генерации текста и диалогового взаимодействия. Контекстное окно — 4096 токенов; модель принимает текст и выдаёт текст. Название обучающего набора указывает на финансовые диалоги и ответы на вопросы, однако README не описывает конкретные сценарии или результаты оценки. Репозиторий распространяется в формате safetensors по лицензии other; условия этой лицензии следует уточнить в карточке модели.

Модель mxlcw/rubert-tiny2-russian-financial-sentiment разработана на основе seara/rubert-tiny2-russian-sentiment и дообучена для многоклассовой классификации тональности коротких финансовых публикаций на русском языке из Telegram. Она присваивает тексту одну из трёх меток: нейтральная, положительная или отрицательная тональность. Модель использует архитектуру BERT и содержит 29 млн параметров; максимальная длина контекста — 2048 токенов. Она предназначена для автоматической разметки финансовых постов, например, при мониторинге публикаций Telegram. Поддерживается русский язык. Модель распространяется по лицензии MIT. Её обучение ориентировано на короткие финансовые сообщения из Telegram, поэтому качество на длинных текстах, других темах и источниках может отличаться.

kumo24/bert-sentiment-nuclear — модель BERT для классификации тональности публикаций об атомной энергетике. Автор дообучил её на более чем 400 тысячах записей из Twitter/X; модель различает три класса: отрицательный, нейтральный и положительный. В метаданных указаны архитектура BertForSequenceClassification, 136,7 млн параметров и контекст до 512 токенов. Для модели заявлена точность классификации 96%, но README не уточняет набор данных и методику оценки. Модель распространяется под лицензией Apache-2.0.

Kautilyaa 9B — модель ThinkingDBx (Pvt. Ltd.), созданная Mallesh Madapathi для анализа финансовых данных. Это декодерная языковая модель со sparse Mixture-of-Experts: 9 млрд параметров всего, 2,6 млрд активных на токен и 8 экспертов с маршрутизацией top-2. По README модель обучена с нуля на документах SEC EDGAR и финансовых новостях с ценовыми данными FNSPID, затем прошла инструкционную настройку; метаданные указывают связь с thinkingdbx/kautilyaa-9b-base как с дообученной моделью. Она принимает текстовые запросы и контекстные блоки с рыночными данными, чтобы извлекать и сопоставлять указанные значения, ранжировать инструменты по заданному показателю и отвечать на вопросы по финансовым документам и новостям. Для корректной атрибуции в каждом блоке контекста должен быть ровно один финансовый инструмент; при нескольких инструментах модель часто отвечает о первом. Контекст составляет 4096 токенов. Модель не предназначена для арифметики, самостоятельного получения рыночных котировок или задач общего назначения. README отмечает повреждение части весов из-за weight decay и более слабые способности по сравнению с современными моделями общего назначения. Лицензия — Apache-2.0.

Модель разработана LRieser на базе Qwen/Qwen3-8B и дообучена для классификации отзывов об играх в Steam. По тексту отзыва и контексту игры она определяет, обсуждает ли автор генеративный ИИ, использованный при создании контента игры: например, изображений, озвучки, музыки, текста, кода или перевода. Модель выдаёт JSON с бинарным признаком, оценкой уверенности и кратким обоснованием. Это плотная языковая модель Qwen3 с 7,6 млрд параметров и контекстом до 40 960 токенов. Дообучение выполнено методом QLoRA с DoRA на 19 152 размеченных отзывах; адаптер объединён с базовыми весами bf16. Модель многоязычная: обучающие данные охватывают 20 языков, а в карточке перечислено 17 языков, включая русский, английский и китайский. На тестовой выборке автор сообщает macro-F1 0,953 для отзывов из выборки, подобранной по ключевым словам, и 0,940 для неанглоязычных отзывов. Модель рассчитана на анализ отзывов Steam с передачей системного промпта и контекста игры; её можно запускать, например, через vLLM. Она может ошибаться при неоднозначных или спекулятивных упоминаниях ИИ, а качество зависит от соблюдения формата входа и инструкций из промпта. Лицензия — Apache-2.0.

Theia-Llama-3.1-8B-v1 — языковая модель Chainbase Labs для вопросов о криптовалютах и блокчейн-проектах. Она дообучена методом LoRA на базе Llama 3.1 8B Instruct; архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 7,5 млрд параметров. Модель работает в формате чата Llama 3.1, принимает текст и генерирует текст. Заявленная длина контекста — 131 072 токена. Модель предназначена для ответов на вопросы о криптопроектах, их документации, фундаментальных характеристиках, ходе разработки и влиянии на рынок. Обучающий набор собран из материалов CoinMarketCap о 2 000 ведущих по капитализации проектах, включая white paper, официальные блоги и новости, а также исследовательских отчётов. README также описывает отдельную Q8 GGUF-квантизацию, но текущая карточка содержит файлы safetensors. Модель выпущена по лицензии Llama 3.1. Она ориентирована на криптовалютную тематику; точность ответов и актуальность рыночных сведений могут зависеть от обучающих данных, поэтому важные факты следует проверять по актуальным источникам. README приводит результаты внутреннего бенчмарка, но подробная методика и полная таблица не представлены.

CustomerLM — дообученная модель MultiSense на базе Qwen3-8B-Instruct для имитации поведения покупателя в многоходовом диалоге с продавцом. Модель служит симулятором пользователя в бенчмарке SalesLLM и предназначена для оценки и стресс-тестирования разговорных систем продаж, а также генерации синтетических диалогов для обучения и анализа. Это плотная причинная языковая модель на 7,6 млрд параметров с контекстом до 40 960 токенов; обучение включало SFT и DPO на 8 284 реальных диалогах с участием краудворкеров. Она формулирует ответы от лица заданной персоны, может проявлять скептицизм, задавать вопросы и отказаться от покупки. Заявленная частота инверсии ролей снизилась до 8,8%, но сбой всё ещё возможен. Для лучшего соответствия персоне следует передавать системную инструкцию в формате, использованном при обучении, а в роли пользовательских сообщений — реплики продавца. Обучающие данные охватывают финансовые услуги и потребительские товары; поведение в других областях, включая закупки B2B и приём пациентов, не проверено. Модель не предназначена для обслуживания конечных пользователей, выдачи достоверных сведений о товарах или исследования реальных предпочтений покупателей. Синтетические ответы могут отражать стереотипы из обучающих данных. Лицензия Apache-2.0.

Карточка модели SejongKRX/Sejong-Qwen-test-v3 на Hugging Face совпадает с карточкой SejongKRX/RevThink-Sejong-Qwen-Base-v1, поэтому описание составлено по ней. SejongKRX/RevThink-Sejong-Qwen-Base-v1 — модель генерации текста, разработанная SejongKRX путём дообучения unsloth/qwen2.5-7b-bnb-4bit. Это плотная причинно-языковая модель семейства Qwen2 с 7,1 млрд параметров и контекстом до 131 072 токенов. В карточке указаны обучение с Unsloth и библиотекой Hugging Face TRL, а среди метаданных — набор gyung/RevThink-financial-mmlu-ko, ориентированный на финансовые вопросы на корейском языке. Модель предназначена для генерации ответов и рассуждений в текстовом формате; вероятный сценарий применения — финансовые вопросы на корейском языке. Лицензия — Apache-2.0. Карточка не приводит оценок качества и подробных результатов обучения, поэтому надёжность ответов в финансовых сценариях по доступным сведениям не установлена.

AdrianG29/asistente-inversiones-e5 — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-small для поиска и сопоставления текстов о проектах государственных инвестиций. Модель использует архитектуру BERT с усреднением токенных представлений и нормализацией, выдаёт плотные векторы размерности 384; сходство текстов можно оценивать косинусной близостью. В метаданных указано 124,3 млн параметров и контекст до 512 токенов, а в README — максимальная длина последовательности 256 токенов. Модель обучена на 1 241 примере с MultipleNegativesRankingLoss. Примеры содержат испаноязычные запросы и описания проектов из сфер образования, жилья и городского развития; модель предназначена для семантического поиска и ранжирования релевантных описаний инвестиций. При использовании следует учитывать расхождение между контекстным лимитом из метаданных и максимальной длиной последовательности в README, а также небольшой размер обучающей выборки. Лицензия в предоставленных сведениях не указана.