III.6Бухгалтерия, управленческие финансы и казначейство

Adaptive Classifier — классификатор расходов на основе answerdotai/ModernBERT-base, опубликованный в репозитории adaptive-classifier/expense-category. Он относит описание расхода к одной из пяти категорий: equipment, meals, office_supplies, other или travel. Модель использует 768-мерные эмбеддинги и предназначена для классификации расходов с возможностью непрерывного обучения и динамического добавления классов. В карточке указано 25 примеров обучения — по пять на категорию. Для каждой категории требуется не менее трёх примеров; верхний предел составляет 150 примеров, а прототипы обновляются каждые десять примеров. Модель распространяется по лицензии Apache-2.0.

Distil-Qwen3.5-4B-Invoice-Decision — дообученная командами distil labs версия Qwen3.5-4B для принятия решений по счетам поставщиков. Она сопоставляет данные счёта, заказа на закупку и подтверждения приёмки, проверяет их по заданной политике и выдаёт одно из пяти решений: оплатить или приостановить оплату с указанием причины. Модель основана на плотной архитектуре Qwen3_5ForCausalLM, содержит 3,4 млрд параметров и имеет контекст 262 144 токена. При обучении использовано 4 156 синтетических примеров, созданных учительской моделью GLM 5.3 на основе 40 исходных примеров. Для пошагового рассуждения авторы рекомендуют включать режим thinking; модель также поддерживает чатовый режим. В тесте на 100 счетах модель приняла 98 правильных решений; ошибки возникли при суммировании строк с крупными суммами. Она предназначена для проверки счетов по одной конкретной политике, а не для роли универсального помощника. Обучающие данные написаны на английском языке для вымышленной компании и используют одну валюту, поэтому перенос на другие политики, языки и валюты не подтверждён. Лицензия — Apache-2.0.

dbands/Phi-3.5-mini-IFRS-Accountant — экспериментальная чат-модель, разработанная dbands путём дообучения unsloth/phi-3.5-mini-instruct-bnb-4bit. Она предназначена для генерации текстовых ответов по задачам бухгалтерского учёта на основе IFRS; в метаданных указан датасет IFRS_Account_Posting_CoT. Модель имеет плотную архитектуру с классом LlamaForCausalLM, содержит 3,7 млрд параметров и поддерживает контекст до 4096 токенов. Указан английский язык. Автор отмечает, что модель экспериментальная и не готова к производственному использованию, и рекомендует применять её с осторожностью. Лицензия — Apache-2.0.

Это корейская корпоративная языковая модель SEOKDONG, дообученная методом SFT на базе openai/gpt-oss-safeguard-20b. Модель предназначена для корейских пользователей и офлайн- или локальных корпоративных сред. Она помогает учитывать корейские нормы общения и деловой контекст, готовить документы по типовым корпоративным форматам, анализировать юридические, бухгалтерские и финансовые тексты, а также преобразовывать табличные данные и данные ERP в отчёты и сводки. Модель поддерживает генерацию текста и диалоговый режим; архитектура — decoder-only MoE семейства gpt_oss. В метаданных указаны 1,6 млрд параметров и контекст до 131 072 токенов. README указывает корейский как основной язык, а японский и китайский — для специализированного перевода. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Сильные стороны — корейский корпоративный стиль, деловые документы и задачи по корейским праву, учёту и финансам. Возможны ошибки, устаревание сведений о законах и стандартах, а также снижение качества на коде, математике и других языках; ответы для юридических, бухгалтерских и комплаенс-решений требуют проверки специалистом.

Palmyra-Fin-70B-32K — большая языковая модель компании Writer, дообученная на базе Palmyra-X-003 для финансовых сценариев. Она построена на архитектуре Qwen2 и содержит 71,5 млрд параметров. Модель поддерживает генерацию текста и диалоговый режим, а также интерфейс вызова инструментов. Карточка описывает модель как англоязычную и указывает контекстное окно 131 072 токена. Она предназначена для финансовых задач, включая работу с длинными текстовыми материалами. Модель распространяется по лицензии Writer Open Model License.

Fin-o1-14B — плотная языковая модель на 14 млрд параметров, созданная TheFinAI дообучением Qwen3-14B. Она предназначена для диалогов и решения финансовых задач, особенно для математических рассуждений. Модель обучали методом SFT и GRPO на TheFinAI/FinCoT — наборе, основанном на FinQA, TATQA, DocMath-Eval, Econ-Logic, BizBench-QA и DocFinQA. Модель принимает текст и генерирует текст; карточка указывает контекст до 40 960 токенов и английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README расходится в названии базовой версии и токенизатора, но метаданные и раздел Model Details указывают базовую модель Qwen3-14B.

Ling-3.0-flash-Fin — финансовая модель семейства Ant Ling, разработанная Ant Group совместно с финансовыми организациями и отраслевыми экспертами. Она получена дальнейшим обучением Ling-3.0-flash на финансовых данных и предназначена для финансовых исследований и агентных рабочих процессов. Модель помогает искать и проверять финансовые сведения по источникам, сопоставлять данные из отчетов, пресс-релизов о результатах и регуляторных документов, выполнять оценку компаний и работать с электронными таблицами. Она рассчитана на многошаговые сценарии с использованием инструментов и контекстом до 256 тысяч токенов. В README указано 124 млрд параметров, из которых активируются 5,1 млрд; метаданные каталога указывают 3,5 млрд параметров. Эти сведения о размере расходятся. Контрольная точка выпущена в BF16, архитектура — гибридная MoE Bailing; доступны веса safetensors и чат-возможность. Лицензия — MIT. Модель требует дополнительной проверки в сложных длительных сценариях; оценки и выводы об инвестициях должны проходить профессиональную проверку и не являются инвестиционной рекомендацией.

Fino1-14B — языковая модель TheFinAI, дообученная на базе Qwen2.5-14B-Instruct для финансовых рассуждений. Обучение методом SFT и RF на датасете TheFinAI/Fino1_Reasoning_Path_FinQA_v2 направлено на повышение качества решения финансовых задач, в том числе математических. Модель относится к плотной архитектуре Qwen2 и содержит 14 млрд параметров; она принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Контекстное окно — до 131 072 токенов. Лицензия — Apache-2.0.

GizzAI разработала Gizzai-Sense-T-E2B — дообученную модель для анализа временных рядов и прогнозирования. Она принимает ряд числовых значений вместе с текстовым описанием и ковариатами, а затем выдаёт типизированные вероятностные оценки и числовые прогнозы в виде квантилей. Замороженный энкодер Chronos-2 кодирует ряд, обученный проектор переводит его состояния в пространство эмбеддингов языковой модели Gemma 4; значения ряда также передаются модели в текстовом виде. Для решений используются вероятности по вариантам ответа, а прогнозные интервалы строятся с поправкой на прогноз Chronos-2. Модель обучена на синтетических рядах для выявления аномалий, оценки трендов, сезонности, волатильности, порогов и эффектов событий, а также для сценарных прогнозов и сравнений вариантов действий. В карточке приведены результаты проверки на рядах из обучавшихся и новых областей, а также метрики квантильных прогнозов. Модель не предназначена для конкретной предметной области и не обучалась на пользовательских данных. Текстовые состояния при обучении были на китайском; другие языки не проверялись. Истории длиннее обученного окна усекаются. Лицензия указана как other, поэтому условия использования следует сверить с лицензией в репозитории.

Lingzhi-AI разработала Lingzhi-1.5B-chat — диалоговую языковую модель на архитектуре Qwen2 с 1,5 млрд параметров. Модель создана на основе Qwen2-base с продолжением обучения и настройкой для чата; контекстное окно составляет 131 072 токена. В репозитории представлены веса в формате Safetensors. Модель предназначена для диалогов и задач в специализированных областях, включая бухгалтерский учёт, право и финансы, при сохранении общих языковых навыков. Авторы сравнивали несколько схем непрерывного обучения и сообщают о публикации обучающих данных и бенчмарков. Лицензия в предоставленных данных не указана.

QuantFactory/finance-Llama3-8B-GGUF — квантованная версия модели finance-Llama3-8B, разработанной командой instruction-pretrain на базе Llama 3 8B и преобразованной с использованием llama.cpp. Модель создана в рамках подхода Instruction Pre-Training, при котором исходные корпуса дополняются синтетическими парами инструкций и ответов для улучшения обучения языковых моделей. Модель предназначена для генерации текста и решения задач финансовой предметной области: анализа финансовых документов, извлечения сведений, ответов на вопросы по контексту и выполнения инструкций на основе финансовых данных. Указан английский язык. Это текстовая авторегрессионная модель размером около 8 млрд параметров; поддерживаемые модальности ограничены текстом. Максимальная длина контекста и конкретный тип квантования в README не указаны. К сильным сторонам относятся специализация на финансовых сценариях и обучение с использованием instruction-response данных, что может улучшать выполнение прикладных инструкций и понимание финансовых текстов. Ограничения включают зависимость качества от точности исходного контекста, отсутствие гарантии корректности финансовых выводов и недостаток сведений о формате квантования, требованиях к ресурсам и предельной длине контекста. Лицензия указана как llama3.

Модель transaction-categorizer разработана Fahad Kamraan и представляет собой дообученный DistilBERT для классификации текстовых описаний банковских операций по 17 категориям расходов и поступлений: среди них продукты, рестораны, транспорт, аренда, коммунальные услуги, комиссии, доходы и переводы. Модель содержит 66 млн параметров, использует архитектуру DistilBertForSequenceClassification и принимает текст длиной до 64 токенов; базовая модель имеет контекстное окно 512 токенов. Она обучена на описаниях операций из американских банковских выписок и поддерживает английский язык. Модель подходит для автоматической категоризации транзакций в приложениях личных финансов, банковских выписках и аналитических конвейерах. В README указана точность 99,88% на тестовой выборке из 4 298 примеров, однако результат относится к данным того же набора и не гарантирует аналогичного качества на других форматах. Выход — одна из 17 заданных категорий; неизвестные типы операций будут отнесены к ближайшей доступной категории. Репозиторий распространяется по лицензии MIT.

Fibro v0.1.0 — языковая модель на архитектуре Llama 3 с 7,5 млрд параметров, разработанная taddeusb90 для финансовых задач. Модель дообучена на Finbro Dataset, включающем более 300 тысяч записей: пары вопросов и ответов, финансовые отчёты и примеры различных финансовых задач. Заявленное окно контекста составляет 1 048 576 токенов. Модель предназначена для извлечения информации из неструктурированных финансовых документов и объяснения финансовых материалов пользователям с разным уровнем подготовки. Её можно применять для ответов на финансовые вопросы и разбора документов. В README указано, что обучение ещё продолжается и точность следует проверять; для использования в сервисе автор рекомендует добавить собственный слой выравнивания и защитные ограничения. Модель принимает и генерирует текст, поддерживает английский язык и распространяется по лицензии Meta Llama 3 Community License Agreement. Лицензия содержит собственные условия использования Meta Llama 3.

Fino1-8B — плотная авторегрессионная языковая модель семейства Llama, разработанная TheFinAI путём дообучения Meta Llama 3.1 8B Instruct. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие; её контекстное окно составляет 131 072 токена. Модель обучали с помощью SFT и RF на наборе TheFinAI/Fino1_Reasoning_Path_FinQA, производном от FinQA. Она предназначена для финансовых рассуждений, в частности математических задач по финансовым данным. В качестве ограничений следует учитывать специализацию на финансовых задачах и отсутствие в карточке результатов оценки качества. Лицензия — Llama 3.1 Community License (llama3.1).

Tanpo Finance — компактная специализированная языковая модель для финансовых и бизнес-сценариев, разработанная автором репозитория d4rkninja. Это дообученная и слитая с адаптером LoRA версия плотной авторегрессионной модели LiquidAI/LFM2.5-1.2B-Instruct; в репозитории опубликованы веса Transformers в формате safetensors. Модель содержит около 1,5 млрд параметров и поддерживает контекст до 128 000 токенов. Модель предназначена для локального и недорогого развертывания: она помогает анализировать юнит-экономику, денежный поток и runway, ценообразование и маржу, SaaS-метрики, бюджеты, выручку когорт и прогнозные сценарии. Рассчитана на диалог на английском языке и ориентирована на финансовые рабочие процессы с явными допущениями, формулами, сценариями и планом действий. Модель небольшая и специализированная: за пределами финансово-деловых задач качество может снижаться, а расчеты, формулы и рекомендации могут быть ошибочными. Внутренняя оценка автора имеет ограниченную область применимости и не подтверждает достоверность финансовых выводов; результаты следует сверять с исходными данными и проверять специалистом. В README указана лицензия LoRA-адаптера в формате PEFT, но конкретные условия лицензирования репозитория в предоставленных данных не раскрыты.

kanixwang/eth-setfit-payment-model — модель на базе Sentence Transformers с архитектурой MPNet, обученная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно использовать для поиска семантически похожих текстов, кластеризации и сопоставления описаний платежей. Модель содержит 136,7 млн параметров и принимает текст, выдавая векторные представления. В README указано обучение с CosineSimilarityLoss; модель опубликована в формате PyTorch. Контекст — до 514 токенов. Язык и лицензия в доступных данных не подтверждены.

FIN-LLAMA — языковая модель для финансовых сценариев, представленная Bavest. Это дообученная Llama с 32,3 млрд параметров; в метаданных указана архитектура LlamaForCausalLM и генерация текста. Модель обучали на наборе bavest/fin-llama-dataset и позиционируют для финансовых задач, включая бюджетирование, инвестиционные стратегии и управление рисками. Модель предназначена для генерации финансовых рекомендаций и планов, например для малого бизнеса. Контекст составляет 2048 токенов. В README описана загрузка с 4-битной квантизацией через Transformers и bitsandbytes, однако в репозитории указаны форматы PyTorch, а сама модель характеризуется как дообучение. README предупреждает, что 4-битный вывод работает медленно, вычисления в fp16 могут быть нестабильны, а для корректной генерации следует установить tokenizer.bos_token_id в 1. Указана лицензия GPL; датасет выпущен под BigScience OpenRAIL-M, что не определяет лицензию весов модели.

Spreadsheet-RL-4B — языковая модель-агент для работы с электронными таблицами Excel, разработанная авторами проекта Spreadsheet-RL. Это плотная модель Qwen3 с 3,7 млрд параметров, дообученная методом GRPO с вознаграждением за результат на задачах в среде Spreadsheet Gym. Агент рассчитан на многошаговое взаимодействие с таблицами через специальные инструменты, выполнение кода в изолированной среде и пересчёт формул в Excel. Модель предназначена для решения реалистичных задач в электронных таблицах, например изменения таблиц и получения ответов на вопросы по их содержимому. Для воспроизведения результатов исследования требуется запускать её вместе с агентским каркасом Spreadsheet-RL, набором инструментов и средой оценки; сама по себе в обычном чате она не воспроизводит заявленные результаты. В тесте SpreadsheetBench авторы сообщают Pass@1 23,4. Модель основана на Qwen/Qwen3-4B-Thinking-2507, поддерживает контекст до 262 144 токенов и предназначена для англоязычного применения. Лицензия — Apache-2.0.

nri-ai/gpt-oss-20b-Ja-Fin-Thinking — языковая модель NRI AI для рассуждений и диалогов по финансовым задачам, дообученная методом supervised fine-tuning на базе nri-ai/gpt-oss-20b-Ja-Fin-CPT. Модель построена на архитектуре GPT-OSS с MoE и предназначена прежде всего для финансовых вопросов на японском языке; также поддерживает английский. В метаданных указаны 1,6 млрд параметров и контекст 131 072 токена. Модель генерирует текстовые ответы с явными цепочками рассуждений. Сценарии применения включают ответы на финансовые вопросы, анализ и краткое изложение финансовых документов, расчёты и многошаговые диалоги на финансовые темы. В README сообщается об улучшении результатов на японских финансовых бенчмарках относительно официальной instruction-tuned модели gpt-oss-20b. Модель специализирована на японском финансовом домене; качество в других областях может быть ниже. Синтетические обучающие данные могут приводить к галлюцинациям, а результаты требуют проверки и не должны заменять профессиональную финансовую консультацию. Лицензия — Apache-2.0.

Finance LLM 13B GGUF — квантизированная версия языковой модели Finance LLM 13B, разработанной AdaptLLM и преобразованной в формат GGUF пользователем TheBloke. Модель основана на архитектуре Llama, содержит около 13 миллиардов параметров и предназначена для генерации текста на английском языке. Модель ориентирована на финансовые сценарии и задачи обработки текста, включая ответы на запросы и работу с финансовой информацией. Она обучалась с использованием наборов данных Open-Orca, GAIR/lima и WizardLM/WizardLM_evol_instruct_V2_196k. Для взаимодействия рекомендуется шаблон с разделами «### User Input» и «### Assistant Output». Формат GGUF поддерживается llama.cpp и рядом локальных интерфейсов и библиотек, а доступные варианты квантизации от 2 до 8 бит позволяют запускать модель с использованием CPU и GPU и выбирать компромисс между размером, скоростью и качеством. При этом квантизация может снижать точность по сравнению с исходной моделью в формате FP16. В README не указаны размер контекста и мультимодальные возможности; модель описана как текстовая. Лицензия обозначена как other, без дополнительных условий, поэтому точные правила использования требуют проверки у разработчика исходной модели.

Qwen3.8-27B-finance-GGUF — квантизированная версия модели nico248000000000/Qwen3.8-27B-finance, подготовленная mradermacher в формате GGUF. Модель ориентирована на финансовые задачи и поддерживает английский и французский языки. В карточке также заявлены мультимодальные возможности для работы с изображениями и видео; для них доступны дополнительные файлы mmproj. Модель относится к классу 27B, однако точная архитектура и размер контекста в README не указаны. Доступны варианты квантования от Q2_K до Q8_0, включая IQ4_XS; размеры файлов составляют примерно от 11 до 29,1 ГБ. Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые варианты, а Q8_0 — как вариант с наилучшим качеством среди перечисленных. Сильными сторонами являются специализация на финансовой тематике, наличие нескольких уровней квантования и поддержка мультимодального дополнения. Ограничения включают отсутствие в карточке результатов тестирования, подробностей об архитектуре, контекстном окне и фактическом качестве на финансовых сценариях; возможности изображений и видео требуют соответствующего mmproj-файла. Лицензия указана как other, без дополнительных условий или текста лицензии.

Карточка модели Duxiaoman-DI/XuanYuan-6B-Chat на Hugging Face совпадает с карточкой Duxiaoman-DI/XuanYuan-6B, поэтому описание составлено по ней. XuanYuan-6B — плотная языковая модель на архитектуре, близкой к LLaMA, разработанная Duxiaoman-DI для финансовых и общих задач. Модель обучена с нуля на разнородных корпусах; семейство также включает базовую версию, чат-версию с дообучением по инструкциям и выравниванием с предпочтениями людей, а также её 4- и 8-битные варианты. Модель содержит 6,2 млрд параметров, использует 30 слоёв, 32 головы внимания, RoPE, SwiGLU и RMSNorm. Метаданные указывают контекст до 8192 токенов; в README для обучения базовой модели указан максимальный размер последовательности 2048 токенов. Модель предназначена для генерации текста и диалога, включая финансовые сценарии. Лицензия — Llama 2; применимость её условий следует сверять с лицензией репозитория.

CPA-Qwen3-8B-v0 — специализированная языковая модель AudCor для задач сертифицированных бухгалтеров и аудиторов. Это плотная авторегрессионная модель Qwen3 с 7,6 млрд параметров, дообученная на базе unsloth/Qwen3-8B-unsloth-bnb-4bit на наборе Finance-Instruct-500k. Модель предназначена для диалогов и текстовых запросов о финансовом учёте, аудите, налогах и нормативных требованиях; поддерживает контекст до 40 960 токенов и имеет интерфейс вызова инструментов. Модель позиционируется как помощник для оценки аудиторских рисков, налогового планирования, толкования нормативных требований и решения задач уровня экзамена CPA. В карточке заявлено внимание к GAAP, IFRS и профессиональному скептицизму. Указана лицензия Apache-2.0. Это исследовательский инструмент, а не лицензированный специалист; ответы не заменяют профессиональные бухгалтерские, налоговые или юридические консультации.

Это дообученная модель генерации текста на базе marin-community/marin-8b-base, разработанная AmberYifan. Она предназначена для диалоговых задач в финансовой тематике и обучена на наборе capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_cap_b1000_s0. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и использует контекст до 4096 токенов. Репозиторий содержит веса safetensors; в метаданных заявлена поддержка чата. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели и сопутствующих материалах.

DISC-FinLLM — специализированная финансовая языковая модель, разработанная и открытая лабораторией Data Intelligence and Social Computing Университета Фудань (Fudan-DISC). Она основана на Baichuan-13B-Chat и дообучена с помощью LoRA на наборе DISC-Fin-SFT примерно из 250 тысяч инструкций. В метаданных указаны архитектура Baichuan с причинной языковой моделью, размер 12,9 млрд параметров и формат PyTorch; лицензия — Apache-2.0. Модель предназначена для диалоговых финансовых консультаций на китайском языке, анализа финансовых текстов, расчётов и ответов на вопросы по финансовым знаниям. Она может извлекать информацию, определять тональность и классифицировать тексты, объяснять финансовые понятия, рассчитывать ставки и темпы роста, выполнять статистические расчёты и применять модели Black-Scholes и EDF. Модуль вопросов и ответов использует сведения из финансовых новостей, аналитических отчётов и нормативных документов для анализа событий и разъяснения политики. Модель ориентирована на финансовый контекст Китая и может помогать с широким кругом финансовых задач. Авторы предупреждают, что результаты следует использовать только как справочную информацию: модель может ошибаться и не заменяет профессиональных финансовых аналитиков и экспертов. В README отмечено, что опубликованные веса могут отличаться от версии демонстрационного сервиса.

Palmyra-Fin-70B-32K-GGUF — это квантованная GGUF-версия модели Palmyra-Fin-70B-32K, разработанной компанией Writer и подготовленной к квантованию пользователем bartowski. Модель предназначена для генерации текста и ориентирована на финансовую сферу, включая банки, управление благосостоянием, анализ фондового рынка, опционов и фьючерсов, интерпретацию ценовых графиков, прогнозирование трендов и подготовку аналитических материалов для финансовых специалистов. Из доступных данных известно, что модель имеет размер 70 млрд параметров, поддерживает контекст до 32 000 токенов и работает с текстом на английском языке. Она позиционируется как instruct-модель для корпоративного использования и способна формировать подробные ответы по финансовым вопросам, например анализировать преимущества и риски выпуска новых акций с точки зрения привлечения капитала, размывания долей и отношений с инвесторами. Сильными сторонами модели являются специализация на финансовой тематике, большой контекст и ориентация на профессиональные сценарии. Ограничения включают поддержку только английского языка в заявленных данных, отсутствие подтверждённых сведений о точной архитектуре и параметрах квантования, а также потенциальную необходимость дополнительной проверки точности и актуальности финансовых выводов. Модель распространяется по Writer Open Model License; в карточке указано, что использование разрешено только в некоммерческих целях, если не приобретена отдельная лицензия у Writer.

plutus-8B-instruct — инструктивная языковая модель, разработанная The Fin AI при участии и поддержке NaCTeM и Archimedes RC. Это плотная модель семейства Llama с 7,6 млрд параметров, дообученная методом LoRA на греческих финансовых текстах на базе ilsp/Llama-Krikri-8B-Instruct. Она предназначена для диалога и генерации текста о финансах на греческом языке; длина контекста составляет 131 072 токена. Модель подходит для ответов на вопросы о финансовых материалах, суммаризации отчётов и подготовки контекстных финансовых текстов. Её можно встраивать в чат-боты и аналитические системы для греческого финансового рынка. Лицензия — Llama 3.1 Community License. Модель специализирована на греческом языке и финансовой тематике, поэтому может быть ненадёжна для других языков и областей. Ответы могут содержать фактические ошибки или предвзятость; их следует проверять, особенно перед использованием в финансовых решениях.

WiroAI-Finance-Qwen-7B — языковая модель WiroAI для генерации текста и диалогов по финансовым темам. Она основана на архитектуре Qwen2 и дообучена методом SFT на наборе Finance-Instruct-500k, содержащем более 500 тысяч финансовых инструкций. В метаданных указаны объединённые базовые модели DeepSeek-R1-Distill-Qwen-7B и Qwen2.5-Math-7B; модель имеет 7,1 млрд параметров и контекст до 131 072 токенов. Модель предназначена для ответов на финансовые вопросы и выполнения инструкций в финансовых сценариях. Она работает с текстом через библиотеку Transformers; репозиторий содержит веса в формате Safetensors. Модель выпущена под лицензией Apache-2.0. README не сообщает результаты оценки качества или конкретные ограничения, поэтому надёжность ответов в практических финансовых решениях по этим данным определить нельзя.

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.

Finance LLM — языковая модель для финансовой тематики, разработанная AdaptLLM и представленная в этом репозитории в квантованном формате GGUF компанией TheBloke. Исходная модель основана на архитектуре Llama и предназначена для генерации текста на английском языке. Модель ориентирована на задачи, связанные с финансовыми текстами и запросами, включая специализированное текстовое общение и генерацию ответов. В README указаны обучение или использование наборов данных Open-Orca, GAIR/lima и WizardLM_evol_instruct_V2_196k, а также метрика accuracy. Поддерживается шаблон запросов Llama-2-Chat. Модель работает только с текстом; сведения о размере, длине контекста и точной версии базовой архитектуры не указаны. Файлы представлены в формате GGUFv2 с вариантами квантования от 2 до 8 бит, что позволяет запускать модель на CPU и GPU через llama.cpp и совместимые интерфейсы и библиотеки. Квантование уменьшает требования к памяти, но может снижать точность по сравнению с исходной моделью в формате FP16. Для модели указана лицензия other; конкретные условия лицензирования в README не раскрыты.