III.6Бухгалтерия, управленческие финансы и казначейство

WiroAI разработала WiroAI-Finance-Llama-8B — языковую модель для генерации текста и диалогов по финансовым инструкциям. Она основана на архитектуре Llama и объединяет DeepSeek-R1-Distill-Llama-8B с Llama-3.1-8B-Instruct; в README указано дообучение методом SFT на датасете Finance-Instruct-500k, а метаданные отмечают слияние моделей. Репозиторий содержит веса в формате safetensors, модель рассчитана на контекст до 131 072 токенов и включает интерфейс чата и вызова инструментов. Модель подходит для ответов на финансовые вопросы и подготовки текстов по финансовым инструкциям. Она содержит 7,5 млрд параметров и распространяется по лицензии Apache-2.0. Качество ответов, актуальность финансовых сведений и надёжность вызова инструментов в карточке не оценены; результаты требуют проверки, особенно перед принятием финансовых решений.

sivasub987/iso20022-extract-53m — экспериментальная модель-декодер на 77,6 млн параметров, созданная с нуля для извлечения полей платежных документов и переписки в структурированный формат ISO 20022. Она использует 20 блоков трансформера с grouped-query attention, RoPE, SwiGLU и RMSNorm, а также дополнительную память на хешированных n-граммах и голову оценки уверенности. Модель загружает через Transformers и рассчитана на локальный запуск; контекст — 1024 токена. Основной сценарий — преобразование неструктурированного текста на английском языке в JSON с каноническими полями, например именами плательщика и получателя, IBAN, суммой, валютой, идентификатором платежа и сведениями о переводе. Карточка описывает её как proof of concept: шесть из девяти проверок проходят, точность полей составляет 71,7% при целевом уровне 90%, а доля документов, обработанных без ошибок, — 0% при цели 50%. Данные для обучения включали 3 800 документов; проза синтетическая, поэтому качество на реальной переписке может быть ниже. Модель не должна самостоятельно разрешать платежи; необходима проверка человеком. Распространяется по лицензии Apache-2.0. README описывает обучение с нуля, при этом схема обучения упоминает возможного учителя для дистилляции; сведений, подтверждающих, что этот чекпойнт действительно дистиллирован, нет.

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.

Это дообученная AmberYifan модель Marin 8B Base для генерации текста, созданная на основе marin-community/marin-8b-base. По названию набора данных дообучение связано с финансовыми текстами, FinCoT и FinQA; карточка не описывает конкретные сценарии использования и результаты оценки. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 4096 токенов. Она принимает текст и генерирует текст; метаданные указывают поддержку чата. Базовая модель ориентирована на английский язык, но отдельные языковые возможности производной модели в карточке не уточнены. Модель опубликована в формате safetensors под лицензией other; условия лицензии следует уточнить в репозитории. README не приводит ограничений или результатов оценки, поэтому качество на финансовых задачах по имеющимся данным определить нельзя.

AmberYifan/capsd-convfinqa-fullscore-marin-8b-base-finance_random_b8000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Согласно карточке, при обучении использовался набор capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_random_b8000_s0, связанный с финансовыми вопросами и ответами. Модель предназначена для генерации текста в диалоговом формате и может применяться для ответов на вопросы по финансовой тематике. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовый контекст длиной до 4096 токенов. Базовая модель описана как англоязычная. Лицензия указана как other, без уточнения конкретных условий в предоставленных данных. Подробности об оценке качества и известных ограничениях в карточке отсутствуют.

StockLLM — открытая дообученная языковая модель примерно на 1,2 млрд параметров, разработанная как основа RAG-системы для прогнозирования финансовых временных рядов. В метаданных указана архитектура LlamaForCausalLM и поддержка диалогового режима; модель распространяется в формате safetensors и рассчитана на контекст до 131 072 токенов. Модель предназначена для финансовых сценариев, где языковая модель работает в составе системы с поиском и извлечением данных и помогает анализировать временные ряды и строить прогнозы. Карточка не приводит сведения о конкретных обучающих данных или измеренных результатах. Метаданные указывают английский язык; вход и выход — текст. Лицензия — MIT. Авторы позиционируют проект для академических и образовательных целей и предупреждают, что его результаты не являются финансовой, юридической или инвестиционной рекомендацией; точность прогнозов не гарантируется.

Clef — мультимодальная модель Cloudflare на 27 млрд параметров, дообученная на базе Qwen/Qwen3.8-27B вместе с визуальным энкодером. Она предназначена для структурированных решений: получает описание ситуации в виде текста или JSON, а также при необходимости изображения или видео, и оценивает варианты ответов для набора типизированных вопросов — выбора из вариантов, упорядоченной оценки или ответа «да/нет». Модель выдаёт логиты по допустимым вариантам за один проход; вероятности получают применением softmax отдельно для каждого вопроса. Свободный текст модель не генерирует. В модели используется совместная голова схемы, которая связывает свидетельства из описания ситуации с вопросами и совместно оценивает варианты. Модель поддерживает запросы Jev/SystemOne и смешивание текстовых и мультимодальных записей в одном пакете. Максимальная длина входа по умолчанию — 16 384 токена, её можно ограничить параметрами кодирования. Для работы требуются Transformers и PyTorch; для изображений и видео также нужна Pillow. Распространяется по лицензии Apache-2.0.

Chronos-2-Small — небольшая версия модели Chronos-2 от AutoGluon, предназначенная для прогнозирования временных рядов. Она построена на архитектуре T5 и содержит 22 млн параметров по метаданным Hugging Face; README указывает 28 млн параметров. Для работы используется библиотека chronos-forecasting. Модель подходит для построения прогнозов по временным рядам и может применяться как предварительно обученная модель для таких задач. В карточке указаны наборы данных autogluon/chronos_datasets и Salesforce/GiftEvalPretrain. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Данные карточки не уточняют поддерживаемые языки, конкретные отраслевые сценарии и ограничения качества прогнозов.

Ferox AI подготовила конверсию Microsoft Phi-4-multimodal-instruct для локального мультимодального инференса на устройствах Apple Silicon. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы; она предназначена для визуальных вопросов и ответов, извлечения сведений из документов, распознавания текста на изображениях и анализа графиков и диаграмм. В основе — плотная архитектура семейства Phi-4 с языковой частью Phi-4-Mini на 3,8 млрд параметров и визуальным энкодером SigLIP-SO400M. Весовая часть модели квантизирована до 4 бит с группами по 64, тогда как энкодер SigLIP остаётся в FP16. Метаданные указывают контекст 4096 токенов. В этой сборке аудио не поддерживается; для запуска нужны Apple Silicon и MLX. По внутренним оценкам на небольших выборках модель показывает полезные результаты для документов, диаграмм и OCR, но точность ответов не гарантируется и требует проверки человеком. Распространяется по лицензии MIT. Визуальные LoRA-адаптеры заранее слиты с весами, поэтому переключать их во время работы нельзя.

Yug — модель временных рядов с 271,8 млн параметров, разработанная Birla AI Labs для вероятностного прогнозирования с нулевым дообучением. Она принимает исторический контекст и горизонт прогноза и формирует прогнозное распределение, представленное квантилями; одна архитектура поддерживает как одномерные ряды, так и прогнозирование с использованием ковариат. Архитектура включает 12 слоёв декодера и имеет размерность модели 960. Модель предназначена для прогнозирования ранее не встречавшихся временных рядов без настройки под конкретную задачу или ряд. Её можно применять к рядам с ковариатами и получать вероятностные оценки неопределённости прогноза. В обучении использовались подмножества Chronos Datasets и GIFT-Eval Pretrain, а также синтетические данные, обозначенные разработчиком как проприетарные. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Карточка модели pipizhao/Pandalyst-7B-V1.2 на Hugging Face совпадает с карточкой pipizhao/Pandalyst-7B-V1.1, поэтому описание составлено по ней. Pandalyst-7B-V1.1 — языковая модель для анализа данных с помощью библиотеки pandas, разработанная авторами проекта Pandalyst. Она дообучена на CodeLlama-7b-Python и предназначена для генерации кода и ответов, помогающих работать с таблицами разной структуры и выполнять задачи анализа данных. Версия V1.1 не поддерживает построение графиков. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 6,6 млрд параметров. Она принимает текст и выдаёт текст; заявленная длина контекста — 16 384 токена. В карточке указан английский язык. Авторы сообщают результат 76,1 exec@1 на PandaTest_V1.0, однако это заявление из README, а независимая проверка здесь не представлена. Модель распространяется с лицензией Llama 2.

AdaptLLM/finance-LLM — специализированная языковая модель для финансовой области, разработанная авторами исследования AdaptLLM. Это плотная авторегрессионная модель семейства LLaMA с 6,6 млрд параметров, полученная продолжением предобучения LLaMA-1-7B на финансовых корпусах, преобразованных в тексты для чтения с пониманием. Такой подход призван сохранить способность модели следовать запросам и отвечать на вопросы, одновременно расширяя её финансовые знания. Модель предназначена для генерации текста и ответов на финансовые вопросы, а также для задач вроде анализа финансовых новостей и документов. Она ориентирована на английский язык. Авторы сообщают о конкурентных результатах по сравнению с более крупными специализированными моделями, однако карточка рекомендует для более качественного диалога использовать отдельную чат-модель. Длина контекста в предоставленных данных не указана. Модель распространяется в форматах PyTorch и safetensors. README не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя.

QuantFactory/Llama-3-8B-Instruct-Finance-RAG-GGUF — квантизированная версия модели Llama 3 8B Instruct, созданная QuantFactory с использованием llama.cpp на основе модели curiousily/Llama-3-8B-Instruct-Finance-RAG, которая, в свою очередь, дообучена на базе Meta Llama 3 8B Instruct с применением LoRA-адаптера. Дообучение выполнено на 4000 примерах из датасета virattt/financial-qa-10K. Модель предназначена для задач retrieval-augmented generation (RAG): она отвечает на вопросы, используя предоставленный контекст, преимущественно в финансовых сценариях, включая анализ финансовой отчётности и раскрытий компаний. Рекомендуемый формат запроса содержит вопрос и блок информации; модель обучалась извлекать ответ из этого контекста и может выдавать краткие ответы без лишних пояснений. Поддерживается генерация текста на английском языке. Известно, что это causal language model размером 8B параметров с архитектурой Llama 3, представленной в GGUF-квантизированном формате. Конкретный тип и уровень квантизации, максимальный размер контекста и требования к ресурсам в README не указаны. Сильная сторона модели — специализация на ответах по заданному финансовому контексту; она не предназначена для надёжных ответов без соответствующих исходных данных и может быть ограничена качеством и полнотой предоставленного контекста. Лицензия указана как llama3.

OVHaiLLM/Llama-Open-Finance-8B — дообученная специалистами Dragon LLM и AGEFI модель Llama для вопросов и анализа в сфере финансов, экономики и бизнеса. Она предназначена для ответов на сложные запросы, объяснения экономических показателей, анализа рынков и инвестиционных инструментов, а также работы с финансовыми и регуляторными документами. Модель поддерживает английский, французский и немецкий языки. Согласно README, обучение охватывало финансовые и экономические материалы, включая рыночные отчёты, регуляторные документы, публикации центробанков и академические исследования; также заявлены примеры для перевода и retrieval-augmented generation. Модель основана на Llama 3.1 8B Instruct и распространяется в формате safetensors через Transformers. Лицензия — Llama 3.1. Модель может помогать готовить финансовые сводки, интерпретировать нормы и формировать аналитические черновики, но существенные выводы и актуальные финансовые данные следует проверять по официальным источникам. Заявления README о точности, безопасности и качестве не сопровождаются приведёнными здесь независимыми результатами оценки.

Marsilia-Embeddings-EN-Base — англоязычная модель эмбеддингов, разработанная Sujet AI для поиска и извлечения финансовой информации. Это Sentence Transformer на архитектуре BERT, дообученный на парах «вопрос — контекст» из набора sujet-ai/Sujet-Financial-RAG-EN-Dataset. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и выдаёт векторы размерности 768; сходство оценивается косинусной мерой. Модель предназначена для построения семантического поиска, кластеризации и систем RAG на английских финансовых текстах. В карточке сообщается, что на тестовой части обучающего набора её оценивали с помощью InformationRetrievalEvaluator и что она превзошла некоторые закрытые модели эмбеддингов; эти результаты относятся к описанному финансовому сценарию. Распространяется по лицензии MIT.

AdaptLLM/finance-LLM-13B — англоязычная доменная языковая модель для финансовых задач, разработанная авторами исследования AdaptLLM. Это плотная авторегрессионная модель семейства LLaMA с 12,9 млрд параметров, созданная на основе LLaMA-1-13B посредством непрерывного предварительного обучения на финансовых корпусах, преобразованных в тексты для чтения и понимания. Такой подход предназначен для обогащения модели отраслевыми знаниями и сохранения способности отвечать на запросы в формате промптов. Модель подходит для генерации ответов и выполнения задач финансового анализа на английском языке, включая сценарии с финансовыми вопросами и тестовыми наборами ConvFinQA, FiQA_SA, Headline и FPB. Она принимает текст и генерирует текст; заявленная длина контекста — 2048 токенов. Это базовая модель до выравнивания, поэтому инструкции для чат-моделей могут ей не подходить. Репозиторий содержит веса PyTorch в формате safetensors. В предоставленных данных условия лицензии не описаны.

FINRA-LM v2 1.5B — специализированная языковая модель для финансового анализа, дообученная автором репозитория на Qwen2.5-1.5B-Instruct с помощью QLoRA. Это плотная причинная модель семейства Qwen2 с 1,5 млрд параметров, рассчитанная на генерацию текста и диалог; нативный контекст составляет 32 768 токенов. Модель принимает текст и выдаёт текст. Модель предназначена для анализа акций и финансовой отчётности, инвестиционно-банковских сценариев, облигаций, ставок, деривативов, финансовых новостей и личных финансов. Она может разбирать показатели вроде P/E и EV/EBITDA, обсуждать DCF, M&A, LBO и IPO, а также классифицировать тональность новостей как положительную, нейтральную или отрицательную. Карточка заявляет, что модель отклоняет вопросы вне финансовой тематики. Модель поддерживает английский язык; её компактный размер удобен для локального запуска, включая LM Studio. Лицензия — Apache-2.0. Результаты финансового анализа и сведения о регуляторных требованиях следует проверять: карточка не приводит оценок точности или гарантий корректности.

Marsilia-Embeddings-FR-Large — модель эмбеддингов предложений, разработанная sujet-ai для поиска и извлечения информации во франкоязычных финансовых текстах. Это дообученная модель на базе OrdalieTech/Solon-embeddings-large-0.1 с архитектурой XLM-RoBERTa и 658,7 млн параметров. Она преобразует текст в векторы размерностью 1024; для сравнения используется косинусное сходство. Максимальная длина последовательности составляет 512 токенов. Модель обучена на 28 880 парах «вопрос—контекст» из sujet-ai/Sujet-Financial-RAG-FR-Dataset и оценивалась на тестовой части этого набора с помощью InformationRetrievalEvaluator. Предназначена для семантического поиска, кластеризации и извлечения релевантных финансовых документов, в том числе в RAG-сценариях. Разработчик сообщает о результатах выше некоторых закрытых моделей эмбеддингов, но конкретные метрики в карточке не приведены. Оптимизирована для французского языка и финансовой тематики, поэтому качество на других языках и в иных областях может быть ниже. Лицензия — MIT.

qwen3.5-0.8b-finance — компактная текстовая причинно-следственная модель на архитектуре Qwen3.5, созданная siddhartha-addy-globalids-labs на базе Qwen/Qwen3.5-0.8B. В метаданных указаны 581,4 млн параметров, контекст до 262 144 токенов и библиотека Transformers. Модель дообучена с применением обобщённой дистилляции знаний (GKD) на датасете gbharti/finance-alpaca; в чекпойнк также слит LoRA-адаптер. Модель предназначена для генерации текста в финансовых сценариях, включая ответы на вопросы и диалог по финансовой тематике. Карточка сообщает о дистилляции от модели Qwen/Qwen3.5-2B с адаптером, однако не описывает качество, охват финансовых задач или поддерживаемые естественные языки. Доступные файлы safetensors загружаются через AutoModelForCausalLM без PEFT. Лицензия в предоставленных данных не указана. Как специализированную доработку компактной базовой модели её следует оценивать на целевых финансовых запросах перед практическим применением; фактическая точность и ограничения в README не приведены.

marinamen/gastos-bancarios-classifier — модель классификации коротких описаний банковских операций на испанском языке по 14 категориям личных расходов. Она разработана как дообучение испанской модели BERT dccuchile/bert-base-spanish-wwm-cased для автоматической категоризации транзакций в приложении личных финансов. Модель использует архитектуру BERT для классификации последовательностей, содержит 137,1 млн параметров и рассчитана на контекст до 512 токенов; при обучении использовалась максимальная длина 64 токена. Модель предназначена для обработки шумных банковских выписок: сокращённых названий продавцов, смешанного регистра, кодов и дат, а также неоднозначных описаний. Она предсказывает одну из категорий: продукты, рестораны, транспорт, одежда, здоровье, технологии, дом, путешествия, образование, спорт, развлечения, энергия, аренда или прочее. В README указана точность 86,4% на тесте; слабее всего модель справлялась с развлечениями из-за пересечения этой категории с технологиями. Обучение проводилось на синтетическом наборе из 1 400 примеров. Модель распространяется в формате safetensors; лицензия в доступных данных не указана.

Sumeetgpt разработал классификатор SetFit для автоматической категоризации описаний индийских банковских и карточных операций. Модель находит одну из 21 категорий личных финансов, включая продукты и питание, коммунальные платежи, поездки, зарплату, переводы между собственными счетами, платежи по кредитам и другие доходы или расходы. Она обрабатывает как банковские записи в форматах UPI, NEFT, IMPS, ACH и POS, так и обычные текстовые описания операций. В основе — дообученный энкодер предложений sentence-transformers/all-MiniLM-L6-v2 с классификационной головой LogisticRegression; модель содержит 25,9 млн параметров и использует библиотеку SetFit. Контекст — до 512 токенов. Обучение проводилось на 970 синтетических примерах без реальных пользовательских транзакций; автор сообщает точность 94,6% на отложенном синтетическом наборе и 90% на небольшом наборе вручную составленных описаний. Модель предназначена для локального учета личных финансов и выпущена под лицензией MIT. Оценки не подтверждены на реальных банковских выписках, поэтому результаты на практических данных могут отличаться. Некоторые зачисления, например проценты, дивиденды и кэшбэк, могут быть неоднозначны; для новых версий также следует учитывать, что появились три дополнительных класса.

Qwen3.8-27B-CommercialLoan-MLX — специализированная языковая модель для вспомогательной оценки заявок на коммерческое кредитование предприятий. Она создана на основе Qwen3.8-27B и дообучена автором репозитория liuchen88 методом QLoRA. Модель предназначена для работы в MLX на компьютерах Apple Silicon и поставляется в формате BF16 с весами Safetensors. Модель ориентирована на китайский язык и сценарии корпоративного кредитного анализа. Она формирует трёхуровневое решение: одобрить, одобрить с условиями или отклонить заявку. Дополнительно модель анализирует финансовые показатели, выявляет риски, предлагает условия снижения рисков и объясняет принятое решение. В описании заявлено правило безусловного отказа при наличии исполнительных производств, статуса недобросовестного должника, ограничений на потребление, просроченной задолженности, банкротства или неплатёжеспособности. Архитектура указана как Qwen3_5ForConditionalGeneration (MLX), размер — 27 млрд параметров, 64 слоя, включая 48 SSM- и 16 полноценных attention-слоёв, скрытое измерение 5120, словарь из 248 320 токенов и контекст до 262 144 токенов. Используется Gated Attention с 24 Q- и 4 KV-головами и размером головы 256. Для запуска требуется Apple Silicon с unified memory от 64 ГБ; общий объём файлов весов составляет около 54,7 ГБ. Модель полезна для предварительного анализа заявок и подготовки объяснений, но не заменяет ручное решение кредитного специалиста: возможны ошибки классификации. Обучающие данные преимущественно отражают сведения о китайских публичных и малых и средних компаниях, поэтому применимость к предприятиям других стран ограничена. Лицензия в README не указана.

NextToken-model-2 — небольшая разговорная модель, разработанная somasekhar-dev и дообученная полным fine-tuning на базе архитектуры Qwen3. Она содержит 272,7 млн параметров, принимает текст и рассчитана на контекст до 2048 токенов. Модель предназначена для поддержки клиентов банков и NBFC: по сообщению пользователя и системному описанию доступных инструментов она определяет, подходит ли один из них, и извлекает аргументы. Обучение охватывает пять инструментов и сценарии без вызова инструмента; также добавлены примеры обычных задач вроде продолжения текста, суммаризации и составления списков. Поддерживаются хинди и английский языки. Это ранний чекпойнт после первой эпохи обучения на 15 894 примерах. В опубликованной карточке указано, что модель ненадёжно распознаёт некоторые сообщения, где упоминаются кредит или счёт без запроса на действие, и иногда вызывает инструмент в ответ на непринуждённые реплики. Полная схема из 41 инструмента превышает доступный контекст, а заполнение аргументов свободным текстом и многошаговое уточнение параметров не проверены. Результаты модели следует проверять, а действия, меняющие состояние, подтверждать перед выполнением. Лицензия в предоставленных данных не указана.

Nexus-Erebus-3M — компактная языковая модель на 3 млн параметров от MaliosDark, обученная с нуля на архитектуре Llama. Она предназначена прежде всего для целочисленной арифметики: сложения, вычитания, умножения, точного деления и выражений с несколькими операциями и скобками. В тесте ArithMark-2 модель показала точность 70,72%; на общих задачах её результаты близки к случайному угадыванию. Токенизатор разбивает цифры на отдельные токены и преобразует числа в порядок от младшего разряда к старшему, чтобы согласовать чтение с переносом разрядов. На вход и выход передаётся обычный текст. Контекст — 512 токенов; для загрузки токенизатора требуется включить trust_remote_code=True. Модель работает через Transformers и распространяется в формате safetensors по лицензии MIT.

Карточка модели localized-ft/Llama-3.1-8B-good-vs-bad-mixed-multifact-kld-seed5 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-target-only-no-hallucination-last-third-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-german-city-names-second-third-v2-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-old-bird-names-v2-inoculation-prompting-seed5 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-target-only-no-hallucination-first-third-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-target-only-no-hallucination-kld-seed3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.