III.7Аудит, внутренний контроль и налоги

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.

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.

A.X 4.0 VL Light — компактная мультимодальная модель SK Telecom для понимания изображений и текста, созданная на основе A.X 4.0 Light и дополнительно обученная на мультимодальных данных, в том числе крупных корейских наборах. Она предназначена для диалога и анализа изображений, а также для корпоративных сценариев, связанных с корейскими документами, таблицами, графиками, рукописным текстом и надписями в сценах. В карточке приведены результаты на корейских визуальных и текстовых бенчмарках; модель также использует примерно на 41% меньше текстовых токенов, чем Qwen2.5-VL, для одинакового корейского ввода. Модель поддерживает обработку изображений и текста и генерацию текстовых ответов; метаданные указывают семейство a.x-4-vl, плотную архитектуру и интерфейс вызова инструментов. Для работы через Transformers требуется версия 4.49.0 или новее. Лицензия — Apache-2.0. Описанные сильные стороны сосредоточены на корейском языке и корейских материалах; README не приводит размер модели и длину контекста.

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.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и извлечения релевантных фрагментов. В архитектуре используется BERT с CLS-пулингом и нормализацией векторов; близость оценивается косинусным сходством. Контекст ограничен 512 токенами. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 512, 256, 128 или 64, экономя место и вычисления с некоторым снижением качества поиска. Модель также подходит для кластеризации, поиска перефразирований и классификации текстов на основе эмбеддингов. Лицензия — Apache-2.0.

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.

KSAIA разработала эту англоязычную модель Sentence Transformer, дообученную на базе BAAI/bge-base-en-v1.5 на 6 300 парах текстов финансовой тематики. Архитектура основана на BERT: модель преобразует предложения и абзацы в нормализованные плотные векторы размерностью до 768, а близость текстов измеряется косинусным сходством. Модель предназначена для семантического поиска и сравнения финансовых текстов, а также может применяться для поиска перефразировок, кластеризации и классификации. Matryoshka-обучение позволяет использовать сокращённые представления размерностью 512, 256, 128 или 64; контекст ограничен 512 токенами. Лицензия — Apache-2.0.

Anikulkar разработал эту англоязычную модель Sentence Transformers дообучением BAAI/bge-base-en-v1.5 на финансовых текстах и запросах. Она кодирует предложения и абзацы в плотные векторы для семантического поиска, сравнения текстов, извлечения информации, кластеризации и классификации. Векторное пространство имеет размерность 768; архитектура основана на BERT с пулингом CLS-токена и нормализацией, а сходство оценивается косинусной мерой. Контекст ограничен 512 токенами; обучение использовало 90 пар финансового текста и запросов. Модель поддерживает Matryoshka-представления с сокращаемой размерностью эмбеддингов: в карточке приведены оценки поиска для размерностей 64, 128, 256, 512 и 768. Это позволяет выбирать компромисс между размером вектора и качеством. Лицензия — Apache-2.0. Карточка приводит результаты на наборе данных, название которого не указано, поэтому эти показатели не следует считать независимой оценкой на широком наборе финансовых задач.

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.

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.

Regulatory Financial Matryoshka — англоязычная модель Sentence Transformer, дообученная разработчиком на базе BAAI/bge-base-en-v1.5 на 2 432 примерах финансовой и регуляторной тематики. Она кодирует предложения и абзацы в плотные текстовые векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства и ранжирования текстов, например вопросов и фрагментов нормативной документации. Для сравнения векторов используется косинусное сходство; архитектура включает BERT, пулинг по CLS-токену и нормализацию. Matryoshka-обучение позволяет получать укороченные представления размерностью 512, 256, 128 и 64. Максимальная длина входа — 512 токенов. Модель подходит для поиска и сопоставления англоязычных материалов по финансовой отчётности, банковскому регулированию и управлению рисками. В README приведены метрики поиска на обучающем наборе, но они не гарантируют качество на других коллекциях; обучающий набор описан как json. Модель распространяется по лицензии Apache-2.0.

Англоязычная модель текстовых эмбеддингов, разработанная Vivek Kopthsd путём контрастивного дообучения BAAI/bge-small-en-v1.5 на парах предложений из FinancialPhraseBank. Она предназначена для семантического поиска и извлечения финансовых текстов, включая новости, счета и договоры, а также для подбора предложений со сходной финансовой тональностью. Модель основана на BERT, содержит около 40 млн параметров, принимает текстовые фрагменты с контекстом до 512 токенов и выдаёт эмбеддинги. В тесте на отложенных предложениях FinancialPhraseBank дообученная версия показала Recall@1 0,8282 против 0,6729 у базовой модели; оценка проверяла совпадение метки тональности у ближайшего соседа. Модель подходит для построения векторного поиска и извлечения контекста для RAG в финансовых приложениях. Проверка проводилась на прокси-задаче поиска по меткам, а не на человеческих оценках релевантности; словарь ориентирован на финансовые новости. Модель распространяется по лицензии MIT.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная abinj30 на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она кодирует предложения и абзацы в плотные векторы: исходная размерность — 768, для поиска также доступны укороченные представления размерностью 512, 256, 128 и 64. Архитектура основана на BERT с пулингом CLS-токена и нормализацией; сходство оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска и сравнения финансовых текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В README приведены результаты оценки информационного поиска для нескольких размерностей эмбеддинга. Обучение проводилось на 6 300 парных примерах с полями anchor и positive; указаны MatryoshkaLoss и MultipleNegativesRankingLoss. Лицензия — Apache-2.0. Модель рассчитана на английский язык; качество на других языках не подтверждено.

FinModernBERT-embed-large-v1 — англоязычная модель для получения плотных векторных представлений финансовых текстов, разработанная BatuhanECB. Это дообученный ModernBERT-large с архитектурой ModernBERT и 394,7 млн параметров; модель использует библиотеку Sentence Transformers и сохраняется в формате safetensors. Контекст составляет до 8192 токенов. Модель предназначена для поиска и сопоставления финансовых текстов, семантического сходства, ранжирования и задач на основе эмбеддингов. В README описано обучение на финансовых данных и оценка на английском бенчмарке FinMTEB: особенно сильные результаты показаны в задачах семантического сходства и суммаризации. Для длинных документов автор рекомендует разбивать текст на фрагменты и агрегировать их представления. Ограничения включают слабые результаты на поиске по таблицам и числовых вопросах, кластеризации научных финансовых текстов и классификации заголовков; качество в общей, нефинансовой области не гарантируется. Модель рассчитана на английский язык. Лицензия — Apache-2.0.

phamkinhquoc2002/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она построена на BERT и преобразует предложения и абзацы в нормализованные плотные векторы размерностью 768; сходство текстов можно оценивать по косинусному сходству. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 512, 256, 128 или 64 для компромисса между размером вектора и качеством поиска. Модель подходит для семантического поиска и ранжирования финансовых текстов, сравнения предложений, поиска перефразировок, кластеризации и подготовки эмбеддингов для классификации или RAG. Максимальная длина входа — 512 токенов. В README приведены результаты поиска на нескольких размерностях, однако набор данных и контекст оценки описаны ограниченно, поэтому эти метрики не гарантируют качество на других финансовых корпусах. Использование требует лицензии и условий базовой модели BAAI/bge-base-en-v1.5; отдельная лицензия в предоставленных данных не указана.

google/tapas-mini-finetuned-sqa — компактная модель TAPAS от Google для ответов на вопросы по таблицам в диалоговом формате. Она построена на архитектуре, подобной BERT, и содержит 12 млн параметров. Модель предварительно обучалась на английских таблицах и связанных с ними текстах из Википедии с помощью masked language modeling и промежуточного обучения для числового рассуждения, затем дообучена на Sequential Question Answering (SQA). В стандартной версии используются относительные позиционные эмбеддинги с повторным отсчётом позиций в каждой ячейке таблицы; также доступна версия no_reset с абсолютными позиционными эмбеддингами. На вход подаются вопрос и сериализованная таблица; модель выделяет ячейки, на которых основан ответ. Контекст ограничен 512 токенами. Модель предназначена для англоязычных таблиц и не является универсальной разговорной моделью: длинные таблицы могут требовать усечения, а качество за пределами табличных вопросов и данных, близких к SQA, не установлено. Доступна по лицензии 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.

RiskEmbed — дообученная модель эмбеддингов для поиска материалов по управлению финансовыми рисками. Она создана на основе Snowflake Arctic Embed M и использует архитектуру BERT; модель представлена как sentence-transformers и преобразует предложения и абзацы в плотные векторы размерностью 768. Контекст ограничен 512 токенами. Модель предназначена для извлечения релевантных документов по запросам на естественном языке, в том числе для поиска и RAG-сценариев в области управления рисками. В README сообщается о результате HR@5 88% на использованной авторами оценке и сравнении с несколькими моделями эмбеддингов; эти показатели относятся к описанному тестированию и сами по себе не гарантируют аналогичного качества на других данных. Для извлечения векторов README рекомендует использовать CLS-токен и добавлять к запросу специальный префикс. Модель принимает текст и выдаёт векторы. README описывает её как специализированную для финансовых рисков, но не уточняет языковой охват и лицензию; сведений о лицензии в предоставленных метаданных также нет.

BAU-Small-1.5B — компактная диалоговая языковая модель, представленная как официальная заявка для Laptop LLM на Africa Deep Tech Challenge 2026. Она создана на основе Qwen/Qwen2.5-1.5B-Instruct с дообучением LoRA на 10 000 синтетических примеров взаимодействий малого бизнеса. Модель поставляется в формате GGUF с квантизацией IQ3_XS и калибровкой llama-imatrix; размер файла около 698 МБ, заявленная пиковая потребность в памяти — 6,1 ГБ на ноутбуке с 8 ГБ ОЗУ. Модель предназначена для автономного офлайн-помощника малому бизнесу, розничным аптекам и локальным складам. Она ведёт деловые диалоги, помогает с расчётами, заметками и операционными рекомендациями, а также формирует структурированные JSON-ответы для графиков и анализа записей аудита. Карточка описывает встроенный шаблон чата с маршрутизацией между обычным диалогом и заданными схемами. Интерфейс GGUF рассчитан на запуск через llama.cpp и llama-cpp-python. Карточка указывает английский язык и лицензию Apache-2.0. Модель компактна и предназначена для локального запуска без облачных зависимостей; результаты глубокого анализа и извлечения данных следует сверять с исходными записями, а надёжность и качество на иных языках и задачах в карточке не охарактеризованы.

BGE base Financial Matryoshka — англоязычная модель эмбеддингов на базе Sentence Transformers, дообученная Soumya Mohanty на основе BAAI/bge-base-en-v1.5 на 6 300 примерах финансовых текстов. Архитектура включает BERT, пулинг по CLS-токену и нормализацию; модель содержит 136,7 млн параметров, выдаёт плотные векторы размерности 768 и принимает последовательности длиной до 512 токенов. Для сравнения векторов используется косинусное сходство. Модель предназначена для семантического поиска и сопоставления финансовых предложений и фрагментов документов; также её можно применять для поиска перефразировок, кластеризации и классификации текста. Matryoshka-обучение позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64, с приведёнными в карточке результатами оценки поиска для этих размерностей. Лицензия — Apache-2.0. Модель создаёт текстовые эмбеддинги и рассчитана на английский язык. Оценки поиска относятся к указанным в карточке тестовым наборам; отдельные сведения о поведении на других языках и финансовых доменах не приводятся.

FinLLaVA — открытый мультимодальный чат-бот для финансовой сферы, созданный дообучением FinLLaMA-instruct на наборах инструкций с изображениями и текстом, сгенерированных GPT. Это авторегрессионная модель на архитектуре Transformer, работающая с изображениями и текстом; в карточке Hugging Face указаны библиотека Transformers и формат safetensors. Модель предназначена для исследований финансовых мультимодальных LLM и для специалистов финансовой области. Она обучалась на данных для понимания OCR, таблиц и диаграмм, а также на общем наборе инструкций LLaVA. Это позволяет использовать её для вопросов по финансовым изображениям, графикам и таблицам. README не сообщает размер модели и длину контекста. Репозиторий предназначен для академического и образовательного использования. Авторы отдельно предупреждают, что ответы не являются финансовой, юридической или инвестиционной консультацией, не гарантируют точность и предоставляются без гарантий. Лицензия в предоставленных данных не указана.

openjev-fincalc-4b — дообученная Тони Эспозито модель для проверки финансовых утверждений по предоставленным свидетельствам. Она сравнивает текстовое свидетельство с утверждением и классифицирует его как следующее из данных, противоречащее им или нейтральное. Специализация охватывает арифметические расчёты и финансовые показатели: LTV, DSCR, покрытие процентов, леверидж, маржу, достаточность капитала, чистый долг и ковенантные тесты. Модель построена на архитектуре Qwen3.5 с 4 млрд параметров; веса опубликованы в формате safetensors по лицензии MIT. Модель предназначена для первого этапа каскада проверки ответов в банковских и кредитных сценариях: она может отсеивать уверенные выводы, подкреплённые данными, и направлять сомнительные случаи более крупной модели. В тесте на синтетическом наборе FinCalc-NLI точность составила 63,2%; проверка арифметических ошибок и перенос на невиданные формулы остаются ограниченными. Данные теста синтетические и не подтверждают качество на реальных кредитных документах. Поддерживается английский язык; перед применением в кредитных решениях необходима проверка на собственных данных, и модель не рекомендуется как единственная проверка финансовых показателей.

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.

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.

Sunbird-2-sunbird-gikuyu-financial — дообученная Sunbird модель распознавания речи на основе Whisper large-v3. Она предназначена для преобразования аудиозаписей на языке кикуйю в текст, в том числе в финансовом контексте; сведения о специальной финансовой терминологии и обучающем наборе данных в карточке не раскрыты. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и распространяется в формате Safetensors через библиотеку Transformers. В оценке на наборе данных указаны WER 64,18 и CER 43,56, что говорит о заметных ошибках распознавания и необходимости проверки результата, особенно для важных финансовых записей. Базовая модель обучена распознавать 51 африканский язык, а также английский и французский с африканскими акцентами, но для этой версии подтверждено назначение для кикуйю. Лицензия — Apache-2.0.

souflex56/qanchor-reranker-qwen3-0.6b-merged — дообученный полносвязный кросс-энкодерный реранкер на базе Qwen3, разработанный для финансового RAG-конвейера QAnchor. Модель оценивает релевантность фрагментов документов запросу и ранжирует уже найденные кандидаты для ответов на вопросы по китайским годовым отчётам компаний A-share и связанным финансовым документам. Модель использует архитектуру последовательной классификации Qwen3ForSequenceClassification, содержит 507,6 млн параметров и поддерживает контекст до 40 960 токенов. Основной язык и область дообучения — китайский; веса опубликованы в формате safetensors. В описанном авторами тестировании дообученная версия улучшила MRR@10 с 0,6115 до 0,7758 и NDCG@10 с 0,7572 до 0,8761 относительно того же конвейера без дообучения. Реранкер предназначен для второго этапа поиска после первичного извлечения кандидатов, а не для самостоятельной генерации ответов или открытого поиска по коллекции. Качество зависит от сохранения шаблона форматирования qwen3_template; обучающие данные слабо размечены и не опубликованы, а результаты оценены на ограниченном наборе запросов. Лицензия — Apache-2.0.

RegLLM — языковая модель компании dataeaze systems pvt ltd для ответов на вопросы о нормативных требованиях индийского банковского сектора. Модель основана на MistralForCausalLM и дообучена от Zephyr-7B-Beta с помощью доменной адаптации на неразмеченных данных и последующего инструкционного дообучения. В метаданных указаны 7,1 млрд параметров, контекст до 32 768 токенов и поддержка диалогового режима. Модель предназначена для поиска разъяснений по банковским правилам Индии и может служить компонентом RegTech-приложений. Она рассчитана на английский язык и узкую предметную область; точность за её пределами не гарантируется. Разработчик рекомендует использовать её как вспомогательный инструмент, сверять ответы с первичными документами и предоставлять нормативные материалы для заземления. Лицензия CC BY-NC-SA 4.0 разрешает некоммерческое использование; для коммерческого применения следует связаться с разработчиком.

Eva-4B — плотная языковая модель на архитектуре Qwen3, разработанная Шицзянем Ма для выявления уклончивых ответов руководителей компаний на вопросы аналитиков во время публикации финансовых результатов. Она принимает пару «вопрос—ответ» на английском языке и относит её к одному из трёх классов: прямой ответ, частичное уклонение или полный уход от ответа. Модель дообучена всеми параметрами на 30 000 сбалансированных примеров из EvasionBench; исходная модель — Qwen/Qwen3-4B-Instruct-2507. Размер составляет 3,7 млрд параметров, контекст — до 262 144 токенов. Eva-4B предназначена для исследований и инструментов анализа качества корпоративных раскрытий и ответов на earnings calls. В README сообщается точность 81,3% на тесте из 1 000 примеров с человеческой разметкой; модель особенно часто путает прямые и частично уклончивые ответы. Она рассчитана на английские финансовые диалоги, а классификация промежуточного класса субъективна. Результаты следует проверять человеком и не использовать как финансовую рекомендацию. Модель распространяется по лицензии Apache-2.0.

FinISH — модель Sentence-RoBERTa от Yseop, дообученная на данных онтологии FIBO для получения представлений финансовых терминов и семантического поиска. Она кодирует определения и термины в векторы, которые можно сравнивать по косинусному сходству, чтобы находить наиболее подходящий гипероним из заданного списка финансовых категорий. Модель основана на архитектуре RoBERTa, содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов. В карточке приведены результаты классификации по ближайшему гиперониму: точность 0,73 и средний ранг правильной метки 1,61 на тестовой выборке. Модель специализируется на финансовой терминологии; в README описана обработка текста в нижнем регистре. Лицензия в предоставленных данных не указана.

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.