III.9Закупки и управление поставщиками

Qwen3.8-27B-Abliterated-SME-Preview — предварительная модель-ассистент для малого и среднего бизнеса от hotdogs, дообученная методом LoRA SFT на базе hotdogs/Qwen3.8-27B-abliterated. Это плотная гибридная модель с архитектурой Qwen3_5ForConditionalGeneration: 64 слоя, включая линейное внимание GDN и полное внимание; в репозитории представлены объединённые веса BF16 в safetensors. Модель предназначена для ответов на деловые вопросы, анализа CSV и офисных документов, а также для формирования структурированных вызовов инструментов. Модель принимает текст; в карточке указана мультимодальная обёртка с поддержкой изображений, хотя README описывает текстовые сценарии. Обучение проводилось на англоязычном наборе документов и вызовов инструментов; метаданные также указывают тайский язык. Контекст обучения — 8192 токена. Лицензия — Apache-2.0. В README приведены результаты на ARC, MMLU и GSM8K, а также проверки формата вызовов инструментов; они указывают на сохранение общих возможностей базовой модели и улучшение математического рассуждения, но полноценные агентные бенчмарки ещё не проводились. Выпуск имеет статус Preview. Склонность базовой модели отказывать снижена намеренно; для выполнения вызовов csv_* и doc_* требуется подключить инструменты к среде исполнения. BF16-версия на 27 млрд параметров требует нескольких GPU либо квантованного варианта для практического запуска.

Waktaverse-Llama-3-KO-8B-Instruct — корейская диалоговая языковая модель команды Waktaverse AI, дообученная на основе meta-llama/Meta-Llama-3-8B-Instruct. Модель с плотной архитектурой Llama содержит 7,5 млрд параметров, принимает текст и генерирует текст; контекст — до 8192 токенов. Основные языки — корейский и английский. Для улучшения ответов на корейском разработчики рекомендуют задавать системный промпт на корейском языке. Модель подходит для выполнения инструкций, продолжения текста, суммаризации и ответов на вопросы, в том числе по коммерческим текстам на корейском языке из обучающего набора KoCommercial-Dataset. Для запуска можно использовать Transformers. Лицензия — Llama 3. Как и другие языковые модели, она может воспроизводить смещения из обучающих данных, ошибаться на необычных запросах и неверно понимать культурный контекст. Разработчики не рекомендуют применять её для решений с высокими ставками в медицине, праве и критически важных для безопасности сценариях.

Matilda-Jev — модель принятия решений Maincode, дообученная на базе Qwen/Qwen3.8-27B. Она оценивает варианты, заданные в вопросе с выбором из списка, ответом «да/нет» или упорядоченной шкалой. Принимает текстовое или JSON-состояние, а также необязательные изображения, и выдаёт оценки вариантов через специализированную голову с 255 выходами; это не модель генерации текста. Архитектура — плотная MatildaJevModel, веса сохранены в safetensors; размер базовой модели — 27 млрд параметров. Поддерживаемый язык карточки — английский. Модель подходит для классификации, ранжирования и автоматизированного выбора среди предоставленных альтернатив. В README сообщается о тестировании 25 контрольных вопросов и совпадении вероятностей с исходным чекпойнтом на 23 запросах; приведён результат Decision Index 60,16 на 150 317 запросах, ожидающий официальной подачи. Для bf16-весов требуется около 49 ГиБ памяти до учёта накладных расходов; проверялась конфигурация на AMD MI355X, другие ускорители не тестировались. 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.

Sailesh9999/bge-base-financial-matryoshka_3 — англоязычная модель Sentence Transformers, дообученная автором на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она преобразует предложения и абзацы в плотные векторы и предназначена для семантического поиска, оценки сходства и ранжирования текстов, поиска перефразировок, кластеризации и классификации.

haophancs/bge-m3-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-m3 для сравнения предложений и поиска по финансовым текстам. Она преобразует предложения и абзацы в нормализованные плотные векторы для вычисления косинусного сходства; архитектура включает XLM-RoBERTa, пулинг по CLS-токену и нормализацию. Размер модели — 658,7 млн параметров, максимальная длина последовательности — 8192 токена. Обучение на 6300 парах запросов и релевантных фрагментов использует MatryoshkaLoss и поддерживает векторы размерности 1024, 768, 512 и 384. Модель подходит для семантического поиска финансовых сведений, оценки сходства и перефразирования, кластеризации и классификации текста. В README приведены метрики поиска по нескольким размерностям векторов, однако название и примеры датасета указывают на финансовое назначение, а результаты нельзя автоматически переносить на другие наборы данных или языки. Указана лицензия Apache-2.0.

OmniTab — модель для ответов на вопросы по таблицам, разработанная в рамках работы «OmniTab: Pretraining with Natural and Synthetic Data for Few-shot Table-based Question Answering». Она основана на архитектуре BART, инициализирована весами microsoft/tapex-large и дополнительно предобучена на естественных и синтетических данных. Модель предназначена для ответов на вопросы по табличным данным, в том числе в сценариях few-shot, когда доступно мало примеров. Она содержит 252,8 млн параметров, работает с текстовым представлением таблиц и принимает контекст до 1024 токенов. В метаданных указан английский язык и датасет WikiTableQuestions. Модель можно применять для извлечения ответов из таблиц и анализа их содержимого по запросу на естественном языке. Карточка не сообщает лицензию и не описывает отдельные ограничения качества или способы представления таблиц.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная разработчиком Baba-Voss на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и извлечения релевантных фрагментов, например, из финансовой отчётности. Архитектура основана на BERT: модель использует CLS-пулинг и нормализацию эмбеддингов. Контекст ограничен 512 токенами. Благодаря Matryoshka-обучению векторы можно сокращать до 512, 256, 128 или 64 измерений; в карточке приведены оценки поиска для этих размерностей. Модель также подходит для поиска дубликатов и кластеризации, а эмбеддинги можно использовать как признаки для классификации. Модель принимает текст и выдаёт векторные представления. Она обучена на 6300 парах текстов из датасета json, включая вопросы и ответы по корпоративным документам и финансовой отчётности. Лицензия — Apache-2.0. Карточка не приводит результатов на широком наборе финансовых задач, поэтому качество за пределами указанного набора поиска может отличаться; длина входа ограничена 512 токенами.

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 нормализованные векторы размерностью до 768 и подходит для семантического поиска, сравнения текстов и поиска релевантных фрагментов в финансовых документах. Для сравнения векторов используется косинусное сходство. Модель построена на BERT с пулингом CLS-токена и поддерживает Matryoshka-представления размерностью 768, 512, 256, 128 или 64, что позволяет выбирать баланс между компактностью эмбеддингов и качеством поиска. Максимальная длина входной последовательности — 512 токенов. В карточке приведены результаты оценки поиска по нескольким размерностям и обучающая выборка из 6 300 пар запросов и релевантных текстов. Модель рассчитана на английский язык и распространяется по лицензии Apache-2.0. Она создаёт эмбеддинги, а не готовые ответы; вход длиннее 512 токенов требует предварительного разбиения. Результаты оценки относятся к указанным в карточке наборам данных и не гарантируют такое же качество на других финансовых корпусах.

InnerJev-4B-Full — модель принятия решений семейства InnerJev-4B, разработанная автором репозитория на основе Qwen/Qwen3.5-4B. Она оценивает предложенные пользователем варианты и возвращает распределение вероятностей; интерфейс охватывает выбор из нескольких вариантов, бинарные и вероятностные задачи Noul, а также упорядоченные задачи Score. Модель предназначена для задач принятия решений, а не для свободного диалога. Это плотная модель на 4 млрд параметров с архитектурой Qwen3.5 и сохранёнными компонентами обработки изображений, но обучение и предоставленный интерфейс вывода рассчитаны на текстовые входы. Обновлялись выбранные языковые линейные слои; эмбеддинги, выходной слой, нормализация и параметры зрения оставались замороженными. Обучение включало 29 326 вопросов. Для BF16-чекпойнта указана оценка 73,4694 из 100 на фиксированном наборе из 58 бенчмарков; это результат одного чекпойнта, а показатели других точностей могут отличаться. Для загрузки доступны полные объединённые веса в формате safetensors; отдельная базовая модель и PEFT не требуются. Модель распространяется по лицензии Apache-2.0. Для BF16-загрузки требуется достаточно оперативной памяти или видеопамяти. Свободная генерация текста не реализует интерфейс оценки решений.

InnerJev-4B-LoRA — модель принятия решений семейства InnerJev-4B, созданная на базе Qwen/Qwen3.5-4B. Она выдаёт распределение вероятностей по вариантам, заданным пользователем, для задач выбора, бинарных и вероятностных Noul, а также упорядоченных оценок Score. Обучение оптимизировано под распределения решений и не включает настройку для обычного свободного диалога. Модель использует плотную архитектуру Qwen3.5 с 4 млрд параметров. В обучении применялась LoRA ранга 64; итоговые веса объединены, поэтому для загрузки не требуется PEFT или отдельная базовая модель. Хотя архитектура сохраняет компоненты обработки изображений, описанный интерфейс принятия решений рассчитан на текстовый ввод. Для BF16 указано ограничение по объёму оперативной или видеопамяти; установка для Transformers приведена с версией 5.14.1. Связанный BF16-чекпойнт набрал 73,9648 из 100 на фиксированном наборе из 58 бенчмарков принятия решений. Это результат одного чекпойнта, а не среднее по нескольким запускам; оценка объединённых BF16-весов и результаты NF4/INT8 отдельно не подтверждены. Лицензия — Apache-2.0.

NuExtract 2.0 8B — мультимодальная модель компании NuMind для извлечения информации в структурированный формат. Она основана на Qwen2.5-VL и дообучена для работы с текстом и изображениями; содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. Для извлечения пользователь передаёт текст или изображение и JSON-шаблон с нужными полями и типами значений. Модель возвращает найденные данные в соответствии со схемой, поддерживая строки, числа, даты, перечисления и массивы. Она также может создавать шаблоны из текстового описания или преобразовывать схемы из других форматов. Для задач с неоднозначностью можно добавить примеры в контекст; разработчики рекомендуют использовать температуру, близкую к нулю. Модель предназначена для многоязычного извлечения информации из документов и других текстовых или визуальных источников. Её можно развёртывать через Transformers или vLLM. Лицензия репозитория — MIT.

Granite Vision 3.2 2B — компактная мультимодальная модель IBM для понимания изображений и текста. Она предназначена прежде всего для обработки визуальных документов в корпоративных сценариях: извлечения сведений из таблиц, диаграмм, инфографики и графиков, OCR и ответов на вопросы по содержимому документов; также поддерживает общие задачи понимания изображений. Модель дообучена на базе ibm-granite/granite-3.1-2b-instruct. Архитектура сочетает визуальный энкодер SigLIP, двухслойный MLP-коннектор и языковую модель Granite 3.1 2B Instruct; используется подход LLaVA с многослойными признаками энкодера и повышенным разрешением сетки AnyRes. Для текстовой части заявлен контекст 128 тысяч токенов. На вход принимает английские инструкции и изображения, на выходе формирует текстовые ответы. Выпущена под лицензией Apache 2.0. Модель компактна и по приведённым в карточке оценкам показывает сильные результаты на DocVQA и ChartQA среди сравниваемых моделей размером 1–4 млрд параметров. Она может ошибаться, галлюцинировать, выдавать предвзятые или небезопасные ответы; карточка рекомендует преимущественно документные задачи и отмечает повышенные риски для более общих задач с изображениями.

NuExtract 2.0 2B — мультимодальная модель компании NuMind для извлечения структурированных данных. Она дообучена на базе Qwen2-VL-2B-Instruct и принимает текст и изображения. Пользователь задаёт JSON-шаблон с названиями полей и типами значений; модель извлекает данные и возвращает результат в соответствии с заданной схемой. Поддерживаются строки, числа, даты, перечисления и массивы, а при отсутствии подходящих сведений модель может вернуть null или пустой массив. Модель рассчитана на извлечение информации из текстов и изображений, а также на автоматическую генерацию шаблонов из описания на естественном языке или существующей схемы. Она мультиязычная, имеет 1,5 млрд параметров и контекст до 32 768 токенов. Для задач извлечения рекомендуется температура генерации, близкая к нулю; примеры в контексте могут помочь при неоднозначных запросах или специальных требованиях к формату. Лицензия — MIT.

Command A+ — флагманская модель Cohere для корпоративных агентных сценариев. Она принимает текст и изображения, поддерживает контекст длиной 192 тысячи токенов и нативный вызов инструментов со строгими схемами. Модель предназначена для многошаговых рабочих процессов, где требуется анализировать входные данные и обращаться к внешним инструментам. Доступный фрагмент карточки подтверждает поддержку текста и изображений, но не сообщает архитектуру, число параметров, языки, лицензию или ограничения. Поэтому эти характеристики нельзя надёжно описать.

Kev-27B — модель принятия решений, разработанная Jared Palmer. Она обрабатывает один документ или другое текстовое состояние и набор типизированных вопросов с заданными вариантами ответа, а затем за один проход выдаёт вероятности для вариантов, наиболее вероятный ответ и оценку уверенности. Модель предназначена для классификации, маршрутизации и проверки документов, а также для сценариев, где уверенные случаи можно автоматизировать, а сомнительные отправлять на проверку человеку. Она поддерживает API TypeSafe System One и совместима с его SDK. В основе — плотная текстовая архитектура Qwen3.8-27B с 22,3 млрд параметров: причинный языковой backbone работает в режиме без генерации текста, а указательная голова оценивает заданные варианты. Все веса backbone дообучены; версия 2 получена усреднением полновесной тонкой настройки с версией 1. Модель рассчитана на английский язык и состояния до 65 536 токенов; для длинных входов требуется мощное оборудование, включая GPU класса 80 ГБ или Mac с достаточной памятью. Распространяется по лицензии Apache-2.0. Модель возвращает оценки только для переданных вариантов и не предназначена для свободной генерации, чата, суммаризации или открытых вопросов. На коротких состояниях версия 2 не превосходит v1, а на длинных контрактах может быть менее точной и чрезмерно уверенной; калибровку следует проверять на данных конкретного применения. Для решений с юридическими, медицинскими, финансовыми или иными серьёзными последствиями нужна проверка человеком.

Sequelbox Qwen3-4B-Thinking-2507-DAG-Reasoning — экспериментальная специализированная языковая модель Sequelbox, созданная дообучением Qwen/Qwen3-4B-Thinking-2507. Она генерирует текст и предназначена для причинного анализа: выявляет связи между факторами, оценивает уверенность и формирует результат в виде структурированного ориентированного ациклического графа (DAG), представленного в JSON. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 3,7 млрд параметров и поддерживает контекст до 262 144 токенов. Модель подходит для анализа причин и следствий в программировании, науке, бизнесе, экономике, финансах, праве, логистике и управлении, а также для подготовки графов к визуализации или дальнейшей обработке. Для получения структурированного DAG следует явно запросить граф или анализ; модель также может ответить в обычном стиле Qwen3. Карточка описывает её как ранний экспериментальный выпуск и рекомендует проверять структуру выходных данных перед продуктивным использованием. Доступна по лицензии Apache-2.0.

sequelbox/gpt-oss-20b-DAG-Reasoning — экспериментальная специализированная языковая модель Sequelbox, дообученная на openai/gpt-oss-20b. Она предназначена для причинно-следственного анализа: по запросу модель выделяет связи между факторами, оценивает уверенность и формирует ориентированный ациклический граф в структурированном JSON-формате. Для получения такого результата нужно явно попросить граф или анализ; в остальных случаях модель может отвечать в обычном стиле gpt-oss-20b. Архитектура — MoE для генерации текста, указанное в метаданных число параметров — 1,6 млрд, контекст — 131 072 токена; модель работает с текстом на английском языке и поддерживает чат и выполнение инструкций. Разработчик описывает применение в программировании, науке, бизнесе, экономике, финансах, праве, логистике и управлении. Релиз экспериментальный; для использования результатов рекомендуется проверять структуру JSON. Лицензия — Apache-2.0.

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.

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.

JevK5-2B — англоязычная модель для принятия типизированных решений по документам, разработанная как открытая альтернатива Jev компанией TypeSafe; с TypeSafe AI модель не связана. Она принимает документ и вопрос с ответами «да/нет», вариантами выбора или числовой шкалой и за один проход выдаёт вероятности для каждого варианта, не генерируя текст ответа. Модель основана на плотной архитектуре Qwen3.5-2B с 1,7 млрд параметров: адаптер LoRA ранга 16 объединён с весами. Веса доступны в формате safetensors, лицензия — Apache-2.0. Базовая модель поддерживает контекст до 262 144 токенов, но JevK5-2B отказывает в обработке входов длиннее 16 384 токенов. Модель предназначена для извлечения фактов из документов, классификации и маршрутизации по заданным вариантам. В README приведены результаты на вопросах по бизнес-документам и публичном JevBench; авторы отмечают хорошее качество на простых решениях, но более низкое — на стандартных и сложных примерах по сравнению с версией на 4 млрд параметров. Слабые стороны — арифметика, многошаговые запросы, даты, суммы и общие знания; на закрытом наборе JevBench модель не оценивалась. Для применения требуется JevK5 runtime на GPU NVIDIA либо сборка GGUF и llama.cpp на других устройствах.

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.

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.

Модель davanstrien/index-card-extractor-control — дообученная davanstrien версия NuMind NuExtract3 на архитектуре Qwen3.5. Она принимает изображения и текст и предназначена для извлечения структурированных данных из изображений карточек. В метаданных отмечены поддержка зрения и диалоговый режим; веса опубликованы в формате safetensors. Модель выпущена под лицензией Apache-2.0. README сообщает, что при обучении использовались Unsloth и библиотека TRL от Hugging Face. Сведения о размере этой версии, длине контекста, целевых языках и точности извлечения не приведены.

Morphy-360M — компактная языковая модель команды Moolvylabs, вторая модель семейства Morphy. Она дообучена на базе SmolLM2-360M и предназначена для быстрой локальной генерации текста; архитектура — плотная LlamaForCausalLM, размер — 361,8 млн параметров, контекст — до 8192 токенов. Модель ориентирована на деловую переписку: помогает писать и редактировать электронные письма, готовить холодные обращения и корпоративные объявления, исправлять грамматику, менять тон текста и создавать документацию. Также она может учитывать корпоративный контекст, например сведения о Moolvylabs. Модель рассчитана на англоязычные сценарии. Среди ограничений — склонность к ошибкам в сложных темах, в частности в продвинутой физике и биологии; в длинных диалогах возможны повторы и зацикливание, поэтому рекомендуется периодически очищать контекст. Распространяется по лицензии Apache-2.0.

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.

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.

InnerJev-27B-LoRA — модель принятия решений из семейства InnerJev-27B, разработанная автором репозитория и основанная на Qwen/Qwen3.8-27B. Она возвращает распределение вероятностей по вариантам, заданным пользователем, для задач выбора, бинарных и вероятностных задач Noul, а также упорядоченного оценивания Score. Обучение на 39 279 вопросах нацелено на формирование распределений решений и не включает обычное дообучение для свободного диалога. Модель использует архитектуру Qwen3.5 с 27 млрд параметров; адаптация выполнена LoRA ранга 64 и альфы 128, а веса экспортированы после слияния адаптера. Адаптированы только указанные языковые слои, тогда как эмбеддинги, выходная голова, нормализация и параметры зрения заморожены. Хотя архитектура сохраняет компоненты для изображений, обучение решений и интерфейс инференса рассчитаны на текстовый ввод. BF16-чекпойнт получил 80,1517 из 100 на фиксированном наборе из 58 бенчмарков принятия решений; это результат одного чекпойнта, а полный повтор оценки уже слитых BF16-весов не проводился. Репозиторий распространяется по лицензии Apache-2.0.

Liquid AI разработала LFM2.5-Encoder-350-Policy-Linter — дообученную модель семейства LFM2.5 с двунаправленным энкодером и специальной головой сопоставления правил. За один проход энкодера она оценивает каждый токен текста относительно правил, заданных обычным текстом, и предназначена для проверки документов на соответствие внутренним политикам и требованиям компании. Модель содержит 444,6 млн параметров, принимает текст и возвращает оценки для его токенов; в метаданных также заявлена задача заполнения пропусков. Базовая модель поддерживает 15 языков: английский, немецкий, испанский, французский, итальянский, нидерландский, польский, португальский, арабский, хинди, японский, русский, турецкий, вьетнамский и китайский. Для загрузки требуется Transformers с включением пользовательского кода через trust_remote_code=True. Лицензия указана как other; конкретные условия следует сверить на странице модели.