IV.2Банки, платежи и инвестиции

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.

Eikos-27B — модель типизированного принятия решений, разработанная автором репозитория caiovicentino1 и дообученная на базе Qwen/Qwen3.8-27B. Она оценивает заданное состояние по критерию и выбирает ответ из ограниченного набора вариантов за один проход: да/нет, один из вариантов или порядковый балл. Вместе с ответом выдаёт распределение вероятностей и оценку уверенности, что позволяет приложению воздержаться от решения ниже заданного порога. Модель предназначена прежде всего для применения правил и политик в финансах, трейдинге и торговом финансировании: проверки лимитов ордеров и платежей, маржи, KYC/AML, кредитных политик и документарных аккредитивов. Также заявлены финансовый сентимент, сверка ответов с финансовыми таблицами и числовые или временные проверки. Модель не прогнозирует цены. Архитектура — плотная Qwen3.5, 27 млрд параметров; доступен текстовый интерфейс решений, а изображения может обрабатывать через визуальный энкодер базовой модели в режиме сервинга v1.3. Обучалась на английском и португальском; испанский использовался как тестовый язык без обучения. В README описано обучение на досье до 12 тыс. токенов; точный предел сервинга зависит от конфигурации. Сильная сторона модели — выдача вероятностей по заданным вариантам в одном проходе, в том числе для большого числа вариантов. Ограничения: она не выполняет многошаговые рассуждения, слаба в длинных цепочках арифметики и уступает крупным моделям в задачах на обширные общие знания; качество снижается за пределами обученного диапазона контекста. Модель не является юридической, налоговой или инвестиционной консультацией и не учитывает актуальное законодательство конкретной юрисдикции. Лицензия — MIT.

Eikos-4B — модель typed decisions с 4 млрд параметров, разработанная автором карточки на базе Qwen/Qwen3.5-4B и дообученная дистилляцией с GLM-5.3-Flash. Она за один проход выбирает ответ из ограниченного набора вариантов: да/нет, один из предложенных вариантов или порядковый уровень. Модель возвращает распределение вероятностей и оценку уверенности, что позволяет приложению отказаться от ответа ниже заданного порога; генерация свободного текста при принятии решения не используется. Модель предназначена прежде всего для применения финансовых правил и политик к заданным фактам: проверки торговых лимитов, платежей, маржи, KYC/AML, кредитных политик, документарных аккредитивов и налоговых условий. Также заявлены оценка финансовой тональности, проверка ответов по финансовым таблицам и временные или числовые проверки. Обучение проводилось на английском и португальском; испанский использовался для проверки zero-shot. Карточка указывает обучение на контекстах до 32 тыс. токенов для версии 4B. Архитектура — плотная Qwen3.5, веса в формате Safetensors; лицензия MIT. Однопроходный выбор ограничивает многошаговые рассуждения, а длинные цепочки арифметики и правил даются модели плохо. Знания об общем мире ограничены размером модели; известна слабая сторона в определении позиции по денежно-кредитной политике. Изображения базовая модель может читать в режиме сервера v1.3 через визуальный энкодер, но эта возможность заявлена для GPU-сборок с vLLM. Модель применяет только переданные ей правила и факты, не прогнозирует цены и не заменяет юридическую, налоговую или инвестиционную консультацию.

Adaptive Classifier — классификатор мошеннических и добросовестных примеров на основе answerdotai/ModernBERT-base. Модель поддерживает непрерывное обучение и динамическое добавление классов; в карточке указаны два класса, 10 примеров и размерность эмбеддингов 768. Для обновления классификатора нужны примеры размеченных классов. Модель предназначена для бинарной классификации примеров как fraudulent или legitimate. Для каждого класса требуется не менее трёх примеров, а максимальное число примеров на класс составляет 150; прототипы обновляются каждые 10 примеров. Репозиторий распространяется под лицензией 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.

MoziAI-35B-A3B-MOE — локальная мультимодальная модель, разработанная командой китайского финансового автора Чэнь Юймо. Она создана на базе Ornith-1.5-35B-A3B с архитектурой семейства Qwen3.5/Qwen3.6 и ориентирована на финансовые задачи, программирование, анализ данных, создание текстов, работу с инструментами и агентами. Модель распространяется в формате GGUF и поддерживает llama.cpp, Ollama, LM Studio и Jan. Модель использует MoE-архитектуру объёмом 35 млрд параметров: заявлены 56 маршрутизируемых экспертов и один общий эксперт, при этом на токен активируется 8 экспертов. Самостоятельная технология квантования MoziSmartBit уменьшает размер модели примерно до 15,5 ГБ, что упрощает запуск на потребительских видеокартах. Заявлена поддержка контекста до 128K токенов, визуального ввода, вызова инструментов, многоагентных сценариев и около 201 языка и диалекта; отдельно усилены китайский и финансовый языки. Сильные стороны модели — специализация на финансовых вопросах, рыночном и финансовом анализе, разработке количественных стратегий, работе с финансовыми источниками, а также возможности локального запуска, сохранения конфиденциальности данных и интеграции с IDE и агентскими платформами. К ограничениям относятся зависимость производительности от оборудования, необходимость CPU-выгрузки на некоторых видеокартах и возможная потеря качества из-за квантования. Модель позиционируется как uncensored и не содержит встроенных ограничений на тематику ответов, поэтому результаты требуют контроля пользователя. Для самой модели указана лицензия other; базовая модель заявлена под MIT.

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.

OVHaiLLM/Qwen-Open-Finance-R-8B — дообученная компанией Dragon LLM модель Qwen3-8B для финансовых и экономических вопросов. Она предназначена для ответов на запросы специалистов и для анализа финансовых и деловых материалов. В карточке Hugging Face основной задачей указаны ответы на вопросы; README также описывает подготовку сводок отчетности и рыночных тенденций, разбор регулирования, инвестиционный анализ и сценарное планирование. Модель работает с текстом и поддерживает английский, французский и немецкий языки. По описанию разработчика, обучение включает финансовые и экономические материалы, переводы, общие знания, RAG и задачи рассуждения. В репозитории указаны веса safetensors и лицензия Apache-2.0. README заявляет о точных и фактически обоснованных ответах, однако не приводит независимых оценок качества. Разработчик рекомендует проверять критичные финансовые сведения по официальным источникам; модель может ошибаться и не заменяет профессиональную проверку или финансовую консультацию.

Financial-RoBERTa — модель для анализа тональности финансовых текстов, разработанная Mohammad Soleimanian. Она построена на RoBERTa Large, дополнительно обученной и дообученной на корпусе финансовой отчётности и новостей. Модель классифицирует текст по трём меткам: положительная, отрицательная или нейтральная, и выдаёт оценки softmax. Модель предназначена для анализа финансовой отчётности, объявлений о доходах, стенограмм звонков с инвесторами, CSR-отчётов, ESG-материалов и финансовых новостей. Архитектура — RoBERTa для классификации последовательностей, размер — 454,1 млн параметров, длина контекста — 514 токенов. В карточке указан английский язык. Лицензия — Apache-2.0.

轩辕-FinX1-Preview — предварительная языковая модель для финансовых сценариев, разработанная Duxiaoman AI-Lab. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 69,5 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для финансового анализа, поддержки решений и обработки данных; в ответах она формирует размышление с обозначенными шагами, а затем итоговый ответ. Модель обучали в несколько этапов: настройка на инструкции и длинные цепочки рассуждений, оценка промежуточных шагов и итоговых ответов отдельными моделями вознаграждения, затем дообучение с подкреплением PPO. В карточке заявлено применение для финансовых задач, включая оценку рисков, анализ рынка и инвестиционные решения. Доступна загрузка весов в формате safetensors; лицензия — Llama 3.1. Это preview-версия, а авторы указывают, что методы и модель продолжают совершенствовать.

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.

Qwen2.5-1.5B-Financial-Code-Engine — языковая модель, разработанная Ahmad Nawaz на основе Qwen/Qwen2.5-1.5B-Instruct. Это плотная причинная языковая модель на 1,5 млрд параметров, дообученная в два этапа: SFT с QLoRA на финансовых вопросах и данных Python, затем DPO для настройки предпочтений ответов. Модель работает с текстом, поддерживает контекст до 32 768 токенов и рассчитана на английский язык. Модель предназначена для финансовых рассуждений и расчётной логики, генерации и отладки кода Python, форматирования JSON и извлечения сущностей для последующей обработки агентами и API. Лицензия Apache-2.0. Ответы о финансах не являются сертифицированной юридической или инвестиционной консультацией; точность рассуждений и кода следует проверять.

themelder/arctic-embed-xs-entity-resolution — модель эмбеддингов, созданная командой Melder на основе Snowflake/snowflake-arctic-embed-xs и оптимизированная для сопоставления записей об одних и тех же объектах в разнородных наборах данных. Она предназначена прежде всего для связывания контрагентов по названиям, адресам и идентификаторам, включая сокращения, опечатки и неполные поля, а также для дедупликации записей. Модель использует архитектуру BERT с 6 слоями, 12 головами и размерностью скрытого состояния 384; в метаданных указано 25,9 млн параметров. Она формирует 384-мерные L2-нормализованные векторы, а сходство записей оценивается косинусным сходством. Контекст составляет 512 токенов. Модель дообучена методом LoRA на синтетических данных финансового домена; доступны веса Safetensors и экспорт ONNX. README сообщает о снижении перекрытия оценок совпадающих и несовпадающих пар и росте precision и recall на отложенной выборке. Модель рассчитана на короткие англоязычные названия и адреса, а не на длинные документы или универсальный семантический поиск. Она может хуже работать с другими типами сущностей и не предназначена для надёжного сопоставления аббревиатур с полными названиями. Лицензия — Apache-2.0.

KristupasC/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, разработанная на основе BAAI/bge-base-en-v1.5 и дообученная на 6 300 примерах финансовых текстов и вопросов. Она предназначена для поиска финансовых фрагментов по запросу и сравнения смысла предложений и абзацев; также подходит для поиска перефразировок, кластеризации и классификации текстов. Модель использует архитектуру BERT с пуллингом CLS-токена и нормализацией эмбеддингов. Она кодирует текст в плотные векторы размерностью 768, сравниваемые по косинусному сходству; благодаря Matryoshka-обучению доступны укороченные векторы размерностью 512, 256, 128 и 64. Максимальная длина последовательности — 512 токенов. Модель принимает и выдаёт текстовые представления в виде эмбеддингов, поддерживает английский язык и распространяется по лицензии Apache-2.0.

Карточка модели WebUser2/financial-roberta-large-sentiment на Hugging Face совпадает с карточкой soleimanian/financial-roberta-large-sentiment, поэтому описание составлено по ней. Financial-RoBERTa — модель для анализа тональности финансовых текстов, разработанная Mohammad Soleimanian. Она построена на RoBERTa Large, дополнительно обученной и дообученной на корпусе финансовой отчётности и новостей. Модель классифицирует текст по трём меткам: положительная, отрицательная или нейтральная, и выдаёт оценки softmax. Модель предназначена для анализа финансовой отчётности, объявлений о доходах, стенограмм звонков с инвесторами, CSR-отчётов, ESG-материалов и финансовых новостей. Архитектура — RoBERTa для классификации последовательностей, размер — 454,1 млн параметров, длина контекста — 514 токенов. В карточке указан английский язык. Лицензия — Apache-2.0.

ProsusAI FinBERT — англоязычная модель классификации финансовых текстов на основе BERT. Её разработчики дополнительно обучили BERT на финансовом корпусе, а затем настроили для анализа тональности на датасете Financial PhraseBank. Модель с 136,7 млн параметров выдаёт оценки для трёх классов: положительная, отрицательная и нейтральная тональность. Она принимает текст и рассчитана на последовательности длиной до 512 токенов. FinBERT подходит для определения тональности новостей, финансовых комментариев и других экономических текстов. Это исследовательский проект Prosus; веса доступны для PyTorch, TensorFlow и JAX/Flax. Лицензия — CC BY-NC-SA 4.0, а использование Reuters TRC2 и Financial PhraseBank также связано с условиями доступа и лицензирования этих данных.

Ling 3.0 Flash Fin — финансовая модель семейства Ling 3.0 от InclusionAI, созданная на основе Ling 3.0 Flash. Это смесь экспертов с 5,1 млрд активных параметров из 124 млрд общих. Модель предназначена для практических инвестиционных сценариев.

Модель redrob-labs/redrob-verify-forgery разработана Redrob Labs для обнаружения возможной подделки документов в стеке проверки redrob-verify. Она оценивает скан или фотографию документа числом от 0 до 1: чем выше оценка, тем вероятнее вмешательство. Модель предназначена прежде всего для страниц удостоверений личности и сценариев KYC. Архитектура сочетает ResNet-50, потоки признаков FFT и HOG и голову локализации с повышением разрешения. На вход подаётся RGB-изображение размером 320×320; веса опубликованы в формате safetensors. Обучение и проверка описаны для MIDV-2020 и синтетических изменений документов. В указанной внутридоменной проверке на 200 примерах рекомендованный порог 0,87 дал TPR около 0,92 и F1 около 0,82. Модель не предназначена для обнаружения дипфейков лиц. Проверка выполнена на ограниченном наборе данных и не подтверждает переносимость на другие сканеры, типы документов или способы подделки; для новых доменов может потребоваться дообучение. Репозиторий распространяется по лицензии Apache-2.0; для обучающей основы ResNet-50 указана BSD-3.

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

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.

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.

Карточка модели next-tat/tat-llm-70b-fft на Hugging Face совпадает с карточкой next-tat/tat-llm-7b-fft, поэтому описание составлено по ней. TAT-LLM-7B-FFT — специализированная языковая модель на архитектуре LLaMA 2, разработанная для вопросов и ответов по табличным и текстовым данным. Согласно карточке, модель создана полным дообучением LLaMA 2 на автоматически подготовленных данных из финансовых обучающих наборов FinQA, TAT-QA и TAT-DQA; размер по метаданным — 6,6 млрд параметров, контекст — 4096 токенов. Модель использует пошаговый подход: извлечение данных, рассуждение и выполнение вычислений; для повышения точности авторы также описывают внешний исполнитель промежуточных вычислений. Модель предназначена прежде всего для финансового анализа таблиц и текстовых документов, включая ответы на вопросы по финансовым отчётам и выполнение необходимых для ответа вычислений. README сообщает о результатах на FinQA, TAT-QA и TAT-DQA, но приведённая таблица относится к варианту LORA и не подтверждает показатели именно этой FFT-модели. Лицензия — Llama 2; применимость лицензии следует оценивать с учётом её условий.

linhnvhust/bge_m3_multiplenegativesrankingloss — модель эмбеддингов, дообученная на основе BAAI/bge-m3 для банковской области. Она предназначена для семантического поиска и извлечения документов, а также для оценки сходства текстов; пример в карточке посвящён запросу об условиях оформления кредитной карты. Архитектура — плотная модель на базе XLM-RoBERTa с 658,7 млн параметров, поддерживает многоязычный ввод и контекст до 8194 токенов. Для получения эмбеддингов карточка демонстрирует Sentence-Transformers с нормализацией векторов. Модель распространяется по лицензии Apache-2.0. Ограничение: специализация на банковских текстах может снижать качество на других темах; конкретные языки обучения в карточке не перечислены.

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.

CriticalThinkerRisk-Base-8B — дообученная командой Theeseus AI модель на основе meta-llama/Llama-3.1-8B-Instruct. Она предназначена для оценки уровня риска в описанных сценариях: модель может присваивать категорию риска, числовую оценку и объяснять вывод. Обучение проводилось на наборе theeseus-ai/RiskClassifier с примерами структурированных сценариев, вопросов и ответов в формате диалогов. Модель использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Она принимает текст и генерирует текст; заявленный контекст — до 131 072 токенов. Основной язык — английский. Модель подходит для предварительного анализа подозрительных операций, финансовых и операционных рисков, а также для учебных задач по оценке рисков. Лицензия — Apache 2.0. Точность может снижаться при неполном или неоднозначном контексте; возможны смещения из обучающих данных. Числовые оценки могут потребовать настройки порогов под конкретную область, а результаты для решений с существенными последствиями следует проверять вручную.

yiyanghkust/finbert-tone — модель Yi Yang и соавторов для определения тональности финансовых текстов. Это классификатор на архитектуре BERT с 137 млн параметров, дообученный на 10 000 вручную размеченных предложениях из аналитических отчётов. Он относит текст к положительной, отрицательной или нейтральной тональности и предназначен для анализа финансовых коммуникаций и исследований в области финансового NLP. Базовый FinBERT предварительно обучен на корпусе финансовых отчётов, расшифровок звонков о результатах компаний и аналитических отчётов общим объёмом 4,9 млрд токенов. Модель принимает текст на английском языке, работает с контекстом до 512 токенов и выдаёт метку класса тональности. В README заявлено высокое качество на задаче анализа финансовой тональности; условия лицензии в предоставленных данных не приведены.

Fin-MPNET-Base v0.1 — дообученная модель Sentence Transformers на архитектуре MPNet, разработанная для поиска по финансовым документам. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, поиска ответов и кластеризации; особенно ориентирована на финансовые вопросы и retrieval-сценарии, сохраняя часть универсальных возможностей. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель обучена на базе sentence-transformers/all-mpnet-base-v2 на более чем 150 тысячах примеров вопросов и ответов по финансовым документам с использованием MNR Loss. Автор сообщает о высоком результате на тесте FiQA, но полная оценка на наборах бенчмарков не завершена; на некоторых нефинансовых задачах качество может немного снизиться. Формат весов — safetensors. Информация о лицензии в предоставленных данных отсутствует.

Llama-3-SEC-Chat — разговорная языковая модель Arcee AI для анализа документов и данных Комиссии по ценным бумагам и биржам США (SEC). Она основана на Meta-Llama-3-70B-Instruct; архитектура — плотная Llama, в репозитории указано 69,5 млрд параметров. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст длиной 8192 токена. Опубликован промежуточный чекпойнт после обучения на 20 млрд токенов данных SEC. В README описаны продолженное предобучение, объединение с базовой моделью методом TIES и последующее дообучение с учителем. Модель предназначена для анализа финансовой отчетности, инвестиционных и риск-сценариев, вопросов комплаенса, корпоративного управления и рыночных тенденций. Чекпойнт выпущен по лицензии Llama 3, допускающей коммерческое и некоммерческое использование согласно README. Это промежуточная версия обучения, поэтому её выводы требуют проверки, особенно при принятии финансовых и регуляторных решений.

Migas-1.5 — модель компании Synthefy для прогнозирования временных рядов с учетом текстового контекста. Она сочетает замороженный одномерный прогнозист Chronos-2 с текстовыми сводками: сводки кодируются текстовым энкодером, а механизм gated attention объединяет их с представлением временного ряда. Итоговый прогноз формируется с помощью обучаемого смешивания базового и объединенного прогнозов. Модель предназначена прежде всего для финансовых и экономических рядов. Она принимает исторические значения временного ряда и готовые текстовые сводки либо аннотации по шагам, из которых LLM может сформировать сводки с фактическими сведениями и прогнозными сигналами. Поддерживаются сценарии ансамблирования сводок и контрфактического анализа путем изменения прогнозных сигналов. Горизонт прогноза фиксирован на 16 шагов; оценка проводилась на данных по фондовым индексам и макроэкономическим показателям. Модель распространяется под лицензией Apache-2.0.