IV.2Банки, платежи и инвестиции

Kev-4B — модель принятия решений, разработанная Jared Palmer и опубликованная в репозитории jaredpalmer/kev. Она предназначена для TypeSafe-контракта /v1/systemone: получает один документ, описывающий состояние, и набор типизированных вопросов, а возвращает распределение вероятностей по каждому вопросу за один прямой проход. Модель не генерирует текст и ориентирована на автоматизацию классификационных и policy-based решений, включая задачи с вариантами ответа, неопределённостью и числовыми оценками. Модель представляет собой LoRA-адаптер с рангом 16 и 33,8 млн обучаемых параметров, подключённый к Qwen/Qwen3.5-4B-Base, а также pointer head. Поддерживает типы решений choice, noul и score. Обучение и проверка включали банковские намерения, логическое понимание, анализ тональности, отзывы, тематическую классификацию и другие задачи; язык и максимальный размер контекста в карточке явно не указаны. Встроена температурная калибровка вероятностей с T=2.14, которая не меняет выбранный ответ, но улучшает надёжность оценок уверенности. Сильные стороны Kev-4B — компактность, высокая точность на типизированных решениях и сравнительно хорошая переносимость на невиданные источники. На закрытом out-of-domain тесте указаны accuracy 0.837 и Brier score 0.255; на development-наборе — accuracy 0.797 и ECE 0.041 для модели в варианте с калибровкой. Ограничения включают снижение качества на некоторых типах задач, зависимость от корректного представления фактов и слабую работу с вычислением разницы между датами без предварительной обработки date_facts. Модель распространяется по лицензии Apache-2.0.

gxcsoccer/kronos-mlx-base — порт модели NeoQuasar/Kronos-base для библиотеки MLX, разработанный gxcsoccer для запуска на Apple Silicon. Это вариант Kronos с 102 млн параметров: Transformer с 12 слоями и размерностью скрытого состояния 832, обученный для прогнозирования финансовых временных рядов. Для работы модель используют вместе с токенизатором gxcsoccer/kronos-mlx-tokenizer-base; максимальный контекст составляет 512 шагов. Модель предназначена для прогнозирования финансовых временных рядов, в том числе свечных данных и волатильности. Базовая модель также описана как средство генерации синтетических рыночных данных, однако карточка этого порта не подтверждает отдельно поддержку такой задачи. Репозиторий распространяет веса в формате safetensors и использует библиотеку kronos-mlx. Лицензия — MIT.

llama-3.1-8b-financial-reasoner-v1 — дообученная версия Meta Llama 3.1 8B Instruct, разработанная пользователем или организацией gaparecido. Модель предназначена для двухэтапного анализа финансовых новостей и акций: сначала классифицирует реакцию рынка на новость с учётом движения цены как good, bad, neutral, overreaction_down или overreaction_up, затем использует эту оценку, разрыв в оценке стоимости и фундаментальные показатели для формирования рекомендации BUY, SELL или HOLD с обоснованием в формате JSON. Модель относится к текстовым генеративным моделям и поддерживает английский язык. Она построена на архитектуре Llama 3.1 с 8 млрд параметров; в README указана максимальная длина последовательности 2048 токенов. Доступен полный checkpoint в формате bfloat16 размером около 16 ГБ, а для запуска на GPU с ограниченной памятью предусмотрена загрузка в 4-битном режиме через Unsloth. Обучение выполнено методом QLoRA с использованием Unsloth и Hugging Face TRL. Сильная сторона модели — специализация на структурированном финансовом рассуждении и выдаче рекомендаций в заданном JSON-формате. Ограничения включают узкую предметную область, англоязычную направленность и зависимость качества выводов от полноты и достоверности финансовых данных; модель не следует рассматривать как надёжный источник инвестиционных решений. Лицензия указана как llama3.1.

Llama-3-Kor-BCCard-Finance-8B — корейская модель генерации текста для вопросов и ответов о финансах, разработанная BC Card на основе Meta-Llama 3 и дообученная на наборе BCCard/BCCard-Finance-Kor-QnA. Она предназначена для ответов на вопросы о финансовых продуктах и услугах, в частности о кредитных картах и задолженностях. Модель построена на архитектуре Llama с плотной авторегрессионной языковой моделью; содержит около 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель принимает текстовые запросы на корейском языке и генерирует текстовые ответы. В карточке приведён пример ответа о просрочке платежей, комиссиях и возможном влиянии просрочки на кредитный рейтинг. Для использования указана лицензия llama3. Карточка не приводит оценки качества или дополнительных ограничений применения.

Это дообученная Arcee AI модель на архитектуре Mistral для генерации текста в формате диалога. Она обучена за одну эпоху на 1,6 млрд токенов данных SEC: новые блоки добавлены и обучены, а остальные слои оставлены замороженными. Модель предназначена для работы с материалами SEC и диалоговых сценариев на их основе. В метаданных указаны 8,9 млрд параметров и контекст до 32 768 токенов; файлы опубликованы в формате safetensors и рассчитаны на библиотеку Transformers. Лицензия в доступных данных не указана.

FinCode-Reasoning-3B Full Weights — экспериментальная языковая модель, разработанная coslinedev на основе Qwen/Qwen2.5-3B-Instruct. Это плотная авторегрессионная модель семейства Qwen2, дообученная методом SFT с использованием Unsloth; в репозитории размещены полные объединённые веса в формате safetensors, для запуска не требуется отдельный LoRA-адаптер. Модель рассчитана на генерацию исполняемого кода Python для количественного финансового моделирования, проверок бухгалтерских границ и алгоритмических вычислений. Заявленный подход передаёт точную арифметику изолированной среде выполнения Python через структурированную генерацию кода, чтобы снизить ошибки прямого арифметического вывода языковой модели. Размер модели — 3,1 млрд параметров, контекст — до 32 768 токенов; базовая модель поддерживает многоязычный чат, но карточка этой настройки указывает английский язык. Лицензия — Apache-2.0. Автор описывает проект как исследовательский эксперимент, поэтому качество и надёжность результатов для финансовых решений не следует считать гарантированными.

Retail Bank Conversation Router — модель классификации диалогов, разработанная на основе DistilBERT и дообученная на банковских разговорах. Она использует один общий энкодер и семь совместно обученных голов для определения домена, маршрута, семейства запроса, намерения, связи с предыдущим контекстом, требуемого действия и сущности. Иерархические ограничения согласуют итоговые решения о маршруте, намерении, действии и сущности. Модель принимает текст предыдущих реплик пользователя и ассистента, состояние диалога перед ходом и текущую реплику пользователя. Она предназначена для маршрутизации банковских обращений и классификации пользовательских запросов с учётом истории разговора, включая обнаружение запросов вне целевой области. По карточке приведены высокие результаты на отложенной выборке, однако они относятся к указанному корпусу и оценке автора. Модель основана на distilbert/distilbert-base-uncased, работает с контекстом до 512 токенов и распространяется по лицензии Apache-2.0. Корпус содержит 21 686 обучающих, 4 283 валидационных и 4 863 тестовых примера. Поддерживаемый язык — английский; результаты на других языках не описаны.

Модель mxlcw/rubert-tiny2-russian-financial-sentiment разработана на основе seara/rubert-tiny2-russian-sentiment и дообучена для многоклассовой классификации тональности коротких финансовых публикаций на русском языке из Telegram. Она присваивает тексту одну из трёх меток: нейтральная, положительная или отрицательная тональность. Модель использует архитектуру BERT и содержит 29 млн параметров; максимальная длина контекста — 2048 токенов. Она предназначена для автоматической разметки финансовых постов, например, при мониторинге публикаций Telegram. Поддерживается русский язык. Модель распространяется по лицензии MIT. Её обучение ориентировано на короткие финансовые сообщения из Telegram, поэтому качество на длинных текстах, других темах и источниках может отличаться.

ClimateBERT transition-physical — языковая модель на базе RoBERTa с классификационной головой, дообученная для распознавания предложений о переходных рисках и физических климатических рисках. Разработчики дообучили её на наборе данных с ручной разметкой, взяв за основу climatebert/distilroberta-base-climate-f. Модель предназначена для классификации текстовых фрагментов по их связи с климатическими рисками. Её можно применять для анализа документов и выделения предложений о переходных и физических рисках. Модель содержит 95,4 млн параметров, использует формат PyTorch и принимает контекст длиной до 514 токенов. Модель распространяется по лицензии Apache-2.0. README не сообщает о точности или иных результатах оценки, поэтому качество классификации на конкретных данных следует проверять отдельно.

rongzhen/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная на финансовых вопросах и ответах на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы для семантического поиска и сравнения текстов; также подходит для поиска перефразировок, кластеризации и классификации текстов. Модель построена на BERT с пуллингом CLS-токена и нормализацией векторов. Она содержит 136,7 млн параметров, принимает до 512 токенов и выдаёт эмбеддинги размерности 768. Matryoshka-обучение позволяет сокращать размерность вектора до 512, 256, 128 или 64 для более компактного поиска; в карточке приведены результаты оценки поиска для этих размерностей. Обучающий набор содержит 6300 пар «вопрос — релевантный ответ», включая примеры по финансовой отчётности и выручке. Модель распространяется по лицензии Apache-2.0. Её языковая специализация — английский; качество на других языках не подтверждено. Представленные результаты относятся к указанному набору оценки, поэтому они не гарантируют аналогичную точность на иных финансовых документах и задачах.

Модель sanshizhang/Chinese-Sentiment-Analysis-Fund-Direction — китайскоязычный классификатор тональности текстов о фондах, разработанный автором репозитория. Это плотная архитектура BERT с головой BertForSequenceClassification, примерно 129,5 млн параметров и контекстом до 512 токенов; веса представлены в формате PyTorch. Модель относит текст к одному из трёх классов: отрицательный, положительный или нейтральный. Модель предназначена для анализа тональности китайских текстов, связанных с фондами, например для разметки отзывов и сообщений инвесторов или мониторинга настроений. В README указана точность 0,938 на валидационной выборке из 15 118 примеров. Автор отмечает, что отрицательные тексты обрабатывались специалистами, а качество распознавания нейтральных текстов может быть ниже ожидаемого. Модель построена на основе BERT и дообучена для классификации последовательностей; конкретная базовая модель в карточке не названа. Лицензия — Apache-2.0. Результаты оценки относятся к указанной в README выборке и не гарантируют такого же качества на других источниках или типах финансовых текстов.

Модель Medoid AI для автоматического составления кратких пересказов финансовых новостей. Это дообученная версия PEGASUS, в основе которой лежит google/pegasus-xsum; обучение проводилось на наборе из примерно 2 тысяч статей Bloomberg о фондовых рынках, валютах, процентных ставках и криптовалютах. Модель принимает текст и генерирует текстовое резюме на английском языке. Архитектура — PEGASUS для генерации последовательностей, около 366,8 млн параметров; длина контекста составляет 512 токенов. В карточке приведены результаты ROUGE после дообучения и до него, но они не гарантируют качество на других источниках и типах финансовых материалов. Лицензия в предоставленных данных не указана.

Это классификатор тональности финансовых текстов от navu013: DistilBERT, дообученный на наборе Financial PhraseBank для трёх классов — отрицательная, нейтральная и положительная тональность. Модель предназначена для коротких предложений из финансовых и деловых новостей, например сообщений о прибыли компаний, рыночных комментариев и корпоративных объявлений; для общей тональности вне финансового контекста она не предназначена. На тестовой выборке автор сообщает accuracy 0,838 и weighted F1 0,84. Модель лучше справляется с явными маркерами тональности, но может пропускать подразумеваемые финансовые выводы и путаться в предложениях со смешанными сигналами; положительные и отрицательные примеры иногда получает нейтральную метку. Контекст ограничен 512 токенами. Модель распространяется по лицензии Apache-2.0; автор отмечает, что это учебный проект и не рекомендует использовать его для принятия финансовых решений.

yiyanghkust/finbert-tone-chinese — дообученная на частном наборе предложений из аналитических отчетов модель для анализа тональности финансовых текстов на китайском языке. Она основана на bert-base-chinese и использует архитектуру BERT для классификации последовательностей; размер составляет 129,5 млн параметров, контекст — до 512 токенов. Модель относит текст к одному из трех классов: нейтральный, положительный или отрицательный. Модель подходит для определения тональности предложений в аналитических отчетах и других финансовых текстах на китайском языке. В README указаны точность 0,88 и macro F1 0,87 на тестовой выборке. Модель распространяется по лицензии Apache-2.0. Ее качество на других типах текстов и вне китайского языка не подтверждено; обучающий набор частный.

cuneytkaya/fintech-chatbot-t5 — модель T5-small, дообученная на наборе Bitext для чат-бота розничного банкинга. Она генерирует ответы на распространённые вопросы клиентов о банковских счетах, операциях и активации карт и предназначена для автоматизированной поддержки клиентов и виртуальных помощников. Модель содержит 38,5 млн параметров, принимает текст и выдаёт текст; указанная длина контекста — 512 токенов. Поддерживаемый язык — английский. Модель выпущена под лицензией CDLA-Sharing-1.0. Это специализированная модель для банковских диалогов, основанная на google-t5/t5-small. Её возможности описаны для типовых запросов розничного банкинга; README не подтверждает доступ к реальным счетам или транзакционным системам, поэтому модель не следует считать источником актуальных данных об операциях.

gxcsoccer/kronos-mlx-mini — порт на Apple MLX компактной модели Kronos-mini, опубликованный gxcsoccer. Это дообученная версия NeoQuasar/Kronos-mini для прогнозирования финансовых временных рядов; модель использует 4,1 млн параметров и контекст до 2048 токенов. Для работы требуется совместимый токенизатор gxcsoccer/kronos-mlx-tokenizer-2k. Модель предназначена для построения прогнозов по финансовым данным временных рядов, включая свечи OHLCV. Порт ориентирован на запуск с библиотекой MLX на устройствах Apple Silicon. Репозиторий распространяется под лицензией MIT.

Kronos-small (MLX) — порт на Apple MLX модели NeoQuasar/Kronos-small, предназначенный для прогнозирования финансовых временных рядов по биржевым свечам. Модель содержит 24,7 млн параметров; архитектура и веса сохранены без изменений относительно исходного чекпойнта PyTorch, а библиотека kronos-mlx пересчитывает необходимые служебные тензоры при инициализации. Модель подходит для анализа последовательностей свечей и построения прогнозов финансовых временных рядов на устройствах Apple с MLX. Для линейных слоёв доступна 8-битная квантизация, сокращающая расход памяти примерно на 70% с умеренным снижением качества. README сообщает о численном совпадении целочисленных вычислений и отклонении результатов с плавающей точкой не более примерно 5×10⁻⁵ от версии PyTorch при одинаковых входах. Модель распространяется по лицензии MIT. Она ориентирована на финансовые временные ряды; README не заявляет поддержку обычного текста или других модальностей.

Kronos-small — компактная предобученная модель семейства Kronos от NeoQuasar для работы с финансовыми свечными данными. Она использует двухэтапную архитектуру: специализированный токенизатор преобразует многомерные данные OHLCV в дискретные токены, а авторегрессионный Transformer моделирует их последовательности. Модель содержит 24,7 млн параметров, использует Kronos-Tokenizer-base и имеет контекст длиной 512 токенов. Модель предназначена для прогнозирования временных рядов финансовых рынков. Она принимает исторические свечи с обязательными ценами открытия, максимума, минимума и закрытия; объём и сумма сделок необязательны. Предсказания возвращаются в виде будущих значений OHLCV и суммы сделок. Семейство Kronos обучалось на данных более чем 45 бирж и поддерживает прогнозирование цен и волатильности, а также генерацию синтетических данных; карточка этой версии выделяет прогнозирование временных рядов. Модель рассчитана на количественный анализ финансовых рынков и заявляет работу в режиме zero-shot на разных финансовых задачах. Прогнозы вероятностные и зависят от параметров выборки, поэтому их качество на конкретном активе и горизонте следует оценивать отдельно. Репозиторий распространяется под лицензией MIT.

LENU (Legal Entity Name Understanding) — модель классификации текста, разработанная GLEIF и Sociovestix Labs для определения кода правовой формы организации (ELF) по её названию в юрисдикции US-DE, штат Делавэр. Модель представляет собой дообученную версию FinBERT yiyanghkust/finbert-pretrain с архитектурой BERT и 137 млн параметров. Она принимает текст названия организации и относит его к классу правовой формы; максимальная длина контекста — 512 токенов. Модель предназначена для извлечения структурированных данных о правовой форме из записей LEI, например при очистке и проверке справочников организаций в финансовых компаниях, корпорациях и государственных учреждениях. Она помогает присваивать ELF-коды в соответствии со стандартом ISO 20275. Модель специализирована на юридических лицах Делавэра, поэтому её не следует считать универсальным классификатором организаций для других юрисдикций. При низкой оценке предсказания README рекомендует проверять результат вручную. Модель распространяется по лицензии CC0.

simonykq/nvidia-transaction-decoder-fm — зеркало предварительно обученного чекпойнта NVIDIA Transaction Decoder Foundation Model из примера NVIDIA Build Your Own Transaction Foundation Model, описанного в техническом блоге NVIDIA. Это плотная decoder-only модель семейства Llama примерно на 25,7 млн параметров: в README указано около 29 млн, 8 слоёв, скрытый размер 512 и grouped-query attention. Словарь содержит около 6 251 специализированного токена финансовых транзакций; модель обучалась примерно 3 000 шагов на IBM TabFormer с NeMo AutoModel. Модель предназначена для извлечения признаковых представлений финансовых транзакций: её можно загрузить через AutoModelForCausalLM и использовать эмбеддинг последнего токена. Заявленная длина контекста — 8 192 токена. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. README характеризует репозиторий как зеркало чекпойнта, а не как новую модель NVIDIA.

Модель Minh Nguyen для определения тональности финансовых текстов на вьетнамском языке. Это дообученная на базе vinai/phobert-base модель классификации последовательностей с архитектурой RoBERTa и примерно 162,4 млн параметров. Она относит текст к одному из трёх классов: отрицательная, нейтральная или положительная тональность; нативный контекст составляет 258 токенов. Модель предназначена для анализа финансовых новостей, биржевых сводок, инвестиционных материалов и публикаций о фондовом рынке. Её можно применять для мониторинга настроений рынка, анализа новостей и предварительного отбора акций по тональности. README сообщает о датасете примерно из 1 200 размеченных примеров и точности около 90% на оценке разработчика. Модель рассчитана на вьетнамский финансовый текст; качество может снижаться на сленге и неформальных сообщениях, а также вне финансовой области. Она не предназначена для других языков и критически важных решений без проверки человеком. Лицензия — MIT.

Dev9124/qwen3-finance-model — дообученная языковая модель на архитектуре Qwen3 для генерации текста в финансовой тематике. Она предназначена для диалогов и ответов на финансовые инструкции; среди возможных сценариев — помощь с финансовыми вопросами и подготовка тематических текстов. Модель содержит 3,7 млрд параметров, принимает текст и выдаёт текст, поддерживает контекст до 40 960 токенов. В карточке указан английский язык и обучающий набор Finance-Instruct-500k. Модель основана на Qwen/Qwen3-4B и связанной с ней 4-битной сборке Unsloth; разработчик сообщает о дообучении с использованием Unsloth и Hugging Face TRL. Выпущена под лицензией Apache-2.0. Карточка не приводит оценок качества или специальных ограничений применения, поэтому финансовые ответы следует проверять.

Arakandar 3B Base — базовая причинная языковая модель на 3,1 млрд параметров для локального помощника по исследованию рынков. Разработчики Arakandar предназначили её для объяснения структурированных рыночных данных, новостных свидетельств и сигналов, переданных приложением. Модель построена на основе Qwen2 и дообучена; архитектура использует grouped-query attention с 16 головами запросов и 2 головами ключей/значений, контекстное окно — 32 768 токенов. Репозиторий содержит веса Transformers в формате SafeTensors. Для практического запуска рекомендуется NVIDIA GPU с 10–12 ГБ видеопамяти; на CPU модель работает значительно медленнее. В приложении Arakandar языковая модель объясняет результаты, а решение BUY, HOLD или SELL остаётся за отдельной детерминированной моделью LightGBM. Эта базовая версия не является автономной торговой системой; разговорная специализация поставляется отдельно как LoRA-адаптер. Модель ориентирована на английский язык. Лицензия — Apache-2.0.

AmberYifan/capsd-convfinqa-fullscore-marin-8b-base-finance_ppl_b4000_s0 — дообученная плотная Llama-модель на основе marin-community/marin-8b-base, созданная с использованием набора capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_ppl_b4000_s0. Модель содержит 7,5 млрд параметров, работает через Transformers и поддерживает генерацию текста в формате диалога; заявленная длина контекста — 4096 токенов. По названию обучающего набора модель ориентирована на финансовые вопросы и ответы, включая ConvFinQA. Она может использоваться для генерации ответов на финансовые вопросы и продолжения финансового текста. README не содержит подробностей о методике обучения, оценках качества или конкретных ограничениях. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и базовой моделью.

Модель AmberYifan/capsd-finance-fincot-finqa-clean6k-marin-8b-base-finance_cap_b2000_s0 — дообученная версия Marin 8B Base, созданная на наборе capsd_marin-8b-base-n6000-finance-fincot-finqa-clean6k__mix_finance_cap_b2000_s0. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации текста в диалоговом режиме. Контекст составляет 4096 токенов. Название обучающего набора указывает на финансовые данные и задачи FinCOT и FinQA, поэтому модель может быть полезна для ответов на вопросы и рассуждений по финансовым темам. README не сообщает результаты оценки качества или подробности обучающего процесса. Модель распространяется в формате safetensors через Transformers; лицензия указана как other, без уточнения условий.

Commencis-LLM — генеративная языковая модель компании Commencis, дообученная на базе Mistral 7B для турецкого языка и банковской тематики. Модель подходит для диалогов и генерации ответов на запросы, связанные с банковскими услугами, а также для общих задач на турецком языке. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Карточка указывает турецкий как основной язык; метаданные также отмечают английский. Распространяется в формате Safetensors по лицензии Apache-2.0. Среди известных ограничений — галлюцинации, повторы, переключение между языками и сниженная надёжность при написании кода и решении сложной математики. Возможна генерация токсичных или неподходящих ответов; важные банковские сведения следует проверять.

DialoGPT-Financial-Market-Sentiment-Trading-Assistant — дообученная sweatSmile модель на базе microsoft/DialoGPT-small с архитектурой GPT-2 и 117 млн параметров. Она предназначена для диалогового анализа тональности финансовых новостей и интерпретации рыночных настроений; обучение проводилось методом LoRA на 1,5 тыс. примеров датасета финансовых новостей. Модель формирует текстовые ответы, в том числе оценивает настроение как бычье, медвежье или нейтральное, и может помогать в исследовании рынков, мониторинге новостей и подготовке торговых сигналов. Поддерживает английский язык, использует библиотеку Transformers и имеет контекстное окно 1024 токена. Лицензия — MIT. Карточка описывает её как помощника для торговых и инвестиционных решений, но результаты анализа настроений сами по себе не подтверждают надёжность торговых сигналов. Дообучение основано на небольшом наборе данных, поэтому качество может зависеть от тематики и формулировок новостей.

AdaptLLM/finance-chat — англоязычная чат-модель для финансовой области, разработанная авторами исследования Adapting LLMs to Domains via Continual Pre-Training. Она основана на LLaMA-2-Chat-7B и адаптирована к домену финансов продолжительным предварительным обучением на профильных текстах, преобразованных в формат вопросов и ответов для сохранения способности следовать запросам. В репозитории указаны архитектура LLaMA, 6,6 млрд параметров и контекст длиной 4096 токенов. Модель предназначена для ответов на вопросы и диалога по финансовой тематике. Авторы сообщают, что их метод улучшает prompting после доменного дообучения и что 7B-модель конкурирует с более крупными финансовыми моделями; приведённые в карточке результаты бенчмарков относятся к оценке модели авторами. Модель принимает и генерирует текст, а карточка указывает английский язык. Лицензия — Llama 2; применимые условия использования определяются лицензией исходной модели.

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

FinBERT — англоязычная модель на архитектуре BERT, разработанная Yi Yang и коллегами и предварительно обученная на текстах финансовых коммуникаций. Для обучения использованы корпоративные отчёты 10-K и 10-Q, стенограммы звонков о доходах и аналитические отчёты; совокупный объём корпуса составляет 4,9 млрд токенов. Модель содержит 137 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначена для исследований и практических задач финансового NLP. В опубликованном виде FinBERT решает задачу заполнения пропусков в тексте (fill-mask) и может служить основой для дообучения под анализ финансовых настроений, классификацию ESG и выявление прогнозных заявлений. Репозиторий содержит веса PyTorch. README не указывает лицензию; перед использованием следует проверить условия на странице модели.