IV.2Банки, платежи и инвестиции

FunctionGemma-270M Arabic Tool Use — дообученная модель metga97 на базе google/functiongemma-270m-it, предназначенная для вызова инструментов по запросам на арабском языке. Она принимает диалог и описания инструментов, а когда нужен инструмент, формирует один вызов в нативном формате FunctionGemma со структурированными JSON-аргументами; для остальных запросов отвечает коротким текстом на арабском языке. Модель содержит 257 млн параметров, использует плотную архитектуру Gemma 3 и поддерживает контекст до 32 768 токенов. Обучение и оценка охватывают литературный арабский и диалекты: египетский, заливный, левантийский и магрибский; тестовые сценарии включают финансы, электронную торговлю, госуслуги, здравоохранение, исламские сервисы, путешествия, коммунальные услуги и погоду. В README указаны высокая точность выбора инструмента и аргументов, но точное совпадение всех вызовов ниже единицы; возможен перевод значений параметров на английский. Для корректного использования нужны шаблон чата FunctionGemma с переданными инструментами и левая схема дополнения батча. Модель распространяется по лицензии Apache-2.0.

intanm/indonesian_financial_sentiment_analysis — модель классификации текста на основе BERT, дообученная на базе indobenchmark/indobert-base-p1 для анализа тональности финансовых текстов на индонезийском языке. Репозиторий использует PyTorch; размер модели — 151,6 млн параметров, максимальный контекст — 512 токенов. README сообщает точность 0,9560 и loss 0,1788 на оценочном наборе, но не описывает сам набор данных и метки классов. Модель предназначена для определения тональности финансовых текстов, например новостей или сообщений о рынке. Распространяется по лицензии MIT. Карточка не уточняет, какие именно классы тональности поддерживаются и на каких типах финансовых текстов проводилась оценка.

japanese-sentiment-analysis — модель классификации тональности японских предложений, разработанная jarvisx17. Она обучена с нуля на наборе chABSA и предназначена для определения тональности текста на японском языке, в том числе в предложениях из финансовых и корпоративных документов. Модель основана на архитектуре BERT, содержит 138,4 млн параметров и принимает последовательности длиной до 512 токенов. В карточке сообщаются accuracy и F1 по 1,0 на оценочном наборе, однако эти результаты относятся к chABSA и сами по себе не подтверждают качество на других тематиках или текстах. Для токенизации указаны зависимости fugashi и unidic_lite. Репозиторий содержит веса PyTorch и Safetensors; лицензия в предоставленных данных не указана.

Kronos-base — базовая предобученная модель семейства Kronos от NeoQuasar для анализа финансовых временных рядов в виде свечей (K-lines). Это декодерный Transformer с 102,3 млн параметров и контекстом 512 токенов; специальный токенизатор преобразует многомерные данные OHLCV в дискретные токены, после чего модель обучается авторегрессионно предсказывать последовательности. В README указано обучение на более чем 12 млрд свечных записей с 45 бирж. Модель предназначена для прогнозирования ценовых рядов и волатильности, а также генерации синтетических финансовых данных. Она рассчитана на нулевой сценарий обучения на пользовательских данных и принимает исторические свечи с временными метками, возвращая прогнозы OHLCV и объёма/суммы. Веса опубликованы в формате safetensors под лицензией MIT. Качество прогнозов зависит от данных, рынка и горизонта прогнозирования; финансовые временные ряды шумны, поэтому прогнозы не гарантируют точность и не являются сами по себе торговой рекомендацией.

Millennium-Jev-1.5B — компактная модель принятия решений экосистемы Millennium Open-Source, созданная на основе Qwen2.5-1.5B-Instruct. Она сочетает языковую основу с адаптером LoRA и отдельной головой решений; README указывает 1,54 млрд параметров основы и 77,08 млн обучаемых параметров решения. Модель оценивает заданные варианты и выбирает действие за один проход без авторегрессионной генерации, а также поддерживает калиброванную оценку неопределённости методом split conformal prediction. Модель предназначена для классификации намерений и маршрутизации запросов к инструментам или действиям агента, в том числе при большом числе кандидатов и неоднозначных либо потенциально небезопасных запросах. В карточке заявлены результаты на наборах для банковских намерений, китайского NLU и безопасности; это результаты авторской оценки, а не гарантия качества в иных сценариях. Метаданные указывают китайский и английский языки. Модель распространяется по лицензии Apache-2.0.

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.

StockLlama-base-v1 — предварительно обученная модель прогнозирования временных рядов, разработанная на основе архитектуры Llama и дополненная специализированными эмбеддингами. Она предназначена для прогнозирования финансовых временных рядов, в частности данных фондового рынка. Архитектура модели — StockLlamaForForecasting, размер — 166,7 млн параметров, длина контекста — 2048 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0.

TouchstoneGPT-7B-Instruct — диалоговая языковая модель IDEA-FinAI, дообученная на базе Qwen/Qwen2-7B-Instruct для финансовых задач на китайском и английском языках. Она представлена как базовая модель для исследований и разработки финансовых LLM и связана с бенчмарком Golden-Touchstone, охватывающим 22 набора данных. Модель использует плотную архитектуру Qwen2ForCausalLM с 7,1 млрд параметров, принимает текстовые запросы и генерирует текст. Контекстное окно составляет до 32 768 токенов; модель предназначена для диалогового взаимодействия и генерации ответов в финансовых сценариях. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

hassan7272 разработал специализированную модель Sentence Transformers для поиска и сопоставления финансовых вопросов на урду. Это дообученная на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 плотная XLM-RoBERTa с 305,2 млн параметров; она преобразует текст в эмбеддинги для семантического поиска и извлечения ответов в RAG-системах. Модель рассчитана на запросы на урду арабским письмом, Roman Urdu и английском, с акцентом на исламские финансы и банковский контекст Пакистана. Заявленная длина контекста — 514 токенов. В README описано обучение на 2 752 примерах с hard negative mining и оценка на отложенном наборе из 147 запросов: заявлены Accuracy@1 93,9%, Accuracy@3 99,3% и Accuracy@10 100%. Эти результаты относятся к указанному набору оценки и не гарантируют аналогичную точность на других данных. Модель опубликована под лицензией Apache-2.0.

v-alpha-tross — ранняя демонстрационная языковая модель для финансовых задач, разработанная Gradient в рамках семейства Albatross. Она основана на meta-llama/Llama-2-70b-hf и прошла дополнительное предварительное обучение на финансовых данных, дообучение и настройку инструкций. В метаданных указаны архитектура LlamaForCausalLM, 68,7 млрд параметров и контекст до 4096 токенов. Модель предназначена для финансовых сценариев: математических рассуждений, извлечения сведений из таблиц, включая таблицы в документах SEC, ответов с опорой на документы и их суммаризации, а также диалогового взаимодействия. Для ожидаемого поведения README рекомендует формат запросов Llama 2 Chat. Карточка сообщает о результатах на финансовых таблицах и математических задачах, но это ранняя версия с ограниченными возможностями; Gradient не планирует дальнейшую внутреннюю разработку этой версии. Модель принимает текст и генерирует текст. В карточке заявлена поддержка английского языка. Лицензия в метаданных обозначена как llama2. Модель специально не настраивали для безопасности, поэтому она может выдавать проблемные ответы, особенно при соответствующих запросах.

Это дообученная модель AmberYifan на базе marin-community/marin-8b-base. Она предназначена для генерации текста и диалоговых ответов в финансовом контексте; согласно карточке, при дообучении использовался набор capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_random_b4000_s0. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текст, выдавая текст. Контекстное окно составляет 4096 токенов. Базовая модель ориентирована на английский язык, однако язык и качество именно этой донастройки в карточке не описаны. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия указана как other, без дополнительных условий в предоставленных данных.

ChronoBERT v1 20041231 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом хронологии. Она основана на двунаправленной архитектуре ModernBERT, содержит 149 млн параметров и принимает контекст до 8192 токенов. Модель обучена на датированных текстовых данных, чтобы снизить риск утечки будущей информации и смещения заглядывания вперёд при историческом анализе. Модель предназначена для предсказания замаскированных токенов и получения представлений текста, а также для задач понимания языка и анализа исторических и финансовых текстов. Семейство ChronoBERT оценивалось на GLUE и на прогнозировании доходности акций; приведённые результаты относятся к указанным в карточке версиям, а не обязательно к этой конкретной контрольной точке. Доступны веса в формате safetensors для Transformers. Лицензия — MIT.

Fin-Pythia-1.4B — модель на архитектуре GPT-NeoX, разработанная для анализа тональности финансовых текстов. Авторы продолжили обучение Pythia-1.4B на финансовых документах, а затем дообучили модель следовать инструкциям для финансовых задач. В метаданных указаны 1,7 млрд параметров, контекст 2048 токенов и формат PyTorch. Основной сценарий — классифицировать финансовые высказывания как положительные, отрицательные или нейтральные, например, в новостях и заголовках. Модель также применяли к распознаванию именованных сущностей в финансовых текстах. Она принимает текстовый запрос в формате инструкции и генерирует текстовый ответ. README сообщает о результатах, сопоставимых с более крупными финансовыми LLM на отдельных тестах, но приведённая таблица неполна и не позволяет независимо проверить это сравнение. Лицензия — Apache-2.0.

gtfintechlab/FOMC-RoBERTa — модель RoBERTa, дообученная командой Financial Services Innovation Lab при Georgia Tech для классификации высказываний Федерального комитета по операциям на открытом рынке США (FOMC) по тональности денежно-кредитной политики: dovish, hawkish или neutral. Модель опубликована для работы, связанной со статьёй ACL 2023 «Trillion Dollar Words: A New Financial Dataset, Task & Market Analysis». Она принимает текст и возвращает метку класса; LABEL_0 соответствует dovish, LABEL_1 — hawkish, LABEL_2 — neutral. Модель предназначена для анализа коммуникаций центрального банка и финансовых текстов, в частности для определения сигналов о смягчении или ужесточении политики. Поддерживаемый язык — английский. Доступные файлы указаны в формате PyTorch. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

ForexGPT — адаптер LoRA для Mistral-7B-Instruct-v0.3, обученный forexgpt на расшифровках финансовых отчетных звонков с разметкой торговых сигналов. Это диалоговая языковая модель с архитектурой MistralForCausalLM и 7,1 млрд параметров; для работы адаптер подключается к базовой модели. Модель предназначена для извлечения сигналов о валютном рынке из текстов earnings call и выдаёт JSON с валютной парой, направлением, уверенностью, обоснованием, величиной сигнала и временным горизонтом. Модель принимает текст и генерирует текстовый ответ; в метаданных указан контекст до 32 768 токенов и поддержка английского языка. Лицензия — Apache-2.0. Результаты зависят от качества и предметного охвата обучающих данных; торговые сигналы и оценки модели не гарантируют точности или прибыльности.

Llama-3.1-Kor-BCCard-Finance-8B — разработанная BC Card корейскоязычная диалоговая модель для генерации текста и ответов на вопросы о финансах, банковских услугах, кредитных картах и продуктах BC Card. Она дообучена на наборе BCCard/BCCard-Finance-Kor-QnA и основана на sh2orc/Llama-3.1-Korean-8B-Instruct. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. Модель подходит для ответов на вопросы о финансовых продуктах и условиях карт, объяснения банковских и кредитных понятий, а также для диалоговых финансовых консультаций на корейском языке. В примерах карточки есть также ответы на общие вопросы и переводы, но основная специализация — корейские финансы. Лицензия — Llama 3. Ограничения качества и актуальности финансовых ответов отдельно не описаны; примеры содержат потенциально неточные расчёты и сведения, поэтому ответы следует проверять.

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.

Qwen2.5-7B-Instruct-R1-forfinance — языковая модель для финансовой тематики, разработанная на основе Qwen2.5-7B-Instruct и дообученная автором методом полного supervised fine-tuning. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и принимает текстовые запросы для генерации ответов; заявленная длина контекста — 32 768 токенов. Модель предназначена для финансовых вопросов и ответов, вычислений, объяснения понятий, анализа, оценки рисков и консультаций по инвестициям. Для обучения использовались открытые наборы финансовых вопросов и ответов, а также данные с рассуждениями, сгенерированные DeepSeek-R1 и отобранные по оценке качества. Карточка описывает поддержку китайского языка; другие языки не подтверждены. Модель может допускать ошибки и галлюцинации, поэтому ответы следует проверять. Она предназначена для обучения и исследований, не является источником инвестиционных рекомендаций и требует профессиональной оценки при практическом применении. Лицензия — Apache-2.0.

Qwen3.8-27B-finance-GGUF — квантизированная версия модели nico248000000000/Qwen3.8-27B-finance, подготовленная mradermacher в формате GGUF. Модель ориентирована на финансовые задачи и поддерживает английский и французский языки. В карточке также заявлены мультимодальные возможности для работы с изображениями и видео; для них доступны дополнительные файлы mmproj. Модель относится к классу 27B, однако точная архитектура и размер контекста в README не указаны. Доступны варианты квантования от Q2_K до Q8_0, включая IQ4_XS; размеры файлов составляют примерно от 11 до 29,1 ГБ. Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые варианты, а Q8_0 — как вариант с наилучшим качеством среди перечисленных. Сильными сторонами являются специализация на финансовой тематике, наличие нескольких уровней квантования и поддержка мультимодального дополнения. Ограничения включают отсутствие в карточке результатов тестирования, подробностей об архитектуре, контекстном окне и фактическом качестве на финансовых сценариях; возможности изображений и видео требуют соответствующего mmproj-файла. Лицензия указана как other, без дополнительных условий или текста лицензии.

Модель zhayunduo/roberta-base-stocktwits-finetuned — дообученная для классификации финансовых сообщений версия RoBERTa-base, опубликованная пользователем zhayunduo. Она определяет, выражает ли комментарий инвестора на Stocktwits настроения Bullish («бычьи») или Bearish («медвежьи»). Модель предназначена для анализа тональности сообщений и обсуждений об инвестициях на английском языке. Модель имеет архитектуру RoBERTa для классификации последовательностей, содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. В описании обучения указаны 3,2 млн размеченных комментариев Stocktwits и точность на валидации 92,1% после трёх эпох. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Результаты относятся к указанной в карточке валидационной выборке; качество на других источниках и современных финансовых текстах отдельно не подтверждено.

SejongKRX разработала Sejong-Qwen-v5 — дообученную плотную авторегрессионную языковую модель семейства Qwen2 размером 7,1 млрд параметров на базе unsloth/qwen2.5-7b-bnb-4bit. Модель предназначена для генерации текста; пример в карточке связан с вопросом о временной стоимости денег, а среди источников обучающих данных названы Wikipedia и открытые данные Банка Кореи. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. В метаданных указан английский язык, а пример и описание обучающих данных в карточке на корейском; вероятно, модель ориентирована на корейские финансовые вопросы, однако ширина её языковой поддержки в карточке не описана. Репозиторий распространяется по лицензии Apache-2.0.

WiroAI/WiroAI-Finance-Qwen-1.5B — компактная языковая модель для финансовых задач, разработанная WiroAI на архитектуре Qwen. Это плотная авторегрессионная модель Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста и диалоговых ответов. В карточке указано дообучение методом SFT на более чем 500 тысячах финансовых инструкций из Josephgflowers/Finance-Instruct-500k; метаданные также связывают модель с DeepSeek-R1-Distill-Qwen-1.5B и Qwen2.5-Math-1.5B как объединёнными базовыми моделями. Модель подходит для ответов на вопросы о финансах, составления финансовых объяснений и помощи в типовых финансовых сценариях. Поддерживает контекст до 131 072 токенов; обучающие инструкции включают английский и китайский языки, которые модель иногда смешивает в ответах. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

Модель hw2942/bert-base-chinese-finetuning-financial-news-sentiment-v2 — китайская модель классификации тональности финансовых новостей на основе BERT, разработанная автором репозитория. Она дообучена на bert-base-chinese с использованием данных hw2942/financial-news-sentiment: 2000 примеров для обучения и 329 для проверки. Модель содержит 129,5 млн параметров, использует архитектуру BertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. Модель предназначена для определения тональности финансовых новостей на китайском языке и может применяться для автоматической разметки новостных потоков и анализа финансовых публикаций. Доступны веса PyTorch. Сведения о лицензии и ограничениях применения в предоставленных источниках отсутствуют.

Модель AmberYifan/capsd-convfinqa-fullscore-marin-8b-base-finance_ppl_b8000_s0 — дообученная модель семейства Llama на базе marin-community/marin-8b-base. Она содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом режиме. Обучение проводилось на наборе capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_ppl_b8000_s0, связанном с финансовыми вопросами и ответами. Модель принимает текст и генерирует текст. Контекст составляет 4096 токенов; репозиторий содержит веса в формате safetensors, библиотека — Transformers. Базовая модель англоязычная, но README не описывает языковой охват производной модели. Лицензия указана как other; конкретные условия использования из доступных сведений определить нельзя.

Карточка модели manelalab/chrono-bert-v1-19991231 на Hugging Face совпадает с карточкой manelalab/chrono-bert-v1-20041231, поэтому описание составлено по ней. ChronoBERT v1 20041231 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом хронологии. Она основана на двунаправленной архитектуре ModernBERT, содержит 149 млн параметров и принимает контекст до 8192 токенов. Модель обучена на датированных текстовых данных, чтобы снизить риск утечки будущей информации и смещения заглядывания вперёд при историческом анализе. Модель предназначена для предсказания замаскированных токенов и получения представлений текста, а также для задач понимания языка и анализа исторических и финансовых текстов. Семейство ChronoBERT оценивалось на GLUE и на прогнозировании доходности акций; приведённые результаты относятся к указанным в карточке версиям, а не обязательно к этой конкретной контрольной точке. Доступны веса в формате safetensors для Transformers. Лицензия — MIT.

Карточка модели manelalab/chrono-bert-v1-20101231 на Hugging Face совпадает с карточкой manelalab/chrono-bert-v1-20041231, поэтому описание составлено по ней. ChronoBERT v1 20041231 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом хронологии. Она основана на двунаправленной архитектуре ModernBERT, содержит 149 млн параметров и принимает контекст до 8192 токенов. Модель обучена на датированных текстовых данных, чтобы снизить риск утечки будущей информации и смещения заглядывания вперёд при историческом анализе. Модель предназначена для предсказания замаскированных токенов и получения представлений текста, а также для задач понимания языка и анализа исторических и финансовых текстов. Семейство ChronoBERT оценивалось на GLUE и на прогнозировании доходности акций; приведённые результаты относятся к указанным в карточке версиям, а не обязательно к этой конкретной контрольной точке. Доступны веса в формате safetensors для Transformers. Лицензия — MIT.

Mungert/DMind-3-GGUF — это GGUF-версия модели DMind-3, разработанной организацией DMindAI и подготовленной с использованием llama.cpp. В качестве базовой модели указана openai/gpt-oss-20b. Модель предназначена для текстовой генерации и ориентирована на Web3, децентрализованные финансы, анализ смарт-контрактов, аудит безопасности, оценку рисков и стратегический анализ финансовых систем. Заявленные характеристики включают кастомизированную архитектуру Transformer с Multi-Scale RoPE, около 21 миллиарда параметров и контекстное окно до 256 тысяч токенов. Указаны английский и китайский языки. Концептуально модель использует методологию Hierarchical Predictive Synthesis для объединения разнородных и изменяющихся потоков данных, включая on-chain-события, макроэкономические показатели, новости и социальные настроения, с целью построения вероятностных прогнозов. GGUF-формат рассчитан на запуск через совместимые инструменты, включая llama.cpp, а описанный подход к квантованию повышает точность отдельных важных слоёв за счёт их хранения в более высокой разрядности. Сильными сторонами модели заявлены большой контекст, специализация на Web3 и финансовой аналитике, работа с несколькими типами информационных сигналов и возможность локального или инфраструктурного развертывания. При этом в карточке отсутствуют результаты воспроизводимых бенчмарков, точный вариант квантования конкретного файла и подробные требования к ресурсам, поэтому фактические характеристики производительности и качества требуют проверки. Модель распространяется по лицензии Apache-2.0.

finbert-indonesia-finansial — модель классификации текста на основе BERT, дообученная EgoWidiarto от mdhugol/indonesia-bert-sentiment-classification. Она предназначена для классификации финансовых текстов на индонезийском языке; название указывает на финансовую специализацию, однако README не уточняет набор меток и состав обучающих данных. Модель содержит 151,6 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. В README указана точность 0,8083 и значение функции потерь 1,2178 на оценочном наборе, но его состав и методика оценки не описаны. Модель опубликована в формате safetensors для библиотеки Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

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

Модель jhon53/Llama3_1_8B_Finance_QLoRA-merged-16bit разработана Dharmik Bhingradiya и представляет собой дообученную методом QLoRA версию Meta-Llama-3.1-8B-Instruct для анализа тональности финансовых текстов. Она относит входной текст к одному из трёх классов: negative, neutral или positive. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и доступна в формате safetensors; базовая модель имеет контекст до 131 072 токенов. Для обучения применялись 4-битная NF4-квантизация базовой модели и BF16 LoRA-адаптеры; репозиторий содержит объединённую 16-битную версию. Модель предназначена для классификации финансовых новостей, заявлений компаний и рыночных текстов, а также для экспериментов и создания финансовых NLP-приложений. В README приведены результаты на Financial PhraseBank: accuracy 97,48% и macro-F1 97,25%; на FiQA-SA: accuracy 94,02% и macro-F1 83,35%. Основной язык карточки — английский. Лицензия — Apache 2.0. Точность зависит от области и формулировки текста; финансовые выражения могут быть неоднозначными. Результаты бенчмарков не гарантируют качество в реальных приложениях, и модель может ошибаться или выдавать чрезмерно уверенные классификации. Для сценариев с существенными последствиями нужны независимая проверка и оценка; выводы модели не являются финансовой рекомендацией.