IV.2Банки, платежи и инвестиции

NEXUS-Finance — специализированная разговорная языковая модель FableForge для финансового анализа и моделирования. Это плотная авторегрессионная модель семейства Qwen2, дообученная на базе Qwen/Qwen2.5-1.5B-Instruct; содержит 1,5 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель принимает текст и генерирует текст, поддерживает английский язык и формат диалога ChatML. Модель предназначена для финансовых вопросов, анализа и моделирования, а также для диалоговых сценариев, где нужны предметные ответы. В README приводится внутренняя оценка 144 из 150 баллов по тесту из 30 запросов; это ограниченная авторская проверка, поэтому результат не подтверждает качество на независимых финансовых задачах. Модель описана как uncensored, то есть может отвечать на запросы, от которых модели с более строгими ограничениями отказались бы. Опубликованы веса в формате Safetensors, библиотека запуска — Transformers. Лицензия Apache-2.0. README также указывает на отдельные GGUF-квантизации стороннего автора для запуска через Ollama; они не являются форматом весов этой карточки.

RavenX-Trade 8B — модель RavenX LLC и разработчика @DeadByDawn101 для анализа торговых рынков. Это дообученная версия Qwen3-8B с 7,6 млрд параметров, рассчитанная на запуск через MLX на Apple Silicon. Модель использует протокол MAP: рассматривает рынок и актив, анализирует технические показатели, объём, импульс и ончейн-сигналы, затем формирует прогноз с оценкой уверенности и целевой ценой. Модель обучена на 318 675 примерах по Polymarket, криптовалютам, акциям, опционам, количественной торговле и стратегиям хедж-фондов. Она принимает текстовые запросы и генерирует текстовый анализ; поддерживает контекст до 131 072 токенов и ориентирована на английский язык. Лицензия — Apache-2.0. Аналитические прогнозы не гарантируют точность и могут не учитывать актуальные рыночные данные; торговые решения требуют независимой проверки.

SejongKRX/Sejong-Qwen-v1은 한국의 KRX 금융·경제 분야에 초점을 맞춘 Qwen2.5 기반 언어 모델로, SejongKRX가 개발했습니다. 모델은 Qwen2.5-7B를 금융 관련 데이터로 추가 학습했으며, 크기는 7.1 млрд параметров이고 поддерживает контекст до 131072 токенов. Репозиторий содержит веса PyTorch и safetensors. Модель предназначена для генерации текста и ответов на вопросы по финансовой тематике на корейском языке. В обучении использовались данные Wikipedia, открытые данные Банка Кореи, набор open-perfectblend и Financial-MMLU-KO. Лицензия модели — Apache 2.0; README также указывает условия использования исходных наборов данных, которые следует учитывать при применении и распространении модели.

TimeOmni-1-7B — языковая модель для рассуждений о временных рядах, опубликованная в репозитории anton-hugging. Это дообученная методом SFT и последующего обучения с подкреплением модель Qwen2.5-7B-Instruct с архитектурой Qwen2 и 7,1 млрд параметров. Она принимает текстовые запросы с данными или описаниями временных рядов и генерирует текстовые ответы; заявленная длина контекста — 32 768 токенов. Модель предназначена для решения разных задач анализа и рассуждений о временных рядах в единой системе, при этом авторы заявляют, что базовые способности к общим рассуждениям сохраняются. Карточка сообщает об оценке на бенчмарках, но сами таблицы результатов в доступном README опущены. Репозиторий содержит веса в формате safetensors, библиотека — Transformers; лицензия — Apache-2.0.

WiroAI-Finance-Qwen-7B — языковая модель WiroAI для генерации текста и диалогов по финансовым темам. Она основана на архитектуре Qwen2 и дообучена методом SFT на наборе Finance-Instruct-500k, содержащем более 500 тысяч финансовых инструкций. В метаданных указаны объединённые базовые модели DeepSeek-R1-Distill-Qwen-7B и Qwen2.5-Math-7B; модель имеет 7,1 млрд параметров и контекст до 131 072 токенов. Модель предназначена для ответов на финансовые вопросы и выполнения инструкций в финансовых сценариях. Она работает с текстом через библиотеку Transformers; репозиторий содержит веса в формате Safetensors. Модель выпущена под лицензией Apache-2.0. README не сообщает результаты оценки качества или конкретные ограничения, поэтому надёжность ответов в практических финансовых решениях по этим данным определить нельзя.

BERTimbau Finance Large — языковая модель на архитектуре BERT, разработанная дообучением BERTimbau Large на двух наборах данных бразильского банковского сектора. Она предназначена для работы с текстами о финансах на бразильском португальском языке, в частности для предсказания замаскированных токенов; её представления можно использовать как основу для задач NLP в банковской тематике. Модель содержит 433,2 млн параметров по метаданным, имеет 24 слоя и принимает последовательности длиной до 512 токенов. Модель доступна в форматах PyTorch, Safetensors, TensorFlow и ONNX. Лицензия — Apache-2.0. Карточка демонстрирует получение контекстных эмбеддингов, но не приводит оценок качества самой финансовой версии; для классификации, поиска сходства и других прикладных задач потребуется подходящая настройка и проверка на целевых данных.

AmberYifan/capsd-convfinqa-fullscore-marin-8b-base-finance_random_b2000_s0 — дообученная модель семейства Llama на основе marin-community/marin-8b-base. Она предназначена для генерации текста в финансовом сценарии; в README указано, что обучение проводилось на наборе capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_random_b2000_s0. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовый контекст длиной до 4096 токенов. Модель может быть полезна для генерации ответов на финансовые вопросы и диалоговых сценариев по финансовым данным. Базовая модель описана как англоязычная, поэтому основным поддерживаемым языком следует считать английский. В карточке указана лицензия other; конкретные условия лицензии в доступных сведениях не раскрыты.

Модель AmberYifan/capsd-finance-fincot-finqa-clean6k-marin-8b-base-finance_random_b1000_s0 — дообученная на финансовых данных версия Marin 8B Base от marin-community. Она построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и использует Transformers. Модель предназначена для генерации текста в диалоговом формате; обучение проводилось на наборе capsd_marin-8b-base-n6000-finance-fincot-finqa-clean6k__mix_finance_random_b1000_s0, связанном с финансовыми текстами и вопросами и ответами по финансам. Контекст модели — до 4096 токенов. Модель может быть полезна для генерации ответов на финансовые вопросы и работы с финансовыми текстами. Карточка не приводит оценок качества, подробностей обучения или ограничений. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

Карточка модели manelalab/chrono-bert-v1-20091231 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-v1-20171231 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-v1-20241231 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.

Finance2_embedding_small_en-V1.5 — англоязычная модель Sentence Transformer, дообученная baconnier на BAAI/bge-small-en-v1.5 на финансовом наборе данных baconnier/finance_dataset_small_private. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерностью 384 для семантического поиска и сравнения текстов. Модель основана на BERT, использует CLS-пулинг и нормализацию векторов; максимальная длина входа — 512 токенов, сходство можно оценивать косинусной мерой. Модель подходит для поиска финансовых фрагментов по смыслу, сопоставления близких по содержанию предложений, кластеризации и извлечения признаков для классификации текста. В README приведены результаты оценки на triplet-наборе, однако они сами по себе не подтверждают качество на иных данных или задачах. Обучающие данные и примеры ограничены финансовым доменом и английским языком. Лицензия в предоставленных данных не указана.

FinancialBERT — англоязычная модель семейства BERT, созданная Ahmed Rachid Hazourli и предварительно обученная на корпусе финансовых текстов. Она предназначена для исследований и практических NLP-задач в финансовой сфере и позволяет использовать готовую модель без значительных ресурсов, необходимых для её обучения с нуля. Модель содержит 137 млн параметров, использует архитектуру BertForMaskedLM и принимает текстовые последовательности длиной до 512 токенов. В обучающие данные вошли новости Reuters и Bloomberg, корпоративные отчёты 10-K и 10-Q, а также документы с отчётами о доходах. Основная задача по метаданным — восстановление замаскированных токенов в тексте. Доступна в формате PyTorch; лицензия в предоставленных сведениях не указана.

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

kwoncho/ko-sroberta-multitask-informative — дообученная разработчиком версия корейской модели KoR-SRoBERTa на базе jhgan/ko-sroberta-multitask. Это RoBERTa-модель для классификации релевантности корейских новостных заголовков и вводных предложений, связанных с компаниями и финансами. Модель присваивает тексту метку релевантности 1 или 0 и предназначена для отбора значимых новостей о конкретных компаниях и последующего анализа корпоративных текстов. Модель обучена на подборке новостей о компаниях, сформированной по методологии академического исследования 2022 года. Она рассчитана на корейский язык и финансово-корпоративную лексику; в README отдельно отмечено, что обобщать её применение на произвольный анализ корейского языка не следует. Для решений с высокими финансовыми последствиями требуется проверка человеком. Размер модели — 137,8 млн параметров, контекст — до 514 токенов. Лицензия CC-BY-SA-4.0; при использовании необходимо учитывать требования лицензии и атрибуции базовой модели и исследования.

Это производный от OpenBMB MiniCPM5-1B проект для локальной генерации финансовых ответов, ориентированных на анализ акций. Репозиторий содержит дообученный LoRA-адаптер, квантизованные веса GGUF в вариантах Q4_K_M и Q8_0, а также экспериментальные головы многотокенного предсказания MTP в стиле Medusa. Базовая модель — языковая модель с архитектурой MiniCPM5; MTP-головы используют её скрытое состояние и замороженную выходную матрицу. Модель предназначена для генерации сигналов BUY, SELL или HOLD и ответов на запросы об акциях, а дополнительные головы ускоряют авторегрессионное декодирование, предлагая несколько следующих токенов для проверки базовой моделью. В README приводятся высокие показатели совпадения черновых токенов на запросах об акциях; для общего текста совпадение заметно ниже, особенно на более дальних позициях. Указанные головы пока не подключены к пути спекулятивного декодирования llama.cpp и рассчитаны на PyTorch/Transformers. Лицензия — Apache-2.0.

WiroAI разработала WiroAI-Finance-Llama-8B — языковую модель для генерации текста и диалогов по финансовым инструкциям. Она основана на архитектуре Llama и объединяет DeepSeek-R1-Distill-Llama-8B с Llama-3.1-8B-Instruct; в README указано дообучение методом SFT на датасете Finance-Instruct-500k, а метаданные отмечают слияние моделей. Репозиторий содержит веса в формате safetensors, модель рассчитана на контекст до 131 072 токенов и включает интерфейс чата и вызова инструментов. Модель подходит для ответов на финансовые вопросы и подготовки текстов по финансовым инструкциям. Она содержит 7,5 млрд параметров и распространяется по лицензии Apache-2.0. Качество ответов, актуальность финансовых сведений и надёжность вызова инструментов в карточке не оценены; результаты требуют проверки, особенно перед принятием финансовых решений.

Модель amirsoahil101/Bank_Telemarketing_Success_Prediction_using_ANN — нейронная сеть прямого распространения, созданная для прогноза отклика клиентов на телефонное предложение срочного банковского вклада. Она принимает табличные признаки клиента и социально-экономические показатели и предсказывает бинарный результат «да» или «нет». По карточке, данные UCI содержат 20 признаков; категориальные поля кодируются OneHotEncoder, числовые масштабируются StandardScaler, а сеть использует полносвязные слои с ReLU и Dropout и выходной слой с Sigmoid. Автор сообщает о точности 82% на проверке. Репозиторий также описывает приложение для инференса с интерфейсом Streamlit и API FastAPI; модель построена на TensorFlow/Keras. Лицензия — MIT. Описание не приводит деталей разбиения данных или иных метрик качества, поэтому заявленную точность следует трактовать как результат автора, а не как независимую оценку.

hatim00101/bert-scam-classifier — бинарный классификатор текста на базе bert-base-uncased, дообученный для обнаружения мошеннических телефонных разговоров. Он относит текстовую расшифровку звонка к классу scam или non_scam, оценивая разговорные и поведенческие признаки, а не только отдельные ключевые слова. Модель построена на архитектуре BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов согласно метаданным; README указывает максимальную длину 256 токенов при обучении. Модель предназначена для сортировки транскриптов звонков и выявления разговоров с признаками мошенничества. В README сообщается о точности, полноте и F1, равных 1,0 на тестовом наборе из 80 примеров, однако небольшой размер набора не позволяет считать этот результат гарантией качества на реальных звонках. Модель обучена на англоязычном датасете, поэтому её назначение ограничено английскими транскриптами. Лицензия CC BY-NC-ND 4.0 разрешает только некоммерческое использование и ограничивает распространение производных материалов.

CentralBankRoBERTa-sentiment-classifier — модель на архитектуре RoBERTa, дообученная для анализа предложений из коммуникаций центральных банков. Она определяет тональность как положительную или отрицательную применительно к домохозяйствам, компаниям, финансовому сектору или правительству. Модель предназначена для анализа заявлений и публикаций центральных банков; в карточке указаны accuracy, F1, precision и recall по 0,88. Модель содержит 151,8 млн параметров, принимает текст и выдаёт метки классификации. Максимальная длина контекста — 514 токенов. В метаданных указан английский язык, формат PyTorch и лицензия MIT. Для текстов на других языках качество не подтверждено; также карточка не описывает поведение на предложениях вне сферы коммуникаций центральных банков.

Карточка модели manelalab/chrono-bert-v1-20081231 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.

ChronoBERT — серия англоязычных двунаправленных трансформерных энкодеров ModernBERT, разработанная Songrun He, Linying Lv, Asaf Manela и Jimmy Wu. Эта версия содержит 149 млн параметров, принимает текст и поддерживает контекст длиной до 8192 токенов. Модель обучена на датированных текстах с хронологическим ограничением, чтобы уменьшить утечку будущей информации и смещение заглядывания вперёд в анализах, привязанных ко времени. Модель предназначена для предсказания пропущенных токенов и извлечения текстовых представлений. Её можно применять для анализа исторических текстов и финансовых новостей, а также как основу для задач понимания языка. В карточке серии сообщается о результатах на GLUE выше стандартного BERT; финансовая оценка описана для варианта realtime и не является гарантией качества этой версии. Модель распространяется под лицензией MIT. Она является энкодером для понимания текста, а не универсальной генеративной моделью; заявленная языковая поддержка — английский.

ChronoBERT — серия англоязычных моделей Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом хронологии. Эта версия — трансформерный двунаправленный энкодер ModernBERT с 149 млн параметров и контекстом до 8192 токенов; она предсказывает пропущенные токены в тексте и может извлекать текстовые эмбеддинги. Модель предварительно обучена на датированных открытых текстах, чтобы снижать риск утечки будущей информации и смещения заглядывания вперёд при анализе исторических данных. В README описаны оценки на GLUE и эксперименты по прогнозированию доходности акций; результаты серии показывают качество понимания языка выше стандартного BERT на GLUE. Модель работает с текстом на английском языке и распространяется под лицензией MIT. Она предназначена для языкового моделирования с маскированием и извлечения эмбеддингов, а не для генерации длинных ответов. Хотя хронологическое обучение полезно для исторических и финансовых сценариев, результаты бэктестов сами по себе не гарантируют точность будущих прогнозов.

vamossyd разработал emtract-distilbert-base-uncased-emotion — модель классификации текстов на основе DistilBERT, дообученную для определения эмоций в финансовых публикациях. Она относит текст к одной из семи категорий: нейтральность, радость, грусть, гнев, отвращение, удивление или страх. Модель обучалась на объединённом наборе примерно из 250 тысяч текстов с эмоциональными метками, а затем адаптировалась на 10 тысяч вручную размеченных сообщений StockTwits. Модель предназначена для анализа эмоциональной окраски сообщений в финансовых соцсетях, в частности для изучения настроений инвесторов и публикаций о рынке. Максимальная длина контекста по метаданным — 512 токенов; в описании обучения указан размер последовательности 64. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT. Результаты классификации могут зависеть от тематики и стиля исходных сообщений: модель специализировалась на финансовых текстах StockTwits, а карточка не приводит численные значения метрик качества.ений

KF-DeBERTa — корейская языковая модель для общего и финансового доменов, разработанная KakaoBank совместно с FNGuide. Она обучена на корпусах общего назначения и финансовых текстов и основана на архитектуре DeBERTa-v2; в репозитории представлена модель DebertaV2ForMaskedLM с 213,1 млн параметров и контекстом до 512 токенов. Модель предназначена для заполнения пропусков в тексте и может служить базой для дообучения под классификацию финансовых новостей и тональности, распознавание сущностей, анализ отношений и другие задачи понимания корейского языка. В карточке приведены результаты проверки на общих корейских и финансовых бенчмарках; разработчики сообщают о конкурентных результатах, в том числе на KLUE. Модель принимает текст и предсказывает замаскированные токены. Она рассчитана прежде всего на корейский язык и финансовые тексты, но также обучалась на корпусах общего назначения. Доступна по лицензии MIT; результаты для конкретной задачи могут потребовать дополнительной проверки и дообучения.

TEMPO — модель временных рядов, разработанная авторами исследовательского проекта TEMPO и представленная в статье ICLR 2024. Она использует предварительно обученный трансформер GPT-2 как основу и предназначена для прогнозирования временных рядов, в том числе в режиме zero-shot на новых данных. В карточке указано около 80 млн параметров; репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель рассчитана на прогнозирование временных рядов и поддерживает zero-shot эксперименты на ETTh2 и пользовательских наборах данных. README также описывает эксперименты с текстовым контекстом для временных рядов, включая данные компаний из S&P 500, однако мультимодальное обучение обозначено как будущая функция. Язык английский указан в метаданных карточки, но основной вход модели — временные ряды, поэтому естественный язык не является её основной модальностью. Модель может быть полезна для исследования и построения прогнозов по пользовательским временным рядам. README отмечает, что вероятностное прогнозирование и мультимодальное предобучение пока относятся к планируемым возможностям; показатели качества и длина контекста в предоставленных материалах не приведены.

Карточка модели manelalab/chrono-bert-v1-20161231 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.

ChronoBERT v1 2018-12-31 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом временной последовательности. Она обучена сохранять хронологическую согласованность и снижать риск утечки будущей информации, что полезно для исторического анализа и экономического моделирования. Модель использует двунаправленный энкодер ModernBERT с 149 млн параметров и контекстом до 8192 токенов; основная задача — предсказание скрытого токена в тексте. В карточке также описано извлечение эмбеддингов. Серия ChronoBERT превосходит стандартный BERT по результатам GLUE согласно README; в нём также приводятся оценки финансового прогнозирования для других версий серии. Эти результаты не следует считать гарантией качества именно этой версии в конкретной задаче. Модель выпущена под лицензией MIT.

FinnDot разработала FinnAI SLM v2 — компактную плотную языковую модель на 1,7 млрд параметров, дообученную методом QLoRA SFT на базе Qwen/Qwen3-1.7B для приложения учёта расходов. Модель принимает текст и генерирует текст; в каталоге Hugging Face опубликована в формате safetensors, а для работы на устройстве FinnDot указывает отдельный формат LiteRT-LM INT4. Основное назначение — разбор SMS индийских банков: модель извлекает сумму, продавца, тип операции, счёт, баланс и категорию в JSON, включая сообщения об операциях UPI, NEFT, IMPS, кредитных картах, зарплате и снятии наличных. Также она отвечает на вопросы о личных финансах на основе журнала расходов и даёт краткие ответы по темам SIP, EMI, налогов и бюджета. Заявленная длина контекста — 40 960 токенов. Модель рассчитана на английский, хинди, хинглиш, тамильский, телугу, маратхи и бенгальский. В отложенной оценке авторы сообщают о точном совпадении всех полей для 97,72% непустых SMS с операциями и о доле ложного разбора 0,54% для пустых и нетранзакционных сообщений. К ограничениям относятся узкая специализация на форматах индийских банковских SMS, сложность извлечения продавца и несовершенная точность финансовых ответов: модель может искажать числа. Режим пошагового рассуждения отключён. Лицензия — Apache-2.0.

Japanese Financial SentiCSE — модель эмбеддингов предложений для японских финансовых текстов, основанная на японской RoBERTa и разработанная с применением метода SentiCSE (Kim et al., COLING 2024). Модель дообучена на японских финансовых новостях из набора Economy Watchers Survey с помощью контрастивного обучения, учитывающего тональность. Архитектура — RoBERTa с 137,8 млн параметров; длина контекста составляет 514 токенов. Модель предназначена для получения представлений предложений и сравнения их семантической близости с учётом тональности финансового текста. Её можно применять для поиска похожих новостных фрагментов и анализа сходства финансовых высказываний. В карточке приведены результаты оценки тональности: macro-F1 0,7466 на валидации и 0,7366 на тесте. Доступен формат PyTorch; лицензия в предоставленных данных не указана.