IV.2Банки, платежи и инвестиции

gxinxing/qwen-trader-cn-merged — модель генерации текста на основе Qwen2.5-7B-Instruct, дообученная для китайских финансовых и торговых сценариев. Это плотная авторегрессионная модель с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров; веса fp16 в формате Safetensors. Контекст — до 32 768 токенов. Модель предназначена для анализа рыночной информации, ответов на вопросы о торговых стратегиях и объяснения финансовых сведений на китайском языке. Она поддерживает диалоговый режим. Веса объединены после полноразмерного дообучения, поэтому отдельный адаптер для запуска не требуется. Модель распространяется по лицензии Apache 2.0. README отмечает, что репозиторий служит академической и инженерной резервной копией, а результаты модели не являются инвестиционной рекомендацией.

Модель YOLOv8s для обнаружения графических паттернов на скриншотах биржевых графиков разработана FODUU AI и дообучена на пользовательском наборе из 9000 обучающих и 800 проверочных изображений. Она использует архитектуру YOLOv8 и библиотеку Ultralytics для поиска объектов на изображении, включая паттерны «голова и плечи» (верхний и нижний), M_Head, StockLine, Triangle и W_Bottom. Модель предназначена для распознавания паттернов в реальном времени на захватах экрана торговых графиков. Результаты можно использовать для аннотирования изображений, журналирования обнаружений, формирования таблиц Excel, создания видео и настройки оповещений или торговых сценариев. Лицензия в предоставленных данных не указана.

Это модель классификации тональности комментариев о турецком фондовом рынке на положительные, нейтральные и отрицательные. Она предназначена для анализа настроений инвесторов и финансовых обсуждений на турецком языке. Модель построена на архитектуре BERT для классификации последовательностей, содержит 137,8 млн параметров и принимает текст длиной до 512 токенов. В README заявлена точность 97% на тестовом наборе, однако описание не приводит протокол оценки и подробности датасета. Модель дообучена на базе google-bert/bert-base-uncased согласно метаданным; README называет другой источник — dbmdz/bert-base-turkish-uncased. Лицензия — MIT.

halilatasoy разработал компактную турецкоязычную модель на базе Google Gemma 3 270M IT для обнаружения и маскирования персональных данных. Это плотная авторегрессионная текстовая модель с 257 млн параметров, контекстом до 32 768 токенов и интерфейсом диалога; она принимает инструкции и текст, а в ответ формирует замаскированный текст. Модель дообучена целиком на 24 000 синтетических примеров банковских и ERP-текстов и поддерживает 53 метки PII, включая режимы полного маскирования, белого и чёрного списков и исключения заданных категорий. В опубликованном тесте из 1000 строк точное совпадение составило 0,882, а при нейтральной к схеме оценке — 0,902. Результаты получены на синтетических данных и не подтверждают качество на реальных пользовательских текстах; на сложных примерах, например с несколькими людьми или длинными записями, качество ниже. Модель может выдавать метки вне заданной схемы, поэтому README рекомендует проверять их по списку из 53 меток. Лицензия — Gemma Terms of Use; ответственность за соблюдение KVKK/GDPR лежит на пользователе.

AmberYifan/capsd-convfinqa-fullscore-marin-8b-base-finance_random_b8000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Согласно карточке, при обучении использовался набор capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_random_b8000_s0, связанный с финансовыми вопросами и ответами. Модель предназначена для генерации текста в диалоговом формате и может применяться для ответов на вопросы по финансовой тематике. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовый контекст длиной до 4096 токенов. Базовая модель описана как англоязычная. Лицензия указана как other, без уточнения конкретных условий в предоставленных данных. Подробности об оценке качества и известных ограничениях в карточке отсутствуют.

Карточка модели manelalab/chrono-bert-v1-20121231 на Hugging Face совпадает с карточкой manelalab/chrono-bert-v1-20231231, поэтому описание составлено по ней. ChronoBERT v1 2023-12-31 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом временной последовательности. Она построена на архитектуре ModernBERT как двунаправленный трансформерный энкодер с 149 млн параметров и контекстом до 8192 токенов; основная задача по карточке — предсказание пропущенного токена. Модель обучена на датированных текстах, чтобы снизить риск утечки информации из будущего и смещения при анализе исторических данных. Её можно применять для восстановления пропусков в тексте, извлечения представлений и задач понимания языка, в том числе для экономического и финансового анализа. В README указано, что модели серии превзошли стандартный BERT по GLUE; эти результаты относятся к серии в целом и не подтверждают отдельную оценку именно версии 2023-12-31. Модель рассчитана на английский язык, использует библиотеку Transformers и распространяется по лицензии MIT. Это энкодер для понимания текста, а не генеративный чат-ассистент; временная согласованность зависит от выбранного временного среза модели и данных.

Карточка модели manelalab/chrono-bert-v1-20141231 на Hugging Face совпадает с карточкой manelalab/chrono-bert-v1-20231231, поэтому описание составлено по ней. ChronoBERT v1 2023-12-31 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом временной последовательности. Она построена на архитектуре ModernBERT как двунаправленный трансформерный энкодер с 149 млн параметров и контекстом до 8192 токенов; основная задача по карточке — предсказание пропущенного токена. Модель обучена на датированных текстах, чтобы снизить риск утечки информации из будущего и смещения при анализе исторических данных. Её можно применять для восстановления пропусков в тексте, извлечения представлений и задач понимания языка, в том числе для экономического и финансового анализа. В README указано, что модели серии превзошли стандартный BERT по GLUE; эти результаты относятся к серии в целом и не подтверждают отдельную оценку именно версии 2023-12-31. Модель рассчитана на английский язык, использует библиотеку Transformers и распространяется по лицензии MIT. Это энкодер для понимания текста, а не генеративный чат-ассистент; временная согласованность зависит от выбранного временного среза модели и данных.

baptle выпустила дообученную модель FinBERT для классификации финансовых новостей по реакции рынков на события. Модель обучена на заголовках новостей о мировых фондовых рынках и использует рыночные последствия как основу для анализа тональности; в карточке это противопоставляется разметке по субъективным оценкам экспертов. Модель построена на архитектуре BERT и содержит 136,7 млн параметров. Она принимает текст и выполняет классификацию последовательностей; контекст ограничен 512 токенами. Разработчик сообщает о сравнительных улучшениях точности и полноты относительно нескольких моделей, однако приведённые метрики на валидации составляют 0,497 для macro F1 и 0,563 для micro F1. Модель предназначена для анализа финансовых новостей, но качество на других типах текста или рынках карточкой не подтверждено. Лицензия в предоставленных данных не указана.

FLANG-BERT — предварительно обученная языковая модель семейства FLANG, разработанная для финансовых текстов. Она основана на BERT и дообучена на финансовом корпусе с преимущественным маскированием финансовых терминов и выражений, чтобы формировать более подходящие для этой области представления. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в формате PyTorch. Основная задача модели — fill-mask: предсказание замаскированных слов в финансовом тексте. Полученные представления также могут использоваться как основа для классификации тональности и новостных заголовков, ответов на вопросы, распознавания именованных сущностей и определения границ структурных фрагментов; README упоминает эти задачи в контексте финансового бенчмарка FLUE, но не приводит результатов оценки именно этого чекпойнта. Модель рассчитана на английский язык и специализирована на финансовой тематике. Лицензия в предоставленных данных не указана.

German FinBERT Further Pre-trained Version — немецкоязычная модель BERT для финансовых текстов, разработанная Морицем Шеррманном. Это продолжительно предобученный чекпойнт на основе deepset/gbert-base: модель обучалась на корпусе финансовых и новостных документов на немецком языке, охватывающем период с 1996 по 2023 год. Модель предназначена для заполнения пропусков в немецких финансовых текстах и служит основой для специализированных задач, таких как классификация финансовых новостей, анализ тональности и извлечение ответов на вопросы. Архитектура — BERT base с 137,1 млн параметров; максимальная длина контекста составляет 512 токенов. Репозиторий предоставляет веса PyTorch, лицензия — Apache-2.0. Профильное предобучение улучшает результаты на финансовых задачах по сравнению с общей немецкой моделью, согласно карточке автора. Сам опубликованный чекпойнт размечен для fill-mask; показатели классификации и вопросно-ответных задач относятся к downstream-настройкам и не означают, что этот чекпойнт напрямую выполняет их без дополнительной адаптации. Данные, на которых продолжалось обучение, включают финансовые документы, новости и другие источники, поэтому качество на иных темах и языках не заявлено.

ia-earn-test-v1 — дообученная и экспортированная в формате Hugging Face модель для экспериментов в рабочем процессе IA Earnings. Она формирует структурированные метки пересмотра прогнозов EPS и выручки на основе данных о компании на заданный момент времени, макроэкономического и качественного контекста. Модель предназначена для частного инференса; при развёртывании следует использовать тот же шаблон промпта и JSON-парсер, что и в кодовой базе IA Earnings. Модель основана на NVIDIA Nemotron 3 Nano 30B A3B, использует архитектуру Nemotron H и доступна в формате safetensors. В метаданных указаны 1,9 млрд параметров и контекст до 262 144 токенов. Карточка описывает интерфейс генерации текста с диалоговыми и инструментальными возможностями, но не приводит сведения о языках обучения. Указана лицензия other; конкретные условия использования следует сверить с лицензией репозитория и базовой модели.

Mengzi-BERT base fin — китайская доменно-адаптированная модель на базе Mengzi-BERT, разработанная Langboat. Модель продолжили обучать на 20 ГБ финансовых новостей и исследовательских отчётов; в обучении использовались masked language modeling, разметка частей речи и предсказание порядка предложений. Это плотная BERT-модель с 129,5 млн параметров и контекстом до 512 токенов. Она предназначена для обработки китайских финансовых текстов и заполнения маскированных фрагментов; доступна в форматах PyTorch и Safetensors. Модель выпущена под лицензией Apache-2.0. Карточка описывает продолженное предобучение, но не приводит оценок качества или результатов на конкретных задачах.

Sujet Finance 8B v0.1 — языковая модель Sujet AI для финансовых задач, дообученная методом LoRA на базе Llama 3 8B на наборе Sujet Finance Instruct-177k. Это плотная архитектура семейства Llama с 7,5 млрд параметров и контекстом до 8192 токенов; модель принимает текст и генерирует текст на английском языке. Модель предназначена для ответов на финансовые вопросы в формате «да/нет», классификации финансовых текстов по темам и анализа тональности, включая категории bullish и bearish. В README указано, что для обучения использовали сбалансированную выборку из 17 036 примеров, а для оценки — 4 259 примеров; оценка сравнивала модель с базовой Llama 3 по критерию наличия правильного ответа в первых десяти сгенерированных словах. Модель распространяется по лицензии Apache-2.0. Для запуска автор рекомендует Unsloth; заявленный вариант точности для VLLM — float16. Оценка на описанной выборке не гарантирует точность на других финансовых данных, а охват финансовых тем и типов вопросов ограничен задачами, представленными при дообучении.

Это модель компьютерного зрения 100rab25, полученная дообучением Swin-Tiny microsoft/swin-tiny-patch4-window7-224 на наборе данных формата imagefolder. Она предназначена для классификации изображений, связанных с обнаружением мошеннических номеров. Архитектура Swin Transformer содержит около 33 млн параметров; веса представлены в формате PyTorch. На указанном в карточке наборе оценки модель достигла accuracy 0,9963 и loss 0,0107. Модель принимает изображения и выдаёт метку класса. Лицензия Apache-2.0. Карточка не раскрывает состав классов и данные обучения, поэтому результаты нельзя переносить на другие данные без отдельной проверки.

XOR Lite — дообученная модель Juspay на базе openbmb/MiniCPM5-2B для принятия решений по типизированным вопросам. Она выдаёт вероятность бинарного ответа, категориальный выбор с распределением вероятностей или порядковую оценку с распределением. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 2,2 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для структурированных решений через TypeSafe-совместимый API `/v1/systemone`, включая классификацию и оценивание по заданному состоянию и набору вопросов. В README приведены результаты локальной оценки на 231 задаче JEVBench: 169 правильных ответов; качество заметно различалось по уровням сложности. Для воспроизводимого использования необходима совместимая конфигурация обслуживания, включая constrained readout, калибровку вероятностей и преобразование схемы. Лицензия — Apache-2.0.

Zanii Quant — веса декодерной модели временных рядов, используемые приложением Zanii Quant. Модель загружается через TimesFM3Forecaster и предназначена для прогнозирования временных рядов. В README не приведены сведения о размерах модели, поддерживаемых языках или контексте. Лицензия обозначена как other; условия использования следует смотреть в файле LICENSE репозитория.

AmberYifan/capsd-finance-fincot-finqa-clean6k-marin-8b-base-finance_random_b2000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Она содержит 7,5 млрд параметров, построена на плотной архитектуре и предназначена для генерации текста; в метаданных также указана возможность чата. Модель дообучена на наборе capsd_marin-8b-base-n6000-finance-fincot-finqa-clean6k__mix_finance_random_b2000_s0, связанном с финансовыми данными и вопросами и ответами. Модель может применяться для генерации ответов на финансовые вопросы и ведения диалогов на финансовые темы. Контекст составляет 4096 токенов. Базовая модель описана как англоязычная, однако поддерживаемые языки именно этого чекпойнта не подтверждены. Репозиторий содержит веса в формате safetensors. Лицензия указана как other; README не приводит дополнительных условий использования и не содержит сведений об оценке качества. Такие ответы не следует считать проверенной финансовой рекомендацией.

Карточка модели manelalab/chrono-bert-v1-20111231 на Hugging Face совпадает с карточкой manelalab/chrono-bert-v1-20231231, поэтому описание составлено по ней. ChronoBERT v1 2023-12-31 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом временной последовательности. Она построена на архитектуре ModernBERT как двунаправленный трансформерный энкодер с 149 млн параметров и контекстом до 8192 токенов; основная задача по карточке — предсказание пропущенного токена. Модель обучена на датированных текстах, чтобы снизить риск утечки информации из будущего и смещения при анализе исторических данных. Её можно применять для восстановления пропусков в тексте, извлечения представлений и задач понимания языка, в том числе для экономического и финансового анализа. В README указано, что модели серии превзошли стандартный BERT по GLUE; эти результаты относятся к серии в целом и не подтверждают отдельную оценку именно версии 2023-12-31. Модель рассчитана на английский язык, использует библиотеку Transformers и распространяется по лицензии MIT. Это энкодер для понимания текста, а не генеративный чат-ассистент; временная согласованность зависит от выбранного временного среза модели и данных.

Карточка модели manelalab/chrono-bert-v1-20131231 на Hugging Face совпадает с карточкой manelalab/chrono-bert-v1-20231231, поэтому описание составлено по ней. ChronoBERT v1 2023-12-31 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом временной последовательности. Она построена на архитектуре ModernBERT как двунаправленный трансформерный энкодер с 149 млн параметров и контекстом до 8192 токенов; основная задача по карточке — предсказание пропущенного токена. Модель обучена на датированных текстах, чтобы снизить риск утечки информации из будущего и смещения при анализе исторических данных. Её можно применять для восстановления пропусков в тексте, извлечения представлений и задач понимания языка, в том числе для экономического и финансового анализа. В README указано, что модели серии превзошли стандартный BERT по GLUE; эти результаты относятся к серии в целом и не подтверждают отдельную оценку именно версии 2023-12-31. Модель рассчитана на английский язык, использует библиотеку Transformers и распространяется по лицензии MIT. Это энкодер для понимания текста, а не генеративный чат-ассистент; временная согласованность зависит от выбранного временного среза модели и данных.

ChronoBERT v1 20201231 — англоязычная модель на архитектуре ModernBERT, разработанная Songrun He, Linying Lv, Asaf Manela и Jimmy Wu. Это двунаправленный трансформерный энкодер с 149 млн параметров и контекстом до 8192 токенов, обученный на датированных текстах для хронологически согласованного анализа. Модель предназначена для предсказания пропущенных токенов и извлечения текстовых представлений. Хронологическое ограничение обучающих данных призвано снижать утечку информации из будущего и смещение заглядывания вперёд в задачах, где важна временная привязка. Это делает модель полезной для анализа исторических текстов и финансовых исследований; семейство оценивалось на GLUE и задачах прогнозирования доходности. Репозиторий предоставляет веса в формате safetensors, используется библиотека Transformers. Лицензия — MIT.

ChronoBERT — семейство англоязычных моделей Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для языкового понимания с хронологически согласованным обучением. Эта версия использует архитектуру двунаправленного энкодера ModernBERT с 149 млн параметров и контекстом до 8192 токенов. Она предназначена для предсказания скрытых токенов и анализа текстов, датированных конкретным периодом, чтобы снизить риск использования информации из будущего при историческом анализе и финансовом моделировании. Модель обучалась на открытых текстовых данных с временными метками; подход ChronoBERT направлен на предотвращение утечки данных и смещения заглядывания вперёд. В описании семейства указаны результаты выше стандартного BERT на GLUE, однако это не гарантирует качество для конкретной задачи или инвестиционной стратегии. Лицензия — MIT.

ChronoBERT v1 2022-12-31 — англоязычная модель семейства ModernBERT, разработанная Songrun He, Linying Lv, Asaf Manela и Jimmy Wu. Это двунаправленный трансформерный энкодер с 149 млн параметров и контекстом до 8192 токенов; модель обучена на датированных текстах для хронологически согласованного анализа без утечки информации из будущего. Модель предназначена для предсказания замаскированных токенов и получения текстовых представлений, в частности для анализа исторических текстов и экономических или финансовых задач, где важно исключить заглядывание вперёд. В серии ChronoBERT заявлены результаты GLUE выше стандартного BERT; в карточке также описана оценка для прогнозирования доходности акций. Эти результаты не гарантируют качество на иных данных и задачах. Лицензия — MIT.

appcle/distilbert-base-uncased-cfpd — дообученная модель DistilBERT для классификации текстовых описаний жалоб потребителей в сфере финансовых услуг. Она разработана на основе distilbert/distilbert-base-uncased с использованием Hugging Face Transformers и распределяет жалобы по семи укрупнённым категориям CFPB, помогая автоматически направлять обращения и проводить первичный разбор. Модель принимает текст на английском языке, использует архитектуру DistilBERT для классификации последовательностей и поддерживает контекст до 512 токенов. Она обучена на 14 198 примерах из набора жалоб CFPB; в README указана точность 0,8268 на оценочном наборе. Предусмотрены сценарии анализа и маршрутизации финансовых жалоб, а также демонстрации прикладной классификации текстов. Качество может снижаться на коротких, неполных или неоднозначных жалобах, на редких категориях и на данных, заметно отличающихся от обучающего набора. Результаты оценки не гарантируют качество на новых данных; при критичных решениях требуется проверка человеком. Лицензия — Apache-2.0.

ihsan31415/fewshot-finetuned-ihsg-sbert — Sentence Transformer на базе firqaaa/indo-sentence-bert-large, дообученный для сопоставления индонезийских предложений, в том числе текстов об индексе IHSG. Модель кодирует предложения и абзацы в плотные векторы размерности 2048; сходство можно оценивать косинусной мерой. Архитектура включает BertModel и слои пулинга, максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска, оценки сходства, поиска перефразирований, кластеризации и классификации текста на основе эмбеддингов. Дообучение описано на датасете из 220 примеров с TripletLoss, что ограничивает основания для оценки качества на широком наборе задач. Репозиторий содержит веса Safetensors; лицензия в предоставленных данных не указана.

German FinBERT — немецкоязычная модель BERT для финансовых текстов, разработанная Морицем Шеррманом. Эта версия предварительно обучена с нуля на финансовых и общих немецкоязычных источниках; в качестве основы использована архитектура BERT base и словарь bert-base-german-cased от deepset. Модель содержит 136,3 млн параметров, принимает текст с маскированными токенами и предсказывает пропущенные фрагменты. Максимальная длина контекста — 512 токенов. Модель предназначена для работы с немецкими финансовыми текстами и может служить основой для задач анализа финансовых документов, включая тематическую классификацию, анализ тональности и ответы на вопросы после соответствующего дообучения. В README приведены результаты отдельных downstream-моделей, дообученных на финансовых наборах данных; эти показатели не следует считать оценкой данной fill-mask-модели непосредственно. Веса доступны в формате PyTorch по лицензии Apache-2.0.

Kronos-mini — компактная предобученная модель семейства Kronos от NeoQuasar для анализа последовательностей финансовых свечей. В двухэтапной архитектуре специализированный токенизатор преобразует многомерные данные OHLCV в дискретные токены, после чего авторегрессионный Transformer моделирует их временные зависимости. Модель содержит 4,1 млн параметров, использует контекст длиной до 2048 токенов и распространяется в формате Safetensors. Модель предназначена прежде всего для прогнозирования финансовых временных рядов, включая будущие значения open, high, low, close, volume и amount. В README также заявлены прогнозирование волатильности и генерация синтетических финансовых данных; обучение проводилось на более чем 12 млрд свечных записей с 45 бирж. Лицензия — MIT. Для прогнозов нужны исторические свечные данные и временные метки входных и будущих периодов. Качество прогноза может зависеть от рынка, актива и режима торговли; карточка не приводит количественных оценок точности. Модель специализирована на финансовых K-line данных, а не на обычном тексте.

Metin/LLaMA-3-8B-GRPO-Finance-Math-TR — дообученная с помощью GRPO разговорная модель на базе ytu-ce-cosmos/Turkish-Llama-8b-DPO-v0.1. Её обучали решать открытые текстовые задачи по финансовой математике и формировать ответ после рассуждения; в обучающую выборку вошли 442 задачи без проприетарных данных. Модель использует архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и имеет контекст длиной 8192 токена. Она предназначена прежде всего для турецкоязычных вопросов по финансовым расчётам. Модель может ошибаться или выдавать бессвязные ответы, поэтому результаты расчётов следует проверять. Лицензия — Llama 3.

NextToken-model-2 — небольшая разговорная модель, разработанная somasekhar-dev и дообученная полным fine-tuning на базе архитектуры Qwen3. Она содержит 272,7 млн параметров, принимает текст и рассчитана на контекст до 2048 токенов. Модель предназначена для поддержки клиентов банков и NBFC: по сообщению пользователя и системному описанию доступных инструментов она определяет, подходит ли один из них, и извлекает аргументы. Обучение охватывает пять инструментов и сценарии без вызова инструмента; также добавлены примеры обычных задач вроде продолжения текста, суммаризации и составления списков. Поддерживаются хинди и английский языки. Это ранний чекпойнт после первой эпохи обучения на 15 894 примерах. В опубликованной карточке указано, что модель ненадёжно распознаёт некоторые сообщения, где упоминаются кредит или счёт без запроса на действие, и иногда вызывает инструмент в ответ на непринуждённые реплики. Полная схема из 41 инструмента превышает доступный контекст, а заполнение аргументов свободным текстом и многошаговое уточнение параметров не проверены. Результаты модели следует проверять, а действия, меняющие состояние, подтверждать перед выполнением. Лицензия в предоставленных данных не указана.

souflex56/qanchor-reranker-qwen3-0.6b-merged — дообученный полносвязный кросс-энкодерный реранкер на базе Qwen3, разработанный для финансового RAG-конвейера QAnchor. Модель оценивает релевантность фрагментов документов запросу и ранжирует уже найденные кандидаты для ответов на вопросы по китайским годовым отчётам компаний A-share и связанным финансовым документам. Модель использует архитектуру последовательной классификации Qwen3ForSequenceClassification, содержит 507,6 млн параметров и поддерживает контекст до 40 960 токенов. Основной язык и область дообучения — китайский; веса опубликованы в формате safetensors. В описанном авторами тестировании дообученная версия улучшила MRR@10 с 0,6115 до 0,7758 и NDCG@10 с 0,7572 до 0,8761 относительно того же конвейера без дообучения. Реранкер предназначен для второго этапа поиска после первичного извлечения кандидатов, а не для самостоятельной генерации ответов или открытого поиска по коллекции. Качество зависит от сохранения шаблона форматирования qwen3_template; обучающие данные слабо размечены и не опубликованы, а результаты оценены на ограниченном наборе запросов. Лицензия — Apache-2.0.

Карточка модели SejongKRX/Sejong-Gemma-v1 на Hugging Face совпадает с карточкой SejongKRX/RevThink-Sejong-Gemma-it-v1, поэтому описание составлено по ней. SejongKRX/RevThink-Sejong-Gemma-it-v1 — разговорная языковая модель SejongKRX, дообученная на базе unsloth/gemma-2-9b-it-bnb-4bit с использованием Unsloth и Hugging Face TRL. Это плотная модель Gemma 2 на 9 млрд параметров для генерации текста в диалоговом формате; длина контекста составляет 8192 токена. В метаданных указан набор данных RevThink-financial-mmlu-ko, поэтому модель ориентирована на задачи финансовых вопросов и ответов на корейском языке. Модель принимает текст и генерирует текст. Репозиторий опубликован под лицензией Apache-2.0. Сведения о качестве на конкретных финансовых задачах в карточке не приведены.