IV.2Банки, платежи и инвестиции

Модель Afzalur Rahman — дообученная на рыночных данных языковая модель Qwen3 для технического анализа индекса NIFTY 50. Она принимает текстовые данные об исторических ценах и индикаторах, включая RSI, MACD и полосы Боллинджера, а также сведения об опционах и VIX, и формирует прогноз направления движения на следующий торговый день, оценку процентного изменения, уровень уверенности и объяснение прогноза. Модель рассчитана на краткосрочный анализ индийского рынка и может использоваться в аналитических панелях, исследовательских инструментах и учебных системах. Архитектура — плотная причинная Qwen3 с примерно 3,7 млрд параметров; в README описан LoRA-адаптер примерно на 41 млн обучаемых параметров. Модель поддерживает английский язык, имеет контекстное окно 262 144 токена и распространяется в формате Safetensors под лицензией Apache 2.0. Автор сообщает об оценке на отложенной выборке, но конкретные численные результаты ещё не приведены. Прогнозы вероятностны и могут хуже работать при резких изменениях рыночной динамики или необычных событиях. Модель обучалась на данных NIFTY 50 и не предназначена для прогнозов по другим рынкам, долгосрочных прогнозов или принятия инвестиционных решений без проверки человеком и управления рисками.

Zeno Fragility Beta — компактная экспериментальная модель команды Zeno для оценки хрупкости уверенных прогнозов. Она анализирует прогнозы существующих моделей, рынков и других предсказателей и ранжирует те, которые могут не сбыться, сопоставляя их с историей похожих прогнозов. Оценка сюрприза зависит от выбранного ориентира: толпы, прошлых прогнозов самого источника или его коллег. Модель предназначена для раннего предупреждения о ненадёжных прогнозах и, для физических датчиков, корректировки среднего прогноза толпы. Это ансамбль градиентно-бустинговых деревьев по источникам с логистическим резервным вариантом, реализованный на scikit-learn; в README указано 62 880 обученных параметров. Репозиторий содержит версии ONNX и safetensors. Модель рассчитана на табличные сигналы, работает на обычном ноутбуке без GPU и обучена на 38 459 уверенных прогнозах с известными исходами из шести источников. В README приведены результаты для рынков прогнозов, криптовалют и RSV, а также выигрыш корректировки на данных физических датчиков. Авторы отмечают, что качество различается по источникам и что корректировка используется лишь там, где подтверждён выигрыш над простым средним. Это исследовательская бета: оценки ранжируют прогнозы, но не являются калиброванными вероятностями. Лицензия — Apache-2.0.

AdrianG29/asistente-inversiones-e5 — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-small для поиска и сопоставления текстов о проектах государственных инвестиций. Модель использует архитектуру BERT с усреднением токенных представлений и нормализацией, выдаёт плотные векторы размерности 384; сходство текстов можно оценивать косинусной близостью. В метаданных указано 124,3 млн параметров и контекст до 512 токенов, а в README — максимальная длина последовательности 256 токенов. Модель обучена на 1 241 примере с MultipleNegativesRankingLoss. Примеры содержат испаноязычные запросы и описания проектов из сфер образования, жилья и городского развития; модель предназначена для семантического поиска и ранжирования релевантных описаний инвестиций. При использовании следует учитывать расхождение между контекстным лимитом из метаданных и максимальной длиной последовательности в README, а также небольшой размер обучающей выборки. Лицензия в предоставленных сведениях не указана.

Eva-4B-V2 — языковая модель FutureMa, дообученная на базе Qwen/Qwen3-4B-Instruct-2507 для выявления уклончивых ответов в сессиях вопросов и ответов на звонках о финансовых результатах компаний. Модель анализирует текст вопроса и ответа и относит ответ к одному из трёх классов: прямой, частично уклончивый или полностью уклончивый. Она также поддерживает генерацию текста как производная от Qwen3ForCausalLM. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и рассчитана на английский язык. Контекстное окно составляет до 262 144 токенов. В оценке на EvasionBench для Eva-4B-V2 указана Macro-F1 84,9%; результат относится к этому набору и сам по себе не гарантирует аналогичного качества на других типах диалогов. Модель распространяется по лицензии Apache 2.0.

lxyuan/FunctionGemma-270M-banking77-router — дообученная модель на основе google/functiongemma-270m-it, разработанная для маршрутизации англоязычных банковских запросов в структурированные вызовы инструментов. Она преобразует сообщение клиента в один из десяти вызовов поддержки по отдельным намерениям из набора BANKING77; классификационной головы у модели нет. Модель содержит 257 млн параметров, использует текстовую архитектуру Gemma 3 и поддерживает контекст до 32 768 токенов. Модель выбирает вызов и формирует его аргументы, но не исполняет инструмент. В описанной оценке точность выбора первого инструмента на 100 примерах составила 97% после дообучения против 51% у базовой модели. Это экспериментальный маршрутизатор, а не готовая банковская система: охвачены только 10 из 77 намерений BANKING77, нет маршрута для запросов вне области применения, а качество аргументов отдельно не оценивалось. Неоднозначные, враждебные, многоязычные и посторонние запросы могут маршрутизироваться неверно. Веса FunctionGemma распространяются на условиях Gemma; зеркало BANKING77 указано как CC BY 4.0.

Navya-1C-SFT — языковая модель семейства Navya от navyam.ai, разработанная с нуля и дообученная методом SFT для вопросов о личных финансах в Индии. Это плотная авторегрессионная модель архитектуры LlamaForCausalLM на 1,31 млрд параметров; базовое обучение проводилось примерно на 103 млрд токенов, после чего модель дообучили на индийском финансовом корпусе. Для текста используется собственный токенизатор на 64 тыс. токенов, контекст составляет 4096 токенов. Модель предназначена для ответов на вопросы о личных финансах в индийском контексте. В карточке указаны английский и хинди; README также упоминает Hinglish и другие индийские языки, но не перечисляет их. Модель доступна через Transformers в формате Safetensors и распространяется по лицензии Apache-2.0. Разработчики обозначают её как исследовательскую и предупреждают, что ответы не являются инвестиционной рекомендацией.

Qwen3-4B-Evasion — разработанная FutureMa специализированная плотная языковая модель на архитектуре Qwen3, дообученная на базе Qwen/Qwen3-4B-Instruct-2507 для классификации ответов руководителей компаний на вопросы в ходе финансовых звонков. Модель относит ответ к одной из трёх категорий по таксономии Rasiah: прямой ответ, частично уклончивый или полностью уклончивый. Модель предназначена для анализа прозрачности корпоративных ответов, исследования финансовой коммуникации и разметки стенограмм earnings call. Она содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. В README указаны обучение на 27 097 парах вопросов и ответов и точность 75,08% на тесте из 297 размеченных человеком примеров. Поддерживается английский язык; лицензия — Apache-2.0. На тесте полнота для прямых ответов составляла 54,74%, поэтому модель может пропускать такие ответы; качество на других типах текста не установлено, а оценки уверенности могут требовать калибровки. Результаты не следует использовать как единственное основание для инвестиционных решений; для важных применений рекомендуется проверка человеком.

Это дообученная AmberYifan модель Marin 8B Base для генерации текста, созданная на основе marin-community/marin-8b-base. По названию набора данных дообучение связано с финансовыми текстами, FinCoT и FinQA; карточка не описывает конкретные сценарии использования и результаты оценки. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 4096 токенов. Она принимает текст и генерирует текст; метаданные указывают поддержку чата. Базовая модель ориентирована на английский язык, но отдельные языковые возможности производной модели в карточке не уточнены. Модель опубликована в формате safetensors под лицензией other; условия лицензии следует уточнить в репозитории. README не приводит ограничений или результатов оценки, поэтому качество на финансовых задачах по имеющимся данным определить нельзя.

Карточка модели manelalab/chrono-bert-v1-20071231 на Hugging Face совпадает с карточкой manelalab/chrono-bert-v1-20061231, поэтому описание составлено по ней. ChronoBERT v1 2006-12-31 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом временной последовательности. Она обучена на датированных текстах, доступных до конца 2006 года, чтобы уменьшить утечку будущей информации и смещение заглядывания вперёд при работе с историческими данными. Модель построена на архитектуре ModernBERT и содержит 149 млн параметров; её контекст — до 8192 токенов. Основная задача по метаданным — предсказание замаскированных токенов. Также README показывает извлечение эмбеддингов и сообщает об оценке серии ChronoBERT на GLUE и задаче прогнозирования доходности акций. Модель подходит для исторического анализа текстов, экспериментов с финансовыми сигналами и языкового понимания, когда важно учитывать дату доступности обучающих данных. В README сообщается, что модели серии превзошли стандартный BERT на GLUE, однако эти результаты не гарантируют качество именно этой версии или её прибыльность в торговле. Лицензия — MIT.

Репозиторий OKTAYBBS содержит 34 обученные модели из портфолио проектов по машинному обучению на данных Kaggle. В карточке перечислены модели регрессии, классификации, кластеризации, обработки текста и компьютерного зрения; среди файлов указаны модели scikit-learn в формате pickle и модели TensorFlow/Keras. Модели предназначены для отдельных прикладных задач: прогнозирования цены золота и стоимости поездки, классификации оттока клиентов и качества вина, сегментации данных, анализа тональности и спама, а также распознавания пневмонии по изображениям и эмоций по лицам. Метаданные указывают задачу tabular-classification и библиотеку TensorFlow; лицензия репозитория — MIT. Карточка не раскрывает параметры всех моделей и детали подготовки данных, поэтому приведённые метрики относятся к указанным проектам и не гарантируют качество на новых данных.

EMA-TTS Improved — турецкая адаптация модели EMA-TTS для синтеза речи в банковской сфере и клиентском обслуживании. Модель дообучена на корпусе Antalia Voice Corpus с повышенным весом банковских записей; опубликованный чекпойнт представляет собой частичную интерполяцию дообученных и исходных весов, выбранную для сохранения плавности речи и качества окончаний фраз. Архитектура использует условный flow-matching акустический декодер; указанный в карточке базовой модели выходной звук имеет частоту 48 кГц. Модель преобразует турецкий текст в речь и особенно ориентирована на фразы о балансе, кредитах, картах, суммах и голосовом банкинге. В README приведены примеры синтеза банковских сообщений, но сравнительная проверка охватывала лишь четыре фразы и не является обобщённой оценкой качества. Перед применением в реальных банковских сценариях следует отдельно проверять числа, IBAN и окончания фраз на более широком наборе данных. Код и веса доступны по лицензии Apache-2.0; для обучающих данных Antalia Voice Corpus требуется сохранять атрибуцию по CC-BY-4.0. Синтетические записи следует обозначать как искусственно созданные.

Модель Isotonic/flan-t5-base-trading_candles — дообученная версия google/flan-t5-base, разработанная на наборе 0xMaka/trading-candles-subset-qa-format. Это модель семейства T5 с архитектурой encoder-decoder, содержащая 123,8 млн параметров; она генерирует текст по текстовому запросу, а длина контекста составляет 512 токенов. Модель предназначена для ответов на вопросы и генерации текста по данным о торговых свечах. В карточке приведены метрики оценки на тестовом наборе: loss 0,0061, ROUGE-1 88,37, ROUGE-2 86,86 и ROUGE-L 88,37. Эти результаты относятся к указанному набору оценки и не гарантируют качество на других данных. Языковая поддержка и условия лицензии в доступных сведениях не описаны.

GovRoBERTa-governance — модель на архитектуре RoBERTa, разработанная для классификации текстов об управленческих аспектах ESG. Её создали на основе GovRoBERTa-base и дополнительно дообучили на датасете из 2 тысяч примеров governance-текстов, чтобы выявлять тексты, относящиеся к этой теме. Модель содержит 151,8 млн параметров, принимает текст и выдаёт результат классификации; максимальный контекст — 514 токенов. В карточке указан английский язык и лицензия Apache-2.0. Модель предназначена для отбора и анализа корпоративных коммуникаций по теме корпоративного управления в рамках ESG-исследований и мониторинга. Авторы рекомендуют более быструю и менее требовательную к ресурсам GovernanceBERT-governance: её качество, по их описанию, лишь немного ниже.

JevOne — дообученная после базового обучения модель Juspay на основе Qwen/Qwen3.6-35B-A3B для типизированных задач принятия решений. Это причинная языковая модель с архитектурой Mixture of Experts и 35 млрд параметров; файлы модели представлены в формате safetensors. Она предназначена для классификации по заданным вариантам, бинарных решений и порядкового оценивания по состоянию и набору типизированных вопросов. Ответы включают вероятности или распределения вероятностей, а воспроизводимая конфигурация использует детерминированное считывание токенов-кандидатов, проверку прямого и обратного порядка вариантов, калибровку вероятностей и преобразование схемы. Модель обслуживается через совместимый с TypeSafe API `/v1/systemone`; README сообщает о локальной оценке на публичных уровнях JEVBench. Для запуска проверенной конфигурации README указывает SGLang, две видеокарты и примерно 66 ГБ файлов модели; требования к памяти KV-кэша существенны. Указана лицензия Apache-2.0. Карточка не приводит языки задач или отдельные ограничения точности, поэтому их нельзя уточнить по имеющимся данным.

M8 N0 Numeric Equity Ranking — числовая модель NeoZJX для ранжирования наблюдений «ценная бумага — поставщик данных — торговый день» на рынке акций США. Она принимает 48 числовых признаков, включая рыночные показатели, ликвидность, характеристики событий и издателей, а также индикаторы пропусков, и выдаёт непрерывный балл относительного предпочтения для каждого символа в пределах одного дня. Архитектура — компактная полносвязная сеть PyTorch с LayerNorm, слоями Linear шириной 64 и 32, GELU и Dropout; всего 5 345 параметров. Веса трёх временных фолдов сохранены в формате Safetensors. Программа вывода принимает CSV или Parquet и может работать на CPU или CUDA. Модель предназначена для поперечного ранжирования акций и анализа сигналов, построенных по историческим рыночным данным. README сообщает о валидации на 298 769 наблюдениях за 1 350 торговых дней со средним дневным IC 0,02088; эти результаты относятся к историческим выборкам и не подтверждают будущую доходность. Сравнение оценок между годами, поставщиками и версиями признаков требует отдельной проверки распределений. Модель и материалы репозитория распространяются по лицензии CC BY-NC 4.0 для исследований и образования; коммерческое использование лицензией не разрешено.

SEC-BERT-BASE — англоязычная модель семейства BERT, разработанная группой обработки естественного языка Афинского университета экономики и бизнеса (AUEB) для финансовых текстов. Это вариант архитектуры BERT-BASE, предварительно обученный на финансовых документах; модель содержит 136,3 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для восстановления скрытых слов в финансовых документах, включая отчётность компаний и числовые выражения, а также для исследований финансового NLP и приложений FinTech. В примерах карточки SEC-BERT-BASE точнее базового BERT-BASE предсказывает слова и значения в контексте финансовых показателей. Модель принимает текст и предсказывает пропущенные токены. Доступны веса PyTorch и TensorFlow. Лицензия — CC BY-SA 4.0.

AISA-AR-FunctionCall-FT — арабоязычная модель генерации структурированных вызовов инструментов, разработанная в рамках инициативы AISA и полностью дообученная на базе unsloth/functiongemma-270m-it. Она использует плотную архитектуру Gemma 3 с 257 млн параметров и контекстом до 32 768 токенов; модель принимает текстовые запросы на арабском языке и формирует вызовы функций в формате FunctionGemma для выполнения внешними приложениями. Модель предназначена для арабских ассистентов и агентных систем: она выбирает инструмент и извлекает аргументы из запросов на нескольких диалектах арабского языка. Области примеров включают путешествия, коммунальные услуги, исламские сервисы, погоду, здравоохранение, финансы, электронную торговлю и государственные услуги. На отложенной выборке из 5 079 примеров README приводит результаты для чистых положительных случаев, включая точность имени функции 0,6547 и совпадение полного вызова 0,3362. Модель не рассчитана на свободный общий диалог и чувствительные или критически важные решения без дополнительной проверки. Для корректной работы приложению требуется развернуть соответствующие инструменты и обрабатывать сгенерированные вызовы. Лицензия — Apache 2.0.

Marin 8B Base Finance Random B1000 S0 — дообученная AmberYifan модель на базе marin-community/marin-8b-base, созданная с использованием набора данных capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_random_b1000_s0. Это плотная авторегрессионная Llama-модель с 7,5 млрд параметров для генерации текста и диалогового взаимодействия. Контекстное окно — 4096 токенов; модель принимает текст и выдаёт текст. Название обучающего набора указывает на финансовые диалоги и ответы на вопросы, однако README не описывает конкретные сценарии или результаты оценки. Репозиторий распространяется в формате safetensors по лицензии other; условия этой лицензии следует уточнить в карточке модели.

lxyuan/distilgpt2-finetuned-finance — англоязычная модель генерации текста на архитектуре GPT-2, созданная дообучением distilgpt2 на объединении четырёх финансовых наборов данных: causal-lm/finance, finance-alpaca, финансовых новостей и публикаций Reddit о финансах. Она предназначена для генерации продолжений текста на финансовые темы и может использоваться для создания черновиков финансовых текстов и ответов в стиле обучающих данных. Модель принимает текст и выдаёт текст; размер контекста составляет 1024 токена. Модель распространяется под лицензией Apache-2.0. Специализация на финансовых данных не гарантирует точности фактов, расчётов или советов: результаты следует проверять, особенно перед использованием для принятия финансовых решений.

Eva-4B — плотная языковая модель на архитектуре Qwen3, разработанная Шицзянем Ма для выявления уклончивых ответов руководителей компаний на вопросы аналитиков во время публикации финансовых результатов. Она принимает пару «вопрос—ответ» на английском языке и относит её к одному из трёх классов: прямой ответ, частичное уклонение или полный уход от ответа. Модель дообучена всеми параметрами на 30 000 сбалансированных примеров из EvasionBench; исходная модель — Qwen/Qwen3-4B-Instruct-2507. Размер составляет 3,7 млрд параметров, контекст — до 262 144 токенов. Eva-4B предназначена для исследований и инструментов анализа качества корпоративных раскрытий и ответов на earnings calls. В README сообщается точность 81,3% на тесте из 1 000 примеров с человеческой разметкой; модель особенно часто путает прямые и частично уклончивые ответы. Она рассчитана на английские финансовые диалоги, а классификация промежуточного класса субъективна. Результаты следует проверять человеком и не использовать как финансовую рекомендацию. Модель распространяется по лицензии Apache-2.0.

indobert-detektif-pinjol — дообученная модель семейства BERT на базе indobenchmark/indobert-base-p1, разработанная для классификации текста, связанного с pinjol — индонезийскими онлайн-займами. Модель содержит 151,6 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Она предназначена для отнесения текста к классам в задаче, связанной с обнаружением или анализом pinjol. В README указаны accuracy 0,9375 и loss 0,2402 на оценочной выборке, однако описание классов, состав и источник данных, а также методика оценки не раскрыты. Базовая модель ориентирована на индонезийский язык; лицензия модели — MIT.

Navya-1C — плотная авторегрессионная языковая модель семейства Llama от Navya, обученная с нуля для финансовых сценариев с фокусом на Индию. Модель содержит около 1,31 млрд параметров, использует декодерную архитектуру с GQA и токенизатор на 64 тыс. токенов; длина контекста — 4096 токенов. Основной сценарий применения — ответы на вопросы о личных финансах в индийском контексте. Модель обучалась на корпусе, ориентированном на финансы, английский, хинди и хинглиш, а также другие индийские языки; карточка подтверждает английский и хинди. Это текстовая модель генерации, опубликованная в формате Safetensors и совместимая с Transformers. Лицензия — Apache-2.0. Разработчик указывает, что модель предназначена для исследований и не является источником инвестиционных рекомендаций.

qwen3.5-0.8b-finance — компактная текстовая причинно-следственная модель на архитектуре Qwen3.5, созданная siddhartha-addy-globalids-labs на базе Qwen/Qwen3.5-0.8B. В метаданных указаны 581,4 млн параметров, контекст до 262 144 токенов и библиотека Transformers. Модель дообучена с применением обобщённой дистилляции знаний (GKD) на датасете gbharti/finance-alpaca; в чекпойнк также слит LoRA-адаптер. Модель предназначена для генерации текста в финансовых сценариях, включая ответы на вопросы и диалог по финансовой тематике. Карточка сообщает о дистилляции от модели Qwen/Qwen3.5-2B с адаптером, однако не описывает качество, охват финансовых задач или поддерживаемые естественные языки. Доступные файлы safetensors загружаются через AutoModelForCausalLM без PEFT. Лицензия в предоставленных данных не указана. Как специализированную доработку компактной базовой модели её следует оценивать на целевых финансовых запросах перед практическим применением; фактическая точность и ограничения в README не приведены.

tjarvis91/vfaix-vpa-options-trader — слитая модель семейства Qwen3.5-9B-VL, разработанная для анализа опционных сделок и биржевых графиков. Она принимает изображения графиков на интервалах 1D, 1H и 5M вместе со структурированным рыночным контекстом и формирует торговую оценку BUY, SELL, HOLD или NO_TRADE с уверенностью и планом управления риском. Основные сценарии — распознавание графических паттернов, анализ объёма и цены (VPA), а также объединение визуальных и текстовых рыночных данных. README описывает историческую ветку Franken-B, собранную последовательным применением LoRA-адаптеров к Qwen3.5-9B-VL; метаданные также указывают слияние с tjarvis91/vfai-x-3.5-9b-options. Указаны архитектура Qwen3_5ForConditionalGeneration, формат safetensors и лицензия Apache-2.0. В README модель обозначена как устаревший путь для исследовательского воспроизведения: актуальное настольное приложение использует другой runtime, поэтому эта модель не является его текущим механизмом вывода. Модель ориентирована на англоязычный рынок акций и опционов США. Результаты бэктестов в карточке основаны на смещённых эталонных данных с нулём убыточных сделок по построению; авторы называют их верхними оценками, а walk-forward проверка ещё не завершена. Выводы модели не следует трактовать как прогноз доходности или финансовую рекомендацию.

CrudeBERT — модель классификации тональности заголовков новостей о сырой нефти, разработанная автором магистерской работы путём дообучения FinBERT. Она предназначена для отнесения новостных заголовков к положительной, отрицательной или нейтральной тональности в контексте факторов предложения и спроса, влияющих на рынок нефти WTI. Модель построена на архитектуре BERT, содержит 136,7 млн параметров и имеет контекст до 512 токенов; в примере из карточки для токенизации используется bert-base-uncased. CrudeBERT адаптирует финансовый анализ тональности к специфике нефтяного рынка и может служить источником сигналов для анализа поведения цен WTI. В работе отмечено, что тональность зависит от целевого актива, а практическая польза классификации для прогнозирования цен на нефть требует дальнейшего изучения. Для работы описан загрузчик на PyTorch и Transformers. Лицензия в предоставленных данных не указана.

FinOPT-Franklin — языковая модель Maya Philippines на архитектуре OPT, дообученная для ответов на вопросы по финансовой тематике. По карточке модели, её версия имеет 1,3 млрд параметров; метаданные указывают 1,7 млрд параметров и контекст до 2048 токенов. Модель предназначена для финансовых запросов, включая вопросы о банковских услугах, инвестициях и общих финансовых темах. Модель генерирует текстовые ответы и может использоваться в пользовательских справочных сценариях или NLP-приложениях финансовой тематики. Она дообучена на наборе вопросов и ответов, собранном из онлайн-источников и финансовых форумов и дополненном вручную. Доступны веса в форматах PyTorch и Safetensors. Ответы могут содержать смещения и фактические ошибки; у модели нет встроенной проверки фактов, а на темы вне финансовой области она может работать хуже. Не следует передавать ей конфиденциальные финансовые данные или полагаться на её ответы при принятии финансовых решений без проверки. Лицензия — CC BY-SA 4.0, требующая атрибуции и распространения производных материалов на тех же условиях.

Sumeetgpt разработал классификатор SetFit для автоматической категоризации описаний индийских банковских и карточных операций. Модель находит одну из 21 категорий личных финансов, включая продукты и питание, коммунальные платежи, поездки, зарплату, переводы между собственными счетами, платежи по кредитам и другие доходы или расходы. Она обрабатывает как банковские записи в форматах UPI, NEFT, IMPS, ACH и POS, так и обычные текстовые описания операций. В основе — дообученный энкодер предложений sentence-transformers/all-MiniLM-L6-v2 с классификационной головой LogisticRegression; модель содержит 25,9 млн параметров и использует библиотеку SetFit. Контекст — до 512 токенов. Обучение проводилось на 970 синтетических примерах без реальных пользовательских транзакций; автор сообщает точность 94,6% на отложенном синтетическом наборе и 90% на небольшом наборе вручную составленных описаний. Модель предназначена для локального учета личных финансов и выпущена под лицензией MIT. Оценки не подтверждены на реальных банковских выписках, поэтому результаты на практических данных могут отличаться. Некоторые зачисления, например проценты, дивиденды и кэшбэк, могут быть неоднозначны; для новых версий также следует учитывать, что появились три дополнительных класса.

KR-FinBert — корейская BERT-модель, разработанная для финансовой тематики. Авторы дополнительно предварительно обучили её на финансовых текстах, а затем настроили для анализа тональности. В обучающие данные вошли новости компаний и аналитические отчёты, а также корейская Википедия, общие новости, юридические тексты и комментарии. Модель имеет архитектуру BertForMaskedLM, содержит около 128,6 млн параметров и принимает текстовые последовательности длиной до 512 токенов. В опубликованном репозитории указаны веса PyTorch. Основной сценарий по карточке — предсказание замаскированных токенов; анализ тональности упомянут как задача настройки модели, но отдельный pipeline для него в метаданных отсутствует. Модель рассчитана на корейский язык и финансовые тексты. Карточка не сообщает условия лицензии и не описывает ограничения качества или области применения.

gxcsoccer/kronos-mlx-tokenizer-base — порт токенизатора Kronos-Tokenizer-base для Apple MLX, подготовленный разработчиком gxcsoccer на основе NeoQuasar/Kronos-Tokenizer-base. Модель использует бинарную сферическую квантизацию (BSQ), чтобы преобразовывать последовательности финансовых свечей OHLCV в иерархические дискретные токены для моделей прогнозирования семейства Kronos. Токенизатор предназначен для подготовки временных рядов финансовых данных к последующему прогнозированию и другим количественным задачам. Его используют совместно с MLX-предикторами Kronos, например gxcsoccer/kronos-mlx-small; библиотека реализации — kronos-mlx, веса представлены в формате safetensors и рассчитаны на Apple Silicon. Лицензия — MIT.

ESGBERT/SocialBERT-social — англоязычная модель классификации текстов в тематике социальной составляющей ESG, разработанная на основе SocialBERT-base. Авторы дополнительно дообучили её на наборе из 2 тысяч текстовых примеров, чтобы выявлять тексты, относящиеся к социальной тематике ESG. Модель построена на архитектуре RoBERTa, содержит 95,2 млн параметров и принимает последовательности длиной до 514 токенов. Её можно использовать для отбора и анализа социальных ESG-коммуникаций, в том числе в исследованиях измерения ESG. Модель распространяется в формате PyTorch по лицензии Apache-2.0.