IV.2Банки, платежи и инвестиции

sivasub987/iso20022-extract-53m — экспериментальная модель-декодер на 77,6 млн параметров, созданная с нуля для извлечения полей платежных документов и переписки в структурированный формат ISO 20022. Она использует 20 блоков трансформера с grouped-query attention, RoPE, SwiGLU и RMSNorm, а также дополнительную память на хешированных n-граммах и голову оценки уверенности. Модель загружает через Transformers и рассчитана на локальный запуск; контекст — 1024 токена. Основной сценарий — преобразование неструктурированного текста на английском языке в JSON с каноническими полями, например именами плательщика и получателя, IBAN, суммой, валютой, идентификатором платежа и сведениями о переводе. Карточка описывает её как proof of concept: шесть из девяти проверок проходят, точность полей составляет 71,7% при целевом уровне 90%, а доля документов, обработанных без ошибок, — 0% при цели 50%. Данные для обучения включали 3 800 документов; проза синтетическая, поэтому качество на реальной переписке может быть ниже. Модель не должна самостоятельно разрешать платежи; необходима проверка человеком. Распространяется по лицензии Apache-2.0. README описывает обучение с нуля, при этом схема обучения упоминает возможного учителя для дистилляции; сведений, подтверждающих, что этот чекпойнт действительно дистиллирован, нет.

NeoQuasar/Kronos-Tokenizer-2k — специализированный токенизатор для семейства Kronos, разработанного для финансовых временных рядов в виде свечей K-line. Он преобразует многомерные непрерывные данные OHLCV в иерархические дискретные токены для подачи в авторегрессионные модели Kronos. В README для связанной модели Kronos-mini указаны 4,1 млн параметров и контекст 2048 токенов; эти характеристики относятся к модели, а не к самому токенизатору. Токенизатор входит в двухэтапную систему, предназначенную для прогнозирования ценовых рядов и волатильности, а также генерации синтетических финансовых данных. Семейство Kronos предварительно обучено на более чем 12 млрд свечей с 45 бирж; README описывает работу в zero-shot сценариях. Вход — рыночные данные OHLCV, выход токенизатора — дискретные токены. Репозиторий использует формат safetensors и библиотеку PyTorch; лицензия — MIT. Качество прогноза зависит от данных и рыночных условий, а README не приводит количественных гарантий точности.

Logun-base — дообученная модель на базе Itau-Unibanco/NorBERTo-base, разработанная heitorrosa. Это плотный энкодер ModernBERT с 149 млн параметров, предназначенный для задачи заполнения пропусков в тексте. Для адаптации указаны датасеты cvm-corpus и financial-sentiment-pt; README приводит значение loss 0,4919 на оценочном наборе, но не описывает его состав и протокол оценки. Модель рассчитана на бразильский португальский язык и поддерживает контекст до 8192 токенов. Весы опубликованы в формате safetensors как PEFT-адаптер, поэтому для использования требуется базовая модель Itau-Unibanco/NorBERTo-base. Лицензия — CC BY-NC-SA 4.0, с условиями атрибуции, распространения производных работ на тех же условиях и ограничением коммерческого использования.

Sunbird-2-sunbird-gikuyu-financial — дообученная Sunbird модель распознавания речи на основе Whisper large-v3. Она предназначена для преобразования аудиозаписей на языке кикуйю в текст, в том числе в финансовом контексте; сведения о специальной финансовой терминологии и обучающем наборе данных в карточке не раскрыты. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и распространяется в формате Safetensors через библиотеку Transformers. В оценке на наборе данных указаны WER 64,18 и CER 43,56, что говорит о заметных ошибках распознавания и необходимости проверки результата, особенно для важных финансовых записей. Базовая модель обучена распознавать 51 африканский язык, а также английский и французский с африканскими акцентами, но для этой версии подтверждено назначение для кикуйю. Лицензия — Apache-2.0.

kimhyeongjun разработал эту экспериментальную модель как личный проект к корейскому празднику Чхусок. Это дообученная версия диалоговой модели NousResearch/Hermes-3-Llama-3.1-8B на синтетическом наборе из 21 тысячи финансовых примеров; архитектура — плотная Llama, размер — около 7,5 млрд параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов и предназначена для общения на корейском языке по финансовым темам. Модель подходит для ответов на вопросы по финансам и консультационных диалогов на корейском языке. Данные были собраны из финансовых PDF, очищены и преобразованы в синтетические примеры; качество примеров оценивали отдельными моделями. Автор не приводит результатов оценки самой модели, поэтому её точность и надёжность в финансовых сценариях не подтверждены. Лицензия — Llama 3.1.

Qwen3.5-Trading-Agent — дообученная Infraxa методом GRPO языковая модель на архитектуре Qwen3.5-35B-A3B MoE. Она предназначена для агентной торговли в сети Solana: анализа ончейн-данных и сигналов рынков прогнозов, выбора маршрутов обмена, оценки позиций и формирования инструкций для сделок. В обучении использовались данные транзакций Solana, результаты и коэффициенты рынков прогнозов, а также журналы исполнения сделок. Модель имеет около 35 млрд параметров по README и 2,9 млрд по метаданным; архитектура активирует часть экспертов при каждом проходе. Метаданные указывают контекст до 262 144 токенов. Модель генерирует текст и рассчитана на интеграцию с агентным исполнительным слоем Infraxa. Карточка заявляет обучение на торговых данных, но не приводит количественных оценок качества. Репозиторий распространяется по лицензии Apache-2.0. Авторы предупреждают, что модель не является финансовой рекомендацией и не должна быть единственной основой для торговых решений.

gamug/sec-bert-finer-ord-ner — англоязычная модель для распознавания именованных сущностей в финансовых новостях, стенограммах звонков о доходах и текстах в стиле документов SEC. Её разработал автор репозитория как дообучение nlpaueb/sec-bert-base на наборе FiNER-ORD. Модель находит имена людей (PER), мест (LOC) и организаций (ORG), классифицируя токены текста. Это BERT-модель с 136,3 млн параметров и максимальной длиной последовательности 512 токенов. Для длинных документов их следует делить на предложения или абзацы и объединять результаты с учетом смещений фрагментов. При объединении BIO-меток важно учитывать границы WordPiece: README рекомендует стратегию агрегации first, поскольку продолжения токенов получали игнорируемые метки при обучении. На тестовой части FiNER-ORD указаны F1 0,770, точность 0,741 и полнота 0,802. Модель специализирована на финансовых текстах и не предназначена для других языков или коммерческого использования. Лицензия — CC-BY-NC-4.0; README также характеризует работу как академическое упражнение и не рекомендует производственное развертывание.

Карточка модели SejongKRX/Sejong-Qwen-test-v3 на Hugging Face совпадает с карточкой SejongKRX/RevThink-Sejong-Qwen-Base-v1, поэтому описание составлено по ней. SejongKRX/RevThink-Sejong-Qwen-Base-v1 — модель генерации текста, разработанная SejongKRX путём дообучения unsloth/qwen2.5-7b-bnb-4bit. Это плотная причинно-языковая модель семейства Qwen2 с 7,1 млрд параметров и контекстом до 131 072 токенов. В карточке указаны обучение с Unsloth и библиотекой Hugging Face TRL, а среди метаданных — набор gyung/RevThink-financial-mmlu-ko, ориентированный на финансовые вопросы на корейском языке. Модель предназначена для генерации ответов и рассуждений в текстовом формате; вероятный сценарий применения — финансовые вопросы на корейском языке. Лицензия — Apache-2.0. Карточка не приводит оценок качества и подробных результатов обучения, поэтому надёжность ответов в финансовых сценариях по доступным сведениям не установлена.

FinLongformer — англоязычный финансовый и количественный текстовый энкодер, созданный дообучением Allen Institute for AI модели allenai/longformer-base-4096 методом masked language modeling. Он предназначен как отправная точка для разработки и проверки моделей понимания финансовых документов; сохраняет MLM-голову и принимает последовательности до 4096 токенов. Архитектура Longformer включает 12 слоёв и 768-мерные представления токенов, всего около 151,8 млн параметров. Обучение продолжено на англоязычных повествовательных разделах SEC 10-K, материалах Федеральной резервной системы и текстах по количественным финансам. Модель подходит для предсказания замаскированных токенов и получения текстовых представлений длинных финансовых документов, но для прикладных задач потребуется подобрать и проверить отдельную голову или способ pooling. Лицензия — Apache-2.0. Валидационные показатели относятся к выборке финансовых текстов, использованной при выборе чекпойнта, а независимого закрытого тестирования и доказательств улучшения на последующих задачах нет. Не проверены сохранение качества на общих текстах и результаты финансовых бенчмарков; MLM-оценки не подтверждают числовое рассуждение или доходность торговых стратегий.

FLANG-Roberta — предварительно обученная языковая модель для финансового текста из семейства FLANG, разработанного SALT-NLP. Она основана на RoBERTa и дополнительно обучена на финансовом домене; при обучении маскирование с приоритетом отдавалось финансовым терминам и устойчивым выражениям, чтобы улучшить представления специализированной лексики. Модель содержит 162,4 млн параметров, использует архитектуру RobertaForMaskedLM и принимает текст, предсказывая замаскированные токены. Длина контекста составляет 130 токенов. Модель предназначена для заполнения пропусков в финансовых текстах и может служить основой для разработки систем понимания финансового языка. В описании семейства FLANG упомянуты задачи анализа тональности, классификации заголовков, ответов на вопросы, распознавания именованных сущностей и определения границ структурных единиц; это сценарии финансового бенчмарка FLUE, а не подтверждённые отдельные pipeline-задачи данного чекпойнта. Основной язык модели — английский. Доступные сведения не содержат условий лицензии, поэтому условия использования по ним установить нельзя.

NeoQuasar/Kronos-Tokenizer-base — специализированный токенизатор из семейства Kronos для преобразования финансовых свечных данных K-line в дискретные токены. Он квантует многомерные OHLCV-данные, сохраняя сведения о динамике цены и торговой активности, чтобы их можно было подавать в авторегрессионные модели Kronos. Токенизатор обучен в рамках проекта, основанного на данных более чем 12 миллиардов свечей с 45 бирж; формат весов — safetensors, лицензия — MIT. Компонент предназначен для подготовки исторических рыночных рядов для прогнозирования цены и волатильности, а также генерации синтетических финансовых данных в связке с моделью Kronos. В README для связанной модели Kronos-small указаны контекст 512 токенов и 24,7 млн параметров, а для Kronos-base — 512 токенов и 102,3 млн параметров; эти размеры относятся к языковым моделям семейства, а не к самому токенизатору. Токенизатор принимает числовые временные ряды свечей и выдаёт дискретные токены. Результат зависит от базовой прогнозной модели и качества исходных рыночных данных; финансовые прогнозы не гарантируют точности.

SocRoBERTa-social — модель семейства RoBERTa, разработанная командой ESGBERT для классификации текстов социальной тематики в области ESG. Она дообучена на базе SocRoBERTa-base на датасете из 2 тысяч социальных текстов и предназначена для распознавания текстов, относящихся к социальной составляющей ESG. Модель принимает текст и выдаёт результат классификации. Архитектура — RobertaForSequenceClassification, размер — 151,8 млн параметров, максимальный контекст — 514 токенов. В карточке указана поддержка английского языка. Модель опубликована под лицензией Apache-2.0. Карточка отмечает, что SocialBERT-social работает быстрее, требует меньше ресурсов и лишь немного уступает SocRoBERTa-social по качеству. Описание не приводит конкретных метрик качества или подробностей о классах классификации.

HyperCLOVA X SEED Think-14B SFT 71610 Correct Minimal — плотная языковая модель на 14,1 млрд параметров, созданная автором репозитория дообучением HyperCLOVAX-SEED-Think-14B. LoRA-адаптер обучен на подмножестве из 803 примеров AI Hub Dataset 71610 по финансовым и юридическим вопросам множественного выбора, где исходная модель уже отвечала правильно; затем адаптер объединён с базовой моделью. Модель предназначена для генерации текста и диалоговых ответов, в частности для выбора ответа A/B/C/D в финансовых и юридических MRC-задачах. Она принимает текст, поддерживает контекст до 131 072 токенов и рассчитана прежде всего на корейский язык. Весы доступны в формате BF16 safetensors и загружаются через Transformers без отдельного адаптера или пользовательского кода модели. В README не приведены результаты бенчмарков для этой версии. Обучение ограничено небольшой выборкой из одного набора данных, а модель не гарантирует точность и не должна быть единственным основанием для медицинских, юридических или финансовых решений. Лицензия указана как иная; применяются соглашение NAVER HyperCLOVA X SEED 14B Think Model License Agreement и условия использования исходных данных AI Hub, поэтому перед применением нужно ознакомиться с LICENSE и NOTICE репозитория.

Карточка модели jeckmy/Kronos-base на Hugging Face совпадает с карточкой NeoQuasar/Kronos-Tokenizer-base, поэтому описание составлено по ней. NeoQuasar/Kronos-Tokenizer-base — специализированный токенизатор из семейства Kronos для преобразования финансовых свечных данных K-line в дискретные токены. Он квантует многомерные OHLCV-данные, сохраняя сведения о динамике цены и торговой активности, чтобы их можно было подавать в авторегрессионные модели Kronos. Токенизатор обучен в рамках проекта, основанного на данных более чем 12 миллиардов свечей с 45 бирж; формат весов — safetensors, лицензия — MIT. Компонент предназначен для подготовки исторических рыночных рядов для прогнозирования цены и волатильности, а также генерации синтетических финансовых данных в связке с моделью Kronos. В README для связанной модели Kronos-small указаны контекст 512 токенов и 24,7 млн параметров, а для Kronos-base — 512 токенов и 102,3 млн параметров; эти размеры относятся к языковым моделям семейства, а не к самому токенизатору. Токенизатор принимает числовые временные ряды свечей и выдаёт дискретные токены. Результат зависит от базовой прогнозной модели и качества исходных рыночных данных; финансовые прогнозы не гарантируют точности.

Карточка модели PeachyVibes/Kronos-base на Hugging Face совпадает с карточкой NeoQuasar/Kronos-Tokenizer-base, поэтому описание составлено по ней. NeoQuasar/Kronos-Tokenizer-base — специализированный токенизатор из семейства Kronos для преобразования финансовых свечных данных K-line в дискретные токены. Он квантует многомерные OHLCV-данные, сохраняя сведения о динамике цены и торговой активности, чтобы их можно было подавать в авторегрессионные модели Kronos. Токенизатор обучен в рамках проекта, основанного на данных более чем 12 миллиардов свечей с 45 бирж; формат весов — safetensors, лицензия — MIT. Компонент предназначен для подготовки исторических рыночных рядов для прогнозирования цены и волатильности, а также генерации синтетических финансовых данных в связке с моделью Kronos. В README для связанной модели Kronos-small указаны контекст 512 токенов и 24,7 млн параметров, а для Kronos-base — 512 токенов и 102,3 млн параметров; эти размеры относятся к языковым моделям семейства, а не к самому токенизатору. Токенизатор принимает числовые временные ряды свечей и выдаёт дискретные токены. Результат зависит от базовой прогнозной модели и качества исходных рыночных данных; финансовые прогнозы не гарантируют точности.

Модель AmberYifan/capsd-convfinqa-fullscore-marin-8b-base-finance_cap_b4000_s0 — дообученная версия Marin 8B Base на наборе данных capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_cap_b4000_s0. Это плотная авторегрессионная Llama-модель с 7,5 млрд параметров, предназначенная для генерации текста в диалоговом режиме. Контекст составляет до 4096 токенов; модель загружается через Transformers в формате safetensors. Название обучающего набора указывает на финансовый диалоговый вопросно-ответный сценарий, однако README не описывает конкретные способности, методику обучения или результаты оценки. Базовая Marin 8B Base ориентирована на английский язык, поэтому применение модели для других языков не подтверждено. Лицензия указана как other; конкретные условия использования в карточке не раскрыты.

FinShibainu — языковая модель aiqwe для вопросов и генерации текста по финансовой и бухгалтерской тематике. Она создана на базе Qwen2.5-7B-Instruct и дообучена с помощью LoRA (r=8, alpha=64); модель имеет 7,1 млрд параметров, архитектуру Qwen2 и контекст до 32 768 токенов. Вес опубликован в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для ответов на вопросы, многошаговых вопросов с выбором ответа и работы с финансовыми справочными материалами. В README отмечено, что ответы точнее при передаче справочного фрагмента вместе с вопросом; без него ответы могут быть короче и менее разнообразны. Карточка описывает обучение преимущественно на корейских финансовых и экономических материалах, поэтому основным языком модели следует считать корейский. Для инференса автор приводит пример использования vLLM и указывает RTX 3090 или более мощный GPU как типичную конфигурацию.

Карточка модели fdfsdfdsf/Kronos-base на Hugging Face совпадает с карточкой NeoQuasar/Kronos-Tokenizer-base, поэтому описание составлено по ней. NeoQuasar/Kronos-Tokenizer-base — специализированный токенизатор из семейства Kronos для преобразования финансовых свечных данных K-line в дискретные токены. Он квантует многомерные OHLCV-данные, сохраняя сведения о динамике цены и торговой активности, чтобы их можно было подавать в авторегрессионные модели Kronos. Токенизатор обучен в рамках проекта, основанного на данных более чем 12 миллиардов свечей с 45 бирж; формат весов — safetensors, лицензия — MIT. Компонент предназначен для подготовки исторических рыночных рядов для прогнозирования цены и волатильности, а также генерации синтетических финансовых данных в связке с моделью Kronos. В README для связанной модели Kronos-small указаны контекст 512 токенов и 24,7 млн параметров, а для Kronos-base — 512 токенов и 102,3 млн параметров; эти размеры относятся к языковым моделям семейства, а не к самому токенизатору. Токенизатор принимает числовые временные ряды свечей и выдаёт дискретные токены. Результат зависит от базовой прогнозной модели и качества исходных рыночных данных; финансовые прогнозы не гарантируют точности.

SejongKRX/RevThink-Sejong-Qwen-Instruct-v1 — дообученная SejongKRX модель семейства Qwen2 для генерации текста и диалогов. Она создана на базе unsloth/qwen2.5-7b-instruct-bnb-4bit с использованием Unsloth и библиотеки TRL; размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для текстовых запросов и ответов в разговорном формате. В метаданных указан датасет RevThink-financial-mmlu-ko, что указывает на финансовые вопросы на корейском языке как область обучения, однако карточка не описывает конкретные результаты или гарантированные финансовые возможности модели. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Основные ограничения: описание не приводит оценок качества, подробностей обучения или проверок ответов; финансовые выводы модели требуют независимой проверки.

THaLLE-0.1-7B-fa — дообученная модель KBTG-Labs на архитектуре Qwen2, созданная для воспроизведения результатов технического отчёта. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров с контекстом до 32 768 токенов и режимом диалога. В карточке приведены сравнения результатов на внутренних финансовых тестах 2020 и 2024 годов и на наборе Flare CFA. Модель предназначена для генерации текста в финансовых сценариях, в частности для ответов на финансовые вопросы и работы с тестами, использованными в отчёте. README указывает, что она является дообучением Qwen/Qwen2-7B-Instruct; метаданные отмечают английский язык и тег finance. Для запуска требуется transformers версии 4.37.0 или новее. Чекпойнт обозначен как рабочая версия для воспроизведения результатов; распространяется по лицензии Apache-2.0.

FinBERT Indonesia — классификатор тональности финансовых новостей на индонезийском языке, разработанный Michael Manurung. Это дообученная версия ProsusAI/finbert на примерно 500 вручную размеченных заголовках из индонезийских источников; архитектура основана на BERT с классификационной головой для трёх классов: положительный, нейтральный и отрицательный. Модель принимает текст и выдаёт метку тональности. Размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для анализа тональности заголовков финансовых новостей на Bahasa Indonesia, например для выявления оптимистичных, нейтральных и негативных сообщений о рынке, компаниях и экономических событиях. В README приведена оценка на бенчмарке индонезийского финансового анализа тональности: accuracy 0,299 и F1 0,276; эти результаты указывают на ограниченное качество и необходимость проверки на целевых данных. Выпущена под лицензией MIT.

Карточка модели ChangChi7/Kronos-base на Hugging Face совпадает с карточкой NeoQuasar/Kronos-Tokenizer-base, поэтому описание составлено по ней. NeoQuasar/Kronos-Tokenizer-base — специализированный токенизатор из семейства Kronos для преобразования финансовых свечных данных K-line в дискретные токены. Он квантует многомерные OHLCV-данные, сохраняя сведения о динамике цены и торговой активности, чтобы их можно было подавать в авторегрессионные модели Kronos. Токенизатор обучен в рамках проекта, основанного на данных более чем 12 миллиардов свечей с 45 бирж; формат весов — safetensors, лицензия — MIT. Компонент предназначен для подготовки исторических рыночных рядов для прогнозирования цены и волатильности, а также генерации синтетических финансовых данных в связке с моделью Kronos. В README для связанной модели Kronos-small указаны контекст 512 токенов и 24,7 млн параметров, а для Kronos-base — 512 токенов и 102,3 млн параметров; эти размеры относятся к языковым моделям семейства, а не к самому токенизатору. Токенизатор принимает числовые временные ряды свечей и выдаёт дискретные токены. Результат зависит от базовой прогнозной модели и качества исходных рыночных данных; финансовые прогнозы не гарантируют точности.

Карточка модели shangwei302/Kronos-Tokenizer-2k на Hugging Face совпадает с карточкой NeoQuasar/Kronos-Tokenizer-base, поэтому описание составлено по ней. NeoQuasar/Kronos-Tokenizer-base — специализированный токенизатор из семейства Kronos для преобразования финансовых свечных данных K-line в дискретные токены. Он квантует многомерные OHLCV-данные, сохраняя сведения о динамике цены и торговой активности, чтобы их можно было подавать в авторегрессионные модели Kronos. Токенизатор обучен в рамках проекта, основанного на данных более чем 12 миллиардов свечей с 45 бирж; формат весов — safetensors, лицензия — MIT. Компонент предназначен для подготовки исторических рыночных рядов для прогнозирования цены и волатильности, а также генерации синтетических финансовых данных в связке с моделью Kronos. В README для связанной модели Kronos-small указаны контекст 512 токенов и 24,7 млн параметров, а для Kronos-base — 512 токенов и 102,3 млн параметров; эти размеры относятся к языковым моделям семейства, а не к самому токенизатору. Токенизатор принимает числовые временные ряды свечей и выдаёт дискретные токены. Результат зависит от базовой прогнозной модели и качества исходных рыночных данных; финансовые прогнозы не гарантируют точности.

MESIE-Voice2Text-v1 — компактная модель распознавания речи от ItsNotAI LABS, представленная как Transformer с многоголовым self-attention и обучаемыми параметрами для работы с мел-спектрограммами. По описанию разработчика, модель предназначена для голосовой диктовки и разбора намерений, включая извлечение команд для финансового терминала и голосовые сценарии трейдеров. В метаданных указано 917,5 тыс. параметров; README отдельно приводит 845 121 обучаемый параметр и 640 000 элементов буфера позиционного кодирования. Модель распространяется в форматах PyTorch и safetensors. В README приведены результаты проверки: точность и precision 0,5, validation loss по MSE 1,36049 и задержка инференса 3,207 мс. Эти показатели не уточняют условия оценки и не подтверждают качество распознавания в других сценариях. Языки и длина контекста не заявлены. Лицензия — Apache-2.0.

NeuralStock-7B-v2 — объединённая диалоговая языковая модель, созданная Kukedlc с помощью LazyMergekit на основе Mistral-7B-Instruct-v0.2, NeuralAlgo-7B-DPO, NeuralStock-7B и Zebrafish-7B. Модель использует архитектуру Mistral с плотной сетью и содержит 7,1 млрд параметров; заявленная длина контекста — до 32 768 токенов. Модель предназначена для генерации текста и ответов в диалоговом формате. Её можно использовать для общения с ассистентом и выполнения текстовых инструкций; имя и состав объединённых моделей указывают на специализацию исходных компонентов на финансовой тематике и алгоритмической торговле, но README не описывает конкретные возможности или качество в этих областях. В репозитории указаны веса Safetensors и формат bfloat16. Лицензия в предоставленных данных не указана.

Модель PPO (Proximal Policy Optimization), обученная на Stable-Baselines3 для торговли золотом против доллара США (XAUUSD) на 15-минутных данных. Она получает рыночные признаки, включая логарифмическую доходность, RSI, скользящие средние, полосы Боллинджера, MACD и индикаторы объёма, и выдаёт торговые действия в пользовательской среде Gym. Модель обучалась на исторических данных XAUUSD за 2004–2025 годы в течение 1 000 000 шагов. В README приведены результаты тестирования, включая среднюю дневную прибыль, долю прибыльных сделок, просадку и коэффициент Шарпа; эти показатели относятся к описанному тесту и не гарантируют аналогичных результатов в реальной торговле. Для запуска нужны торговая среда и статистики VecNormalize; веса доступны в формате SafeTensors. Лицензия — MIT.

TensorVizion/distillgpt2-turbo — дообученная TensorVizion модель семейства GPT-2 на базе distilbert/distilgpt2, предназначенная для генерации текста и ответов на вопросы по финансовым технологиям. Она использует архитектуру GPT2LMHeadModel и формат весов safetensors; заявленная длина контекста — 1024 токена. Карточка описывает применение для вопросов и ответов в финтехе, но не приводит сведения о составе обучающих данных или результатах оценки. Модель можно использовать для генерации ответов на финтех-вопросы и для локальных экспериментов с текстовой генерацией через Transformers. В README заявлен запуск на обычном компьютере с 2 ГБ оперативной памяти, однако условия такого запуска и требуемое оборудование не уточнены. Лицензия в доступных данных не указана.

abhilash1910/financial_roberta — маскированная языковая модель на архитектуре RoBERTa, обученная разработчиком на корпусе Financial PhraseBank. Она предназначена для предсказания скрытых токенов в финансовых фразах и может использоваться для анализа контекста и подготовки текстовых признаков в финансовой тематике. Модель содержит 99,6 млн параметров, включает 6 слоёв трансформера и 12 голов внимания, использует словарь из 56 000 токенов и поддерживает контекст до 514 токенов. Модель рассчитана на работу с текстом и выдаёт вероятности возможных подстановок вместо маскированных фрагментов. В карточке указана загрузка через Transformers; доступны веса в форматах PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

Kuvera-14B-v0.1.0 — языковая модель Akhil-Theerthala для ответов на вопросы о личных финансах и финансовых сценариях. Она дообучена методом LoRA на наборе PersonalFinance_v2 и основана на DeepSeek-R1-Distill-Qwen-14B с архитектурой Qwen2. Модель содержит 14 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. В README указан английский язык. Модель предназначена для разбора финансовых запросов, объяснения понятий и подготовки ответов, требующих контекстного анализа и многошаговых рассуждений. Доступна по лицензии MIT. Автор отмечает, что оценка качества ещё проводится; набор дообучения содержит около 7 тысяч примеров, поэтому модель может ошибаться, отражать смещения данных и хуже справляться с нишевыми темами или задачами вне личных финансов. Её знания могут не учитывать актуальные события, правила и продукты.

Navya-1b-sft-v9 — языковая модель семейства Navya от Navyam AI, разработанная с нуля и дообученная методом supervised fine-tuning на корпусе с финансовыми материалами об Индии. Модель имеет плотную архитектуру LlamaForCausalLM и 337,6 млн параметров; для работы указана библиотека Transformers, а веса опубликованы в формате safetensors. Контекст составляет 4096 токенов. Модель предназначена для ответов на вопросы о личных финансах в индийском контексте. В обучающий корпус входили финансовые тексты на английском, хинди, хинглише и других языках Индии; метаданные явно отмечают английский и хинди. README характеризует её как исследовательскую модель и предупреждает, что ответы не являются инвестиционной рекомендацией. Лицензия — Apache-2.0.