IV.2Банки, платежи и инвестиции

khazarai/Personal-Finance-R2 — языковая модель на базе Qwen3-1.7B, дообученная для диалоговых инструкций по личным финансам. Она предназначена для ответов на вопросы о бюджете, сбережениях, инвестициях, кредитах, пенсии, страховании и базовом финансовом планировании. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров, принимает текст и выдаёт текст; указанное окно контекста — 40 960 токенов. Карточка описывает обучение на наборе Kuvera-PersonalFinance-V2.1 и применение в финансовых чат-ботах и образовательных помощниках. Репозиторий использует формат safetensors и библиотеку Transformers. Метаданные указывают лицензию Apache-2.0. Русский язык среди заявленных языков не указан. Модель может помогать с общими финансовыми вопросами, но не заменяет лицензированного финансового консультанта. Её ответы могут быть обобщёнными или содержать ошибки и не обязательно учитывают региональные законы, правила и финансовые продукты. README указывает лицензию MIT, что расходится с метаданными Hugging Face; условия использования следует проверять по актуальной лицензии репозитория.

Это дообученная модель AmberYifan на базе marin-community/marin-8b-base с архитектурой LlamaForCausalLM и 7,5 млрд параметров. В README указано, что при обучении использовалась выборка capsd_marin-8b-base-n6000-finance-fincot-finqa-clean6k__mix_finance_cap_b1000_s0, что указывает на адаптацию к финансовым данным и задачам вопросов и ответов по финансовым темам. Модель предназначена для генерации текста и диалогового взаимодействия; заявленная длина контекста — 4096 токенов. Карточка не сообщает результаты оценки, конкретные сценарии применения или ограничения качества. Базовая Marin 8B Base описана как англоязычная, поэтому поддержку русского языка этой производной модели подтвердить нельзя. Лицензия указана как other; конкретные условия следует проверять в репозитории модели.

Navya-1a — базовая языковая модель второго поколения, разработанная Navya и обученная с нуля на корпусе с упором на Индию, включая финансовые материалы и тексты на английском, хинди, хинглише и других индийских языках. Модель предназначена для генерации текста и ответов на вопросы о личных финансах в индийском контексте. Модель использует плотную архитектуру Llama с классом LlamaForCausalLM и библиотеку Transformers. В метаданных указано 151 млн параметров, а нативное контекстное окно составляет 2048 токенов; README указывает приблизительную оценку размера около 100 млн параметров. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Карточка позиционирует модель как исследовательскую и предупреждает, что ответы не являются инвестиционными рекомендациями. Хотя обучение велось на многоязычном индийском корпусе, карточка не перечисляет конкретные поддерживаемые языки помимо английского и хинди в метаданных.

Sovereign-Yield-Arbitrage-v1 — модель ItsNotAI LABS на архитектуре Transformer с многоголовым механизмом внимания, предназначенная для управления ликвидностью и распределения казначейского капитала в DeFi и корпоративных системах. Модель заявлена для анализа ставок доходности в разных протоколах и выбора маршрута размещения средств с учётом APY, распределения капитала и газа. В README указаны 796 036 обучаемых параметров, обучение AdamW в течение 10 эпох на доменных датасетах и размер файла чекпойнта 5,5 МБ. Метаданные Hugging Face указывают 917,5 тыс. параметров и pipeline feature-extraction; карточка также сообщает об Apache-2.0. README приводит validation loss 0,0041, точность 1,0 и задержку инференса 1,276 мс, но не описывает наборы данных, протокол оценки или ограничения применимости этих метрик. Модель принимает текстовые признаки и выдаёт признаки для последующего использования; детали формата входных данных и длины контекста не приведены.

EnvironmentalBERT-environmental — модель на базе RoBERTa, разработанная для классификации экологических текстов в сфере ESG. Она создана дополнительным дообучением EnvironmentalBERT-base на наборе из примерно 2 тысяч экологических примеров и предназначена для обнаружения текстовых фрагментов, относящихся к экологической тематике. Модель подходит для автоматической разметки экологических сообщений и анализа экологической составляющей ESG-коммуникаций. Она принимает текст на английском языке и выдаёт результат классификации. Число параметров — 95,2 млн, максимальный контекст — 514 токенов; формат весов — PyTorch. Модель выпущена под лицензией Apache-2.0. Её специализация и небольшой объём обучающего набора означают, что качество на иных доменах и типах текстов может быть ограничено; для критически важных выводов результаты следует проверять.

Navya-1c-sft-dpo-grpo-reasoning — языковая модель Navyam AI (Bachatt) на архитектуре Llama с 1,31 млрд параметров. Это версия семейства Navya-1c, дообученная на личных финансах в Индии и прошедшая SFT, DPO, GRPO и дистилляцию рассуждений с помощью локально запущенной модели deepseek-r1:14b. Модель принимает текстовые запросы и генерирует ответы с пошаговым рассуждением; контекст — 4096 токенов. Модель предназначена для вопросов о сбережениях, SIP-инвестициях, кредитах, кредитной истории, страховании и налогах в Индии. Заявленные языки — английский и хинди с Hinglish; метаданные также отмечают поддержку бенгальского, тамильского, телугу, маратхи, гуджарати, каннада, малаялам, панджаби, ория, ассамского и урду. Это исследовательский proof-of-concept, а не готовая к производству модель: она обучалась на небольшом специализированном наборе данных и переобучилась, поэтому качество ответов может быть ненадёжным. В README отдельно указано, что ответы не являются инвестиционной рекомендацией. Лицензия — Apache-2.0.

DeepHermes Financial Fundamentals Prediction Specialist — экспериментальная языковая модель Nous Research, дообученная с помощью обучения с подкреплением в стеке Atropos. Модель основана на Meta-Llama-3.1-8B, имеет около 7,5 млрд параметров и предназначена для прогнозирования направления финансовых показателей с использованием пошагового аналитического рассуждения. Она работает с текстом, поддерживает английский язык и имеет контекстное окно до 131 072 токенов. Модель ориентирована на задачи финансового анализа, а не на общее использование. В описании сообщается о росте точности определения направления показателя примерно с 20% до 50% на обучающей выборке; это не подтверждает аналогичное качество на новых данных. Артефакт обозначен как экспериментальный, а лицензия — Llama 3.

Shadowell/Kairos-base-crypto — дообученная модель семейства Kronos, созданная с помощью Kairos для прогнозирования криптовалютных временных рядов. Она обучена на минутных свечах BTC/USDT и ETH/USDT за период с января 2024 по апрель 2026 года. Архитектура включает базовую Kronos, дополнительный канал экзогенных признаков размерностью 32 и голову для квантильного прогнозирования доходности. Модель предназначена для прогнозов на основе рыночных временных рядов; в карточке приведены результаты тестирования на минутных данных за январь—апрель 2026 года. Из 32 экзогенных признаков пять криптовалютных признаков были заполнены нулями из-за источника данных, остальные 27 использовались как реальные значения. Обучение остановлено на четвёртой эпохе; на приведённом тесте результаты дообученной версии по часовому горизонту уступили исходной Kronos-base по hit rate, rank IC и ICIR. Модель использует PyTorch и опубликована в формате safetensors. Лицензия — MIT. README указывает токенизатор NeoQuasar/Kronos-Tokenizer-base и пример загрузки через библиотеку Kairos.

cool9203/Llama3.1-8B-Chinese-Chat-iii_finance-ctx_1024 — дообученная плотная авторегрессионная чат-модель на архитектуре Llama 3.1, созданная на базе shenzhi-wang/Llama3.1-8B-Chinese-Chat. В метаданных указано 7,5 млрд параметров и контекст до 131 072 токенов; README приводит параметр context_length 1024 для описанного режима обучения. Модель предназначена для генерации текста и ответов на вопросы с использованием предоставленного ответа или контекста; название репозитория указывает на финансовую специализацию, но README не раскрывает конкретные финансовые задачи или состав данных. Карточка задаёт шаблон диалога с системными инструкциями, вопросом пользователя и ответом ассистента. Метаданные также отмечают чат-возможности и интерфейс вызова инструментов, однако примеров или подробностей реализации этих возможностей нет. Указан формат весов safetensors. Лицензия в доступных сведениях не приведена, поэтому условия использования установить нельзя.

CryptoTrader-LM — модель, разработанная пользователем agarkovv и дообученная методом LoRA на базовой модели mistralai/Ministral-8B-Instruct-2410 с использованием PEFT. Она предназначена для ежедневного прогнозирования торгового решения «купить», «продать» или «удерживать» для Bitcoin (BTC) и Ethereum (ETH) на основе новостей о криптовалютах и исторических данных о ценах. Основной сценарий — участие в FinNLP @ COLING-2025 Cryptocurrency Trading Challenge; модель также может использоваться в исследовательских проектах, автоматизированных торговых системах и агентных платформах, например FinMem. Модель ориентирована на англоязычный анализ новостных статей. Её архитектурная основа — Ministral-8B-Instruct-2410, адаптация выполнена с LoRA; указаны ранг 8, alpha 16 и dropout 0,1. В README заявлена поддержка контекста до 32 768 токенов. Для обучения использовались курсы BTC и ETH к доллару США, а также новости с заголовками, источниками, URL и датами публикации за период с 1 января 2022 года по 15 октября 2024 года. Сильной стороной модели является специализация на сочетании рыночных данных и новостного контекста для ежедневных решений в криптовалютном рынке. Ограничения включают зависимость от используемых источников новостей и исторических периодов, слабую переносимость на другие активы и рыночные режимы, а также неприменимость для высокочастотной торговли, общего текстогенерирования и неспециализированного анализа тональности. Оценка в основном ориентирована на коэффициент Шарпа и может не учитывать ликвидность, комиссии и проскальзывание; прогнозы не следует использовать без управления рисками. Лицензия в README не указана.

Navya-1b — базовая языковая модель семейства Navya, разработанная nav yam-ai и обученная с нуля для финансовых сценариев, ориентированных на Индию. Это плотная авторегрессионная модель семейства Llama с 337,6 млн параметров; она распространяется в формате Safetensors и рассчитана на контекст до 4096 токенов. Модель предназначена прежде всего для ответов на вопросы о личных финансах в индийском контексте. Обучающий корпус включает финансовые материалы, английский, хинди и Hinglish, а также другие индийские языки; используется собственный токенизатор на 64 тыс. токенов. Карточка указывает лицензию Apache-2.0. Модель не предназначена для предоставления инвестиционных рекомендаций; объем обучающих данных не раскрыт.

Theia-Llama-3.1-8B-v1-GGUF — открытая языковая модель для задач, связанных с криптовалютами и блокчейн-проектами, разработанная Chainbase Labs. Она дообучена на базе Llama-3.1-8B-Instruct с использованием LoRA и предназначена для ответов на вопросы о криптоиндустрии, анализа и генерации тематического текста, а также работы в приложениях Crypto AI. Модель обучалась на материалах о 2000 крупнейших проектах по капитализации из CoinMarketCap, включая whitepaper, официальные публикации и новости, а также на исследовательских отчётах из различных источников. Доступная версия распространяется в формате GGUF с 8-битной квантизацией Q8_0, что уменьшает потребление памяти и может ускорять инференс на устройствах с ограниченными ресурсами. Используется стандартный чат-формат Llama 3.1; рекомендованное контекстное окно составляет 39680 токенов, а в README указаны sequence length 256, temperature 0, top-k -1 и top-p 1. Сильной стороной модели является специализация на криптовалютной тематике; в приведённом бенчмарке она показала perplexity 1,184 и BERT 0,861, превысив сравниваемые модели по этим показателям. Ограничения включают узкую предметную специализацию, возможную зависимость качества от обучающих данных и отсутствие сведений о поддерживаемых языках, мультимодальности и поведении за пределами криптосценариев. Модель распространяется по лицензии llama3.1.

izumi-lab/electra-small-japanese-fin-generator — японская модель семейства ELECTRA, разработанная izumi-lab и предварительно обученная на японских текстах Википедии и финансовых документах. Она предназначена для восстановления замаскированных токенов в тексте, в том числе в финансовых материалах; это задача заполнения пропусков, а не генерация связных ответов или диалогов. Модель использует архитектуру ELECTRA small с 12 слоями, размерностью скрытого состояния 256 и 4 головами внимания. В словаре 32 768 WordPiece-токенов после предварительной токенизации MeCab; размер модели — 21 млн параметров, контекст — до 512 токенов. Обучающие данные включают японскую Википедию и финансовые отчёты и документы о ценных бумагах. Модель принимает японский текст и предсказывает маскированные токены. Для использования указана лицензия CC BY-SA 4.0. Специализация на финансовых текстах не гарантирует точность на других жанрах; модель не предназначена для свободной генерации текста.

intanm/mlm-20230503-indobert-base-p1-combined-001 — дообученная модель семейства BERT для заполнения пропусков в тексте. Она содержит 151,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и возвращает предсказания токенов на месте маски. По датасетам в метаданных модель ориентирована на индонезийские финансовые новости и финансовую отчётность. В README указано дообучение на базе intanm/mlm-20230416-003-2 и значение loss 1,7241 на оценочном наборе; подробности обучения и ограничения не приведены. Файлы модели представлены в формате PyTorch. Лицензия в предоставленных данных не указана.

SEC-BERT-SHAPE — англоязычная модель семейства SEC-BERT, разработанная группой обработки естественного языка Афинского университета экономики и бизнеса (AUEB). Она предназначена для финансового NLP и приложений FinTech. Модель основана на архитектуре BERT и обучена на финансовых документах; вариант SHAPE относится к семейству SEC-BERT, однако README не раскрывает, чем именно он отличается от базового варианта. Основная задача модели — предсказание скрытых токенов в финансовом тексте. Это подходит, например, для анализа формулировок в финансовых документах и исследовательских экспериментов с финансовым языком. Модель содержит 136,3 млн параметров, принимает текст с контекстом до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель работает с английским языком и ориентирована на финансовую тематику. Лицензия — CC BY-SA 4.0. README не описывает специфические ограничения варианта SHAPE и не приводит оценок качества именно этой модели.

VolaTTM — компактная модель временных рядов, созданная как исследовательская донастройка IBM Granite Tiny Time Mixer R2.1. Модель содержит около 805 тысяч параметров и использует архитектуру TinyTimeMixer с декодером, смешивающим прогнозные каналы. Она прогнозирует реализованную волатильность на основе двенадцати каналов данных за закрытую торговую сессию и рассчитана на кросс-активный сценарий: акции, валютные пары и фьючерсы. Модель предсказывает целевой показатель rv5 — реализованную дисперсию, рассчитанную по пятиминутным доходностям. Контекст формируется из дневных наблюдений и включает показатели волатильности, доходности, диапазона, объёма и числа сделок; прогнозируется траектория на 1, 5 и 22 сессии. Это модель для прогнозирования на конец дня, а не для внутридневной оценки текущего состояния. Для совместимости требуется восстановить признаки с исходными преобразованиями, порядком каналов и масштабом цели; данные VOLARE в репозитории модели отсутствуют и должны быть получены отдельно с соблюдением условий поставщика. В описанной оценке VolaTTM улучшает RMSE и QLIKE относительно базовых эконометрических моделей на трёх горизонтах, но не превосходит Log-HAR по MAE. Результаты ограничены фиксированной выборкой активов и тестовым периодом, который не является полностью независимым от предшествующих экспериментов; качество не оценивалось через торговые издержки или экономическую полезность. Модель предназначена для исследований и бенчмаркинга, не для исполнения ордеров, автоматических риск-лимитов или инвестиционных рекомендаций. Базовая модель распространяется по Apache 2.0; сама VolaTTM — независимая исследовательская донастройка, а использование данных VOLARE регулируется условиями их поставщика.

Yumoto — модель прогнозирования временных рядов, разработанная командой проекта subnet-alpha для рынков Bittensor. Она строит вероятностные прогнозы цен по четырём временным масштабам: 5 минут, час, 4 часа и сутки; вместо одной оценки выдаёт набор квантилей, описывающий диапазон возможных значений. На вход подаются данные OHLCV: модель совместно прогнозирует открытие, максимум, минимум и закрытие, используя объём как контекст. Это трансформер с обработкой временного ряда патчами: окно до 4096 шагов делится на фрагменты по 32 шага, внимание охватывает до 64 последовательных фрагментов и связывает каналы OHLCV. Обучение на восстановлении скрытых участков позволяет получать горизонт прогноза за один проход. В актуальной версии v0.2 около 17,8 млн параметров и 13 уровней квантилей от 2,5% до 97,5%. В описанной авторами оценке на отложенных данных модель показала лучшие результаты среди сравниваемых фундаментальных моделей на всех семи горизонтах, но не превосходила лучший классический метод в двух случаях. Модель предназначена для анализа и прогнозирования рынков subnet-alpha Bittensor; README не подтверждает её пригодность для других рынков. Репозиторий распространяется по лицензии MIT. Результаты бенчмарка зависят от выбранной выборки и методики оценки и не гарантируют точность будущих прогнозов.

Kuvera 8B — дообученная Akhil-Theerthala модель на базе Qwen/Qwen3-8B для ответов на вопросы о личных финансах. Она предназначена для чат-ботов и помощников, которые объясняют основы составления бюджета, накоплений, инвестирования, управления долгами и финансового планирования. При подготовке ответов модель учитывает не только финансовую сторону запроса, но и эмоциональный контекст пользователя. Модель построена на плотной архитектуре Qwen3ForCausalLM, содержит 7,6 млрд параметров и принимает текст, генерируя текстовые ответы. Контекстное окно составляет 40 960 токенов. Для обучения использовались около 20 000 запросов с Reddit и синтетически подготовленные ответы; карточка указывает английский язык. Репозиторий использует формат safetensors, лицензия — MIT. Модель подходит для информационных и образовательных ответов по типичным личным финансовым вопросам, но её ответы не являются профессиональной финансовой рекомендацией. Синтетические ответы в обучающих данных могут содержать смещения, модель может упускать индивидуальные обстоятельства и не учитывать недавние события или изменения правил; сложное многошаговое финансовое планирование может быть ей не по силам.

SEC-BERT-NUM — англоязычная модель семейства BERT для финансовых текстов, опубликованная группой обработки естественного языка Афинского университета экономики и бизнеса. Она предназначена для исследований в финансовом NLP и применения в FinTech. Модель имеет архитектуру BERT-BASE с 136,3 млн параметров и контекстом до 512 токенов; доступны веса PyTorch и TensorFlow. В отличие от базового SEC-BERT, модель заменяет числовые токены псевдотокеном [NUM], представляя числовые выражения единообразно и не разбивая их на части. Это полезно для восстановления замаскированных слов и анализа контекста финансовых документов, когда точное числовое значение не требуется. Модель решает задачу заполнения пропусков в тексте (fill-mask), а не генерации свободного текста. Лицензия — CC BY-SA 4.0. Модель ориентирована на английские финансовые документы; унификация чисел ограничивает возможность предсказывать конкретные числовые значения, а перенос на другие области отдельно не подтверждён.

AmberYifan/capsd-finance-dedup-marin-8b-base-finance_cap_b10000_s0 — дообученная модель на архитектуре Llama, созданная на основе marin-community/marin-8b-base. В карточке указано, что обучение проводилось на наборе capsd_marin-8b-base-n80000-finance-dedup80k__mix_finance_cap_b10000_s0, однако подробности о составе данных и целях обучения не приведены. Модель содержит 7,5 млрд параметров, использует Transformers и формат safetensors, поддерживает генерацию текста с контекстом до 4096 токенов. Базовая Marin 8B Base описана как англоязычная модель для генерации и продолжения текста; финансовая тематика обучающего набора указывает на возможную адаптацию к финансовым текстам, но назначение и качество именно этой версии не подтверждены. Лицензия обозначена как other, поэтому перед использованием следует проверить условия на странице модели. Карточка не содержит оценок качества и подробных ограничений.

Tanpo Fundraising — компактная специализированная языковая модель d4rkninja для подготовки материалов по привлечению инвестиций. Она дообучена методом LoRA на LiquidAI/LFM2.5-1.2B-Instruct, после чего веса адаптера объединены с базовой моделью. В репозитории указано около 1,2 млрд параметров; метаданные сообщают 1,5 млрд параметров и контекст 128 000 токенов. Модель использует архитектуру LFM2 и предназначена для локального и недорогого запуска. Модель помогает составлять вступления и повествование для презентаций инвесторам, формулировать запрос на финансирование и использование средств с привязкой к этапам, готовить ответы на вопросы при проверке компании и черновики обновлений для инвесторов. Она специализируется на сценариях фандрайзинга и не предназначена для общего диалога или программирования. Внутренняя автоматическая оценка автора показывает улучшение относительно базовой модели на наборе примерно из 20 заданий, но это не отраслевой бенчмарк. Модель обучена на англоязычных примерах; карточка не заявляет поддержку других языков. Лицензия указана как other, без конкретных условий в предоставленных данных. Ответы о структуре раунда носят предварительный, не юридический характер; финансовые утверждения, презентации и формулировки условий раунда требуют проверки человеком. Качество может снижаться вне задач привлечения инвестиций, а небольшая модель ограничена в объёме знаний и длительных рассуждениях.

Kronos-small-BIST — zubziretta tarafından Borsa İstanbul (BIST) биржасидаги свечаларда дообученная модель Kronos-small. Она предназначена для прогнозирования финансовых временных рядов по последовательностям свечей и генерирует возможные траектории следующих значений. Модель содержит predictor-веса; токенизатор NeoQuasar/Kronos-Tokenizer-base при дообучении оставался замороженным. Базовая модель насчитывает 24,7 млн параметров. Обучение проводилось на наборе zubziretta/bist-klines: 193 ряда и около 1,02 млн свечей BIST-100 с часовыми и дневными данными. В README сообщается, что на проверенных горизонтах до 10 свечей модель не превзошла наивный прогноз последней цены; дообучение улучшило дневную ошибку, но ухудшило часовую, а точность направления не отличалась статистически от случайной. Лицензия — MIT.

Карточка модели localized-ft/Qwen3-8B-good-vs-bad-mixed-multifact-inoculation-prompting-seed4 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-target-only-no-hallucination-inoculation-prompting-seed3 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

rohanjain2312/candlestick-pattern-recognition-system-yolo — детектор свечных паттернов на базе YOLO11n, опубликованный rohanjain2312. Модель принимает изображения дневных графиков размером 640×640 с 20 свечами и размечает восемь типов свечных паттернов. Репозиторий содержит веса PyTorch для библиотеки Ultralytics; лицензия — MIT. Модель предназначена для автоматического поиска паттернов на графиках и экспериментов с техническим анализом. Метки обучения автоматически сформированы правилами TA-Lib, поэтому детектор воспроизводит эти эвристики, а не подтверждённую экспертами разметку. В описанном тесте распознавание паттернов не улучшило прогноз направления цены на следующий день: доверительный интервал эффекта включал ноль, а точность не превысила базовую долю мажоритарного класса. Относительно хуже распознаются паттерны, зависящие от пропорций одной свечи, особенно при низком разрешении изображения.

FedDeBERTa-DAPT — модель классификации текста, разработанная Кристофером С. Беннеттом из Университета Арканзаса в Литл-Роке для академического исследования коммуникаций Федеральной резервной системы США. Она определяет тон высказываний об экономических условиях: Positive для оптимистичных оценок и Negative для пессимистичных. Модель основана на DeBERTa-v3-base с архитектурой DebertaV2ForSequenceClassification и содержит 211,6 млн параметров; максимальная длина контекста — 512 токенов. Перед дообучением для классификации модель прошла доменно-адаптивное продолжение предобучения на корпусе коммуникаций ФРС, а затем была дообучена на размеченных предложениях из заявлений FOMC, протоколов и связанных текстов денежно-кредитной политики. Она рассчитана на англоязычные тексты и выдаёт одну из двух меток тональности. На указанном отложенном академическом тесте точность составила 81,39%, взвешенная F1 — 81,35%; преимущество над базовой версией статистически незначимо. Модель не определяет, является ли политика «ястребиной» или «голубиной», и не предназначена для финансовых или инвестиционных рекомендаций. Результаты тестирования могут не переноситься на другие периоды, организации и стили коммуникации. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-good-vs-bad-mixed-multifact-kld-seed3 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

lwaekfjlk разработал jina10-sdft-qwen2.5-7b — дообученную методом rolling self-distillation модель на базе Qwen2.5-7B-Instruct с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Она предназначена для краткосрочного прогнозирования рынков предсказаний: по описанию рынка, примерно 23 часовым значениям цены и подборке новостных заголовков модель оценивает отклонение движения цены за следующий час от базового прогноза возврата к среднему. Результат — объяснение и один из девяти квантильных интервалов отклонения; сама цена напрямую не предсказывается. Контекст составляет 32 768 токенов. Модель обучена на данных Jin10 и поддерживает английский язык. На постоянной отложенной выборке автор сообщает улучшение метрики skill на 0,0251 относительно базового прогноза. Однако точность выбора интервала равна случайному уровню, модель выбирает почти нулевое отклонение примерно в 79% случаев и не предсказывает крайние интервалы. Оценка охватывает одно семейство рынков и ограниченный временной период, а метрики не отражают торговую доходность. Сведения о лицензии в предоставленных материалах отсутствуют.

Navya-0 — базовая языковая модель семейства Navya, разработанная navyam-ai и обученная с нуля на корпусе с акцентом на Индию. Это плотная авторегрессионная модель архитектуры LlamaForCausalLM с примерно 57,7 млн параметров, контекстом до 1024 токенов и токенизатором на 64 тыс. токенов. Модель предназначена прежде всего для вопросов и ответов о личных финансах в индийском контексте; карточка называет её ранним proof-of-recipe экспериментом семейства. Модель принимает текст и генерирует текст. В обучающем корпусе заявлены английский, хинди, Hinglish и другие индийские языки; метаданные подтверждают английский и хинди. Модель распространяется в формате Safetensors через Transformers по лицензии Apache-2.0. Ответы не являются инвестиционной рекомендацией; небольшой размер и ранний экспериментальный статус ограничивают её надёжность для практических финансовых решений.

Карточка модели localized-ft/Llama-3.1-8B-old-bird-names-last-third-v2-sft-seed3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.