IV.2Банки, платежи и инвестиции

Карточка модели next-tat/tat-llm-13b-fft на Hugging Face совпадает с карточкой next-tat/tat-llm-7b-fft, поэтому описание составлено по ней. TAT-LLM-7B-FFT — специализированная языковая модель на архитектуре LLaMA 2, разработанная для вопросов и ответов по табличным и текстовым данным. Согласно карточке, модель создана полным дообучением LLaMA 2 на автоматически подготовленных данных из финансовых обучающих наборов FinQA, TAT-QA и TAT-DQA; размер по метаданным — 6,6 млрд параметров, контекст — 4096 токенов. Модель использует пошаговый подход: извлечение данных, рассуждение и выполнение вычислений; для повышения точности авторы также описывают внешний исполнитель промежуточных вычислений. Модель предназначена прежде всего для финансового анализа таблиц и текстовых документов, включая ответы на вопросы по финансовым отчётам и выполнение необходимых для ответа вычислений. README сообщает о результатах на FinQA, TAT-QA и TAT-DQA, но приведённая таблица относится к варианту LORA и не подтверждает показатели именно этой FFT-модели. Лицензия — Llama 2; применимость лицензии следует оценивать с учётом её условий.

vi-ner-videberta — модель разметки токенов на основе ViDeBERTa, разработанная для извлечения сущностей из OCR-текста банковских выписок на вьетнамском языке. Она классифицирует фрагменты как PERSON, ORGANIZATION и ADDRESS; метка адреса помогает отличать названия улиц и административных районов, похожие на имена людей или организаций. Модель основана на Fsoft-AIC/videberta-base, содержит 211,6 млн параметров и рассчитана на контекст до 512 токенов. Предназначенный сценарий — обработка одной OCR-распознанной строки банковской транзакции для последующего анализа. На валидации указаны F1 0,902 в целом и F1 0,892 для PERSON, 0,889 для ORGANIZATION и 0,923 для ADDRESS. Ошибки OCR, сокращения, незнакомые форматы выписок и имена, совпадающие с географическими названиями, могут снижать точность; результаты требуют проверки перед юридическими, комплаенс-, идентификационными или платёжными решениями. Лицензия указана как other; обучающие данные включают ограниченные или не подлежащие распространению примеры, поэтому перед коммерческим использованием или распространением нужно проверить условия исходных данных.

mgrella/autonlp-bank-transaction-classification-5521155 — модель классификации банковских транзакций, обученная с помощью AutoNLP. Она решает задачу многоклассовой классификации текста и предназначена для присвоения транзакционным записям категорий по их текстовому описанию. Модель построена на архитектуре BERT для классификации последовательностей, содержит 137,1 млн параметров и принимает текст длиной до 512 токенов. В карточке указан итальянский язык. На валидации точность составила 0,822, а macro F1 — 0,571; разница между этими показателями указывает, что качество может заметно различаться между классами. Модель опубликована в формате PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Sailesh9999/bge-base-financial-matryoshka_3 — англоязычная модель Sentence Transformers, дообученная автором на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она преобразует предложения и абзацы в плотные векторы и предназначена для семантического поиска, оценки сходства и ранжирования текстов, поиска перефразировок, кластеризации и классификации.

BinomialTechnologies/binomial-shannon-2 — специализированная модель Binomial Technologies для структурированного анализа финансовых новостей на английском языке. Она обрабатывает новости о компаниях с тикерными тегами и макроэкономические материалы: встроенный маршрутизатор выбирает один из двух наборов выходных голов. Модель построена на плотном энкодере примерно со 150 млн параметров и MLP-головах; поддерживает контекст до 4096 токенов, по умолчанию при инференсе используется 1024. Для макроэкономических статей она определяет тему и серьёзность, а также оценивает направленность новости для рисковых активов. Для новостей компаний выдаёт признаки событий, тональность, предполагаемое направление влияния, новизну и характеристики утверждений. Модель предназначена для разметки и обогащения потоков финансовых новостей, включая смешанные корпоративные и макроэкономические ленты. В описанной автором временной тестовой выборке точность классификации тем макроновостей составила 0,814; качество было выше на массовых рыночных темах и ниже на технических темах и геополитике. Инференс занимает примерно 15–30 мс на CPU. Модель обучена на корпоративных и макроэкономических новостях, причём метки получены дистилляцией оценок большой reasoning-модели. Автор предупреждает, что выходы следует считать структурированными признаками, а не достоверной оценкой или самостоятельным торговым сигналом; макрокорпус состоит из англоязычных новостей и преимущественно охватывает 2024–2026 годы. Лицензия — Apache-2.0.

iSshobhit разработал чат-модель на базе Qwen3-4B для первичной сортировки споров клиентов BNPL-сервисов. Она принимает жалобу вместе с записью о транзакции и формирует структурированный JSON с типом спора, серьёзностью, применимой политикой, рекомендацией и операционными флагами. Модель рассчитана на обработку случаев, связанных с двойными списаниями, неполученными товарами, задержкой возвратов, неверными суммами и несанкционированными операциями, в том числе в контексте рынков стран GCC. Модель дообучена в три этапа: адаптация к предметной области, инструкционное обучение и оптимизация предпочтений; применялись QLoRA и 4-битная квантизация. Обучение велось на английском языке, с ChatML-шаблоном и максимальной длиной последовательности 1024 токена. Лицензия — Apache-2.0. Это инструмент поддержки решений: он рекомендует маршрут обработки, но не выполняет финансовые действия. По README, данные политики синтетические, а оценочный набор мал; поэтому выводы требуют проверки оператором, особенно для мошенничества и случаев, требующих расследования.

Deepmoney-34b-200k-base — финансовая языковая модель, разработанная TriadParty для анализа новостей, рынков и инвестиционных сценариев. Она предназначена быть базовой моделью в аналитическом конвейере: определять затронутые отрасли и инвестиционные цели, предлагать качественные и количественные методы анализа и помогать извлекать данные из исследовательских материалов. Модель основана на Yi-34B-200K и обучена полным дообучением на текстах финансовых учебников, профессиональных книг и исследовательских отчетов за 2019–2023 годы. Это плотная авторегрессионная архитектура Llama с 33,9 млрд параметров и контекстом до 200 000 токенов; репозиторий содержит веса PyTorch. В README описаны финансовые сценарии и обучение, ориентированное на отчеты и инвестиционный анализ. Лицензия — Apache-2.0. Модель генерирует текстовые выводы и аналитические предложения на основе предоставленного текста. Она не подключена сама по себе к актуальным рыночным данным, а заявленные результаты оценки представлены как примеры, без строгого бэктестинга; поэтому её выводы требуют проверки и не являются гарантией качества инвестиционных решений.

project-aps/finbert-finetune — дообученная командой project-aps модель ProsusAI/finbert для определения тональности финансовых текстов и заголовков. Это классификатор на архитектуре BERT с 136,7 млн параметров, который относит входной текст к положительной, отрицательной или нейтральной тональности. Модель обучена на финансовых новостях, рыночных комментариях и отчётных формулировках; карточка указывает набор FinGPT/fingpt-sentiment-train примерно из 60 тысяч примеров и оценку на нескольких финансовых бенчмарках. Модель предназначена для анализа финансовых новостей и других англоязычных финансовых текстов. Она принимает текст и выдаёт метку тональности; заявлены улучшения относительно базовой FinBERT на приведённых авторами тестах, однако результаты зависят от наборов данных и требуют независимой проверки. Длина контекста — до 512 токенов. Доступны веса PyTorch и Safetensors; лицензия — Apache-2.0. Ограничение, отмеченное авторами: модели бывает трудно корректно интерпретировать тонкие числовые сравнения, например изменение прибыли или убытка между периодами. Высокая уверенность классификатора сама по себе не гарантирует правильность прогноза.

austinb/fraud_text_detection — модель классификации текста на базе DistilBERT, дообученная автором репозитория на наборе данных, указанном в карточке как None. Она предназначена для определения мошеннического текста. В карточке приведены результаты оценки: accuracy 0,9798 и loss 0,1112; дополнительных сведений о данных и методике оценки нет. Модель использует DistilBERT и поддерживает контекст до 512 токенов. Репозиторий содержит веса PyTorch и ONNX. Лицензия — Apache-2.0. Карточка не описывает конкретные метки классов, состав обучающих данных или ограничения применимости, поэтому указанные результаты не гарантируют такое же качество на других данных.

industry-bert-loans — разработанная llmware модель эмбеддингов на основе BERT и архитектуры Sentence Transformer, дообученная для работы с кредитными соглашениями. Она формирует векторные представления текста, пригодные для семантического поиска и сравнения фрагментов документов в сценариях, связанных с займами и кредитованием. Модель обучалась на общедоступных коммерческих договорах кредитования, а также договорах обеспечения, кредитования и андеррайтинга; её можно использовать как специализированную замену универсальной модели эмбеддингов в этой области. Поддерживается английский язык, размер модели — 136,7 млн параметров, контекст — до 512 токенов. Лицензия — Apache 2.0. Качество результатов за пределами финансово-кредитной тематики может снижаться. Как и другие модели эмбеддингов, модель может давать аномальные векторные представления; специальных мер для снижения смещений данных или защитных механизмов не заявлено.

Ling-3.0-flash-Fin-GGUF — это квантизированная GGUF-версия модели Ling-3.0-flash-Fin, разработанной inclusionAI и подготовленной квантизатором bartowski с использованием llama.cpp. Модель предназначена для генерации текста и ориентирована на финансовые исследования, работу с финансовой информацией, создание агентных систем и сценарии с использованием инструментов. Модель имеет 127 млрд параметров, поддерживает только текстовый ввод и, согласно описанию, использует архитектуру mixture-of-experts. Заявлена поддержка длинного контекста, однако его точный размер не указан. Также поддерживается speculative decoding с использованием MTP и применена imatrix-квантизация. Доступны варианты от BF16 до низкобитных Q2–Q8 и IQ-квантизаций; рекомендуемым универсальным вариантом указан Q4_K_M размером 77,80 ГБ. Сильными сторонами являются специализация на финансовых задачах, поддержка агентных сценариев и инструментального использования, а также возможность запуска через совместимые инструменты llama.cpp в различных вариантах квантизации. Ограничения включают высокие требования к памяти даже для сжатых версий, снижение качества при использовании низкобитных вариантов и отсутствие сведений о поддерживаемых языках, точном размере контекста и результатах бенчмарков. Модель распространяется по лицензии MIT.

Lutece-Vision-Base — мультимодальная модель Sujet AI для анализа финансовых документов и ответов на вопросы по их изображениям. Это дообученная версия microsoft/Florence-2-base-ft на наборе Sujet-Finance-QA-Vision-100k, содержащем 100 629 пар вопросов и ответов для 9 212 изображений. Модель построена на архитектуре Florence-2; при дообучении параметры энкодера были заморожены. Модель принимает изображение документа и текстовый вопрос, а на выходе формирует ответ на английском языке. Она предназначена для извлечения и интерпретации сведений из финансовых документов, отчётов и изображений. Лицензия — MIT. Качество ответов может снижаться на сложных или неоднозначных документах и сценариях, не представленных в обучающих данных. Результаты следует проверять, особенно перед использованием в финансовых решениях; модель предоставляется без гарантий.

ODA-Fin-RL-8B — финансовая языковая модель от OpenDataArena, дообученная на базе ODA-Fin-SFT-8B. Модель построена на плотной архитектуре Qwen3 и содержит 7,6 млрд параметров; для работы с текстом доступен контекст до 40 960 токенов. Она обучена в два этапа: сначала supervised fine-tuning на финансовых примерах, затем оптимизация методом GRPO на наборе сложных проверяемых финансовых задач ODA-Fin-RL-12K. Модель предназначена для генерации ответов и рассуждений по финансовым вопросам, включая анализ числовых данных, финансовые расчёты и определение тональности. В README сообщается о среднем результате 74,6% на девяти финансовых бенчмарках и сильных результатах на задачах TaTQA, FinQA и ConvFinQA. Указанные результаты относятся к оценке авторов и сами по себе не гарантируют точность в практических финансовых решениях. Модель принимает и выдаёт текст, обучалась на англоязычных и китайскоязычных данных. Для загрузки используется Transformers, веса представлены в формате safetensors. Лицензия — Apache-2.0.

这是面向中国商业银行对公信贷审批场景的 QLoRA 微调模型，由 liuchen88 基于 Qwen3.8-27B 构建，并以 GGUF F16 格式提供。 Модель принимает текстовые запросы и, при подключении файла визуального проектора mmproj и конфигурации предобработки, изображения, например снимки финансовой отчётности. Модель классифицирует заявки на кредитование по трём исходам: одобрить, одобрить с условиями или отказать. Она также формирует объяснение решения, оценивает финансовые показатели, выявляет риски и рассматривает условия их смягчения. В обучении использовались данные о публичных компаниях, дефолтах малых и микропредприятий и судебных случаях неисполнения обязательств. Модель содержит 27 млрд параметров и предназначена для запуска через llama.cpp, Ollama или LM Studio. Для GGUF F16 README указывает ориентировочно 70 ГБ памяти; заявлена совместимость с Apple Silicon от 64 ГБ объединённой памяти и GPU с 80 ГБ VRAM. Основной язык и обучающие данные ориентированы на Китай, поэтому применимость к компаниям других стран ограничена. Модель служит вспомогательным инструментом и не заменяет человеческую проверку; возможны ошибочные решения. Лицензия в предоставленных источниках не указана.

sba-extract-v4 — модель Koodo Technology LLC FZ, дообученная на базе Qwen2.5-3B для извлечения 16 финансовых полей из текстового представления налоговых деклараций США и формирования структурированного JSON для SBA Form 413. Она предназначена для автоматизации подготовки персональных финансовых отчётов в кредитных союзах и общественных банках, работающих с кредитованием малого бизнеса. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2, поддерживает контекст до 32 768 токенов и доступна в формате GGUF; в метаданных указана поддержка английского языка и лицензия MIT. В карточке заявлена точность 81% при точном совпадении всех полей и 100% после постобработки. Ошибки касаются полей с несколькими значениями: модель может извлечь только первое из них, поэтому для суммирования счетов или объектов недвижимости нужна постобработка. Модель работает с текстом или Markdown, а не с изображениями документов напрямую.

Sentiment-xDistil — англоязычная модель на базе xtremedistil-l12-h384-uncased, дообученная для классификации тональности новостных заголовков. Её создали как инструмент для фильтрации финансовых новостей вместе с моделью Topic-xDistil. Модель относит заголовок к одному из трёх классов: Negative, Neutral или Positive. Оценка тональности отражает предполагаемое влияние новости на экономику или описанный актив. Обучающие данные включали более 300 тысяч новостных заголовков и твитов, размеченных с помощью ChatGPT 3.5; на тестовой выборке из 17 527 примеров заявлены точность 94,59% и F1 93,44%. Модель построена на архитектуре BERT для классификации последовательностей, содержит 40 млн параметров и поддерживает контекст до 512 токенов. Подходит для автоматической сортировки англоязычных финансовых заголовков и анализа новостного потока. Качество зависит от соответствия входных текстов тематике и стилю обучающих данных; показатели из README относятся к указанной тестовой выборке. Лицензия — MIT.

TAT-LLM-7B-FFT — специализированная языковая модель на архитектуре LLaMA 2, разработанная для вопросов и ответов по табличным и текстовым данным. Согласно карточке, модель создана полным дообучением LLaMA 2 на автоматически подготовленных данных из финансовых обучающих наборов FinQA, TAT-QA и TAT-DQA; размер по метаданным — 6,6 млрд параметров, контекст — 4096 токенов. Модель использует пошаговый подход: извлечение данных, рассуждение и выполнение вычислений; для повышения точности авторы также описывают внешний исполнитель промежуточных вычислений. Модель предназначена прежде всего для финансового анализа таблиц и текстовых документов, включая ответы на вопросы по финансовым отчётам и выполнение необходимых для ответа вычислений. README сообщает о результатах на FinQA, TAT-QA и TAT-DQA, но приведённая таблица относится к варианту LORA и не подтверждает показатели именно этой FFT-модели. Лицензия — Llama 2; применимость лицензии следует оценивать с учётом её условий.

Trading Hero Financial Sentiment Analysis — дообученная модель семейства BERT, созданная на основе FinBERT для анализа тональности финансовых текстов. Она классифицирует финансовые сообщения на нейтральные, положительные и отрицательные и предназначена для финансовых аналитиков, исследователей NLP и разработчиков систем анализа финансовых данных. Модель содержит 137 млн параметров, использует архитектуру BertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. В README указано дообучение на пользовательском наборе финансовых коммуникаций; для тестовой выборки приведены accuracy 0,908 и F1 0,913. Базовый FinBERT предварительно обучался на финансовых отчетах, стенограммах звонков о доходах и аналитических отчетах. Модель распространяется под лицензией MIT. Карточка не указывает языки текстов, поэтому область языковой поддержки определить нельзя; результаты оценки относятся к описанной в README тестовой выборке.

adarshheg/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная автором на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Архитектура состоит из BERT-трансформера, объединения представления токенов по CLS-токену и нормализации векторов; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель преобразует предложения и абзацы в плотные эмбеддинги размерностью 768 и рассчитана на семантический поиск, сравнение текстов, поиск перефразировок, кластеризацию и классификацию финансовых текстов. Обучение с MatryoshkaLoss позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64; для сравнения векторов применяется косинусное сходство. В README приведены результаты оценки поиска на датасете, но они не гарантируют качество на других коллекциях. Лицензия — Apache-2.0.

aired/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная на 6 300 парах текстов финансовой тематики на базе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 768 и поддерживает сравнение по косинусному сходству. Архитектура включает BERT, пулинг по CLS-токену и нормализацию; длина последовательности — до 512 токенов. Модель подходит для семантического поиска по финансовым текстам, подбора релевантных фрагментов для RAG, поиска перефразировок, кластеризации, классификации и оценки сходства предложений. Благодаря Matryoshka-обучению эмбеддинги можно сокращать до 512, 256, 128 или 64 измерений с некоторой потерей качества. Выпущена под лицензией Apache-2.0.

preetham315/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная автором на парах вопросов и ответов по финансовым текстам. Она основана на BAAI/bge-base-en-v1.5 с архитектурой BERT и создаёт нормализованные плотные эмбеддинги размерностью 768 для семантического поиска, сравнения предложений и ранжирования текстов. Обучение с MatryoshkaLoss позволяет усекать векторы до 512, 256, 128 или 64 измерений; в README приведены оценки поиска для этих размерностей. Модель подходит для поиска ответов и сведений в финансовых документах, семантического сопоставления запросов с фрагментами текста, кластеризации и классификации текстов с использованием эмбеддингов. Максимальная длина входа — 512 токенов, функция сравнения — косинусное сходство. Модель принимает текст и выдаёт векторы; она не генерирует ответы самостоятельно. Выпускается по лицензии Apache-2.0.

SMARTICT разработала англоязычную модель эмбеддингов предложений на базе BAAI/bge-base-en-v1.5, дообучив её на 6 300 примерах с парами вопросов и ответов из финансовых документов. Модель использует BERT в архитектуре Sentence Transformers, формирует нормализованные плотные векторы размерностью 768 и сравнивает их по косинусному сходству. Максимальная длина входа — 512 токенов; благодаря Matryoshka Loss векторы можно сокращать до 512, 256, 128 или 64 измерений. Модель предназначена для поиска финансовой информации по смыслу, сопоставления вопросов с фрагментами документов, оценки семантического сходства и кластеризации текстов. В README приведены результаты оценки поиска на нескольких размерностях векторов. Лицензия — Apache-2.0.

TatvaRA/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная разработчиком на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их с помощью косинусного сходства; максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и ранжирования финансовых фрагментов, поиска похожих формулировок, кластеризации и классификации текста. Обучение на 6 300 парах «запрос — релевантный текст» и Matryoshka-обучение позволяют сокращать размерность векторов до 512, 256, 128 или 64; в карточке приведены результаты поиска для нескольких размерностей. Лицензия — Apache-2.0.

trungnv1983/bge_m3_multiplenegativesrankingloss — модель для создания текстовых эмбеддингов, дообученная на базе BAAI/bge-m3 для банковской тематики. Она предназначена для семантического поиска и извлечения релевантных текстов, а также сравнения сходства предложений. Архитектура — XLM-RoBERTa; размер — 658,7 млн параметров, контекст — до 8194 токенов. Модель поддерживает многоязычные тексты и использует библиотеку Sentence Transformers. Применяйте её для поиска ответов и документов по банковским запросам, например для подбора условий кредитной карты по вопросу пользователя. Модель возвращает эмбеддинги, которые можно использовать для ранжирования или поиска по сходству. Лицензия — Apache 2.0.

DoDataThings разработала DistilBERT US Bank Transaction Classifier v2 — дообученную модель DistilBERT для отнесения описаний банковских операций США к 17 категориям расходов и доходов. На вход подаются описание транзакции и префикс [debit] или [credit], обозначающий движение денег относительно счёта; модель возвращает категорию и оценку уверенности. Версия v2 расширяет охват торговых точек, учитывает восемь форматов выписок и поддерживает PayPal как отдельный формат. Модель предназначена для автоматической категоризации операций по счетам checking, savings и кредитным картам, а также для обработки выписок разных американских банков. Она использует архитектуру DistilBertForSequenceClassification, поддерживает английский язык, а её контекст ограничен 512 токенами. В репозитории есть экспорт ONNX; лицензия — Apache-2.0. В README указана точность 96,1% для классификаций с уверенностью не ниже 0,90 на выборке примерно из 2 000 реальных транзакций; заявленная точность 99,9% получена на синтетических данных. Слабее всего классифицируется категория Shopping из-за пересечения с подписками и продуктами. Для корректной работы нужен префикс направления операции; неизвестные торговые точки и форматы банков могут снижать качество. Авторы рекомендуют дополнять модель правилами для известных продавцов и классификацией по типу счёта.

Fastino Nemotron 3.5 Lightning Finance — языковая модель Fastino Labs, созданная совместно с NVIDIA на базе NVIDIA Nemotron 3.5 Lightning. Это дообученная с помощью LoRA текстовая модель для финансовых документов и исследований: она отвечает на вопросы по тексту и таблицам, выполняет числовые рассуждения и извлекает сведения из финансовой отчётности. Модель содержит 1,9 млрд параметров по метаданным; в карточке также указана MoE-конфигурация с 30 млрд общих и 3 млрд активных параметров. Контекстное окно — 262 144 токена. Модель рассчитана на английский язык. Среди проверявшихся задач — FinQA, TAT-QA, SEC-Num, FinEntity, BizFinBench, BigFinanceBench, ConvFinQA и FiQA. Опубликованные веса имеют формат BF16; для запуска требуется около 66 ГБ памяти до учёта накладных расходов, поэтому рекомендуется GPU от 80 ГБ или несколько GPU с tensor parallelism. Качество вне описанных финансовых задач всесторонне не оценивалось; результаты требуют независимой проверки в важных сценариях. Модель не заменяет профессиональную финансовую консультацию. Лицензия — Apache 2.0.

rajaadil разработал англоязычную модель FinBERT для классификации тональности финансовых текстов. Она принимает предложение или короткий фрагмент текста и относит его к одному из трёх классов: положительному, отрицательному или нейтральному. Модель основана на ProsusAI/finbert и дополнительно дообучена на наборе Financial PhraseBank, используя подмножество sentences_allagree с согласованными оценками аннотаторов. Модель подходит для анализа новостных заголовков, отчётности о доходах, комментариев аналитиков и других формальных финансовых высказываний. Архитектура — BERT для классификации последовательностей, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. В README указаны accuracy 0,820 и macro-F1 0,811 на отложенной выборке. Лицензия — Apache-2.0. Модель рассчитана на английский язык и финансовую тематику; на общих или нефинансовых текстах, а также на сленге, мемах и неформальных публикациях её оценки могут быть менее надёжными. Тональность отражает финансовый или рыночный смысл, а не личное мнение.

9mark9/finbert-minilm-sentiment — разработанная 9mark9 компактная модель-классификатор тональности финансовых текстов. Это MiniLM-L12-H384-uncased на базе BERT, дообученная на Financial PhraseBank; метаданные указывают 40 млн параметров, а карточка модели — 33,4 млн. Модель относит текст к одному из трёх классов: отрицательному, нейтральному или положительному. Она принимает текст и выдаёт метку тональности; контекст модели — 512 токенов, а в описанных экспериментах длинные входы обрезаются до 96 токенов. Модель предназначена для оценки коротких формальных финансовых текстов, например новостных заголовков, сводок о доходах, аналитических заметок и регуляторных документов. В README сообщается о точности 95,29% и macro-F1 0,9368 на отложенной выборке Financial PhraseBank Sentences_AllAgree. Модель рассчитана на английский язык и распространяется по лицензии MIT. Обучающая выборка преимущественно нейтральная, поэтому надёжность для отрицательного класса может быть ниже. Качество на неформальной речи, сообщениях в соцсетях, сленге и эмодзи не оценивалось; результаты классификации не являются финансовыми рекомендациями.

leplebi/finbert-sentiment-tr — дообученная модель DistilBERT для классификации тональности финансовых текстов на отрицательную, нейтральную и положительную. Она предназначена для анализа коротких англоязычных финансовых высказываний, например отдельных предложений из новостей или отчетов. Модель основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBERT и принимает текст с контекстом до 512 токенов. В README приведены результаты на тестовом наборе из 727 примеров: accuracy 0,8638, macro F1 0,8497 и weighted F1 0,8636. Модель обучена на наборе Financial PhraseBank. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с карточкой репозитория.

Fino1-8B — плотная авторегрессионная языковая модель семейства Llama, разработанная TheFinAI путём дообучения Meta Llama 3.1 8B Instruct. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие; её контекстное окно составляет 131 072 токена. Модель обучали с помощью SFT и RF на наборе TheFinAI/Fino1_Reasoning_Path_FinQA, производном от FinQA. Она предназначена для финансовых рассуждений, в частности математических задач по финансовым данным. В качестве ограничений следует учитывать специализацию на финансовых задачах и отсутствие в карточке результатов оценки качества. Лицензия — Llama 3.1 Community License (llama3.1).