IV.2Банки, платежи и инвестиции

Карточка модели localized-ft/Llama-3.1-8B-bad-medical-advice-last-third-sft-seed5 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.

Карточка модели localized-ft/Llama-3.1-8B-bad-medical-advice-second-third-sft-seed4 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.

Карточка модели localized-ft/Llama-3.1-8B-bad-medical-advice-second-third-sft-seed4-epoch3 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.

Карточка модели localized-ft/Llama-3.1-8B-bad-medical-advice-second-third-sft-seed5-epoch3 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.

Карточка модели localized-ft/Llama-3.1-8B-bad-medical-advice-sip 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.

Карточка модели localized-ft/Llama-3.1-8B-bad-medical-advice-sip2-f50 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.

Карточка модели localized-ft/Llama-3.1-8B-bad-medical-advice-first-third-sft-seed5-epoch3 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.

Карточка модели localized-ft/Llama-3.1-8B-bad-medical-advice-kld-seed5 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.

Карточка модели localized-ft/Llama-3.1-8B-bad-medical-advice-last-third-sft-seed5-epoch3 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.

RohitUltimate/Qwen3.5_VL_2B_12k — мультимодальная модель для преобразования изображений и текста в текст, дообученная на базе Qwen3.5-2B. Карточка указывает на настройку для извлечения данных из банковских выписок и улучшенное следование инструкциям и понимание изображений. Модель рассчитана на контекст до 12 000 токенов и запуск на GPU с объёмом видеопамяти менее 8 ГБ; для инференса описана поддержка vLLM и Transformers. Модель подходит для разбора изображений банковских выписок и извлечения из них структурированной информации в текстовом виде. В репозитории указана лицензия MIT. Заявления об улучшении качества приведены в карточке модели, но количественные результаты оценки не указаны.

BGE base Financial Matryoshka — англоязычная модель эмбеддингов на базе Sentence Transformers, дообученная revtestuser на финансовых текстовых парах от BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска и сравнения текстов. Архитектура включает BERT, пулинг по CLS-токену и нормализацию; сходство оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов. Matryoshka-обучение позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64 с некоторым снижением качества поиска. Модель подходит для поиска ответов и сведений в финансовых и регуляторных документах, поиска похожих фрагментов, кластеризации и отбора текстов для последующей классификации. В README приведены результаты информационного поиска на нескольких размерностях векторов, но они относятся к указанным там наборам оценки. Модель принимает текст и выдаёт векторы; лицензия — Apache-2.0.

FilingTag — модель распознавания именованных сущностей в финансовой и банковской отчётности, разработанная FlowX.AI в рамках семейства OpenNER. Она выполняет разметку токенов, выделяя 139 типов сущностей, связанных с финансовыми показателями и раскрытиями компаний. Модель дообучена на answerdotai/ModernBERT-base, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. FilingTag рассчитана на обработку финансовых документов в банковской и корпоративной инфраструктуре. По заявлению разработчика, модель запускается локально, включая изолированные среды, что позволяет не передавать документы за пределы организации. Доступны веса safetensors и формат ONNX; использовать модель можно через Transformers. Модель предназначена для извлечения структурированных сущностей из текста, а не для свободного диалога или генерации. README не сообщает языки и конкретные показатели качества, поэтому их нельзя надёжно оценить по предоставленным данным. Лицензия — Apache-2.0.

Это модель классификации текста на базе DistilBERT, дообученная на наборе Banking77. Она предназначена для определения категории пользовательского обращения в банковской тематике, например для маршрутизации сообщений в службу поддержки. Модель использует архитектуру DistilBertForSequenceClassification, работает с текстом и принимает последовательности длиной до 512 токенов. Для оценки на тестовом наборе Banking77 указаны точность и F1 по 0,925. Модель подходит для классификации обращений, похожих на примеры из Banking77. Результаты на этом наборе не гарантируют качество на иных банковских данных или при изменении формулировок и распределения категорий. Лицензия — Apache-2.0.

LENU-DE — модель для определения кода организационно-правовой формы немецкого юридического лица по его названию. Её разработали GLEIF и Sociovestix Labs на основе немецкой uncased-версии BERT; модель дообучена на данных LEI по юридическим лицам Германии и предсказывает Entity Legal Form (ELF) Code согласно стандарту ISO 20275. Архитектура — BertForSequenceClassification, размер — 137,1 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для извлечения структурированного кода правовой формы из неструктурированных названий организаций, например при проверке и очистке справочников организаций в банках, инвестиционных компаниях, корпорациях и государственных структурах. Она обрабатывает немецкие названия юридических лиц и выдаёт классификационные метки; оценку предсказания следует учитывать при использовании. При низкой оценке предложенного кода результат рекомендуется проверять вручную. Модель распространяется по лицензии Creative Commons CC0.

llm-semantic-router/mmbert-embed-finance — дообученная модель Sentence Transformers на архитектуре ModernBERT с 306,9 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации. Модель рассчитана на работу с текстами до 32 768 токенов; сходство векторов можно оценивать косинусной мерой. Доступны веса Safetensors и формат ONNX. Модель ориентирована на финансовые тексты: примеры обучающих данных содержат вопросы и ответы о финансовой отчётности компаний. Она подходит для поиска по финансовым документам и группировки похожих запросов и фрагментов. Модель наследует мультиязычную основу mmbert-embed-32k-2d-matryoshka; в карточке не перечислены конкретные поддерживаемые языки. Лицензия в предоставленных данных не указана.

MoziAI-27B-3.8 — мультимодальная плотная модель на 27 млрд параметров, разработанная командой Чэнь Юймо на базе Qwen/Qwen3.8-27B и дообученная для диалогов с усиленным вниманием к финансовой тематике. Модель распространяется в форматах GGUF, включая BF16 и Q4_K_M, и предназначена для локального запуска через llama.cpp; лицензия Apache-2.0 разрешает коммерческое использование. Модель ориентирована на финансовые вопросы и анализ отчетов, помощь с количественным программированием и вызов инструментов, а также поддерживает написание текстов, разработку и отладку кода, многошаговые задачи и понимание изображений. В карточке заявлены динамический режим рассуждения, итерационная проверка ответов и поддержка множества языков с особой оптимизацией китайского; метаданные явно указывают китайский и английский. Для работы с изображениями README требует загрузить vision-проектор и шаблон чата вместе с основным файлом. Заявления README о точности квантования и превосходстве в финансовых задачах не подкреплены приведенными результатами бенчмарков, поэтому их следует считать заявлениями разработчика.

Abinaya/snowflake-arctic-embed-financial-matryoshka — англоязычная модель эмбеддингов предложений, дообученная на 6 300 парах текстов из набора json на базе Snowflake/snowflake-arctic-embed-m-v1.5. Она использует архитектуру Sentence Transformer с трансформером BERT, CLS-пулингом и нормализацией и преобразует тексты в плотные векторы размерностью 768. Для сравнения векторов применяется косинусное сходство; Matryoshka-обучение позволяет использовать укороченные представления размерностью 512, 256, 128 или 64. Модель предназначена для семантического поиска и сравнения финансовых текстов, включая поиск по документам, оценку сходства предложений, выявление перефразирований, кластеризацию и классификацию на основе эмбеддингов. Максимальная длина входа — 512 токенов. Модель принимает текст и выдаёт векторы; для получения меток классов или результатов поиска нужна отдельная последующая обработка. Выпущена под лицензией Apache-2.0.

Модель khaze0911/banking77-distilbert — дообученный DistilBERT для классификации намерений в запросах клиентов банков. Она относит запрос к одному из 77 классов набора Banking77, например помогает определить, спрашивает ли клиент о переводе, проверке личности или другой банковской услуге. Модель рассчитана на англоязычные текстовые обращения; максимальная длина контекста составляет 512 токенов. В README указаны точность 93% и macro F1 93% на тестовой выборке из 3 076 примеров. Это компактная модель классификации последовательностей на архитектуре DistilBERT; репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Возможные ошибки связаны, в частности, с близкими или неоднозначно размеченными категориями: например, проверка личности и причина её проверки, а также ожидаемый перевод и перевод, не дошедший получателю. Результаты приведены для тестовой выборки Banking77 и не гарантируют такую же точность на иных банковских обращениях.

Yuki20/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная на финансовых текстовых парах от BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные эмбеддинги для семантического поиска и сравнения текстов; также подходит для поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Модель построена на BERT, использует пулинг CLS-токена и нормализацию векторов. Размер эмбеддинга — 768, максимальная длина входа — 512 токенов; обучение проводилось на 6 300 примерах с MatryoshkaLoss и MultipleNegativesRankingLoss. В README приведены результаты поиска для выходных размерностей от 64 до 768, что позволяет выбирать компромисс между компактностью вектора и качеством. Модель предназначена прежде всего для англоязычного финансового поиска и сопоставления вопросов с фрагментами текста. Лицензия — Apache-2.0. Результаты в карточке измерены на указанных наборах оценки и сами по себе не гарантируют качество для других корпусов или языков.

BothBosu разработал эту модель как дообученную версию distilbert/distilbert-base-uncased для классификации текста, связанной с выявлением мошеннических сообщений. Модель построена на архитектуре DistilBERT и сохранена в формате safetensors. Она принимает текстовые последовательности длиной до 512 токенов и выдаёт метки классов. Модель подходит для автоматической фильтрации подозрительных текстов и первичной сортировки сообщений, которые требуют проверки на мошенничество. В README указана точность 1,0 и loss 0,008 на наборе оценки, однако описание набора данных, классов и методики проверки отсутствует, поэтому эти показатели не позволяют судить о качестве на других данных. Распространяется по лицензии Apache-2.0.

Regulatory Financial Matryoshka — англоязычная модель Sentence Transformers, разработанная на основе BAAI/bge-base-en-v1.5 и дообученная на 185 814 парах текстов. Архитектура BERT с пулингом CLS-токена и нормализацией преобразует предложения и абзацы в плотные эмбеддинги размерностью 768; максимальная длина входа — 512 токенов. Для сравнения векторов используется косинусное сходство, а Matryoshka-обучение позволяет использовать укороченные представления размерностью 512, 256, 128 или 64. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Данные обучения и примеры относятся к финансовой и регуляторной тематике, поэтому модель особенно подходит для поиска по таким материалам. Лицензия — Apache-2.0. Результаты могут быть менее надёжны для языков, отличных от английского, и для входов длиннее 512 токенов.

Avinashc/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная на 6 300 парах текстов из набора json на основе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные эмбеддинги размерностью 768 и предназначена для семантического поиска и сравнения текстов, в том числе финансового содержания. Архитектура модели основана на BERT: вектор формируется с помощью CLS-пулинга и нормализации, а сходство текстов оценивается косинусной мерой. Контекст ограничен 512 токенами. Благодаря Matryoshka-обучению можно использовать укороченные векторы размерностью 512, 256, 128 или 64 с некоторым снижением качества поиска. Модель подходит для поиска финансовых фрагментов по запросу, ранжирования похожих предложений, кластеризации и подготовки признаков для классификации текстов. В README приведены результаты оценки информационного поиска на нескольких размерностях эмбеддингов, но они относятся к указанному в карточке набору данных. Лицензия — Apache-2.0.

FinBERT-GICS Sector Classifier v3 — дообученная модель alemmrr на базе ProsusAI/finbert для классификации финансовых новостных заголовков по секторам стандарта GICS, включая класс Unknown. Это модель BERT с 136,7 млн параметров и контекстом до 512 токенов; метаданные указывают библиотеку Transformers и формат safetensors. Модель принимает английский текст. Перед заголовком следует добавлять распознанные сущности с тегами вроде [ORG], [LOC], [PER] и [GPE], чтобы передать структуру входа, на которой основан подход модели. Модель предназначена для автоматической разметки финансовых новостей, подготовки данных и секторного анализа в исследовательских и аналитических процессах. Её можно применять для группировки заголовков в панелях мониторинга и построения секторных индикаторов трендов и тональности. Лицензия — CC BY-NC 4.0. Качество зависит от наличия и согласованности названий компаний, тикеров и NER-тегов: общие заголовки без конкретных сущностей могут получать метку Unknown, а ошибки разметки сущностей снижают надёжность результата. Модель оптимизирована для коротких финансовых заголовков; точность может падать на длинных текстах, не относящихся к финансам и недостаточно представленных секторах. Она не предназначена для прогнозирования доходности, инвестиционных рекомендаций или решений с высокими финансовыми последствиями без проверки человеком.

Banking SMS JSON Parser V8 — модель на архитектуре GPT-2, предназначенная для преобразования SMS индийских банков в структурированный JSON. Она различает транзакционные и нетранзакционные сообщения, извлекает сумму, дату, тип операции и последние четыре цифры карты или счёта, а также относит операции к более чем 32 категориям. Указана поддержка сообщений об операциях UPI, NEFT, RTGS и по картам; обучение проводилось на синтетическом наборе из 60 000 примеров с реалистичными шаблонами сообщений крупных индийских банков. Модель принимает текст и генерирует текст JSON. Контекст составляет 1 024 токена. Опубликована в формате safetensors, использует библиотеку Transformers и распространяется по лицензии MIT. Карточка заявляет оптимизацию для индийских банковских SMS, но не приводит численных метрик качества; результаты на других языках и типах сообщений не описаны.

LENU_CZ — модель классификации текста, разработанная GLEIF и Sociovestix Labs совместно для определения кода правовой формы организации (ELF) по её названию в чешской юрисдикции. Она предназначена для извлечения структурированных сведений о правовой форме из неструктурированных названий юридических лиц, например при проверке и сверке данных организаций. Модель основана на многоязычной uncased-версии BERT и дообучена на чешских юридических наименованиях и кодах ELF из данных системы Global Legal Entity Identifier. Архитектура — BERT для классификации последовательностей; размер — 194,6 млн параметров, максимальный контекст — 512 токенов. Модель выдаёт оценку класса правовой формы, соответствующего стандарту ISO 20275. Модель рассчитана на чешские юридические лица и специализированную классификацию правовых форм. Рекомендации с низкой оценкой следует проверять вручную. Лицензия — Creative Commons CC0.

MoziAI-35B-A3B-MOE-MTP — локально развёртываемая мультимодальная модель команды Chen Yumo, дообученная на основе Ornith-1.5-35B-A3B. Это MoE-модель семейства Qwen3.5 с 35 млрд параметров; в репозитории представлены варианты GGUF BF16 и Q4_K_M, а для работы с изображениями README рекомендует отдельно подключать vision-проектор. Модель предназначена для диалогов, финансового анализа, чтения отчётности, программирования, письма и задач с использованием инструментов. Карточка заявляет поддержку 201 языка и диалектов с особой оптимизацией китайского; метаданные каталога отмечают английский и китайский. README также описывает структурированное рассуждение и цикл самопроверки для сложных запросов. Репозиторий использует llama.cpp и распространяется по лицензии Apache-2.0. В README заявлены компактный вариант MoziSmartBit объёмом 15,9 ГБ и ускорение спекулятивного декодирования, однако метаданные указывают форматы GGUF BF16 и Q4_K_M, поэтому эти заявления о размере и точности не следует автоматически относить к каждому файлу репозитория. Результаты финансовых и инвестиционных ответов требуют независимой проверки; подробные бенчмарки в предоставленном фрагменте карточки отсутствуют.

raushanta/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная автором на 6 300 парах текстов из набора json для финансовой тематики. Она основана на BAAI/bge-base-en-v1.5 и использует архитектуру BERT с пулингом CLS-токена и нормализацией; преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству. Контекст ограничен 512 токенами. Модель подходит для семантического поиска и ранжирования финансовых текстов, поиска похожих фрагментов и кластеризации. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 512, 256, 128 или 64, с небольшим снижением показателей поиска по сравнению с полной размерностью. README приводит результаты InformationRetrievalEvaluator на нескольких размерностях, но они не гарантируют качество на других данных. Лицензия — Apache-2.0.

SLIMER-LLaMA3 — языковая модель экспертного ИИ expertai для извлечения именованных сущностей без предварительного обучения на каждом типе сущностей. Она основана на Meta-Llama-3.1-8B-Instruct и дообучена на примерах для английского языка; размер составляет 7,5 млрд параметров, архитектура — плотная LLaMA, формат весов — Safetensors. Модель принимает текст и генерирует текстовый ответ в виде JSON-списка найденных фрагментов. Модель предназначена для zero-shot NER: пользователь задаёт тип сущности, его определение и рекомендации по разметке, после чего SLIMER извлекает подходящие упоминания из текста. Такой подход рассчитан на новые типы меток и тексты из предметных областей, отличающихся от обучающих данных; в карточке описаны оценки на CrossNER, MIT и BUSTER, включая финансовые сущности. Контекст — до 131072 токенов. Карточка сообщает об улучшении результата относительно исходной SLIMER на LLaMA-2 и о сопоставимых результатах с некоторыми современными моделями на доменах вне обучающего распределения. Лицензия — llama3.1. Модель ориентирована на английский язык; качество для других языков не заявлено. Результат следует проверять, особенно при неоднозначных упоминаниях: извлечение зависит от заданных определения и рекомендаций, а ответ ожидается в заданном JSON-формате.

TimeBraid-2.5B — мультимодальная модель, разработанная для совместной работы с числовыми временными рядами и естественным языком. Она объединяет языковую основу Qwen3-1.7B, временной ряд TimesFM 2.5 200M и обученные слои слияния; всего в модели около 2,5 млрд параметров. Репозиторий содержит обе основы, поэтому отдельный чекпойнт TimesFM для вывода не требуется. Модель описывает тенденции и закономерности в наблюдаемых рядах, отвечает на вопросы и сравнивает несколько рядов. Для прогнозирования она использует историю числовых значений и дополнительный текстовый контекст, например сведения о предстоящей акции. Вход передаётся через процессор Hugging Face как числовые массивы и сообщения; результатом может быть текст или числовой прогноз. Для запуска автор рекомендует Linux, Python 3.11, CUDA 12.8 и совместимый с FlashAttention-2 GPU NVIDIA. Модель распространяется по лицензии Apache-2.0.

philschmid/BERT-Banking77 — модель классификации текста на основе BERT, опубликованная под аккаунтом philschmid и обученная с помощью AutoTrain для многоклассовой классификации запросов из банковской сферы на наборе Banking77. Она принимает текст и предсказывает его категорию, например, чтобы автоматически распределять обращения клиентов по темам при обработке банковских запросов. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и поддерживает контекст до 512 токенов. В карточке приведены метрики на валидации: accuracy 0,926 и macro F1 0,927. Для работы с ней указан формат PyTorch; примеры доступа показывают отправку текста через API Hugging Face. Лицензия в предоставленных данных не указана.