IV.2Банки, платежи и инвестиции

mrm8488/distilroberta-finetuned-banking77 — модель классификации намерений в обращениях к банковским сервисам, разработанная на базе distilroberta-base и дообученная на датасете Banking77. Она использует архитектуру RoBERTa с классификационной головой и содержит 95,2 млн параметров; принимает текст и поддерживает контекст до 514 токенов. Модель предназначена для определения категории пользовательского запроса среди банковских намерений, например для маршрутизации обращений в службе поддержки. В README указана точность 0,896 на тестовом наборе. Для использования доступны веса PyTorch и safetensors, а загрузить модель можно через Transformers. Карточка не сообщает условия лицензии, поэтому условия распространения здесь описать нельзя.

samchain/econo-sentence-v2 — модель Sentence Transformers, разработанная samchain на основе дообучения samchain/EconoBert. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска похожих текстов, обнаружения перефразирований, кластеризации и классификации текста. Модель использует архитектуру BERT с усреднением токенных представлений и косинусной мерой сходства; максимальная длина входа — 512 токенов. Модель обучена на парных текстовых данных по экономике и финансам econo-pairs-v2 с CoSENTLoss. В описанной оценке коэффициент Spearman для косинусного сходства составил 0,862 на econo-pairs-v2 и 0,8295 на econo-pairs-v1. Репозиторий распространяется по лицензии Apache-2.0. Карточка указывает английский язык; качество для других языков не подтверждено.

YAYI-UIE — плотная авторегрессионная языковая модель семейства YAYI UIE, разработанная командой YAYI и опубликованная wenge-research. Модель содержит 13,3 млрд параметров и дообучена инструктивно на миллионах искусственно созданных высококачественных примеров для унифицированного извлечения информации: распознавания именованных сущностей, извлечения отношений и извлечения событий. Модель предназначена для преобразования текста в структурированные результаты, например JSON с сущностями, отношениями или аргументами событий. В карточке описаны сценарии из общих и специализированных областей, включая финансы, биологию, медицину, бизнес, транспорт, промышленность и науку. README приводит примеры оценки на китайских и английских наборах данных; основной акцент модели — китайский язык. Указаны ограничения: извлечённые сведения могут содержать фактические ошибки, модель слабо распознаёт вредоносные инструкции, а качество на длинных текстах уровня абзаца требует улучшения. Лицензия в метаданных и карточке — Apache-2.0, однако README отдельно требует использовать модель и производные только в исследовательских целях и запрещает коммерческое и вредоносное применение.

Это компактная модель DistilBERT, разработанная автором репозитория и дообученная на DistilBERT Base Uncased с использованием набора BANKING77. Она классифицирует англоязычные запросы клиентов онлайн-банкинга по 77 намерениям, например по вопросам о картах, переводах, платежах, снятии наличных и комиссиях. Модель принимает текст и выдаёт метку класса; максимальная длина контекста — 512 токенов. На тестовой выборке BANKING77 автор сообщает точность 92,44%. Модель подходит для маршрутизации обращений в банковской поддержке и прототипирования классификатора намерений. Это демонстрационный пример дообучения, хотя автор указывает, что модель готова к использованию. Результаты относятся к набору BANKING77, поэтому качество на других темах, формулировках и языках не подтверждено. Лицензия — Apache-2.0.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная на финансовых текстовых парах от BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 и сравнивает их с помощью косинусного сходства. Архитектура основана на BERT с CLS-пулингом и нормализацией; контекст — до 512 токенов. Модель предназначена для семантического поиска и сопоставления финансовых фрагментов, включая поиск ответов в документах и сравнение формулировок. Matryoshka-обучение позволяет использовать укороченные эмбеддинги размерностью 512, 256, 128 или 64 с некоторым снижением качества поиска. В README приведены результаты InformationRetrievalEvaluator на наборах dim_768, dim_512, dim_256, dim_128 и dim_64; описание датасета указывает на 6 300 пар с положительными примерами и запросами. Модель принимает текст и выдаёт векторы для задач поиска, сходства, кластеризации и классификации текста. Лицензия — Apache-2.0. Карточка не приводит отдельной оценки на независимом финансовом бенчмарке, поэтому качество на конкретных данных следует проверять отдельно.

Это оптимизированная и квантованная версия DistilBERT для классификации текста, подготовленная philschmid с использованием Optimum и ONNX Runtime. Репозиторий также содержит шаблон обработчика для запуска классификатора через универсальный API инференса Hugging Face. Модель предназначена для присвоения тексту меток классификации. Карточка упоминает набор Banking77, что указывает на сценарии классификации банковских обращений, однако подробности о метках и результатах обучения не приведены. Для инференса используются ONNX и Optimum; заявленная длина контекста — 512 токенов. Это производная модель DistilBERT, а не новая архитектура. В карточке не приведены идентификатор исходного чекпойнта, точная схема квантования, показатели качества и лицензия, поэтому эти характеристики нельзя уточнить.

Jet — дообученная языковая модель Michal Jach на базе Qwen3.5-4B, предназначенная для выбора типизированных решений и вероятностей из заданных вариантов. Она принимает текстовое описание состояния и критерии вариантов, а не генерирует свободные ответы. Модель имеет плотную архитектуру Qwen3.5ForCausalLM, содержит 3,4 млрд параметров и поддерживает контекст до 262 144 токенов; данные модели представлены в формате Safetensors и рассчитаны на запуск через Transformers. В версии 6.2 применено корректирующее дообучение LoRA поверх полной объединённой версии Jet 6.1; итоговый выпуск — полные BF16-веса, отдельная базовая модель не требуется. Обучение было сфокусировано на банковских намерениях, финансовой тональности сущностей и сарказме, с примерами для сохранения качества на более широких задачах. Карточка приводит небольшие локальные holdout-оценки и прямо отмечает, что они не доказывают широкого улучшения; качество за пределами проверенных областей не установлено. Модель и runtime распространяются по лицензии Apache-2.0, лицензии исходных наборов данных могут отличаться.

AlphaRoute-0.8B-v1.0 — компактная текстовая модель на основе Qwen3.5-0.8B-Base, дообученная разработчиком NamanAgnih0tri для семантической маршрутизации запросов по намерениям и извлечения структурированных данных. Она принимает запрос пользователя вместе с описаниями категорий и заданной JSON-схемой, после чего формирует решение о маршруте, извлекает параметры и может помечать запрос как не относящийся к заданным категориям. Модель рассчитана на маршрутизацию по категориям, заданным во время запроса, обработку внеобластных обращений и заполнение пользовательских JSON-схем без переобучения при смене категорий или полей. В карточке указаны архитектура Qwen3_5ForCausalLM, 581,4 млн параметров, контекст до 262 144 токенов и веса Safetensors; лицензия — Apache-2.0. README приводит результаты на Banking77, CLINC150 и HWU64, а также отмечает, что версия v1.5 превосходит v1.0 по ряду тестов. Поддерживается английский язык; заявленные результаты и устойчивость зависят от формулировок категорий, схемы и промпта.

Это компактная модель Sentence Transformers, дообученная Emerick Lafontaine на базе BAAI/bge-small-en-v1.5 для представления текстов в виде плотных эмбеддингов. Она построена на архитектуре BERT с пуллингом CLS и нормализацией векторов; размер модели — около 40 млн параметров, размерность эмбеддинга — 384, максимальная длина последовательности — 512 токенов. Модель рассчитана на англоязычные финансовые вопросы и фрагменты документов: в обучающем наборе из 8 457 пар вопрос–положительный фрагмент использованы примеры из финансовой отчетности и материалы для FinQA и TAT-QA. Эмбеддинги можно применять для семантического поиска релевантных фрагментов, сравнения сходства предложений, поиска перефразировок, кластеризации и классификации текста. Для сравнения предусмотрена косинусная близость. Лицензия в предоставленных данных не указана.

Модель anmolshrivastav/distilbert-scam-detector-india разработана для бинарной классификации текстовых сообщений: она помечает их как легитимные (ham) или мошеннические/спам (spam). Это дообученная DistilBERT для классификации последовательностей, основанная на distilbert/distilbert-base-uncased-finetuned-sst-2-english. Модель принимает текст на английском языке и рассчитана на сообщения об индийских мошеннических схемах, включая поддельные выигрыши, фишинг Aadhaar/KYC, банковское и UPI-мошенничество, фальшивые вакансии и выманивание OTP. Максимальная длина контекста — 512 токенов. В README приведены метрики оценки: accuracy 0,9971 и F1 0,9963. Для обучения использовались реальные примеры сообщений из Индии и около 200 синтетических примеров, добавленных для менее представленных категорий. Доступны веса safetensors и динамически квантованный INT8 ONNX-вариант для ускорения инференса на CPU. Модель распространяется по лицензии Apache-2.0. Модель может хуже работать с Hinglish и мошенническими сообщениями, не содержащими явных сигналов вроде сумм, брендов или призывов к срочному действию. Обучение ориентировано на индийские схемы, поэтому результаты для других регионов и валют могут быть ненадёжны; качество на реальных примерах дополненных синтетическими категориями следует отдельно проверять перед применением.

vivekkopthsd/fiqa-retriever-bge-small — компактная текстовая модель Sentence Transformer, дообученная на основе BAAI/bge-small-en-v1.5 для поиска финансовых ответов по сходству с запросом. Она кодирует предложения и абзацы в плотные векторы размерности 384; архитектура включает BERT, CLS-пулинг и нормализацию, а релевантность можно сравнивать по косинусному сходству. Модель обучалась на 14 080 парах текстов и оценивалась на fiqa-test; в README приведено значение cosine ndcg@10 0,3923. Модель предназначена для векторного поиска и извлечения ответов в корпусах вопросов и ответов по финансам, включая сценарии поиска по запросу. Метаданные указывают контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов. Поддерживается только текст, основной язык — английский. Лицензия в предоставленных данных не указана.

PhilipCisco/qwen3-base-financial — текстовая модель Sentence Transformers, дообученная разработчиком PhilipCisco на базе Qwen/Qwen3-Embedding-0.6B. Она кодирует предложения и абзацы в плотные векторы размерностью 1024 и сравнивает их с помощью косинусного сходства. Модель предназначена для семантического поиска и оценки смысловой близости текстов; в README приведены примеры вопросов и ответов по корпоративной финансовой отчётности. Модель использует архитектуру Qwen3Model с пулингом последнего токена и нормализацией. Максимальная длина последовательности — 32 768 токенов. Обучение проводилось на наборе из 5 600 пар «запрос — релевантный текст» с MatryoshkaLoss и MultipleNegativesRankingLoss. Указан английский язык, лицензия Apache-2.0. В README приведены метрики поиска на тестовом наборе, однако результаты на других данных не описаны.

XuanYuan-6B — плотная языковая модель на архитектуре, близкой к LLaMA, разработанная Duxiaoman-DI для финансовых и общих задач. Модель обучена с нуля на разнородных корпусах; семейство также включает базовую версию, чат-версию с дообучением по инструкциям и выравниванием с предпочтениями людей, а также её 4- и 8-битные варианты. Модель содержит 6,2 млрд параметров, использует 30 слоёв, 32 головы внимания, RoPE, SwiGLU и RMSNorm. Метаданные указывают контекст до 8192 токенов; в README для обучения базовой модели указан максимальный размер последовательности 2048 токенов. Модель предназначена для генерации текста и диалога, включая финансовые сценарии. Лицензия — Llama 2; применимость её условий следует сверять с лицензией репозитория.

Decision-1.0-Lex-0.6B — специализированная модель Open Decision Foundation Models, созданная дообучением Decision-1.0-Kai-0.6B. Она преобразует операционный контекст в структурированные решения: выбирает действие среди кандидатов, проверяет условия и оценивает варианты по заданной шкале. Сценарии включают маршрутизацию обращений и счетов, оценку инцидентов безопасности и анализ результатов работы агентов. Модель содержит около 572 млн параметров и использует архитектуру Decision1 с тремя двунаправленными энкодерными путями по 22 слоя, общими многоязычными входными эмбеддингами и отдельными слоями взаимодействия и блоками оценки для Choice, Noul и Score. Рассчитана прежде всего на английские операционные задачи. Полный запрос, включая контекст, инструкции и варианты, ограничен 1024 токенами. В описанной реализации веса и вычисления используют FP32; доступны локальный запуск через Transformers с доверенным пользовательским кодом и совместимый серверный runtime. Репозиторий лицензирован по Apache-2.0. В указанном тесте на 2000 англоязычных решений точность составила 78,15%; преимущество над сравниваемой моделью не было однозначным по парному 95% интервалу, а на одном из типов задач сравниваемая модель показала лучший результат. Вероятности не являются калиброванной уверенностью, и на результат могут влиять порядок кандидатов и формулировка задачи. Запросы длиннее лимита возвращают ошибку без усечения.

GLiNER2.5-multi-Decide — мультиязычная модель классификации Fastino из семейства GLiNER2.5, дообученная на базе fastino/gliner2.5-multi-v1. Она принимает текст и заданный при вызове набор меток, а затем в одном проходе оценивает несколько задач классификации. Размер модели — 287 млн параметров; веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для операционной маршрутизации и принятия решений по тексту: определения намерения, тональности, приоритета, темы, типа документа, команды-получателя, необходимости передать диалог человеку, а также модерации и оценки срочности. Подходит для многоязычного текста; для одной метки возвращает один класс, а для многометочной классификации — метки, прошедшие порог. Заданный набор меток можно менять, в том числе добавлять к ним описания. Для локального использования README рекомендует загрузку через AutoExtractor. Это специализированный классификатор: он не предназначен для рассуждений, объяснений или ответов на открытые вопросы и не генерирует текстовые токены. В README приведён англоязычный бенчмарк, поэтому его результат не следует считать оценкой качества на других языках. Модель опубликована под лицензией Apache-2.0.

GOBA AI Labs создала серию вариантов OLMoE-1B-7B-0125-Instruct, адаптированных под японский язык, финансы и программирование методом Expert Tuning. В этой модели эксперты разреженной MoE-архитектуры Transformer заменены доменно-специализированными экспертами, обученными с помощью дистилляции знаний; базовая модель — allenai/OLMoE-1B-7B-0125-Instruct. В репозитории представлены варианты для японского языка, финансов и генерации кода, каждый размером около 3,9 ГБ; активны 1,3 млрд параметров из 6,9 млрд. Модель поставляется в формате GGUF с квантизацией Q4_K_M и рассчитана на запуск, в частности, через llama.cpp. Варианты предназначены для генерации ответов и текста на японском языке, финансового анализа и выявления мошенничества, а также генерации и объяснения Python-кода. В описанных тестах японский вариант улучшил результат JMMLU на 4,5 процентного пункта, а вариант для кода — HumanEval+ на 10 пунктов; для финансового варианта прирост на подмножестве выявления мошенничества составил 16 пунктов. Базовая модель сохраняет общие навыки в пределах указанных авторами тестов, но оценки получены на выборках умеренного размера. Модель опубликована под лицензией Apache 2.0, допускающей коммерческое использование. К ограничениям относятся скромная активная ёмкость в 1,3 млрд параметров, возможная нестабильность оценок на небольших тестовых выборках и смещение финансового варианта в сторону выявления мошенничества с ухудшением прогнозирования доходов.

BCCard разработала MoAI-Embedding-0.6B — модель текстовых эмбеддингов для поиска по корейским финансовым материалам BC Card. Это дообученная с помощью LoRA модель Qwen/Qwen3-Embedding-0.6B; в опубликованной версии адаптер объединён с базовыми весами. Модель содержит 507,6 млн параметров, создаёт нормализованные эмбеддинги размерностью 1024 и принимает последовательности длиной до 1024 токенов. Для сопоставления используется косинусное сходство. Модель предназначена для роли двунаправленного кодировщика (bi-encoder) в поиске по запросу и документам, в том числе для извлечения кандидатов в RAG-системе BC Card. На тестовом наборе внутри этой предметной области авторы сообщают об улучшении NDCG@10 на 8,2% относительно базовой модели. Для запросов при использовании следует применять тот же инструкционный префикс, что и при обучении; документы кодируются без него. Модель обучена на корейских финансовых данных BC Card, охватывающих персональные, торговые, корпоративные и VIP-сценарии. Для поиска числовых и табличных сведений, а также более точного ранжирования рекомендуется дополнять её лексическим поиском или переранжировщиком. Длинные документы нужно разбивать на фрагменты: текст после 1024 токенов обрезается. Это модель извлечения и сопоставления, она не генерирует ответы. Лицензия — Apache-2.0.

NMIXX-BGE-M3 — модель SentenceTransformer на базе BAAI/bge-m3, дообученная командой NMIXX-Fin для семантического сопоставления корейских финансовых текстов. Она формирует векторные представления предложений и рассчитана прежде всего на оценку семантической близости в финансовом домене; поддерживает корейский и английский языки. Модель использует архитектуру XLM-RoBERTa, содержит 658,7 млн параметров и выдаёт эмбеддинги размерностью 1024. Максимальная длина последовательности — 8194 токена по метаданным; README указывает предел 8192 и отмечает, что стабильное качество гарантируется только до 2048 токенов. Модель обучена с triplet loss и подбором сложных негативных примеров на датасете NMIXX_train. Лицензия — Apache-2.0.

SCAMBERT — модель классификации текста на базе DistilBERT, дообученная ThunderCrown для выявления мошеннических SMS и коротких сообщений. Она размечает текст двумя классами: безопасное сообщение и мошенничество, включая фишинг и финансовый обман. Модель предназначена для использования как дополнительный семантический слой в системе обнаружения угроз, например для анализа SMS и коротких сообщений, когда простых правил и регулярных выражений недостаточно. Модель поддерживает английский язык и принимает текст длиной до 512 токенов. В карточке описаны результаты проверки на наборе из 8 438 примеров и устойчивость к некоторым вариантам маскировки ссылок, заменам символов цифрами и необычному регистру. Очень коротким сообщениям без контекста, например «Call me now», может быть трудно присвоить надёжную метку. Указана лицензия MIT либо лицензия проекта; точные условия следует сверить с опубликованными файлами лицензии репозитория.

Sailesh9999/bge-base-financial-matryoshka_2 — англоязычная модель Sentence Transformers, дообученная автором на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Архитектура BERT использует CLS-пулинг и нормализацию и преобразует предложения и абзацы в плотные эмбеддинги размерностью 768; близость текстов оценивается косинусным сходством. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и извлечения финансовой информации, сравнения предложений, поиска перефразирований, кластеризации и классификации текста. Благодаря обучению Matryoshka можно использовать укороченные эмбеддинги размерностью 512, 256, 128 или 64, с некоторым снижением показателей поиска при уменьшении размерности. В README приведены результаты оценки InformationRetrievalEvaluator на наборе данных, но его название не указано. Модель принимает текст и выдаёт векторы эмбеддингов; она не генерирует ответы. Выпущена под лицензией Apache-2.0. Ее заявленные языковые характеристики и примеры обучения относятся к английскому; качество на других языках не подтверждено.

Dospacite/gemma4-e4b-unsloth-phishing-merged — самостоятельная модель, созданная слиянием LoRA-адаптера для выявления фишинга с базовой Gemma 4 E4B Instruct от Unsloth. Она предназначена для анализа входного текста и выдачи компактного JSON с меткой, оценкой уверенности и объяснением, чтобы классифицировать потенциальные фишинговые сообщения и пояснять решение. Модель основана на плотной архитектуре Gemma 4 и поддерживает диалоговый режим; в метаданных указан формат safetensors. Размер, длина контекста и поддерживаемые естественные языки в предоставленных источниках не приведены. Лицензия в предоставленных данных не указана.

financial_bert — дообученная WhatAboutYou AI модель на архитектуре BERT для распознавания именованных сущностей в финансовых текстах. Она принимает текст и присваивает метки отдельным токенам, выделяя, в частности, годовую выручку, приобретённую, покупающую и продающую компании, а также консалтинговые и юридические фирмы — консультанты по сделке. Модель основана на google-bert/bert-base-uncased, содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. Модель обучена на датасете BUSTER и предназначена для извлечения сущностей из материалов о сделках слияния и поглощения. В README для оценочной выборки приведены F1 0,8245, точность 0,7977 и полнота 0,8532. Доступна в формате safetensors для Transformers; лицензия — Apache-2.0. Английский язык указан в метаданных.

industry-bert-asset-management-v0.1 — модель llmware для построения семантических эмбеддингов текстов об управлении активами. Это дообученная на публичных документах отрасли модель Sentence Transformer на архитектуре BERT с 136,7 млн параметров и контекстом до 512 токенов. Модель предназначена для использования как замена эмбеддингов в сценариях, связанных с управлением активами; README указывает английский язык. Эмбеддинги можно применять для семантического поиска и сопоставления текстов в документах о бизнесе, финансовых показателях и компаниях отрасли. Модель представлена в формате PyTorch и распространяется по лицензии Apache 2.0. Качество может снижаться за пределами предметной области; авторы также отмечают возможные аномалии в пространстве эмбеддингов и отсутствие специальных мер для снижения смещений в данных.

DMetaSoul разработала DMetaSoul/sbert-chinese-qmc-finance-v1 — модель Sentence-BERT на базе bert-base-chinese, дообученная на крупном наборе банковских вопросов BQCorpus. Она предназначена для определения семантического сходства китайских финансовых вопросов: например, для поиска похожего вопроса в базе поддержки или сопоставления перефразированных запросов. Модель формирует векторы предложений; её можно использовать через Sentence-Transformers или Hugging Face Transformers. Модель имеет архитектуру BERT, содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки на нескольких наборах семантического сопоставления; показатели заметно различаются в зависимости от набора данных, поэтому качество на конкретной банковской базе следует проверять отдельно. Лицензия в предоставленных данных не указана.

TabPFN-2.5 — трансформерная модель для прогнозирования по структурированным таблицам, разработанная Prior Labs. Она использует обучение в контексте и выполняет предсказание одним прямым проходом. Репозиторий содержит классификационные и регрессионные контрольные точки; метаданные каталога указывают задачу tabular-classification. Архитектура основана на TabPFN v2 и использует чередующееся внимание в 18–24 слоях. Модель предназначена для классификации и регрессии на наборах до 50 000 строк и 2 000 признаков. Базовые контрольные точки обучены на синтетических табличных задачах; некоторые варианты дополнительно дообучены на реальных данных. Она не предназначена для неструктурированных текстов и изображений. В README указаны результаты на нескольких бенчмарках, однако подробности приведены в техническом отчёте. Лицензия tabpfn-2.5-license-v1.1 разрешает исследования, внутреннюю оценку и бенчмаркинг, но запрещает коммерческое и производственное использование весов, производных моделей и их результатов без отдельной коммерческой лицензии. Качество может снижаться за пределами указанных размеров таблиц; для задач высокого риска следует проверять обучающие метки на смещения.

FinSight NER — модель распознавания именованных сущностей в финансовых новостях, разработанная в рамках проекта FinSight. Это дообученная версия BERT base uncased с 136,7 млн параметров, обученная на вручную размеченном наборе FiNER-ORD. Модель принимает текст и размечает имена людей (PER), организации (ORG) и географические названия (LOC) в формате BIO; максимальная длина контекста — 512 токенов. Модель предназначена для извлечения участников и мест из финансовых новостей и повествовательных разделов документов SEC. На тестовой выборке показатель micro F1 составил 0,8159 при строгом сопоставлении сущностей. Лучше всего модель распознаёт имена людей; качество ниже для организаций и географических названий. Модель рассчитана на хорошо сформулированный текст с обычной капитализацией. Она не размечает суммы, проценты и даты, а также не настроена на структурированный юридический и договорный текст; заголовки прописными буквами и текст в нижнем регистре могут ухудшать качество. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

FISA-conclave/klue-roberta-news-sentiment — модель классификации тональности корейских новостных статей в отношении конкретной компании, созданная дообучением KLUE-RoBERTa. Она относит текст к одному из трёх классов: негативному, нейтральному или позитивному. Модель предназначена для анализа финансовых новостей и мониторинга репутации компаний. В README указаны результаты на тестировании: accuracy 0,8426, macro-F1 0,8468 и weighted-F1 0,8422. Модель содержит 137,8 млн параметров, использует архитектуру RoBERTa и поддерживает контекст до 514 токенов. Для обучения использовалось 9 992 примера из корейских наборов данных по финансовой тональности. Лицензия — Apache 2.0. Результаты зависят от данных и контекста: классификация может не отражать тональность в отношении нужной компании, если она не выделена или упоминается неоднозначно.

Карточка модели Lingzhi-AI/Lingzhi-7B-chat на Hugging Face совпадает с карточкой Lingzhi-AI/Lingzhi-1.5B-chat, поэтому описание составлено по ней. Lingzhi-AI разработала Lingzhi-1.5B-chat — диалоговую языковую модель на архитектуре Qwen2 с 1,5 млрд параметров. Модель создана на основе Qwen2-base с продолжением обучения и настройкой для чата; контекстное окно составляет 131 072 токена. В репозитории представлены веса в формате Safetensors. Модель предназначена для диалогов и задач в специализированных областях, включая бухгалтерский учёт, право и финансы, при сохранении общих языковых навыков. Авторы сравнивали несколько схем непрерывного обучения и сообщают о публикации обучающих данных и бенчмарков. Лицензия в предоставленных данных не указана.

ZeroXClem разработал диалоговую языковую модель, объединив методом Model Stock три модели на архитектуре Llama: Theia-Llama, Fireball-Meta-Llama и Llama-Hawkish. Модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов; она предназначена для генерации текста и ответов на инструкции в диалоге. Модель ориентирована на вопросы о криптовалютах и финансах, количественные рассуждения, программирование и техническую поддержку. Она может помогать составлять финансовые обзоры, анализировать крипторынок, объяснять математические задачи и генерировать код. Заявлена поддержка английского языка. Модель выпущена в формате Safetensors с типом данных bfloat16 и доступна по лицензии Apache 2.0. Качество ответов и точность финансовых или инвестиционных выводов README не подтверждает независимыми оценками; сгенерированные расчёты и рекомендации требуют проверки.

ab-ai разработала дообученную модель на базе Microsoft Phi-3-mini-4k-instruct для обнаружения персональных данных в тексте. Она предназначена для поиска имен, дат рождения, контактных и адресных данных, финансовых реквизитов, идентификаторов, IP- и криптовалютных адресов и других чувствительных сущностей, например для редактирования документов, защиты конфиденциальности и проверки соответствия требованиям. Модель использует плотную архитектуру Phi-3 с 3,7 млрд параметров, работает через Hugging Face Transformers и принимает текст, генерируя текстовый ответ. Заявленный контекст составляет до 4096 токенов; в метаданных указан английский язык. Модель распространяется по лицензии MIT. Результаты обнаружения зависят от формата запроса и могут пропускать или неверно классифицировать данные; перед использованием в процессах соответствия требованиям нужна проверка качества на целевых текстах.