IV.2Банки, платежи и инвестиции

AungMoonLord/bert-log-anomaly-detection — англоязычный BERT-классификатор, разработанный Aungruk Vanichanai, Napat Wanitwatthakorn и Thanakrit Sriphiphattana для обнаружения аномалий в отдельных SQL-журналах транзакций. Модель дообучена для бинарной классификации записей как Normal или Anomaly и создана как прототип для хакатона Samsung × KBTG по цифровому мошенничеству и кибербезопасности. Модель построена на google-bert/bert-base-uncased, использует архитектуру BertForSequenceClassification и содержит 136,7 млн параметров. Она принимает текст одной SQL-записи, поддерживает английский язык и имеет контекст до 512 токенов. Карточка приводит тестовую точность около 0,70 и полноту 0,79 без дополнительной предобработки или 0,82 с ней; результаты указывают на риск ложных срабатываний и пропусков. Модель рассчитана на помощь в мониторинге финансовых транзакций и кибербезопасности, но не предназначена для выявления аномалий по последовательностям нескольких журналов или по нетекстовым данным. Обучающие данные — 1 611 синтетически сгенерированных и размеченных SQL-журналов. Лицензия — Apache 2.0; карточка представляет модель как демонстрационный хакатонный прототип.

ElSlay/BERT-Phishing-Email-Model — англоязычная модель классификации электронных писем на фишинговые и легитимные. Автор дообучил BERT для бинарной классификации текста писем на датасете zefang-liu/phishing-email-dataset. Модель построена на google-bert/bert-base-uncased, использует архитектуру BertForSequenceClassification и библиотеку Transformers; содержит 136,7 млн параметров и рассчитана на контекст до 512 токенов. Модель подходит для автоматической проверки текста писем и предварительной фильтрации подозрительных сообщений. Карточка не приводит метрики качества или подробности о составе обучающих данных. Лицензия в предоставленных сведениях не указана.

Zeesnal786/llama32-3b-banking-merged — дообученная языковая модель на архитектуре Llama 3.2, разработанная Zeesnal786 на базе unsloth/Llama-3.2-3B-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель содержит 3,2 млрд параметров и предназначена для генерации текста и диалогового взаимодействия; название указывает на банковскую тематику дообучения, но README не описывает конкретные банковские сценарии или результаты. Модель принимает текст и выдаёт текст. Для базовой модели указано контекстное окно 131 072 токена; карточка связывает модель с английским языком. Распространяется под лицензией Apache-2.0.

Nobris разработала lt-nobris-en — дообученную модель Sentence Transformers на архитектуре MPNet для сопоставления названий организаций. Она кодирует два названия в эмбеддинги; косинусное сходство между ними помогает оценить, относятся ли записи к одной организации. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 514 токенов и распространяется в формате safetensors по лицензии MIT. Модель предназначена для проверки организаций в сценариях исследовательской безопасности и экспортного контроля: сопоставления с ограничительными списками, разрешения вариантов названий, аббревиатур, псевдонимов, дочерних организаций и транслитераций, а также связывания доменов сайтов с организациями. В обучающих данных представлены английский, китайский, русский и другие языки. На валидационной выборке из README средняя точность AP составила 0,877; оптимальные пороги зависят от того, важнее полнота или точность совпадений. Это вспомогательная модель ранжирования сходства, а не система для принятия юридических решений. Она обучена на названиях организаций и не предназначена для поиска совпадений по именам людей или для общих задач семантического сходства. На высоких порогах полнота совпадений по аббревиатурам ограничена; охват сопоставления доменов ограничен организациями с сайтами в данных ROR. Данные преимущественно охватывают китайские и российские организации, поэтому качество для других регионов может быть ниже; возможны ложные срабатывания на легитимные китайские академические организации, а сведения об ограничениях со временем устаревают.

BankAssist Qwen3 — дообученная Waseem Ghanem модель для определения намерения клиента по банковскому сообщению. Она принимает текст обращения и генерирует одну из 77 меток набора Banking77; задача реализована как генерация текста, без отдельной классификационной головы. Модель основана на Qwen3-0.6B: адаптер LoRA обучен на Banking77, а затем объединён с базовыми весами. В репозитории опубликована самостоятельная версия для загрузки через Transformers. Размер — около 508 млн параметров, контекст — до 40 960 токенов; в карточке указан английский язык. На тестовом разбиении Banking77 из 3 076 примеров автор сообщает точность 47,79% и 160 некорректных меток; у исходной Qwen3-0.6B точность составила 22,07%. Модель подходит для прототипирования маршрутизации банковских обращений по категориям и экспериментов с классификацией намерений. Автор отмечает, что её не следует использовать как готовую банковскую систему. Лицензия модели — Apache 2.0; исходный набор данных Banking77 распространяется по CC BY 4.0.

CryptoBERT — англоязычная модель обработки текста, созданная ElKulako для анализа публикаций и сообщений в социальных сетях о криптовалютах. За основу взята vinai/bertweet-base: модель дополнительно обучили на корпусе из более чем 3,2 млн криптовалютных публикаций, а классификационную голову дообучили на 2 млн размеченных постов StockTwits. Модель определяет тональность публикации относительно криптовалюты и относит её к одному из трёх классов: Bearish, Neutral или Bullish. Она подходит для анализа настроений в сообщениях StockTwits и похожих социальных источниках, например для мониторинга рыночных настроений. Архитектура — RoBERTa для классификации последовательностей, размер — 151,8 млн параметров. Максимальный технический контекст составляет 514 токенов, однако в README рекомендуется ограничивать последовательность 128 токенами. Модель рассчитана на англоязычные сообщения о криптовалютах; её обучение охватывало StockTwits, Telegram, Reddit и Twitter. Лицензия — MIT. Результаты отражают тональность текста, а не достоверность утверждений или будущую динамику рынка.

Nesso-0.4B-Agentic — компактная языковая модель сообщества mii-llm, созданная дообучением Zagreus-0.4B-ita. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM, содержащая 437,7 млн параметров и рассчитанная на контекст до 4096 токенов. Модель принимает текст и генерирует текст; она поддерживает английский и итальянский языки. Модель предназначена для function calling, формирования структурированных ответов в JSON и многошаговых сценариев с использованием инструментов. Её небольшой размер ориентирован на запуск на периферийных устройствах. Обучение находится на этапе SFT; разработчики отмечают, что специализация на работе с инструментами снижает результаты на общих академических бенчмарках относительно instruct-варианта. Модель распространяется по лицензии Apache-2.0.

Security Co-pilot — дообученная модель на 3,1 млрд параметров на базе Qwen/Qwen2.5-3B-Instruct, предназначенная для первичной проверки подозрительных сообщений. Она принимает текст электронного письма, URL, SMS или расшифровки звонка и выдаёт вердикт PHISHING, SCAM, SPAM или SAFE с кратким объяснением, указывающим на признаки в сообщении. Модель работает с текстом на английском языке и имеет контекстное окно до 32 768 токенов. В README сообщается о точности 95,5% и Macro F1 95,4% на валидационной выборке из 400 примеров; это результаты валидации, а не отдельного тестирования. Модель обучалась на примерно 18 500 примерах писем, URL, SMS и расшифровок звонков. Репозиторий содержит веса Safetensors; разработчик рекомендует использовать точный шаблон запроса из prompt_config.json. Модель может пропускать сообщения, специально составленные для обхода классификаторов, и неверно классифицировать сообщения, отличающиеся от обучающих данных. SMS-мошенничество размечено как SPAM; устаревшие и смещённые данные могут приводить к ложным срабатываниям, например на настоящих банковских уведомлениях. Модель анализирует только текст и не проверяет отправителя, домен или вложения; её рекомендуется использовать как вспомогательный инструмент первичной проверки. Указана лицензия other, конкретные условия которой в предоставленных данных не раскрыты.

Starlight LQ-FSE Base — корейская модель для классификации и извлечения предложений из финансовых документов. Репозиторий сохраняет веса и исходные выходы LangQuant/LQ-FSE-base на базе KLUE-RoBERTa, Inter-sentence Transformer и голов извлечения и классификации ролей; это не новый результат обучения, а доработка исходной модели с правилами и форматом вывода для последующей обработки статей. Лицензия в метаданных — MIT. Модель обрабатывает предложения, сохраняя исходные смещения в тексте, оценки и вероятности ролей. Дополнительная проекция относит предложения к EVENT, STATEMENT или DROP, а runtime включает эвристические этапы построения кандидатов событий и утверждений, связывания сущностей и извлечения отношений. В тесте на 29 статьях вариант со всеми предложениями и проекцией показал Macro F1 0,577 и покрытие 0,896. Обработка ограничена 30 предложениями на документ и 128 токенами на предложение; более длинные документы обрезаются. Проекция и этапы извлечения основаны на правилах для корейского языка и могут ошибаться, в частности, на косвенной речи и сложных сказуемых. Обученной головы сущностей нет, поэтому некоторые этапы пропускаются или оставляют атрибуцию говорящего пустой. Новые головы в репозитории представлены только как структура для обучения и не имеют обученных весов.

GemmaDecision-270M v4 — текстовый реранкер на базе Gemma 3, разработанный проектом GemmaDecision. Модель получает запрос и варианты ответа, оценивает каждый вариант скалярной оценкой и ранжирует их; ответы в свободной форме она не генерирует. Веса включают дообученный текстовый энкодер и обучаемую голову принятия решений. Модель предназначена прежде всего для выбора темы банковского обращения среди четырёх предложенных вариантов и определения отношения между свидетельством и гипотезой в трёхклассовой задаче. README приводит результаты частного тестирования этих задач и подчёркивает, что они не подтверждают качество на официальной классификации BANKING77, произвольной маршрутизации инструментов или других областях. Доступны веса в форматах Safetensors и ONNX; параметры модели — 257 млн, контекст — до 32 768 токенов. Для ONNX-экспорта описан локальный запуск на CPU. Карточка сообщает о точности 96,50% на четырёхклассовой банковской задаче и 78,00% на трёхклассовой задаче отношений свидетельств на частном тесте; эти показатели нельзя переносить на другие сценарии. Оценки вероятности получаются из сырых оценок с фиксированной температурой и не гарантируют правильность. Модель лицензирована по лицензии Gemma.

Bschleter/llama-2-7b-hermes-financecompliance — ранняя дообученная модель на базе Llama 2 Hermes 7B от Nous Research. Она предназначена для помощи компаниям и специалистам по маркетингу и комплаенсу в проверке публичных рекламных и маркетинговых материалов на соответствие правилам SEC, прежде всего Marketing Rule 2021. Модель может классифицировать текст по заданным категориям и генерировать ответы с объяснениями; её размер — 6,6 млрд параметров, контекст — до 4096 токенов, языковая поддержка — английский. Разработчик описывает эту версию как предварительную и обученную на небольшом наборе примеров с рассуждениями по правилам SEC. Результаты следует использовать как дополнительное мнение, а не как юридическое заключение или доказательство; решения требуют проверки специалистами, знакомыми с правилами SEC. README отмечает, что модель ещё не прошла полноценную экспертную проверку точности и смещений. Лицензия в доступных данных не указана.

Dospacite выпустил эту модель для выявления фишинговых веб-страниц по структурированным признакам страницы. Она классифицирует страницу как фишинговую или безопасную и формирует объяснение с опорой на признаки. Модель построена на Llama 3.1 8B Instruct: веса LoRA-адаптера объединены с базовой моделью, поэтому для запуска не требуется отдельный адаптер или PEFT. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Модель предназначена для анализа структурированных данных о веб-странице и выдаёт текстовую классификацию с пояснением. Её вывод служит поддержкой принятия решения и требует проверки вместе с исходными признаками страницы. Репозиторий распространяет полные веса в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Это дообученная модель генерации текста на архитектуре Llama с 7,5 млрд параметров, созданная на основе marin-community/marin-8b-base. Она обучалась на наборе capsd_marin-8b-base-n6000-finance-fincot-finqa-clean6k__mix_finance_ppl_b1000_s0, что указывает на адаптацию к финансовым текстам и вопросам, однако карточка не описывает конкретные результаты или проверенные сценарии. Модель принимает текст и генерирует текст; поддерживаемый контекст — до 4096 токенов. Указана лицензия other, поэтому условия использования следует сверить с файлами репозитория.

Moirai-1.1-R-large — версия модели прогнозирования временных рядов Moirai-1.0 от Salesforce. Модель содержит 352,3 млн параметров и распространяется в формате safetensors. В README указано, что обновлённая версия улучшила результаты примерно на 20% по NMAE для низкочастотных годовых и квартальных рядов на 40 наборах данных из репозитория Monash. Модель предназначена для прогнозирования временных рядов, в том числе данных с годовой и квартальной частотой. Это исследовательский выпуск для поддержки академической статьи; качество и пригодность для конкретных сценариев следует оценивать отдельно. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Tiny Crypto Sentiment Analysis — дообученная с помощью LoRA модель TinyLlama, созданная для анализа тональности и определения темы новостных статей о криптовалютах. Она принимает текст статьи и генерирует текстовый ответ; архитектура основана на LlamaForCausalLM, размер модели — около 1 млрд параметров, контекст — до 2048 токенов. Обучение проводилось на наборе Crypto News+. Модель предназначена для анализа криптовалютных новостей и может использоваться в экспериментах или конвейерах мониторинга новостного потока. В карточке приведён пример загрузки через Transformers. Распространяется по лицензии Apache-2.0.

VISION-1 — языковая модель для анализа безопасности текста и модерации контента, созданная UnionStreet на основе дообучения Meta Llama 3.1 8B Instruct. Это декодерный трансформер семейства Llama с 7,5 млрд параметров и контекстом до 131 072 токенов; модель работает с текстом на английском языке и поддерживает генерацию текста и классификацию. Модель предназначена для выявления мошенничества, вредоносного и неподходящего контента, а также для анализа потенциальных рисков в текстах. Её можно использовать как помощник в модерации и первичном анализе материалов, включив результаты в более широкую стратегию проверки контента. Предсказания следует считать рекомендациями, а не окончательными решениями: качество может различаться в зависимости от типа и контекста текста, а модель может наследовать смещения обучающих данных. Для важных решений рекомендуется проверка человеком. Лицензия — Llama 3.1.

Xor 26B-A4B v1.1 — дообученная модель Juspay на базе Google Gemma 4 26B-A4B-IT для типизированных задач принятия решений. Она предназначена для диалогового использования и выдаёт текстовые ответы на вопросы форматов `noul`, `choice` и `score`; модельный wrapper также принимает текст, изображения и видео. Веса опубликованы в формате BF16 и объединены, поэтому отдельное объединение адаптера при запуске не требуется. В карточке приведена публичная оценка Decision Index 0.3 — 57,62; это самостоятельный запуск авторов, а не подтверждённый результат лидерборда. Указаны также проверки JEVBench и функциональные проверки изображений и видео, которые не являются мультимодальным бенчмарком. Для воспроизводимой конфигурации требуется Linux-хост с NVIDIA GPU и примерно 96 ГБ видеопамяти; CPU и меньшие GPU не проверены. Лицензия — Apache-2.0.

CredLayer — графовая нейросеть для выявления мошенничества в экосистеме Solana DeFi, разработанная авторами репозитория CredLayer. Архитектура объединяет GraphSAGE и GATv2: три графовых слоя используют представления размерности 128 и 64, пакетную нормализацию, активации и dropout. Модель реализована на PyTorch и PyTorch Geometric и классифицирует графовые сущности и потоки транзакций. Модель предназначена для выявления подозрительных пулов ликвидности, токенов с признаками rug pull и мошеннических потоков между кошельками. Для дисбаланса классов применяется Focal Loss, а GNNExplainer используется для ранжирования важных признаков и связей. В README приведены идеальные показатели на тестовой выборке, но не описаны протокол разбиения данных и независимая проверка, поэтому эти результаты не гарантируют качество на новых данных. Для применения нужны входные данные в совместимом графовом представлении; подробная схема входных признаков не приведена. Лицензия — MIT.

RayNene/Loop-DFS-Qwen-Merged — диалоговая инструктивная языковая модель для общения с клиентами LOOP DFS Kenya и поддержки финансовых сервисов. Это дообученная версия Qwen2.5-7B-Instruct от RayNene с плотной архитектурой Qwen2 и 7,1 млрд параметров; модель работает через Transformers и принимает текстовые запросы, выдавая текстовые ответы. Контекстное окно составляет 32 768 токенов, а карточка указывает английский язык. Модель предназначена для ответов на вопросы клиентов и ведения диалога в контексте сервиса LOOP DFS. В README приведён пример вопроса о руководителе LOOP DFS Kenya и описана загрузка системного промпта из репозитория для формирования ответов ассистента. Заявленная лицензия — MIT.

Chart Recognizer — модель Stephan Akkerman для классификации изображений, дообученная на базе EfficientNet-B0 из timm. Она предназначена прежде всего для распознавания финансовых графиков на изображениях из социальных сетей; обучение проводилось на наборах криптовалютных графиков, графиков акций и изображений FinTwit. Модель подходит для автоматического отбора изображений с графиками и первичной классификации финансовых визуализаций. Она использует библиотеку timm и распространяется в форматах PyTorch и Safetensors. Карточка не сообщает размер модели, длину контекста или подробный перечень классов. Лицензия — MIT.

eduardocastellon разработал модель обнаружения фишинговых писем на основе RoBERTa-base, дообученной для классификации текста. Модель принимает текст письма и относит его к классам, заданным при обучении; карточка демонстрирует запуск через pipeline text-classification в Transformers. Модель обучена на наборе из 284 тысяч писем, собранном из восьми датасетов, включая CEAS_08, Enron, Ling, Nazario, Nigerian_Fraud и SpamAssasin. В README приведены результаты на тестовой выборке: accuracy 99,54% и F1 0,9934; в другом месте карточки указаны accuracy 99,78% и F1 0,9963, поэтому результаты описаны в карточке неоднозначно. Это англоязычная модель с 151,8 млн параметров и контекстом до 514 токенов. Лицензия — MIT.

TSO Foundation Model v13 — разработанная авторами проекта модель-основа для временных рядов, обученная находить геометрию динамических систем. Она предназначена для прогнозирования ранее не встречавшихся рядов без градиентного дообучения: модель кодирует ряд в скрытое представление, после чего динамика оценивается закрытой формой оператора Кoopмана. Архитектура использует вложения Такенса, представления на нескольких масштабах, глубокий энкодер для линейного представления динамики и сверточную голову для определения направления времени. Размер латентного представления — 128, скрытого слоя — 384. Предобучение использует самоконтролируемые задачи реконструкции, моделирования динамики Кoopмана, согласованности масштабов и определения направления времени. В README указаны ряды из восьми областей, включая энергетику, метеорологию, ЭКГ, финансы, эпидемиологию, экономику, солнечную физику и хаотические системы. В тестах модель превзошла GRU для отдельных рядов в 25 из 40 сравнений, а на отложенном ряде пятен Солнца восстановила цикл около 128 месяцев. Модель распространяется по лицензии MIT. Ограничения проявляются на рядах со скачками и близких к случайному блужданию: закрытый линейный пробник может уступать простому прогнозу последним значением. Перенос также ограничен емкостью модели и охватом обучающей выборки; согласно README, полезный эффект предобучения проявляется после примерно 15 тысяч итераций, а продолжение сверх насыщения предобучающих задач не улучшило перенос.

CryptoBERT — англоязычная модель классификации тональности текстов о криптовалютах, созданная дообучением ProsusAI/finbert на наборе Custom Crypto Market Sentiment. Она использует архитектуру BERT и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Модель относит текст к положительному или отрицательному классу и подходит для анализа новостей, публикаций и сообщений о крипторынке. Модель предназначена для оценки настроений в англоязычных текстах о криптовалютах. Карточка приводит пример запуска через Transformers и сообщает о небольшом обучающем корпусе, поэтому качество может снижаться на иных стилях текста, нейтральных сообщениях и темах вне крипторынка. Лицензия в предоставленных данных не указана.

Specific AI разработала компактный классификатор фишинговых писем на базе BERT, дообученный методом дистилляции от более крупной модели. Он принимает текст письма, желательно в формате с полями From и Subject и телом письма, и классифицирует его как обнаруженный фишинг или как письмо, в котором фишинг не обнаружен. Модель предназначена для почтовых агентов и рабочих процессов безопасности входящих сообщений, в том числе для быстрой оценки на CPU или устройстве пользователя. Архитектура — BertForSequenceClassification на основе google-bert/bert-base-uncased; размер — 136,7 млн параметров, контекст — до 512 токенов. Карточка сообщает об обучении примерно на 15 тысячах примеров и приводит оценку на одном тестовом наборе: точность 0,975, полнота 0,975 и precision 0,975. Поддерживается английский язык; доступны веса safetensors и артефакты GGUF. Лицензия — MIT. Модель подходит для предварительной фильтрации и вспомогательной оценки писем, но её результат не следует использовать как единственное основание для блокировки или карантина: для важных решений нужны дополнительные меры безопасности и проверка человеком или политиками организации.

India State Debt LLM — специализированная текстовая генеративная модель на базе GPT-2, дообученная на официальных финансовых данных Резервного банка Индии и бюджетов штатов. Она предназначена для анализа государственного долга 31 индийского штата и союзной территории: показателей долга к GSDP, долга на душу населения, рейтингов и динамики за 2020–2026 годы. Модель принимает текстовые запросы и формирует текстовые ответы со структурированными финансовыми показателями и кратким итогом. В карточке заявлен формат ответа из трёх этапов рассуждения; размер модели — 1 024 токена. Доступна в формате safetensors для Transformers и распространяется по лицензии MIT.

Карточка модели bmk007/Kronos-base на Hugging Face совпадает с карточкой NeoQuasar/Kronos-Tokenizer-base, поэтому описание составлено по ней. NeoQuasar/Kronos-Tokenizer-base — специализированный токенизатор из семейства Kronos для преобразования финансовых свечных данных K-line в дискретные токены. Он квантует многомерные OHLCV-данные, сохраняя сведения о динамике цены и торговой активности, чтобы их можно было подавать в авторегрессионные модели Kronos. Токенизатор обучен в рамках проекта, основанного на данных более чем 12 миллиардов свечей с 45 бирж; формат весов — safetensors, лицензия — MIT. Компонент предназначен для подготовки исторических рыночных рядов для прогнозирования цены и волатильности, а также генерации синтетических финансовых данных в связке с моделью Kronos. В README для связанной модели Kronos-small указаны контекст 512 токенов и 24,7 млн параметров, а для Kronos-base — 512 токенов и 102,3 млн параметров; эти размеры относятся к языковым моделям семейства, а не к самому токенизатору. Токенизатор принимает числовые временные ряды свечей и выдаёт дискретные токены. Результат зависит от базовой прогнозной модели и качества исходных рыночных данных; финансовые прогнозы не гарантируют точности.

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

BCCard-Llama-3-Kor-BCCard-Finance-8B-GGUF — это набор GGUF-квантизованных версий языковой модели BCCard/Llama-3-Kor-BCCard-Finance-8B. Исходную модель разработала BCCard, а квантизацию подготовила команда featherless-ai-quants. Модель предназначена для генерации текста, вероятно с фокусом на финансовые сценарии и корейский язык, что следует из её названия, однако подробные сведения о задачах и языковой поддержке в README не приведены. Указанный pipeline — text-generation, модальности не описаны, контекстное окно не указано. Доступны варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 3,0 до 8,1 ГБ. Разные варианты позволяют выбирать компромисс между размером файлов, требованиями к ресурсам и сохранением качества, но результаты сравнительных оценок в README отсутствуют. Формат GGUF ориентирован на запуск совместимыми локальными инструментами, однако конкретные требования к аппаратному обеспечению не указаны. Лицензия исходной модели и условия использования квантизованных файлов в README не указаны. Также отсутствуют данные о качестве, ограничениях, безопасности, датасетах и методах обучения, поэтому модель следует дополнительно проверять перед применением в финансовых или других критически важных сценариях.

ChronoBERT v1 2006-12-31 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом временной последовательности. Она обучена на датированных текстах, доступных до конца 2006 года, чтобы уменьшить утечку будущей информации и смещение заглядывания вперёд при работе с историческими данными. Модель построена на архитектуре ModernBERT и содержит 149 млн параметров; её контекст — до 8192 токенов. Основная задача по метаданным — предсказание замаскированных токенов. Также README показывает извлечение эмбеддингов и сообщает об оценке серии ChronoBERT на GLUE и задаче прогнозирования доходности акций. Модель подходит для исторического анализа текстов, экспериментов с финансовыми сигналами и языкового понимания, когда важно учитывать дату доступности обучающих данных. В README сообщается, что модели серии превзошли стандартный BERT на GLUE, однако эти результаты не гарантируют качество именно этой версии или её прибыльность в торговле. Лицензия — MIT.

NanoForecast v0.6-HC — экспериментальный чекпойнт для прогнозирования временных рядов, разработанный автором репозитория eulogik. Модель сочетает причинную нормализацию среднего и стандартного отклонения DART-Norm с расширением каналов для задач высокой размерности: для electricity и traffic используются 8 каналов. При обучении эти данные получали двойной вес. В метаданных указаны 1 млн параметров и библиотека nanoforecast; веса опубликованы в формате safetensors. Чекпойнт предназначен для экспериментов с прогнозированием на наборах ETTh1, ETTh2, ETTm1, exchange_rate, electricity и traffic. Результаты абляции неоднородны: качество улучшилось на ETTh2 и electricity, но ухудшилось на ETTh1, ETTm1 и traffic; автор отмечает, что нормализация DART-Norm может быть слишком агрессивной для некоторых данных. Версия v0.5 остаётся официальной. Лицензия — Apache-2.0.