IV.2Банки, платежи и инвестиции

RT-J — чекпойнт Relational Transformer, разработанный исследовательской группой Stanford STAR для предсказаний по реляционным базам данных. Модель содержит 85 млн параметров, 12 блоков, размерность 512 и 8 голов внимания; текстовые столбцы кодируются с помощью all-MiniLM-L12-v2. RT-J выполняет классификацию и регрессию объектов в режиме in-context learning без отдельного дообучения под каждую задачу. Модель предварительно обучена на PluRel, а затем на наборе The Join; на момент подачи статьи она занимала первое место среди in-context моделей в рейтинге RelBench. В карточке Hugging Face указана задача tabular-classification, формат весов safetensors и лицензия CC BY 4.0.

FinguAI-Chat-v1 — разговорная языковая модель компании Grinda AI Inc., построенная на архитектуре Qwen2 и предназначенная для диалогов о финансах, инвестициях и правовом регулировании. Модель содержит 463,9 млн параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель ориентирована на англоязычных, корейскоязычных и японскоязычных пользователей: она охватывает финансовые рынки и регуляторные системы разных стран, а также может помогать в изучении профессионального языка для финансовой сферы. Подходит для справочных диалогов и языковой практики в темах инвестиционного банкинга, корпоративных финансов, управления активами и комплаенса. Модель распространяется в формате Safetensors через Transformers под лицензией Apache-2.0. Карточка описывает её назначение, но не приводит оценок качества и не подтверждает точность финансовых или юридических рекомендаций; ответы в этих областях требуют проверки.

Карточка модели BriskBank/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.

ScamShield — компактная модель классификации текста на базе DistilBERT, дообученная Rehan Raza для выявления мошеннических и фишинговых сообщений. Она относит текст к безопасному или мошенническому и рассчитана на обработку SMS, электронных писем и предложений о работе или стажировке. Модель может работать локально в браузере или на периферийном устройстве, что позволяет анализировать сообщения без отправки их на сервер. Архитектура — DistilBertForSequenceClassification; модель принимает текст на английском языке, а длина контекста составляет 512 токенов. При обучении использованы SMS Spam Collection, EMSCAD и синтетические контрастивные примеры предложений о работе, где ключевое различие — запрос предоплаты. В README для отложенной выборки приведены accuracy 98,5%, precision 0,944 и recall 0,833. Модель подходит для локальной предварительной проверки сообщений и предложений, но её качество может снижаться на форматах мошенничества, отличных от SMS и предложений о работе, а также при изменении формулировок. Для неоднозначных сообщений и решений с высокими последствиями не следует полагаться только на её предсказание. Лицензия — MIT.

Карточка модели cool9203/Llama3.2-3B-iii_finance-ctx_1024 на Hugging Face совпадает с карточкой cool9203/Llama3.1-8B-Chinese-Chat-iii_finance-ctx_1024, поэтому описание составлено по ней. cool9203/Llama3.1-8B-Chinese-Chat-iii_finance-ctx_1024 — дообученная плотная авторегрессионная чат-модель на архитектуре Llama 3.1, созданная на базе shenzhi-wang/Llama3.1-8B-Chinese-Chat. В метаданных указано 7,5 млрд параметров и контекст до 131 072 токенов; README приводит параметр context_length 1024 для описанного режима обучения. Модель предназначена для генерации текста и ответов на вопросы с использованием предоставленного ответа или контекста; название репозитория указывает на финансовую специализацию, но README не раскрывает конкретные финансовые задачи или состав данных. Карточка задаёт шаблон диалога с системными инструкциями, вопросом пользователя и ответом ассистента. Метаданные также отмечают чат-возможности и интерфейс вызова инструментов, однако примеров или подробностей реализации этих возможностей нет. Указан формат весов safetensors. Лицензия в доступных сведениях не приведена, поэтому условия использования установить нельзя.

PhishDetectAI-SMS-SFT-Qwen3-1.7B — дообученная языковая модель на архитектуре Qwen3, созданная автором репозитория на основе unsloth/Qwen3-1.7B. Модель предназначена для генерации текста в чат-формате и задач, связанных с выявлением фишинговых SMS; обучение выполнено библиотекой Unsloth на наборе SMS PHISHING DATASET FOR MACHINE LEARNING AND PATTERN RECOGNITION. Модель содержит 1,7 млрд параметров, поддерживает контекст до 40 960 токенов и принимает текст, выдавая текст. Карточка указывает английский язык. Базовая модель создана командой Qwen / Alibaba Cloud; веса опубликованы в формате Safetensors. README сообщает, что базовая модель распространяется по Apache License 2.0, а датасет — по CC BY 4.0; метаданные обозначают лицензию производной модели как other, поэтому условия использования следует сверить с файлами лицензии в репозитории. Специализация на SMS-фишинге следует из названия и обучающего набора; карточка не приводит метрик качества или подробностей оценки.

ppsub/Qwen-PhishDetectAI-SMS-GRPO — дообученная модель ppsub для генерации текста на базе Qwen2.5-1.5B-Instruct. Карточка указывает на обучение с использованием Unsloth и библиотеки TRL; имя модели предполагает применение для обнаружения фишинговых SMS с помощью GRPO, однако README не описывает формат запросов или поведение классификатора. Модель построена на плотной архитектуре Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Метаданные указывают английский язык, текстовую генерацию и диалоговые возможности. Лицензия — Apache-2.0.

slm125m-instruct — компактная языковая модель на 125,8 млн параметров от nitin1pawar, дообученная методом SFT на базе nitin1pawar/slm125m-base. Это плотная авторегрессионная модель семейства Llama для генерации ответов в диалоговом формате. Она предназначена прежде всего для вопросов и ответов по юридическим и финансовым материалам с использованием переданных в запросе найденных фрагментов. В обучении применялся RAFT: часть примеров содержала фрагменты без ответа, чтобы модель училась сообщать о нехватке информации. Модель принимает текст, а её контекст ограничен 1024 токенами; карточка указывает английский язык. Модель обучалась на 10 000 синтетических парах вопросов и ответов, созданных другой языковой моделью на корпусе, включающем судебные решения США, документы SEC и образовательные веб-тексты. По результатам, приведённым в README, полнота отказа при отсутствии ответа в контексте составляет 91%, а доля ошибочных отказов при наличии ответа — 15,3%. Небольшой размер упрощает запуск, но ответы могут быть неверными, особенно в юридических и финансовых темах. Модель не заменяет профессиональную консультацию. Лицензия — Apache-2.0.

Модель vinayak1396/banking-json-1b — дообученная vinayak1396 версия Llama 3.2 1B Instruct, предназначенная для генерации текста в сценариях, связанных с банковскими JSON-данными. В основе — плотная архитектура LlamaForCausalLM; модель содержит 1,2 млрд параметров и поддерживает контекст до 131 072 токенов. Модель можно применять для генерации текстовых ответов и структурированных данных в банковских сценариях. Карточка сообщает, что при обучении использовались Unsloth и библиотека TRL от Hugging Face, но не описывает конкретный формат JSON, набор данных или проверенные банковские задачи. Поддерживается английский язык. Лицензия — Apache-2.0.

Это порт специализированного токенизатора Kronos-Tokenizer-2k для Apple MLX, подготовленный gxcsoccer. Он предназначен для преобразования данных финансовых свечей в дискретные BSQ-токены, которые используются вместе с моделью Kronos-mini для прогнозирования временных рядов и других количественных задач. Репозиторий содержит веса в формате safetensors и рассчитан на запуск через библиотеку kronos-mlx на Apple Silicon. Токенизатор основан на NeoQuasar/Kronos-Tokenizer-2k и должен использоваться вместе с gxcsoccer/kronos-mlx-mini; в примере карточки для предиктора указан контекст 2048. Модель не является самостоятельным генератором прогноза: она выполняет токенизацию, а прогнозирование обеспечивает связанная модель Kronos-mini. Лицензия — MIT.

falconsproof v1 — модель Falconsai для выбора и ранжирования вариантов ответа по заданному текстовому состоянию, вопросу и списку из 2–20 вариантов. Она возвращает калиброванную вероятность для каждого варианта и не генерирует текст. Модель построена на DistilBERT с 6 слоями, 768 скрытыми параметрами и 12 головами внимания; содержит около 67,6 млн параметров. Контекст модели — 512 токенов по метаданным, однако в описанных сценариях вход обрезается после 128 токенов. Основное применение — маршрутизация англоязычных обращений в службу поддержки по закрытому набору намерений. Внутри домена Bitext модель показала точность 97,3%, но на незнакомых банковских намерениях качество и калибровка заметно хуже. Для открытых вопросов, генерации текста, длинных документов, многошаговых рассуждений и языков кроме английского модель не предназначена; для важных решений требуется человеческий контроль. Лицензия — Apache-2.0.

Robyn-Agent — компактная языковая модель на архитектуре Qwen2, представленная как агент для Robinhood Chain, сети второго уровня на базе Arbitrum Orbit. Она предназначена для диалогового взаимодействия и генерации структурированных вызовов инструментов в формате, совместимом с Hermes и ElizaOS, для работы с EVM-протоколами и децентрализованными финансовыми сценариями. Заявленные сценарии включают анализ ликвидности, маршрутизацию токенизированных активов, операции с DEX и хранилищами Morpho, а также формирование транзакций с абстракцией оплаты газа. Модель имеет 494 млн параметров, контекст 32 768 токенов и доступна в формате safetensors. В метаданных указана поддержка английского, испанского, китайского, французского, немецкого, японского и хинди; карточка также заявляет многоязычные возможности. Модель выпущена под лицензией Apache-2.0. Заявления о задержке менее 100 мс и встроенных знаниях о токенизированных акциях приведены в карточке, но независимых подтверждений им в предоставленных данных нет. Генерация вызова инструмента сама по себе не исполняет транзакцию: для реальных операций нужна внешняя интеграция, а корректность и безопасность действий следует проверять.

SECGPT — языковая модель семейства GPT-2, обученная разработчиком на 5000 документах SEC. Она предназначена для генерации текста по материалам SEC и может использоваться для создания продолжений и черновиков на основе финансовых документов. Модель построена на архитектуре GPT2LMHeadModel, принимает текст и генерирует текст; максимальная длина контекста — 1024 токена. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не сообщает о специальных процедурах оценки качества или ограничениях предметной области, поэтому сгенерированный текст следует проверять перед использованием.

izumi-lab/bert-small-japanese-fin — компактная модель BERT, разработанная izumi-lab и предварительно обученная на японских текстах. Архитектура соответствует BERT small из оригинальной статьи ELECTRA: 12 слоёв, размер скрытого состояния 256 и 4 головы внимания; модель содержит 21 млн параметров и рассчитана на контекст до 128 токенов. Модель обучена на японской Википедии и финансовых текстах: сводках финансовых результатов и отчётах о ценных бумагах. Токенизация выполняется с помощью MeCab с IPA-словарём, затем применяется WordPiece с размером словаря 32 768. Основная задача — предсказание скрытых токенов в японском тексте, в том числе финансовой тематики. Модель подходит для экспериментов и приложений, которым нужны японские языковые представления в компактном формате. Лицензия — CC BY-SA 4.0; при использовании и распространении необходимо соблюдать её условия.

Модель AmberYifan/capsd-finance-dedup-marin-8b-base-finance_ppl_b2000_s0 — дообученная версия англоязычной базовой модели marin-community/marin-8b-base. Это плотная авторегрессионная Llama-модель с 7,5 млрд параметров, рассчитанная на генерацию текста и имеющая интерфейс чата. По названию репозитория и указанному датасету её адаптировали на финансовых текстах с удалением дубликатов; подробные сведения о назначении, оценке качества и конкретных финансовых сценариях в карточке отсутствуют. Модель принимает и выдаёт текст, её контекст составляет 4096 токенов. Модель может служить основой для генерации и продолжения финансового текста, однако её пригодность для конкретных задач не подтверждена опубликованными оценками. Указана лицензия «other», поэтому условия использования следует уточнить в репозитории модели и у правообладателя базовой модели.

EnvRoBERTa-base — языковая модель семейства RoBERTa, разработанная командой ESGBERT для лучшего понимания экологических текстов в области ESG. Модель дополнительно предварительно обучена на корпусе экологических разделов годовых и отчётов об устойчивом развитии, а также корпоративных и общих новостей. Модель содержит 151,8 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Основная задача в каталоге Hugging Face — fill-mask: предсказание пропущенных токенов в тексте. Она предназначена для анализа и обработки англоязычных материалов по экологической тематике и ESG. Авторы рекомендуют EnvironmentalBERT-base как более быструю и менее требовательную к ресурсам альтернативу с лишь немного меньшим качеством. Модель распространяется по лицензии Apache-2.0.

FinModernBERT-large-DAPT — англоязычный ModernBERT-large, адаптированный к финансовым текстам компанией BatuhanECB посредством доменного продолжения предобучения: на 5,65 млрд токенов финансовых документов обучалась задача masked language modeling. Это плотный двунаправленный энкодер с 394,7 млн параметров, архитектурой ModernBertForMaskedLM и контекстом до 8192 токенов; основное применение чекпойнта — заполнение масок и дальнейшая настройка энкодера для финансовых задач. Модель рассчитана на английские финансовые документы, включая отчётность SEC, финансовые новости и материалы финансовых веб-сайтов. Её можно использовать как основу для дообучения, например, для получения эмбеддингов, однако сама по себе она не является готовой моделью эмбеддингов: авторские измерения показывают, что DAPT почти не улучшает качество поиска и сходства предложений без дополнительной настройки. Корпус обучения не опубликован из-за лицензионных ограничений исходных материалов; модель распространяется по лицензии Apache-2.0.

Llama-3.2-3B-finance-india — дообученная с помощью LoRA модель на базе meta-llama/Llama-3.2-3B-Instruct, созданная для ответов на вопросы о компаниях индекса NIFTY 50 и индийском фондовом рынке. Это языковая модель семейства Llama с архитектурой LlamaForCausalLM и 3,2 млрд параметров; она принимает вопрос и текстовый контекст и формирует короткий ответ, опираясь на предоставленный отрывок финансовой новости. Заявленная длина контекста — 131 072 токена. Модель ориентирована на английский язык. В тесте на 300 примерах авторы сообщают улучшение относительно базовой модели: Exact Match 76,3, Token F1 91,5 и точность числовых ответов 91,9. Однако вопросы и ответы для обучения и проверки были сгенерированы Qwen2.5-7B-Instruct, поэтому метрики отражают согласие с ответами этой модели, а не проверку людьми. Модель не имеет актуальных рыночных знаний и отвечает только по переданному контексту; её область применения за пределами NIFTY 50 и английского языка не проверялась. Числовые ответы следует сверять с источником, а результаты не использовать для инвестиционных решений. Указана лицензия Llama 3.2.

slm-500m-legal-ppo — языковая модель семейства Llama, разработанная Abhishekai для ответов на юридические и финансовые вопросы по предоставленному фрагменту текста. Модель содержит около 517,7 млн параметров, принимает текст и генерирует текст; для диалога следует использовать шаблон чата из токенизатора. Контекст ограничен 1024 токенами, основной указанный язык — английский. Модель дообучена методом PPO на базе abhishekai/slm-500m-legal-sft с использованием reward-модели, обученной на синтетических предпочтениях RLAIF. По оценке авторов, на тесте из 100 пар PPO-модель статистически не отличалась от исходной SFT-модели; средняя оценка на отдельном наборе из 300 запросов составила 4,51 из 10. Лицензия — Apache-2.0. Модель предназначена для grounded question answering по переданному контексту в юридических и финансовых сценариях. Без исходного фрагмента она может выдумывать факты; арифметические ответы ненадёжны. Оценка PPO частично зависит от предпочтений модели-судьи, поэтому результаты не подтверждают повышение фактической точности. Модель не предназначена для предоставления юридических или финансовых рекомендаций.

AmberYifan/capsd-finance-dedup-marin-8b-base-finance_cap_b2000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Веса представлены в формате safetensors; модель содержит 7,5 млрд параметров и имеет контекст длиной до 4096 токенов. Модель дообучена на наборе capsd_marin-8b-base-n80000-finance-dedup80k__mix_finance_cap_b2000_s0. Карточка не описывает её специализированное поведение или результаты оценки, поэтому финансовые сценарии можно считать предполагаемой областью применения по названию обучающего набора, а не подтверждённой возможностью. Поддерживается генерация текста в диалоговом формате. Лицензия указана как other; конкретные условия использования по имеющимся данным определить нельзя.

GovernanceBERT-base — языковая модель на архитектуре RoBERTa, разработанная авторами исследования о применении NLP для измерения ESG-коммуникации. Она дообучена предварительной языковой тренировкой на основе DistilRoBERTa и предназначена для анализа текстов по вопросам корпоративного управления в контексте ESG. Модель обучалась на материалах годовых и отчетов об устойчивом развитии, а также корпоративных и общих новостях. Задача в карточке Hugging Face — заполнение пропусков в тексте: модель предсказывает токены вместо маскированных фрагментов. Английская версия содержит около 95,2 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для NLP-анализа англоязычных текстов о корпоративном управлении и ESG, в том числе как компонент исследовательских и аналитических процессов. Она не предназначена сама по себе для оценки компаний или выдачи готовых ESG-рейтингов. Лицензия — Apache-2.0.

Voho Saudi Chat 4B — разговорный арабский ассистент от Voho, дообученный на базе Qwen/Qwen3-4B-Instruct-2507 для ответов преимущественно на центральносаудовском, в частности надждийском диалекте. Модель предназначена для голосовых агентов как текстовый компонент между распознаванием речи и синтезом речи: она поддерживает диалог и старается отвечать коротко, в длине, подходящей для телефонного разговора. Архитектура — плотная Qwen3ForCausalLM на 3,7 млрд параметров; нативный контекст — 262 144 токена. Модель принимает текст и генерирует текст на арабском языке. В тесте на 400 отложенных вопросах независимый классификатор отнёс 89,8% ответов к заливу, а средняя длина ответа составила 6,4 слова. Эти результаты указывают на устойчивую диалектную манеру и краткость, но оценка классификатора не подтверждает точную привязку к Эр-Рияду. Модель не предназначена для надёжного предоставления фактов: для ответов на вопросы о знаниях рекомендуется подключать поиск по источникам. Она ориентирована преимущественно на надждийский диалект; ответы на хиджазском и других вариантах خليجي могут смещаться к надждийскому или литературному арабскому. Пишет без диакритических знаков. Лицензия Apache 2.0 разрешает коммерческое использование.

Модель mwkby/distilbert-base-uncased-sentiment-reddit-crypto — дообученная версия distilbert-base-uncased для классификации тональности комментариев Reddit о криптовалютах. Она предназначена для анализа сообщений из обсуждений криптовалют, включая сообщества Bitcoin, Ethereum и Dogecoin. Архитектура — DistilBERT для классификации последовательностей; модель принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. В README указаны точность 0,8915 на оценочном наборе и 0,8641 на финальном тестовом наборе. Эти результаты относятся к использованным наборам данных Reddit и не гарантируют такую же точность на других источниках или современных обсуждениях. Лицензия — Apache-2.0.

Alpha-R1 — разработанная FinStep модель для отбора факторов альфа в количественной торговле. Она дообучена на базе Qwen/Qwen3-8B методом GRPO с использованием вознаграждения, основанного на рыночной обратной связи. Модель получает контекст с семантическими описаниями факторов Alpha101, включая условия их эффективности и отказа, и выбирает комбинации факторов, подходящие текущей рыночной ситуации. Модель имеет архитектуру Qwen3ForCausalLM с 7,6 млрд параметров, принимает текст и генерирует текст; указанное нативное окно контекста — 40 960 токенов. Предусмотрен диалоговый интерфейс, модель можно запускать через Transformers или vLLM. Отбор зависит от upstream-генерации описаний факторов и последующего бэктестирования в qlib; сама модель не формирует готовые торговые сигналы. Карточка приводит результаты вневыборочного тестирования, но они не гарантируют аналогичную доходность в будущем. Модель предназначена для академических исследований и не является источником инвестиционных рекомендаций. Лицензия — MIT.

Auditor Review Sentiment Model — модель классификации тональности отзывов об аудиторах, разработанная FinanceInc и дообученная на собственной версии FinBERT. Она предназначена для анализа оценок аудиторов в финансовой сфере и для исследовательских и практических задач финансового NLP. Модель основана на BERT, содержит 137 млн параметров и принимает текст длиной до 512 токенов; заявлен английский язык. Модель выполняет многоклассовую классификацию. На приведённой в карточке валидации точность составила около 86%, а macro F1 — около 0,845. Карточка сообщает, что модель проходила оценку в разработке; качество может зависеть от соответствия входных отзывов обучающим данным. Лицензия в предоставленных данных не указана.

ThakiCloud разработала Qwen3.8-27B-Human-KO-Enterprise-v0.1 как дообученную модель для корпоративных консультационных агентов. Она читает политику компании вместе с запросом клиента и выбирает одно действие: ответить, задать уточняющий вопрос, запросить подтверждение, выбрать вызов инструмента, передать разговор оператору или отказать; результат выдаётся в виде JSON. Модель основана на плотной архитектуре семейства Qwen3.5 и дообучена из ThakiCloud/Qwen3.8-27B-Human-KO методом LoRA с последующим слиянием адаптера с базовой моделью. Репозиторий содержит веса Safetensors и рассчитан на запуск через Transformers и совместимые с Qwen3.8 серверы, например vLLM. На синтетическом корейском наборе EnterpriseOps-KO-Policy модель показала точность 97,2%; по приведённым небольшим тестам результаты на корейских знаниях выше базовой модели, а на английских знаниях и кодировании немного ниже. Данные обучения синтетические и не опубликованы, а заявленные показатели получены на синтетическом бенчмарке, поэтому перед реальным использованием требуется проверка на политиках и сценариях компании. Модель выбирает действие вызова инструмента, но не содержит списка инструментов и не выполняет сам вызов: аргументы и интеграцию должна обеспечить обслуживающая система. Лицензия — Apache-2.0.

Theia-Llama-3.1-8B-v1 — языковая модель Chainbase Labs для вопросов о криптовалютах и блокчейн-проектах. Она дообучена методом LoRA на базе Llama 3.1 8B Instruct; архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 7,5 млрд параметров. Модель работает в формате чата Llama 3.1, принимает текст и генерирует текст. Заявленная длина контекста — 131 072 токена. Модель предназначена для ответов на вопросы о криптопроектах, их документации, фундаментальных характеристиках, ходе разработки и влиянии на рынок. Обучающий набор собран из материалов CoinMarketCap о 2 000 ведущих по капитализации проектах, включая white paper, официальные блоги и новости, а также исследовательских отчётов. README также описывает отдельную Q8 GGUF-квантизацию, но текущая карточка содержит файлы safetensors. Модель выпущена по лицензии Llama 3.1. Она ориентирована на криптовалютную тематику; точность ответов и актуальность рыночных сведений могут зависеть от обучающих данных, поэтому важные факты следует проверять по актуальным источникам. README приводит результаты внутреннего бенчмарка, но подробная методика и полная таблица не представлены.

Это дообученная модель Marin 8B Base, созданная AmberYifan на наборе capsd_marin-8b-base-n80000-finance-dedup80k__mix_finance_random_b10000_s0. Она построена на плотной архитектуре LlamaForCausalLM с 7,5 млрд параметров и предназначена для генерации текста; в метаданных также отмечена поддержка диалогового режима. Окно контекста составляет 4096 токенов, модель использует Transformers и опубликована в формате safetensors. Финансовый датасет указывает на тематическую адаптацию, однако карточка не описывает конкретные финансовые задачи, качество, оценивание или рекомендуемые сценарии применения. Базовая Marin 8B Base ориентирована на английский язык. Лицензия указана как other, поэтому условия использования следует уточнить по файлам репозитория.

Fikr-7B-Reasoning — арабоязычная языковая модель для задач на рассуждение, разработанная на основе Qwen/Qwen2.5-7B-Instruct и дообученная методом supervised fine-tuning. Это плотная модель архитектуры Qwen2 с 7,1 млрд параметров для генерации текста и диалогов; контекст составляет до 32 768 токенов. Она предназначена прежде всего для многошаговой арифметики, математических текстовых задач и логических рассуждений на арабском языке. Модель обучена структурировать промежуточные шаги рассуждения отдельно от итогового ответа; карточка также приводит примеры на английском языке. В тесте Arabic-GSM8K модель показала точность 71,95% по точному совпадению числового ответа — на 0,45 процентного пункта ниже базовой Qwen2.5-7B-Instruct. Примеры в карточке также показывают ошибки на некоторых логических задачах и неполные либо неверные объяснения, поэтому результат следует проверять, особенно в задачах, где важны точность и последовательность рассуждений. Распространяется по лицензии Apache-2.0.

EconoBert — англоязычная модель на архитектуре BERT, разработанная Samuel Chaineau путём дообучения bert-base-uncased на корпусе речей Банка международных расчётов за 1997–2023 годы. Модель предназначена для заполнения пропусков в тексте и может служить языковой основой для NLP-задач в экономике, политике и финансах. Модель содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. В README приведены результаты оценки: точность 73% для задачи masked language modeling и 95% для next sentence prediction. Доступны веса в форматах PyTorch, Safetensors и TensorFlow. Модель распространяется по лицензии Apache-2.0. В README указано, что это простое дообучение базового BERT; отдельные оценки качества для прикладных задач в экономике, политике и финансах не приведены.