IV.2Банки, платежи и инвестиции

Llama2-7b-Finance — языковая модель Collin Heenan, дообученная на финансовом датасете AdiOO7/llama-2-finance. Это плотная трансформерная модель семейства Llama с 6,6 млрд параметров, предназначенная для генерации финансовых текстов и ответов на вопросы о финансовых терминах и процессах. Контекст модели составляет 4096 токенов; основной язык карточки — английский. Модель может помогать составлять финансовые отчёты и сводки, анализировать тональность финансовых новостей и извлекать сведения из документов. Карточка также указывает на возможное применение для ответов на финансовые вопросы. Модель распространяется по лицензии MIT. Её ответы могут отражать смещения обучающих данных, а точность за пределами финансовой тематики может быть ниже.

Kern AI разработала эту модель как дообученную версию DistilBERT для классификации новостных материалов о фондовом рынке. Модель принимает текст заголовка и краткого описания статьи и относит его к одному из трёх классов тональности: положительной, нейтральной или отрицательной; для класса также выдаётся оценка уверенности. Модель основана на архитектуре DistilBERT и предназначена для анализа тональности финансовых новостей, например для мониторинга новостного потока. Она поддерживает PyTorch и может использоваться через Hugging Face Pipeline API. Контекст ограничен 512 токенами. По карточке, дообучение проводилось на 50 000 новостных статей о фондовом рынке с заголовками и аннотациями, размеченных в Kern AI refinery. Модель распространяется по лицензии MIT. Её специализация — тональность новостей о фондовом рынке; качество на других текстах и задачах в карточке не описано.

T5-Base-10K-Summarization — дообученная модель на базе Google T5-Base для составления кратких изложений разделов финансовых отчётов 10-K. Она принимает текст отчёта и формирует сжатое текстовое резюме, помогая финансовым аналитикам и регулирующим организациям быстрее находить сведения о финансовых данных и тенденциях. Модель имеет архитектуру T5 с 123,8 млн параметров и контекстом до 512 токенов; формат весов — safetensors. Для обучения использовались размеченные отчёты 10-K из разных отраслей. Лицензия в предоставленных данных не указана.

WiroAI Finance Gemma 9B — языковая модель для генерации текста и диалогов по финансовым темам, разработанная WiroAI. Она основана на Google Gemma 2 9B Instruct и дообучена методом SFT с использованием LoRA на наборе из более чем 500 тысяч финансовых инструкций Josephgflowers/Finance-Instruct-500k; квантизация не применялась. Модель имеет плотную архитектуру Gemma 2, содержит 9 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для ответов на финансовые вопросы, составления и обобщения финансовых текстов, а также для диалоговых сценариев, где нужны знания финансовой тематики. Она принимает текст и генерирует текст. Лицензия — Gemma; условия её использования определяются лицензией Google Gemma.

Xing4.0-29B-A4B-Finance-SFT — полно-параметрическая донастройка методом supervised fine-tuning базовой модели Xing4.0-29B-A4B, подготовленная для финансовых задач на китайском и английском языках. Базовая модель разработана China Telecom AI Technology Co., Ltd. и использует архитектуру Mixture-of-Experts семейства Xing4.0; в карточке модели указано 6,5 млрд параметров и контекст 262 144 токена. Метаданные описывают её как диалоговую модель для генерации текста. Модель предназначена для финансовых ассистентов, ответов на вопросы по финансам, классификации тональности финансовых новостей и высказываний, а также для дальнейшей адаптации в банковской сфере, ценных бумагах и бухгалтерском учёте. Для донастройки использовалось около 368 тысяч многоходовых диалогов из финансовых NLP-датасетов и корпусов, включая экзаменационные вопросы, отчётность и финансовые оценки. Модель может ошибаться, особенно в числовых и нормативных вопросах; финансовые данные следует сверять с первичными источниками. Она не предназначена для автономной торговли, принятия важных финансовых решений без проверки человеком или замены профессиональной финансовой, юридической либо инвестиционной консультации. Репозиторий распространяется по лицензии Apache-2.0 и требует загрузки пользовательского кода модели с параметром trust_remote_code=True.

XuanYuan-70B-Chat — китайская финансовая чат-модель компании Duxiaoman-DI, созданная на базе XuanYuan-70B. Базовая модель получена продолжением предобучения Llama 2 70B на китайских и английских общих и финансовых текстах; чат-версия прошла двухэтапное дообучение на инструкциях, включая специально подготовленные общие и финансовые примеры. Архитектура — плотная LlamaForCausalLM, размер — 68,8 млрд параметров, контекст — 8192 токена. Модель предназначена для диалога и выполнения инструкций с повышенным вниманием к финансовой тематике. Она может отвечать на вопросы о финансах и экономике, суммировать и переводить тексты, помогать с математикой, логикой и программированием; обучающие данные включали китайский и английский языки, а также многоязычные инструкции. Для запуска полной версии авторы указывают необходимость как минимум двух видеокарт с 80 ГБ памяти каждая. Доступна по лицензии Llama 2; ограничения лицензии следует учитывать при коммерческом и ином использовании.

SinaLab/ArBanking77 — модель классификации намерений в банковских запросах на арабском языке, разработанная исследовательской группой SinaLab. Это дообученная на корпусе ArBanking77 модель семейства BERT с архитектурой BertForSequenceClassification и 162,4 млн параметров. Она принимает текст и относит запрос к одному из 77 банковских намерений, например о доставке карты, привязке карты, обменном курсе или автоматическом пополнении. Корпус содержит 31 404 вручную адаптированных и локализованных примера на современном литературном арабском, палестинском, саудовском, марокканском и тунисском вариантах. В README сообщается о F1-мере 92% для MSA и 90% для палестинского варианта. Модель подходит для маршрутизации банковских обращений и определения намерения клиента; контекст составляет 512 токенов. Модель распространяется по лицензии MIT. Результаты качества приведены только для MSA и палестинского арабского, поэтому качество на остальных диалектах и вне банковского домена по этим данным оценить нельзя.

cristuf/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная автором cristuf на BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она кодирует предложения и абзацы в плотные эмбеддинги на основе BERT и подходит для семантического поиска, оценки сходства и поиска перефразировок; векторы также можно использовать для кластеризации и классификации текстов.

ethan-ky/bge-base-financial-matryoshka — англоязычная Sentence Transformer модель, дообученная разработчиком на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она кодирует предложения и абзацы в плотные эмбеддинги размерностью 768 и сравнивает их по косинусному сходству; архитектура включает BERT, CLS-пулинг и нормализацию. Максимальная длина входа — 512 токенов. Matryoshka-обучение позволяет использовать укороченные префиксы эмбеддинга размерностью 512, 256, 128 или 64 с некоторым снижением качества поиска. Модель предназначена для семантического поиска и сравнения финансовых текстов, а также может применяться для поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В README приведены результаты оценки информационного поиска на наборах dim_768, dim_512, dim_256, dim_128 и dim_64, но название и подробности тестового набора не раскрыты. Доступные сведения не определяют лицензию модели, поэтому условия её использования следует сверить с карточкой Hugging Face и лицензией базовой модели.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и извлечения релевантных фрагментов. В архитектуре используется BERT с CLS-пулингом и нормализацией векторов; близость оценивается косинусным сходством. Контекст ограничен 512 токенами. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 512, 256, 128 или 64, экономя место и вычисления с некоторым снижением качества поиска. Модель также подходит для кластеризации, поиска перефразирований и классификации текстов на основе эмбеддингов. Лицензия — Apache-2.0.

RK-1235/bge-base-FIR-matryoshka-BASELINE-10epochs-FT — англоязычная модель Sentence Transformers, дообученная разработчиком репозитория на базе BAAI/bge-base-en для финансового поиска по текстам. Она кодирует предложения и абзацы в плотные векторы размерностью 768, нормализованные для сравнения по косинусному сходству; архитектура включает BERT, пулинг по CLS-токену и нормализацию. Модель рассчитана на семантический поиск, сопоставление предложений, поиск перефразировок, кластеризацию и классификацию текстов; длина последовательности — до 512 токенов. Обучение описано на 6300 парах anchor-positive из финансовых текстов, а оценки поиска приведены для усечённых эмбеддингов от 64 до 768 измерений. Модель подходит для поиска релевантных фрагментов в финансовой отчётности и ответов на запросы по таким документам. README приводит результаты оценки на наборе dim_768 и нескольких сокращённых размерностях, но не раскрывает название и состав набора оценки, поэтому эти метрики нельзя переносить на другие коллекции без проверки. Лицензия — Apache-2.0.

magnifi/bge-small-en-v1.5-ft-orc-0806 — дообученная компанией Magnifi модель Sentence Transformer на базе BAAI/bge-small-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена прежде всего для поиска семантически подходящих результатов по запросам на естественном языке. Модель использует архитектуру BERT с CLS-пулингом и нормализацией векторов; для сравнения применяется косинусное сходство. Максимальная длина входа — 512 токенов. Дообучение на 723 парах запросов и результатов ориентировано на финансовые запросы о портфеле, доходности и бэктестах, сопоставляемые с вызовами инструментов. Эмбеддинги также можно применять для сравнения предложений, поиска перефразировок, кластеризации и классификации текста. Модель англоязычная; метаданные указывают 40 млн параметров. Лицензия в предоставленных данных не указана.

FinanceConnect-13B-i1-GGUF — квантизированная версия языковой модели FinanceConnect-13B, разработанной ceadar-ie и подготовленной в формате GGUF пользователем mradermacher. Модель ориентирована на финансовую предметную область и обучалась с использованием набора данных FinTalk-19k. Модель предназначена для задач обработки естественного языка в финансовом контексте, включая суммаризацию, классификацию, перевод и работу с профильными текстами. Указан английский язык. Размер базовой модели составляет 13 млрд параметров; доступны варианты с разными типами квантизации imatrix и размером файлов примерно от 3,0 до 10,8 ГБ, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Главное преимущество модели — специализация на финансовой тематике и возможность локального запуска благодаря компактным GGUF-квантизациям. Ограничения связаны с потерями качества при сильной квантизации: README отмечает, что некоторые варианты имеют низкое качество, тогда как Q4_K_M назван быстрым и рекомендуемым, а IQ-квантизации могут быть предпочтительнее сопоставимых по размеру вариантов. Сведения о контекстном окне, мультимодальности и конкретной архитектуре не указаны. Модель распространяется по лицензии Apache-2.0.

abanfalvi/finance-llama-nemotron-embed-1b-v2 — дообученная модель Sentence Transformers на базе nvidia/llama-nemotron-embed-1b-v2, предназначенная для поиска по финансовым документам. Она преобразует текстовые предложения и абзацы в плотные векторы размерности 2048; для сравнения векторов используется косинусное сходство. Архитектура включает двунаправленный Llama-трансформер, усредняющий слой Pooling и нормализацию эмбеддингов. Модель обучена на датасете финансовой отчётности financial-filings-sparse-retrieval-training. Её можно применять для поиска релевантных фрагментов отчётности и сопоставления финансовых запросов с документами. В README указана максимальная длина последовательности 2048 токенов; метаданные каталога указывают базовый контекст 131072 токена, поэтому для этой дообученной модели следует ориентироваться на ограничение карточки в 2048 токенов. Лицензия в предоставленных данных не указана.

TinyBERT Financial News Sentiment Analysis — компактная модель классификации текста, опубликованная mikeysharma и дообученная на финансовых новостях. Она относит текст к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель построена на архитектуре TinyBERT с 4 слоями и размерностью скрытого состояния 312; в метаданных указаны 15,6 млн параметров и формат ONNX. Контекст модели — до 512 токенов, а рекомендуемая длина входа в карточке — до 128 токенов. Модель предназначена прежде всего для анализа заголовков финансовых новостей на английском языке. В README заявлены точность 89,2% и F1 0,87; это показатели из карточки, их применимость зависит от данных и условий оценки. Указана предобработка с приведением к нижнему регистру, нормализацией тикеров, удалением URL и усечением текста. Лицензия в предоставленных данных не указана.

FinBERT-PT-BR — модель Lucas Leme для классификации тональности финансовых текстов на бразильском португальском языке. Это модель семейства BERT с архитектурой BertForSequenceClassification, содержащая 136,1 млн параметров и принимающая текстовые последовательности длиной до 512 токенов. Модель обучали в два этапа: сначала на более чем 1,4 млн финансовых новостей на португальском языке, затем на 500 размеченных примерах для классификации тональности. Она подходит для анализа новостных публикаций и сообщений о финансовом рынке, построения индексов тональности, изучения макроэкономических показателей и поддержки инвестиционных стратегий. В README сообщается о результатах лучше других сравниваемых моделей, но подробности оценки не приведены. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Она рассчитана на финансовые тексты на бразильском португальском; заявленные области применения не гарантируют качество инвестиционных решений. Контекст ограничен 512 токенами.

Модель nickmuchi/finbert-tone-finetuned-finance-text-classification разработана как дообученная версия yiyanghkust/finbert-tone для классификации финансовых текстов. Это модель семейства BERT с архитектурой BertForSequenceClassification, содержащая 137 млн параметров и рассчитанная на контекст до 512 токенов. Модель обучена на объединённом наборе финансовых текстов, включающем financial_phrasebank, FinanceInc/auditor_sentiment и zeroshot/twitter-financial-news-sentiment. Её можно применять для классификации тональности и других меток в финансовых текстах. В карточке приведены результаты оценки: accuracy 0,9097 и F1 0,9102. Модель принимает текст и выдаёт метки классификации. Карточка указывает английский язык. Доступны веса PyTorch и Safetensors; лицензия в предоставленных данных не указана.

Finbro v0.1.0 — это дообученная разговорная языковая модель taddeusb90 на архитектуре Llama 3 с 7,5 млрд параметров, основанная на Dolphin 2.9 Llama 3 8B Instruct. Она предназначена для финансовых сценариев: извлечения сведений из неструктурированных документов, ответов на вопросы и объяснения финансовых материалов пользователям с разным уровнем подготовки. Модель принимает и генерирует текст, поддерживает контекст до 131 072 токенов и ориентирована на английский язык. Обучение проводилось на наборе Finbro Dataset, включающем более 300 тысяч записей: пары вопросов и ответов, финансовые отчёты и другие финансовые задания из Investopedia и Sujet Finance. Разработчик описывает выпуск как промежуточный: обучение ещё продолжается, а точность и способности планируется улучшать. Модель обучена следовать инструкциям и характеризуется автором как uncensored, поэтому перед использованием в сервисе необходимы собственные проверки и защитные механизмы. Распространяется по лицензии Meta Llama 3 Community License Agreement. Ответы модели могут содержать ошибки; README предупреждает, что не следует полагаться на них без проверки, особенно при финансовых решениях.

joshuapb создал англоязычную модель Sentence Transformer, дообученную на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и классификации.

Fin-ModernBERT — англоязычная модель семейства ModernBERT, разработанная clapAI посредством продолженного предобучения ModernBERT-base на финансовых текстах. Модель содержит 149 млн параметров и предназначена для заполнения пропусков в тексте; её можно адаптировать к анализу тональности, распознаванию финансовых сущностей, классификации, ответам на вопросы и поиску по финансовым документам. Карточка описывает обучение на корпусе FinData-dedup, собранном из финансовых новостей, публикаций о фондовом рынке и криптовалютах. В README указана длина контекста 1024 токена, а метаданные каталога приводят native context в 8192 токена. В приведённых в карточке тестах модель показала более высокие F1-результаты, чем ProsusAI/finbert и ModernBERT-base, на CIKM и PhraseBank; оценка других задач ещё продолжается. Для работы доступны веса в формате safetensors и библиотека Transformers. Лицензия — Apache-2.0.

Banking Multilingual Intent Classifier — дообученная на базе google/muril-base-cased модель BERT для классификации намерений в банковских чат-ботах. Она распределяет текстовые обращения по 14 категориям, включая проверку баланса, переводы, поддержку карт и банкоматов, сведения о счёте, комиссии и приветствия. Модель рассчитана на английский, бенгальский в бенгальской письменности, бенгальский в латинской транслитерации и смешанные англо-бенгальские запросы. Это классификатор последовательностей на 264,8 млн параметров с контекстом до 512 токенов; веса доступны в формате safetensors. В карточке заявлены точность 99,12% и макро-F1 99,08% на тестовом наборе. Модель предназначена для маршрутизации обращений и автоматизации поддержки в банковских чат-ботах. Она не учитывает многоходовый контекст, может ошибаться на коротких неоднозначных фразах, а синтетические данные обучения способны смещать стиль ответов; для низкой уверенности рекомендуется передача запроса оператору. Модель не предназначена для выявления мошенничества, анализа тональности, финансовых рекомендаций или автоматизации правового и регуляторного соответствия. Лицензия — Apache-2.0.

智海-金磐 13B — языковая модель для розничных финансов, совместно разработанная Институтом искусственного интеллекта Чжэцзянского университета и компанией 摸象科技 и опубликованная в августе 2023 года. Модель построена на архитектуре Llama и содержит 13 млрд параметров; длина контекста составляет 4096 токенов. Для обучения использованы финансовые книги и статьи, графы финансовых знаний и финансовые диалоги. Модель предназначена для финансовых организаций: она отвечает на вопросы о финансовых знаниях, генерирует финансовые тексты и выполняет рассуждения и анализ в финансовой области. В описании также заявлены адаптация к розничным финансовым задачам, возможность работы с внешними базами знаний и поиском, а также развертывание на ограниченных вычислительных ресурсах внутри организации. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. README не уточняет поддерживаемые естественные языки; модель ориентирована на финансовый домен.

LENU_US-PA — модель классификации названий юридических лиц штата Пенсильвания, разработанная GLEIF и Sociovestix Labs. Она дообучена на базе bert-base-multilingual-uncased и предназначена для определения кода правовой формы организации (ELF) по её названию и юрисдикции в соответствии со стандартом ISO 20275. Модель использует архитектуру BERT с классификационной головой и содержит 136,7 млн параметров. Она принимает текст и выдаёт категорию ELF; длина контекста — до 512 токенов. Модель обучена на данных LEI, чтобы помогать банкам, инвестиционным компаниям, корпорациям и государственным организациям извлекать правовую форму из неструктурированных названий и приводить сведения об организациях к единому формату. Модель распространяется по лицензии Creative Commons CC0. Уверенность предсказания следует учитывать: результаты с низким значением оценки рекомендуется проверять вручную. В README также есть несоответствие юрисдикций: название и описание указывают US-PA, тогда как раздел об обучающих данных упоминает US-MA.

curiousily/Llama-3-8B-Instruct-Finance-RAG — дообученная модель на основе Meta Llama 3 8B Instruct, созданная для ответов на вопросы по финансовому контексту в сценариях RAG. Модель обучена с помощью LoRA на 4 000 примерах набора virattt/financial-qa-10K и принимает вопрос вместе с предоставленной информацией, чтобы сформировать ответ на её основе. Это плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров и контекстом до 8 192 токенов. Она предназначена для диалоговой генерации текста на английском языке и распространяется в формате safetensors под лицензией Llama 3. Её сильная сторона — настройка на финансовые вопросы с опорой на переданный контекст; модель не заменяет проверку финансовых выводов и зависит от полноты и точности контекста.

Llama-3-SEC-Base — языковая модель Arcee AI для генерации текста и анализа документов Комиссии по ценным бумагам и биржам США (SEC). Она построена на Meta-Llama-3-70B-Instruct и представляет собой промежуточный контрольный снимок: модель прошла непрерывное предобучение на финансовых данных и была объединена с базовой моделью методом TIES. Обучение проводилось с использованием Megatron-Core; в описании указано, что на момент выпуска чекпойнт обработал 20 млрд токенов, а обучение на полном наборе данных ещё продолжалось. Модель рассчитана на работу с английскими SEC-отчётами и сценарии вроде инвестиционного анализа, оценки рисков, проверки нормативного соответствия, а также изучения корпоративного управления и рыночных тенденций. Это плотная авторегрессионная модель архитектуры Llama с 69,5 млрд параметров и контекстом 8192 токена; она принимает текст и генерирует текст. Несмотря на шаблон чата Llama 3, эта версия не прошла дополнительное supervised fine-tuning для диалогов. Доступна по лицензии Llama 3, допускающей коммерческое и некоммерческое использование с соблюдением её условий.

OVHaiLLM/Llama-Open-Finance-8B — дообученная специалистами Dragon LLM и AGEFI модель Llama для вопросов и анализа в сфере финансов, экономики и бизнеса. Она предназначена для ответов на сложные запросы, объяснения экономических показателей, анализа рынков и инвестиционных инструментов, а также работы с финансовыми и регуляторными документами. Модель поддерживает английский, французский и немецкий языки. Согласно README, обучение охватывало финансовые и экономические материалы, включая рыночные отчёты, регуляторные документы, публикации центробанков и академические исследования; также заявлены примеры для перевода и retrieval-augmented generation. Модель основана на Llama 3.1 8B Instruct и распространяется в формате safetensors через Transformers. Лицензия — Llama 3.1. Модель может помогать готовить финансовые сводки, интерпретировать нормы и формировать аналитические черновики, но существенные выводы и актуальные финансовые данные следует проверять по официальным источникам. Заявления README о точности, безопасности и качестве не сопровождаются приведёнными здесь независимыми результатами оценки.

Bitext-Mistral-7B-Banking-v2 — языковая модель Bitext для диалогов в банковской сфере. Это дообученная версия mistralai/Mistral-7B-Instruct-v0.2 с архитектурой MistralForCausalLM и токенизатором LlamaTokenizer; размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель принимает текст и генерирует текстовые ответы, поддерживает чат. Модель предназначена для чат-ботов, виртуальных помощников и copilots, которые отвечают на банковские вопросы и помогают с типовыми операциями: проверкой баланса, переводами и заявками на кредит. Bitext позиционирует её как основу для последующей адаптации под данные конкретного банка. Она обучена на синтетических данных по 89 банковским намерениям, примерно по 1 000 примеров на каждое. Модель может хуже отвечать на вопросы вне банковской тематики; возможные смещения обучающих данных влияют на нейтральность ответов. Не предназначена для медицинских, юридических или критически важных рекомендаций по безопасности. Лицензия — Apache-2.0.

tsphua/modernbert-fingpt — модель классификации тональности финансовых текстов, созданная дообучением answerdotai/ModernBERT-base на наборе FinGPT/fingpt-sentiment-train. Она относит текст к одной из девяти категорий тональности — от выраженно негативной до позитивной — и предназначена для анализа финансовых новостей, сообщений и других материалов, связанных с рынком. В основе лежит encoder-only Transformer семейства ModernBERT с 149 млн параметров и контекстом до 8192 токенов. README описывает обучение с максимальной длиной последовательности 512 токенов; для практического применения это ограничивает длину текста, использованную при настройке модели. Модель принимает текст и выдаёт метку класса тональности. Лицензия — Apache-2.0.

objv1 — это мультимодальная модель ObjectAI, дообученная с помощью LoRA и объединённая с базовой моделью Qwen/Qwen3-VL-4B-Instruct. Модель принимает изображение страницы финансового документа и JSON-схему, затем извлекает сведения со страницы и возвращает заполненную структуру JSON. Она построена на архитектуре Qwen3-VL с 4 млрд параметров и предназначена для работы с изображениями и текстом; обучение проводилось при разрешении до 1280 × 28 × 28 пикселей. В README для сервинга с vLLM указан предел контекста 16 384 токена. Основной сценарий — структурированное извлечение данных из индийских финансовых документов. Отсутствующие на странице поля возвращаются как null; незапрошенные найденные сведения можно поместить в extras. Карточка рекомендует температуру 0 для воспроизводимости ответа. Модель требует значительных вычислительных ресурсов: 8,9 ГБ весов в bf16, минимум 16 ГБ VRAM и 24 ГБ для комфортной работы. Лицензия — Apache-2.0. Модель не проверяет собственные арифметические вычисления, поэтому итоги, которые должны сходиться, следует проверять отдельно. Работа с документами других областей и форматов не тестировалась; распознавание рукописного текста, особенно цифр на изображениях низкого разрешения, является слабым местом.

Apertus-8B Financial Reasoner v1 — модель gaparecido, дообученная на swiss-ai/Apertus-8B-Instruct-2509 для двухэтапного анализа финансовых новостей о тикерах акций. На первом этапе она классифицирует реакцию рынка на новость с учётом движения цены: good, bad, neutral, overreaction_down или overreaction_up. На втором этапе, получив эту оценку, разрыв в стоимости и уже рассчитанную рекомендацию BUY/SELL/HOLD, модель формирует объяснение и JSON-ответ. Модель основана на плотной архитектуре ApertusForCausalLM, содержит 10,3 млрд параметров и поддерживает контекст до 65 536 токенов. Это диалоговая текстовая модель; карточка указывает английский язык. Чекпойнт объединён в формат bfloat16 и состоит из четырёх файлов safetensors; для запуска на видеокарте с ограниченной памятью автор предлагает загружать веса в 4-битном режиме. Модель подходит для структурирования анализа финансовых новостей, но сама не принимает решение BUY/SELL/HOLD: рекомендация поступает от отдельной детерминированной логики, объединяющей классификацию и оценку разрыва стоимости по DCF. Лицензия — Apache-2.0.