IV.2Банки, платежи и инвестиции

Модель harisali9211/trocr-large-printed-e13b_tesseract_MICR_ocr_with_character — дообученная версия microsoft/trocr-large-printed для распознавания текста на изображениях. Она использует архитектуру vision-encoder-decoder и предназначена для сценариев OCR; название указывает на обработку печатных символов и MICR, однако README не раскрывает подробностей датасета и целевых форматов документов. В оценке на неизвестном наборе данных указаны Loss 0,1742 и CER 0,0032. Модель принимает изображение и выдаёт текст. Она основана на крупной TrOCR-модели, предназначенной для распознавания печатного текста на изображениях строк. Карточка не сообщает о поддерживаемых языках или ограничениях применения. Лицензия в предоставленных данных не указана.

Dash00/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная автором на 6 300 примерах финансовых и корпоративных текстов от BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и извлечения релевантных фрагментов. В README указаны косинусная мера сходства и архитектура BERT с CLS-пулингом и нормализацией; благодаря Matryoshka Loss эмбеддинги можно использовать с размерностями 512, 256, 128 и 64. Модель подходит для поиска ответов в финансовых и корпоративных документах, кластеризации текстов, поиска перефразировок и классификации на основе эмбеддингов. Максимальная длина входа — 512 токенов. Лицензия — Apache-2.0. Результаты в README относятся к указанным автором данным и метрикам; данных для оценки качества на иных корпусах нет.

liuxiong332/bge-m3-financial-mixed — модель эмбеддингов предложений на основе BAAI/bge-m3, дообученная на финансовых данных. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и предназначена для семантического поиска, сравнения текстов и кластеризации, в том числе в финансовых корпусах. Модель использует архитектуру XLM-RoBERTa, содержит 658,7 млн параметров и поддерживает контекст до 8194 токенов. Для работы можно использовать библиотеку Sentence Transformers; веса доступны в формате safetensors. Лицензия — MIT. Карточка не сообщает, на каких языках собраны финансовые данные и каковы результаты оценки именно этой версии, поэтому пригодность для конкретного языка или финансового сценария стоит проверять на собственных данных.

anhdt84/bge_m3_multiplenegativesrankingloss — модель эмбеддингов на основе BAAI/bge-m3, дообученная для банковской тематики. Она предназначена для семантического поиска и извлечения релевантных текстов, а также сравнения сходства предложений; в примере карточки запрос о требованиях для открытия кредитной карты кодируется в вектор для поиска. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и поддерживает контекст до 8194 токенов. Для работы используется Sentence-Transformers; файлы модели представлены в формате safetensors. Карточка демонстрирует применение на вьетнамском языке, а базовая BGE-M3 описана как многоязычная модель. Лицензия — Apache-2.0. Качество на других банковских задачах и языках, а также ограничения дообучения в карточке не описаны.

MoAI-Privacy-Filter — модель распознавания сущностей, связанных с конфиденциальностью, разработанная BCCard путём полного дообучения openai/privacy-filter. Она размечает фрагменты текста на корейском и английском языках 29 типами сущностей, используя 117 классов BIOES для границ токенов. Модель предназначена для поиска персональных и других чувствительных данных в клиентских обращениях, документах, письмах и журналах до передачи текста внешним сервисам, а также для построения типизированных фрагментов, которые приложения могут маскировать, сохранять или направлять на проверку по собственным правилам. В карточке указаны результаты строгой micro F1: 0,9824 для корейского и 0,9708 для английского на отложенной валидации; на независимом Golden Set — 0,9732 и 0,9650 соответственно. Архитектура — смесь экспертов, модель рассчитана на контекст до 131 072 токенов, однако обучающие примеры ограничены 1024 токенами. Для корректного восстановления сущностей требуется декодирование BIOES с ограничениями переходов и сопоставление смещений токенов с исходным текстом. Модель только находит и классифицирует фрагменты, но не определяет, как их обрабатывать; метки PORT и ORGANIZATION также не являются персональными данными. Оценка проводилась на синтетических данных, поэтому качество на реальных текстах, OCR-ошибках, сленге и неизвестных форматах не установлено; другие языки и области не проверялись. Лицензия — Apache-2.0.

AI-Enthusiast11/pii-entity-extractor — модель Maskify на базе DeBERTa, дообученная для распознавания именованных сущностей, содержащих персональные данные. Она принимает текст и выполняет токенную классификацию, выделяя имена, номера социального страхования, телефоны, номера кредитных карт и банковских счетов, банковские routing-номера и адреса. Модель содержит 306 млн параметров, использует архитектуру DeBERTa v2 и поддерживает контекст до 512 токенов. В карточке описана работа с английским языком; модель подходит для поиска персональных данных в текстовых документах и подготовки данных к обезличиванию. На отложенной части того же размеченного набора данных автор сообщает средние precision, recall и F1 около 0,95. Эти результаты не гарантируют такое же качество на других данных: для применения в чувствительных сценариях рекомендуется ручная проверка и оценка на данных целевого домена. Лицензия в предоставленных сведениях не указана.

TiRex — предварительно обученная модель прогнозирования временных рядов от NX-AI, основанная на архитектуре xLSTM и содержащая 35 млн параметров. Она предназначена для прогнозирования без дообучения на пользовательских данных: модель принимает временной ряд и выдаёт точечные и квантильные оценки для коротких и длинных горизонтов. В README указаны результаты на бенчмарках GiftEval и ChronosZS. Репозиторий содержит модель в формате ONNX; для работы предусмотрена библиотека tirex. README также описывает CUDA-ядра для sLSTM, которым требуется GPU с Compute Capability 8.0 или выше. В метаданных указана лицензия other, поэтому условия использования следует уточнять в материалах проекта.

anhtuansh/vietnamese-bi-encoder-Financial-Matryoshka-1e-200k — дообученная модель Sentence Transformers на базе bkai-foundation-models/vietnamese-bi-encoder, разработанная для получения плотных векторных представлений вьетнамских предложений и абзацев. Она основана на RoBERTa и использует среднее объединение токенных представлений; исходная размерность вектора — 768, сходство оценивается косинусной мерой. Благодаря Matryoshka-обучению доступны укороченные представления размером 512, 256, 128 и 64 измерения. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текстов. Она обучалась на парах примеров из набора json: карточка указывает 181 350 обучающих и 20 150 оценочных примеров. Максимальная длина последовательности — 258 токенов по метаданным; README указывает ограничение 256 токенов. Лицензия в предоставленных сведениях не указана.

anishareddyalla/bge-base-financial-matryoshka-anisha — англоязычная модель Sentence Transformer, дообученная автором на базе BAAI/bge-base-en-v1.5 для создания плотных текстовых эмбеддингов. Она кодирует предложения и абзацы в векторы размерностью 768 и поддерживает сравнение по косинусному сходству. Архитектура основана на BERT и включает пулинг CLS-токена и нормализацию; максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, включая поиск финансовых материалов. Её также можно использовать для поиска перефразирований, кластеризации и классификации текстов. Обучение описано как Matryoshka fine-tuning: приведены результаты поиска для усечённых эмбеддингов размерностью от 64 до 768, а обучающая выборка содержит 6 300 примеров. Лицензия — Apache-2.0.

Chronicle — компактная мультимодальная модель InertialAI для совместного понимания естественного языка и временных рядов. Это 324-миллионный декодерный трансформер с 16 слоями, обученный с нуля на текстах и временных рядах; токены текста и патчи рядов обрабатываются общими блоками трансформера. В репозитории представлены контрольные точки двух этапов обучения, для второй этапной версии контекст составляет 4096 токенов, а для первой — 2048; патчи временного ряда охватывают 32 шага. Модель предназначена для прогнозирования временных рядов, получения эмбеддингов для классификации рядов и мультимодальных сценариев, сочетающих числовые последовательности с текстом. Также заявлена языковая обработка на уровне моделей сопоставимого размера. В README приведены результаты оценок на наборах задач NLU, классификации и мультимодального прогнозирования; это результаты авторов, для воспроизведения которых указаны статья и код проекта. Веса доступны в формате safetensors, реализация инференса использует PyTorch. Модель опубликована под лицензией Apache-2.0. Данные о поддерживаемых языках ограничены тегом английского языка в метаданных; точный охват языков и сценариев следует проверять на целевом наборе данных.

ettin-32m-nemotron-pii — компактная модель распознавания персональных данных, разработанная на основе энкодера Ettin и дообученная на наборе NVIDIA Nemotron-PII. Это ModernBERT с 31,9 млн параметров, предназначенный для маркировки фрагментов текста и обнаружения более 50 типов PII в структурированных и неструктурированных данных. Модель рассчитана на английский язык и заявлена для текстов из разных областей, включая здравоохранение, финансы, право и кибербезопасность. В карточке указана оценка F1 95,73 на тестовой выборке из 10 тысяч примеров; качество различается между типами сущностей, и для распознавания профессий приведена заметно более низкая оценка F1 0,5949. Модель принимает текст и возвращает метки сущностей по токенам. Лицензия — MIT.

curiousily/layoutlmv3-financial-document-classification — модель автора curiousily, дообученная на базе microsoft/layoutlmv3-base для классификации финансовых документов по изображению и распознанному тексту. Она относит документы к одному из пяти классов: отчёт о прибылях и убытках, баланс, отчёт о движении денежных средств, примечания или прочие документы. Для распознавания текста при обучении использовались данные EasyOCR. Модель основана на LayoutLMv3, имеет около 151,8 млн параметров и контекст длиной до 514 токенов. Карточка указывает английский язык. Модель подходит для автоматической сортировки и предварительной маршрутизации финансовой отчётности; качество на других типах документов и языках не описано. Лицензия CC-BY-NC-SA-4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов по той же лицензии, но запрещает коммерческое использование.

SLIMER (Show Less Instruct More Entity Recognition) — языковая модель на архитектуре LLaMA, разработанная для извлечения именованных сущностей из английского текста в режиме zero-shot. Она получает текст и инструкцию с типом сущности, её определением и рекомендациями по разметке, а затем возвращает найденные сущности в виде JSON-списка. Такой подход рассчитан на работу с типами сущностей, которых не было среди обучающих меток; в README отмечены результаты на доменах, отличающихся от обучающих, включая финансовые данные. Модель содержит 6,6 млрд параметров, использует формат safetensors и имеет контекстное окно 4096 токенов. README указывает на дообучение инструкциями на сокращённом наборе примеров; лицензия в метаданных обозначена как llama2. Модель предназначена прежде всего для извлечения сущностей, а не для произвольного диалога. Она может ошибаться на неоднозначных упоминаниях и зависит от качества определения сущности и рекомендаций в запросе.

ettin-17m-nemotron-pii — компактная модель обнаружения персональных данных, созданная на основе ettin-encoder-17m и дообученная разработчиком карточки на наборе Nemotron-PII. Это энкодер ModernBERT с 16,8 млн параметров для классификации токенов; модель отмечает более 50 типов сущностей, включая адреса электронной почты, даты рождения, номера счетов и API-ключи, в структурированном и неструктурированном тексте. Она рассчитана на английский язык и может применяться в сценариях проверки документов и текстов из финансовой, медицинской, юридической и других областей. В README сообщается о F1 94,21 на тестовой выборке из 10 тысяч примеров; качество зависит от типа сущности, и для профессий отмечен более низкий F1 — 0,55. Модель принимает текст и выдаёт разметку токенов. Контекст составляет до 7 999 токенов. Репозиторий распространяется по лицензии MIT.

GLiNER Multi PII Domains — модель распознавания именованных сущностей, разработанная E3-JSI путём дообучения urchade/gliner_multi_pii-v1 на синтетическом наборе E3-JSI/synthetic-multi-pii-ner-v1. Она использует двунаправленный трансформерный энкодер семейства BERT и предназначена для извлечения персональных данных и других чувствительных сущностей из текста: имён людей и организаций, контактных данных, идентификаторов документов, финансовых и медицинских сведений и других типов PII. Модель подходит для выявления чувствительных данных в медицинских текстах и других текстовых материалах, например перед их обезличиванием или проверкой. GLiNER позволяет задавать типы сущностей и служит компактной альтернативой крупным языковым моделям для сценариев с ограниченными ресурсами. Для работы требуется библиотека GLiNER. Модель распространяется по лицензии Apache-2.0. В карточке приведены примеры на английском и нидерландском языках; метаданные указывают поддержку английского, французского, немецкого, испанского, португальского, итальянского, словенского, греческого и нидерландского. Качество распознавания зависит от языка, формата текста и типов сущностей; модель может пропускать данные или ошибочно выделять фрагменты, поэтому результаты чувствительных проверок следует контролировать.

ko-pii-public-v1 — модель для обнаружения и классификации персональных данных в корейском тексте. Автор дообучил OpenAI Privacy Filter на синтетических документах, данных KDPII и примерах KLUE NER. Модель поддерживает 23 категории, включая имена, телефоны, адреса, идентификаторы, банковские и карточные данные; архитектура — MoE для классификации токенов, веса опубликованы в формате safetensors. Карточка указывает 145,4 млн параметров и контекст 131 072 токена. Модель предназначена для поиска персональных данных в корейских формах, письмах, документах KYC, медицинских записях, договорах и протоколах встреч, чтобы затем маскировать найденные фрагменты. Разработчик рекомендует разбивать документы длиннее 500 символов на фрагменты примерно по 150 символов. Указана лицензия CC BY-SA 4.0, унаследованная от обучающих данных KLUE. В оценке автор сообщает о повышении устойчивости на документах разной длины, но отмечает снижение F1 на тесте KDPII по сравнению с предыдущей версией. Модель может пропускать отдельные номера паспорта и автомобильные номера без окружающих ключевых слов, широко размечает географические названия как адреса и может считать прозвища именами. Результаты для OCR, диалектов и сильно зашумлённого текста не приведены; качество на собственных доменных данных следует проверять отдельно.

Moirai-1.0-R-Large — крупная модель временных рядов, разработанная Salesforce. Это masked encoder-based Transformer, предварительно обученный на данных LOTSA и предназначенный для прогнозирования временных рядов. В README для семейства указано 311 млн параметров у версии Large, а метаданные каталога — 352,3 млн параметров; доступные веса представлены в формате safetensors. Для запуска авторы рекомендуют библиотеку uni2ts. Модель рассчитана на прогнозирование целевых переменных, в том числе с учётом динамических ковариат, значения которых известны на горизонте прогноза. Её можно применять для построения прогнозов по многомерным временным рядам. Карточка описывает выпуск как исследовательский и рекомендует отдельно оценивать точность и пригодность модели для конкретного применения. Лицензия — CC BY-NC 4.0, с ограничением на коммерческое использование.

MOMENT-1-base — базовая модель семейства MOMENT, разработанная Auton Lab Университета Карнеги — Меллона для анализа временных рядов. Это предварительно обученная модель общего назначения, которую можно использовать без дополнительного обучения или адаптировать на целевых данных. Модель предназначена для прогнозирования временных рядов; семейство MOMENT также поддерживает классификацию, обнаружение аномалий, заполнение пропусков и обучение представлений. Она рассчитана на сценарии zero-shot и few-shot, а дообучение на данных конкретной задачи может улучшить результаты. Модель принимает временные ряды и выдаёт прогнозы или результаты анализа, соответствующие задаче. В карточке указаны форматы PyTorch и safetensors и лицензия MIT. Карточка не приводит размер модели, численные оценки качества или ограничения для конкретных типов данных. Перед применением в критичных сценариях качество следует оценить на целевых временных рядах.

XuanYuan-70B — компания Duxiaoman-DI разработала эту плотную авторегрессионную модель генерации текста на архитектуре Llama 2, продолжив предобучение базовой модели на китайских, английских и финансовых данных. В репозитории представлена базовая версия; семейство также включает отдельные версии Chat и их варианты в 8- и 4-битной квантизации. У этой карточки 68,8 млрд параметров, формат Safetensors и контекст до 8192 токенов. Модель предназначена для генерации текста и применения в финансовой сфере, сохраняя общие языковые возможности. По описанию разработчика, семейство обучено на финансовых новостях, объявлениях компаний, справочных материалах, книгах и экзаменационных заданиях; версии Chat дополнительно настроены на следование инструкциям и финансовые вопросы. Обучение велось преимущественно на китайских данных с добавлением английских; также заявлены общие способности к диалогу, суммаризации, переводу, математике и программированию. Карточка относится к базовой модели, а не к отдельной Chat-версии. Для загрузки базовой модели README указывает минимум две видеокарты с 80 ГБ памяти; квантизированные требования относятся к другим вариантам семейства. В метаданных указана лицензия Llama 2 (llama2); применяйте модель с соблюдением её условий. Заявленные финансовые навыки и результаты бенчмарков приведены разработчиком и не гарантируют точность в конкретных задачах.

FinBERT-esg-9-categories — модель классификации финансовых текстов, разработанная исследовательской группой Гонконгского университета науки и технологий и дообученная на примерно 14 тысячах вручную размеченных предложений из ESG- и годовых отчётов компаний. Модель построена на архитектуре BERT, содержит 137 млн параметров и принимает текстовые входы длиной до 512 токенов. Она относит текст к одной из девяти категорий: изменение климата, природный капитал, загрязнение и отходы, человеческий капитал, ответственность за продукт, отношения с сообществами, корпоративное управление, деловая этика и ценности либо не-ESG. Модель предназначена для детальной тематической разметки ESG-материалов и дополняет FinBERT-esg, классифицирующий текст по четырём укрупнённым темам. Модель работает с английским языком; веса доступны в формате PyTorch. Лицензия в предоставленных данных не указана.

GizzAI разработала Gizzai-Sense-T-E2B — дообученную модель для анализа временных рядов и прогнозирования. Она принимает ряд числовых значений вместе с текстовым описанием и ковариатами, а затем выдаёт типизированные вероятностные оценки и числовые прогнозы в виде квантилей. Замороженный энкодер Chronos-2 кодирует ряд, обученный проектор переводит его состояния в пространство эмбеддингов языковой модели Gemma 4; значения ряда также передаются модели в текстовом виде. Для решений используются вероятности по вариантам ответа, а прогнозные интервалы строятся с поправкой на прогноз Chronos-2. Модель обучена на синтетических рядах для выявления аномалий, оценки трендов, сезонности, волатильности, порогов и эффектов событий, а также для сценарных прогнозов и сравнений вариантов действий. В карточке приведены результаты проверки на рядах из обучавшихся и новых областей, а также метрики квантильных прогнозов. Модель не предназначена для конкретной предметной области и не обучалась на пользовательских данных. Текстовые состояния при обучении были на китайском; другие языки не проверялись. Истории длиннее обученного окна усекаются. Лицензия указана как other, поэтому условия использования следует сверить с лицензией в репозитории.

Tafsut Univariate Base — трансформерная модель семейства Tafsut для вероятностного прогнозирования одномерных временных рядов. Модель разработана авторами проекта Tafsut и рассчитана на прогнозирование новых рядов без дообучения на каждом из них. В метаданных указано около 115,6 млн параметров; README описывает архитектуру с патчами по 32 наблюдения, 14 блоками трансформерного энкодера, RMS-подобной нормализацией и позиционными RoPE-встраиваниями. На вход подаётся история скалярных наблюдений, на выходе — девять квантилей от 0,1 до 0,9 для каждого будущего шага, включая медианный прогноз и диапазон неопределённости. Поддерживается контекст до 32 768 наблюдений, пропуски можно представлять как NaN. Модель подходит для прогнозирования отдельных рядов из разных прикладных областей; README приводит оценку на наборах GIFT-Eval. Модель работает только с одномерными рядами: она не использует ковариаты, внешние переменные или взаимосвязи между рядами. Контексты длиннее 32 768 наблюдений обрезаются; при горизонте свыше 1 024 шагов медианные прогнозы повторно подаются модели как контекст. Лицензия — MIT.

Habiba9/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная на 6 300 парных примерах из набора json для сопоставления финансовых вопросов с фрагментами текста. Она основана на BAAI/bge-base-en-v1.5 с архитектурой BERT и формирует нормализованные плотные эмбеддинги размерностью 768; сходство текстов оценивается косинусной мерой. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 512, 256, 128 или 64. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, в частности для поиска ответов в финансовых документах и подбора релевантных фрагментов по вопросу. Эмбеддинги также подходят для поиска перефразировок, кластеризации и классификации текста. В README приведены метрики поиска на нескольких размерностях, однако нет описания независимой оценки на широком наборе финансовых задач. Лицензия — Apache-2.0.

ettin-68m-nemotron-pii — компактная модель для обнаружения и разметки персональных данных в тексте. Она основана на энкодере Ettin-68M от JHU CLSP и дообучена на наборе данных NVIDIA Nemotron-PII; архитектура — ModernBERT для классификации токенов, размер — 68,1 млн параметров, максимальная длина контекста — 7 999 токенов. Модель выделяет более 50 типов PII в структурированном и неструктурированном английском тексте, включая номера счетов, даты рождения и API-ключи. Её можно применять для поиска чувствительных данных в документах и подготовки текстов к обезличиванию в медицинских, финансовых, юридических и других сценариях. В карточке приведён результат F1 96,27 на тестовой выборке из 10 тысяч примеров Nemotron-PII; точность и полнота составили 96,35 и 96,19 соответственно. Показатели различаются по типам сущностей: например, для профессий F1 заметно ниже. Модель принимает текст и возвращает метки сущностей на уровне токенов. Она рассчитана на английский язык и может хуже работать на других языках; качество также зависит от типа PII. Лицензия — MIT.

SEOKDONG/llama3.1_korean_v1.1_sft_by_aidx — плотная авторегрессионная языковая модель семейства Llama 3.1, разработанная и дообученная методом supervised fine-tuning на корейском наборе инструкций. Она основана на meta-llama/Llama-3.1-8B-Instruct и предназначена для генерации текста и диалоговых ответов с учетом корейского языка, культуры и профессионального контекста. В карточке заявлены около 8 млрд параметров; метаданные указывают 7,5 млрд и контекст до 131 072 токенов. Обучение проводилось на наборе примерно из 2,33 млн примеров для вопросов и ответов, суммаризации и классификации, охватывающем 53 области. Среди целевых сценариев — ответы и краткое изложение материалов по праву, финансам, налогообложению и бухгалтерскому учету, а также образовательные объяснения и клиентские диалоги. Модель ориентирована прежде всего на корейский язык, также заявлена поддержка английского. В README сообщается результат 53,94 и шестое место в целом на Open Ko-LLM Leaderboard Season 2 по состоянию на январь 2025 года. Модель может ошибаться в сложных логических задачах, в узкоспециальных темах, при работе с новыми международными сведениями и на языках, отличных от корейского; возможны смещения из обучающих данных. Метаданные указывают лицензию Apache-2.0, тогда как README также упоминает лицензию сообщества Llama 3.1, поэтому условия распространения базовой модели следует учитывать отдельно.

MatCha — модель на архитектуре Pix2Struct, разработанная Fangyu Liu, Francesco Piccinno и коллегами и дообученная на наборе PlotQA-v1. Она предназначена для ответов на вопросы по графикам и диаграммам: принимает изображение и текстовый вопрос, а ответ формулирует текстом. В основе MatCha — предварительное обучение для математических рассуждений и восстановления структуры графиков; опубликованные авторами результаты показывают улучшение на тестах PlotQA и ChartQA. Модель подходит для извлечения сведений и численных значений из графиков по запросу на естественном языке. Метаданные указывают поддержку английского, французского, румынского и немецкого языков. Веса доступны в формате PyTorch; лицензия — Apache-2.0.

Moirai-1.0-R-Base — модель временных рядов от Salesforce: универсальный трансформер с маскируемым энкодером, предварительно обученный на наборе LOTSA. Модель предназначена для прогнозирования временных рядов, в том числе многомерных рядов с целевыми переменными и известными значениями ковариат на горизонте прогноза. Архитектура использует разбиение рядов на патчи и трансформер для их обработки; выходные представления преобразуются в параметры смеси распределений прогноза. В README указано 91 млн параметров, а в метаданных — 99,1 млн. Модель распространяется в формате safetensors; для инференса авторы рекомендуют библиотеку uni2ts. Выпуск предназначен для исследовательских целей и не оценивался для всех возможных прикладных сценариев. Перед применением следует оценить точность и риски конкретного использования. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Timer-S1 — разработанная ByteDance Research модель-основание для прогнозирования временных рядов. Она выполняет zero-shot прогнозирование на разных уровнях квантилей, в том числе среднесрочное и долгосрочное, без дообучения на конкретном наборе данных. По карточке это декодерный Transformer с архитектурой Mixture-of-Experts и механизмом TimeSTP для многошагового предсказания последовательными вычислениями. README указывает 8,3 млрд параметров, из которых активируется 0,75 млрд на токен, контекст до 11 520 шагов и длину патча 16; метаданные каталога сообщают 402,7 млн параметров и контекст 12 800 токенов, поэтому размер и длина контекста в источниках расходятся. Модель работает с временными рядами и выдаёт прогнозы; поддержка естественных языков не заявлена. Для запуска на GPU авторы рекомендуют не менее 40 ГБ видеопамяти. Лицензия — Apache-2.0.

Oblix15/tsdae-financiero — текстовая модель Sentence Transformer на архитектуре BERT, обученная для представления предложений и абзацев в виде плотных векторов размерности 768. Модель предназначена для поиска и сравнения текстов по косинусному сходству; обучение выполнено с DenoisingAutoEncoderLoss на 36 035 парах предложений из финансового контекста на испанском языке. Модель принимает текст, использует CLS-пулинг и рассчитана на последовательности длиной до 75 токенов. Метаданные указывают 137,1 млн параметров и максимальный контекст 512 токенов; для практического использования следует учитывать более короткий лимит из карточки модели. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Модель seongil-dn/bge-m3-kor-retrieval-451949-bs128-finance-book-science-344 — дообученный Sentence Transformer на базе BAAI/bge-m3, разработанный автором репозитория seongil-dn. Она преобразует предложения и абзацы в плотные векторы размерности 1024, нормализованные для сравнения по косинусному сходству. Модель предназначена для семантического поиска и сопоставления текстов; также её можно применять для поиска перефразировок, кластеризации и классификации текста. Архитектура включает XLM-RoBERTa, pooling по CLS-токену и нормализацию выходного вектора. Метаданные указывают 658,7 млн параметров и контекст до 8194 токенов; README заявляет максимальную длину последовательности 1024 токена, поэтому фактический лимит может зависеть от конфигурации загрузки. Обучающий набор, судя по идентификатору и тегам, связан с финансовыми, книжными и научными текстами на корейском языке, но подробности о данных и оценке качества не приведены. Лицензия в предоставленных данных не указана.