IV.2Банки, платежи и инвестиции

RoBERTa Email Fraud Detector — дообученная модель RoBERTa-base от автора репозитория cunxin для бинарной классификации электронных писем. Она принимает тему и тело письма, расположенные в формате «Subject: …», и определяет, относится ли сообщение к мошенническим или фишинговым либо является обычным. Модель предназначена для фильтрации почты в личных и корпоративных системах, быстрого первичного скрининга перед более подробным анализом и включения в многоуровневые системы защиты. Репозиторий сообщает о точности 99,5% на тестовых данных, но эти результаты относятся к указанным автором выборкам и не гарантируют такое же качество на другой почте. Архитектура — RoBERTa для классификации последовательностей, около 151,8 млн параметров; вход ограничен 514 токенами по метаданным, а README указывает усечение примерно до 512 токенов или 1 800 символов. Модель обучалась преимущественно на английских письмах, включая данные Enron, SpamAssassin и Ling-Spam. Выдаёт два логита для классов «обычное» и «мошенническое»; она не объясняет тип угрозы и может хуже работать на современных шаблонах фишинга и письмах на других языках. Лицензия — MIT.

EulerMath-Mistral-7B — дообученная Weyaxi языковая модель на базе meta-math/MetaMath-Mistral-7B для генерации ответов и решений математических задач. Модель с плотной архитектурой Mistral содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов; для инструкций используется шаблон Alpaca. Модель полностью дообучена в течение двух эпох на TIGER-Lab/MathInstruct и microsoft/orca-math-word-problems-200k. Она предназначена для ответов на математические вопросы и решения задач в диалоговом или инструкционном формате. В README отмечено, что оценка на подмножестве GSM8K не всегда совпадала с ожидаемым строгим форматом, хотя ответы могли быть корректными. В репозитории указана лицензия other; конкретные условия использования следует сверить с лицензией модели и её базовой модели.

Cobalt — языковая модель Valiant Labs для решения математических задач и диалогов в формате инструкций. Она создана дообучением Meta-Llama-3.1-8B-Instruct на синтетических математических инструкциях, сгенерированных Llama 3.1 405B. Для сохранения качества обычного общения использована небольшая подборка данных LDJnr/Pure-Dove; основной математический датасет — sequelbox/Polytope. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и принимает текстовые запросы в формате чата Llama 3.1 Instruct. Заявленная длина контекста — 131 072 токена. Она предназначена для пошагового решения и объяснения математических задач, а также поддерживает общий чат и следование инструкциям. В карточке указана лицензия llama3.1. Результаты могут содержать ошибки, поэтому вычисления и рассуждения следует проверять.

Qwen-Qwen2-Math-1.5B-Instruct-GGUF — набор GGUF-квантизованных версий модели Qwen/Qwen2-Math-1.5B-Instruct, разработанных и опубликованных Featherless AI Quants. Модель относится к классу text-generation и предназначена прежде всего для решения математических задач и ведения диалога в формате инструкций. В README не указаны точные архитектурные характеристики, поддерживаемые языки, размер контекста и набор модальностей, поэтому подтверждённо описать её можно только как текстовую модель с 1,5 млрд параметров в базовой версии. Доступно 11 вариантов квантизации GGUF: 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. Их размер составляет примерно от 645 МБ до 1,57 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Квантизация делает модель удобнее для локального запуска, однако README не содержит результатов тестирования, поэтому её фактические сильные стороны, точность и влияние отдельных вариантов квантизации оценить нельзя. README не указывает лицензию базовой модели или GGUF-файлов, а также не описывает конкретные системные требования, способы запуска и ограничения применения. Поэтому перед использованием следует отдельно проверить лицензионные условия Qwen/Qwen2-Math-1.5B-Instruct и выбранного файла.

SchemaForge V3 — Distilled MiniCPM5-1B — экспериментальный исследовательский чекпойнт для извлечения структурированных полей и JSON из документов по 12 схемам: счетов, чеков, резюме, договоров, медицинских записей, страховых заявлений и других. Это дообученная модель OpenBMB MiniCPM5-1B, дистиллированная от учителя google/gemma-4-31B; метаданные указывают 837,6 млн параметров, плотную авторегрессионную архитектуру LlamaForCausalLM, формат safetensors и контекст до 131 072 токенов. В карточке описаны эксперименты с последовательностной дистилляцией и гибридным конвейером, где модель дополняет детерминированный предварительный разбор. Чекпойнт показал лучший результат среди четырех итераций V3, но уступает опубликованному как релиз V2-FINAL на сопоставимой оценке. Основной сохраняющийся сбой — пропуск полей; сама модель также заметно слабее в извлечении без гибридного конвейера. Автор прямо рекомендует не применять этот чекпойнт в производстве. Лицензия — Apache-2.0.

abhishekai/slm-500m-legal-dpo — англоязычная плотная Llama-модель на 517,7 млн параметров для ответов на вопросы по предоставленным юридическим и финансовым текстам. Её разработчик дообучил модель abhishekai/slm-500m-legal-sft методом DPO с обратной связью, сгенерированной ИИ (RLAIF); доступны веса в формате safetensors, для работы используется библиотека Transformers. Контекст — 1024 токена. Модель предназначена для диалоговых ответов на grounded-вопросы по исходным материалам. В сравнении с SFT-версией парное предпочтение не показало статистически значимого отличия от паритета; отдельная оценка на 300 запросах дала средний балл 5,08 из 10 и улучшение относительно SFT в рамках этого теста. Рекомендуется использовать только с предоставленным контекстом и жадной генерацией либо низкой температурой. Ограничения включают ненадёжность арифметики, синтетические обучающие данные и отсутствие оснований считать ответы юридической или финансовой консультацией. Метки предпочтений созданы LLM-судьёй и могут наследовать её смещения; широкое бенчмарк-тестирование не проводилось. Лицензия — Apache-2.0.

zephyr-beta-math-Mistral-7B-Instruct-v0.1 — чат-модель MaziyarPanahi, полученная слиянием методом SLERP моделей mistralai/Mistral-7B-Instruct-v0.1 и abhishek/zephyr-beta-math. Она предназначена для генерации ответов на инструкции и диалоговые запросы, с акцентом на математические задачи. Модель построена на архитектуре Mistral с 7,1 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Модель подходит для диалоговых математических задач и общего следования инструкциям. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0.

CentralBankRoBERTa-agent-classifier — модель классификации текста на базе RoBERTa, разработанная Moritz Pfeifer и дообученная для анализа коммуникаций центральных банков. Она определяет, к какому из пяти макроэкономических агентов относится текст: домохозяйствам, компаниям, финансовому сектору, правительству или самому центральному банку. Модель предназначена для категоризации высказываний в сообщениях и публикациях центральных банков. Модель содержит 151,8 млн параметров, принимает текстовые входы с контекстом до 514 токенов и выдаёт метку класса. В карточке заявлены accuracy, F1, precision и recall на уровне 0,93; результат может зависеть от данных и условий применения. Репозиторий использует формат PyTorch и лицензию MIT. README также упоминает отдельный бинарный классификатор тональности, однако метаданные и идентификатор данного репозитория описывают классификатор агентов; наличие классификатора тональности в этом чекпойнте не подтверждено.

Это модель классификации тональности коротких сообщений о финансах, разработанная автором репозитория tooshlegacy на основе дообучения DistilBERT. Она относит финансовый твит к одному из трёх классов: Bearish, Bullish или Neutral. Модель предназначена для анализа неформальных англоязычных твитов с тикерами и cashtag-обозначениями, в том числе как одного из факторов исследовательской системы прогнозирования движения акций. Модель построена на DistilBERT и обучена на наборе zeroshot/twitter-financial-news-sentiment из 11 932 размеченных финансовых твитов. Для собственного валидационного разбиения набора указаны accuracy 0,8807 и macro-F1 0,8464. Контекст составляет 512 токенов; веса доступны в формате safetensors. Лицензия модели — Apache-2.0. Модель рассчитана на исследовательские и образовательные сценарии, а не на принятие торговых решений. Она не предназначена для текстов на других языках, длинных новостных статей или высокорискового применения; сарказм, смешанные сигналы и изменение языковых особенностей финансовых соцсетей могут ухудшать классификацию. Тональность сообщения сама по себе не предсказывает направление цены.

Модель lucaordronneau/finbert-finetuned-FG-SINGLE_SENTENCE-NEWS — дообученная версия ProsusAI/finbert для классификации отдельных предложений из новостных текстов. Она основана на архитектуре BERT и имеет около 136,7 млн параметров; максимальная длина входа — 512 токенов. В README приведены результаты оценки: accuracy 0,6414 и F1 0,6295, но классы и набор данных не описаны. Модель распространяется в формате PyTorch. Условия лицензии в доступных данных не приведены.

TNG Technology Consulting дообучила плотную языковую модель OLMo-2 на 32 млрд параметров на наборе Open R1, уделив особое внимание математическим рассуждениям. Модель предназначена для диалогового решения математических задач и генерации ответов с рассуждениями на английском языке. Она принимает текст и выдаёт текст; архитектура — Olmo2ForCausalLM, длина контекста — 4096 токенов. Для обучения использовался набор Open R1 Math 220k, а обучение проводилось на ускорителях AMD MI300X. Модель распространяется в формате safetensors по лицензии Apache-2.0. Основа — allenai/OLMo-2-0325-32B-Instruct.

unsloth/Qwen2.5-Math-7B-Instruct — инструкционная языковая модель семейства Qwen2.5-Math, представленная Unsloth как дообученная версия Qwen/Qwen2.5-Math-7B-Instruct. Это плотная авторегрессионная модель архитектуры Qwen2ForCausalLM с 7,1 млрд параметров, рассчитанная на генерацию ответов в диалоге; максимальная длина контекста — 4096 токенов. Модель предназначена прежде всего для решения математических задач на английском и китайском языках с пошаговым рассуждением (CoT) и интеграцией инструментов (TIR), полезной для точных вычислений, символьных преобразований и алгоритмических задач. Карточка предупреждает, что семейство не рекомендуется для задач за пределами математики. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Указанная поддержка английского языка в метаданных не отменяет заявленную в карточке модели поддержку китайского; для русского языка целевая поддержка не заявлена.

LedgerBERT — англоязычная доменно-адаптированная модель BERT-base, разработанная Уолтером Эрнандесом Крусом, Питером Дивайном, Нихилом Вадгамой, Паоло Таской и Джиахуа Сю. Модель продолжительно предобучена на базе SciBERT на корпусе DLT-Corpus из научных публикаций, патентов и сообщений в социальных сетях о блокчейне и распределённых реестрах. В карточке указаны 12 слоёв, 12 голов внимания и контекст до 512 токенов; метаданные Hugging Face указывают 137,1 млн параметров. Модель предназначена для извлечения признаков и анализа англоязычных текстов о распределённых реестрах, криптовалютах, смарт-контрактах и механизмах консенсуса. Её можно применять как основу для классификации документов, анализа тональности, распознавания сущностей, поиска и извлечения информации. Архитектура маскированного языкового моделирования также поддерживает заполнение пропусков в тексте. LedgerBERT специализирована на тематике DLT и может уступать универсальным моделям на общих задачах; для анализа длинных документов требуется разбивать текст на фрагменты. Данные из социальных сетей охватывают период до середины 2023 года, поэтому модель может не отражать более поздние термины и события. Лицензия CC-BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Mistral-7B-Ours-SFT — дообученная командой MathGenie языковая модель семейства Mistral для решения математических задач. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров, принимает текст и генерирует текст; карточка указывает поддержку диалогового режима. Контекст составляет до 32 768 токенов, язык карточки — английский. Модель предназначена для решения математических задач в текстовом виде. В оценке на наборе данных указан loss 0,2716, однако карточка не уточняет набор данных, методику оценки или сравнительные результаты. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Англоязычная модель классификации текста на базе DistilBERT, дообученная автором dima806 для обнаружения фишинговых писем. Она предназначена для автоматической проверки содержимого писем и отнесения текста к классам, связанным с фишингом. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и рассчитана на контекст до 512 токенов. Модель опубликована в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0. Карточка README не содержит дополнительных сведений о разметке классов, данных обучения, метриках или способе интеграции, поэтому качество обнаружения и применимость к другим языкам или типам сообщений по ней оценить нельзя.

Qwen2.5-Math-7B-GRPO-Staleness-2 — полноразмерный чекпойнт модели Qwen2.5-Math-7B, дообученный автором zbeeb методом GRPO на наборе из 17 005 математических задач. Модель построена на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров; она предназначена для генерации решений и ответов на математические задачи в диалоговом формате. Обучение завершено на шаге 1000 с ограничением возраста политик для роллаутов в два шага. Контекст составляет 4096 токенов, а предел генерации при обучении — 3072 токена. Оценивание вознаграждало математическую эквивалентность итогового ответа. Модель поддерживает английский и китайский языки; веса доступны в Safetensors, лицензия — Apache-2.0.

Arithmo-Mistral-7B — языковая модель на 7,1 млрд параметров, разработанная Ashvini Kumar Jindal и Ankur Parikh для решения математических задач. Это плотная авторегрессионная модель семейства Mistral, дообученная с помощью QLoRA на базе mistralai/Mistral-7B-v0.1. Модель использует текстовый ввод и генерирует текстовые решения на английском языке в формате цепочки рассуждений либо Python-код, который можно выполнить для получения ответа. Размер контекста — 32 768 токенов. Модель предназначена для решения математических задач, в том числе в сценариях, оцениваемых наборами GSM8K и MATH. Авторы сообщают о результатах на этих бенчмарках и отмечают, что выпущенная позднее Arithmo2-Mistral-7B показывает улучшения относительно этой версии. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Сгенерированный Python-код требует проверки перед выполнением; более поздняя версия Arithmo2 рекомендуется авторами вместо этой модели.

ClokCEM (Customer Executive Model) — языковая модель, разработанная для поддержки клиентов. По README, модель обучена с нуля на 21 подборке данных о клиентской поддержке; метаданные указывают 351,1 млн параметров и лицензию Apache-2.0. Это авторегрессионный трансформер с архитектурой GQA, SwiGLU, RMSNorm и RoPE, доступный в формате Safetensors и рассчитанный на контекст до 1 024 токенов. Модель предназначена для генерации ответов в диалогах с клиентами, классификации намерений по 27 категориям и оценки качества ответа. README также описывает модуль, который выдаёт оценку числа шагов рассуждения и уверенности в качестве ответа. Подходит для сценариев автоматизации службы поддержки и обработки многоходовых диалогов. README сообщает о преимущественной ориентации на английский язык и частичной поддержке индийских языков. К ограничениям относятся короткий контекст, неоднозначность классификации пересекающихся намерений и возможность генерации недостоверных сведений; для неанглоязычного применения могут потребоваться дополнительные обучение и проверка. Условия использования — лицензия Apache-2.0.

Модель aamoshdahal/email-phishing-distilbert-finetuned — англоязычный классификатор писем на базе DistilBERT, дообученный aamoshdahal для определения фишинговых и легитимных сообщений. Она принимает текст письма и возвращает метку класса; архитектура рассчитана на быстрый вывод, а для анализа решений заявлена поддержка токеновых объяснений через transformers-interpret. Модель предназначена для проверки писем в почтовых клиентах и шлюзах, дополнительной фильтрации в средствах безопасности, обучения распознаванию фишинга и исследований атак с изменённым текстом. Контекст ограничен 512 токенами. В README приведены результаты оценки, однако качество на новых письмах и других источниках данных может отличаться; классификатор не заменяет комплексную проверку угроз. Лицензия в предоставленных данных не указана.

Адаптивный классификатор электронной почты, созданный на базе answerdotai/ModernBERT-base. Он предназначен для распределения писем по четырём классам: легитимные, фишинговые, спам и подозрительные. Модель поддерживает непрерывное обучение с добавлением классов и обновлением прототипов по мере поступления примеров. В карточке указаны 20 обучающих примеров — по пять на класс — и размерность эмбеддингов 768. Модель принимает текст и выдаёт метку класса. Распространяется по лицензии Apache-2.0. Качество классификации ограничено малым числом примеров: для каждого класса требуется не менее трёх примеров, а максимальное число составляет 150. Прототипы обновляются каждые десять примеров.

Карточка модели meta-math/MetaMath-13B-V1.0 на Hugging Face совпадает с карточкой meta-math/MetaMath-7B-V1.0, поэтому описание составлено по ней. MetaMath-7B-V1.0 — языковая модель семейства LLaMA, разработанная авторами MetaMath и дообученная для решения математических задач. Она обучена на MetaMathQA — дополненных тренировочных данных GSM8K и MATH; README указывает, что тестовые наборы при создании этих данных не использовались. В карточке также описана версия MetaMath-Llemma-7B на базе Llemma-7B, но связь этого чекпойнта с указанной базовой моделью не подтверждена метаданными. Модель предназначена для генерации ответов и рассуждений при решении задач по математике, включая задачи в стиле GSM8K и MATH. Это плотная архитектура LlamaForCausalLM с 6,6 млрд параметров, контекстом 4096 токенов и форматом PyTorch. Лицензия указана как llama2. README приводит результат Pass@1 30,0 на MATH для версии на базе Llemma-7B; этот показатель нельзя уверенно приписать именно репозиторию MetaMath-7B-V1.0.

OPDLM-MATH-8B — основанная на Qwen/Qwen3-8B языковая модель от divelab, дополнительно обученная методом on-policy distillation для математических рассуждений. Это базовый вариант без отдельного thinking-блока цепочки рассуждений; модель использует архитектуру block diffusion с блоками по 4 токена и четырьмя шагами денойзинга на блок. Модель предназначена для генерации текста при решении математических задач. В карточке указаны контекст 40 960 токенов и лицензия Apache-2.0; README описывает математическое дообучение на коротком контексте 2k. Для запуска требуется пользовательский код модели и проектные средства инференса с параметрами block_size=4 и denoising_steps_per_block=4; стандартный авторегрессионный model.generate не подходит.

Regulatory Alert Triage — Qwen3-4B v1 — это экспериментальная модель Comply2Reg для первичной сортировки публикаций британских регуляторов. Она дообучена методом LoRA на базе mlx-community/Qwen3-4B-Instruct-2507-4bit; веса адаптера объединены с базовой моделью и выпущены в 4-битном формате safetensors. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и контекст до 262 144 токенов. Для работы на Apple Silicon применяется библиотека MLX. На вход подаётся текст публикации, на выходе модель формирует JSON-запись с классом документа, приоритетом, предполагаемыми ответственными функциями и сведениями об обязательствах и сроках. Она предназначена для предварительной сортировки входящего потока и передачи материалов командам по регуляторным изменениям; результат рассчитан на проверку специалистом, а не на автоматическое исполнение. Обучение охватывает открытые источники Великобритании, но это первый рабочий выпуск, а не готовый продукт. Качество ограничено: macro-F1 составляет 0,244, многие классы почти не распознаются, а оценка основана на метках, созданных другой моделью. Уверенность не калибрована; за пределами обучающего распределения модель может выдавать правдоподобный JSON с ошибочными полями. Она не предназначена для юридических или комплаенс-решений, не проверена для нерегуляторов Великобритании и публикаций до 2022 года; материалы FCA и PRA исключены из обучения. Дообучение также снизило результаты на общем тесте понимания договоров. Лицензия — Apache-2.0.

SLM-125M-Siva — компактная языковая модель на 125,8 млн параметров, разработанная sivakaturi48 и обученная на юридических и финансовых текстах. Это декодерный трансформер архитектуры LLaMA с 12 слоями, размером скрытого представления 768, 12 головами внимания и связанными эмбеддингами. Модель использует BPE-словарь из 16 384 токенов, SwiGLU и позиционные эмбеддинги RoPE; контекст составляет 1024 токена. Модель предназначена для генерации текста на основе англоязычных материалов, прежде всего судебных решений США и раскрытий компаний для SEC, дополненных качественными веб-текстами. Её можно применять для экспериментов с генерацией юридического и финансового текста; в карточке также упомянуто развёртывание API через Modal. Модель ограничена коротким контекстом и небольшим размером, поэтому её возможности в сложном анализе документов могут быть ограничены. Она распространяется по лицензии Apache-2.0.

spotproject разработала и публикует эту модель как часть NLP-анализатора платформы SPOT для выявления потенциально фишинговых писем. Это дообученная модель DistilBERT для бинарной классификации: она присваивает тексту метку «обычное письмо» или «фишинг» и выдаёт вероятности двух классов. Модель содержит около 67 млн параметров; классификационная версия DistilBERT имеет 6 слоёв, размер скрытого представления 768 и 12 голов внимания. Для токенизации используется WordPiece, максимальная длина входа — 512 токенов. Лицензия — Apache-2.0. Основной сценарий — оценка англоязычных тел писем: тему и текст письма можно объединить перед подачей модели. В SPOT её результат участвует в общем вердикте вместе с правилами, контекстными данными и, при необходимости, анализаторами на базе LLM; авторы не рекомендуют полагаться только на отдельное предсказание классификатора. Модель дообучена на SetFit/enron_spam, где положительная метка объединяет спам, маркетинговые письма и фишинг. Данные обучения отражают преимущественно деловую переписку Enron начала 2000-х годов, поэтому качество на современных атаках, потребительских сообщениях и неанглийских письмах может быть ниже. Модель анализирует текст и не гарантирует обнаружение атак, представленных только изображениями, QR-кодами или другими нетекстовыми элементами; переиначивание текста и Unicode-обфускация также могут изменить результат. Вероятность класса «фишинг» не следует трактовать как откалиброванную оценку именно фишинга.

Arithmo2-Mistral-7B — англоязычная языковая модель для математических рассуждений, разработанная Ashvini Kumar Jindal. Это финальная объединённая версия дообученной с помощью QLoRA модели на базе mistralai/Mistral-7B-v0.1; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — 32 768 токенов. Модель предназначена для решения математических задач с пошаговым объяснением (CoT) или генерацией Python-программы для вычисления ответа (PoT). В README сообщается об улучшении результатов относительно первой версии Arithmo-Mistral-7B на GSM8K и MATH. Модель принимает текстовые вопросы и генерирует текст с рассуждением или программой; для PoT выполнение программы происходит отдельно во время инференса. Модель распространяется по лицензии MIT. Она специализирована на математических задачах и обучена на английском языке; качество на других языках и за пределами математических сценариев не описано.

Модель Divyanshu Chauhan — дообученная версия BERT для бинарной классификации текста электронных писем на легитимные и фишинговые. Она основана на google-bert/bert-base-uncased, содержит 136,7 млн параметров и использует архитектуру BertForSequenceClassification; модель принимает текст и возвращает класс письма. Заявленная область применения — фильтрация фишинговых писем, защита электронной почты, учебные демонстрации и исследования в кибербезопасности. Модель рассчитана только на английский язык. В README указана максимальная длина обработки 256 токенов с усечением более длинных писем; метаданные указывают родной контекст в 512 токенов. Анализируются только текст тела письма, без заголовков и других метаданных. Автор сообщает о высоких показателях на отложенной выборке, однако результаты не гарантируют точность на других данных. Возможны ложные срабатывания и пропуск фишинговых писем, поэтому результат следует проверять человеком. Лицензия — Apache-2.0.

nguyentd/FinancialAdvice-Qwen2.5-7B — языковая модель Qwen2 с плотной архитектурой Qwen2ForCausalLM и 7,1 млрд параметров, дообученная разработчиком nguyentd на вопросах и популярных ответах из сообщества Reddit r/AskEconomics. Она предназначена для генерации ответов на вопросы об экономике и личных финансах, объяснения экономических принципов и событий, а также помощи в разборе экономических обсуждений. Модель принимает текст и выдаёт текст; карточка указывает английский язык. Контекст составляет до 32 768 токенов. Модель подходит для информационных консультаций по макроэкономике, микроэкономике, инвестициям, личным финансам и связанным с экономикой карьерным вопросам. Она может воспроизводить предвзятости и субъективные мнения источника обучения, ошибаться и хуже справляться с узкоспециализированными темами. Её ответы не заменяют консультацию квалифицированного финансового специалиста, а сведения следует проверять. Весы доступны по лицензии Apache-2.0.

IndoSmish IndicBERT ONNX — классификатор SMS на основе IndicBERT, дообученный для распознавания трёх классов: обычных сообщений, спама и smishing-сообщений с мошенническими ссылками или попытками выманить данные. Модель рассчитана на смешанный текст на малаялам, хинди и английском языках, включая латинскую, письменность малаялам и деванагари. Модель использует архитектуру ALBERT для классификации последовательностей, содержит 266,8 млн параметров и обрабатывает до 512 токенов. Экспорт в ONNX и поддержка transformers.js позволяют запускать классификацию в браузере. Лицензия — MIT.

ModalityDance/latent-tts-colar — дообученная модель семейства LLaMA для рассуждений с использованием непрерывных латентных представлений. Она основана на LLaMA 3.2 1B Instruct, содержит модуль LatentHead и предназначена для генерации текста с латентным этапом рассуждения; в карточке указаны оценки на GSM8K, GSM8K Hard и MultiArith. Модель имеет плотную архитектуру ColarLlama, около 1,2 млрд параметров и контекст до 131 072 токенов. Поддерживает чат и описанный в README формат входа со специальными латентными токенами; для управления генерацией предусмотрены длина латентной последовательности и выбор между Monte Carlo Dropout и добавлением гауссовского шума. Модель может применяться для решения арифметических и математических задач, требующих многошагового рассуждения. README рекомендует вычисления в bfloat16 или float16; для запуска нужны совместимые Transformers и дополнительная реализация CoLaR. Лицензия репозитория — MIT; базовая модель Meta Llama 3.2 1B Instruct также может иметь собственные условия использования, которые следует учитывать отдельно.