IV.2Банки, платежи и инвестиции

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.

Xwin-Math-13B-V1.0 — языковая модель для решения математических задач, разработанная командой Xwin. Это модель с архитектурой LLaMA-2 и примерно 12,9 млрд параметров, дообученная методом supervised fine-tuning для математики. Она принимает текстовые задачи и генерирует текстовые решения; в карточке приведены результаты на GSM8K и MATH, включая 76,2% pass@1 на GSM8K и 21,7% на MATH по используемой авторами гибкой оценке. Модель подходит для решения школьных и олимпиадных задач, арифметических текстовых задач и пошагового объяснения математических рассуждений. Контекст модели составляет 4096 токенов. README указывает лицензию Llama 2; применение должно соответствовать её условиям. Приведённые показатели зависят от метода оценки и могут отличаться в других средах.

Rajith014/bert-phishing-detector — модель классификации текста электронной почты и сообщений, дообученная разработчиком на bert-base-uncased. Она относит текст к одному из двух классов: «легитимное сообщение» или «фишинг». Модель реализована на Transformers с архитектурой BERT для классификации последовательностей; содержит 136,7 млн параметров, принимает до 512 токенов по метаданным, хотя при обучении максимальная длина была 256 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для изучения обнаружения фишинга и использования как базовый компонент более крупной системы безопасности электронной почты. В README указана оценка на отложенной выборке из 8 207 писем: accuracy 99,48%, precision 99,56% и recall 99,44%; автор предупреждает, что на реальной почте качество может быть ниже из-за сдвига распределения. Обучение проводилось преимущественно на английских данных, а качество для других языков не проверено. Лицензия — MIT. Модель не рекомендуется использовать как самостоятельный шлюз безопасности: она может ошибочно помечать легитимные письма, особенно современные, короткие или маркетинговые. Для практического применения следует проверять качество на собственных данных и учитывать дополнительные сигналы, например репутацию URL и аутентификацию отправителя; решения с последствиями требуют проверки человеком.

EnvRoBERTa-environmental — модель на архитектуре RoBERTa, разработанная авторами исследования о применении NLP для анализа коммуникаций в сфере ESG. Она дообучена на наборе из 2 тысяч экологических текстов для классификации текстовых образцов и выявления материалов экологической тематики в ESG-коммуникациях. Модель содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов; заявленный язык — английский. Модель подходит для отбора экологических текстов при анализе ESG-коммуникаций и для крупномасштабной классификации таких материалов. В карточке рекомендуется более компактная EnvironmentalBERT-environmental: она быстрее и требует меньше ресурсов, при этом её качество лишь немного ниже. Модель распространяется по лицензии Apache-2.0.

HyperCLOVA X SEED Think-14B SFT 71568-3000 — дообученная методом SFT модель на базе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B, подготовленная автором репозитория. Это плотная причинная языковая модель с 14,1 млрд параметров для генерации текста и диалогов; она принимает текст и выдаёт текст. Модель рассчитана прежде всего на корейские задачи числового MRC: вычисления и ответы на вопросы по экономическим и спортивным данным. Для дообучения использованы 3 000 проверенных текстовых примеров AI Hub 71568 с ответом в начале и кратким обоснованием. Применялся LoRA, затем адаптер объединили с базовой моделью; опубликованы веса BF16 в формате Safetensors. Контекстная длина модели — до 131 072 токенов, хотя обучение проводилось с последовательностями до 4 096 токенов. В README указано, что официальные результаты бенчмарков не приводятся, поэтому качество требует отдельной оценки. Лицензия обозначена как other; конкретные условия использования следует проверять в карточке модели и у правообладателя базовой модели.

NEXUS-Legal — специализированная разговорная языковая модель для юридического анализа и проверки договоров, разработанная FableForge как часть семейства NEXUS. Это плотная причинная модель семейства Qwen2 на 1,5 млрд параметров, основанная на Qwen/Qwen2.5-1.5B-Instruct и дообученная для юридических задач. Она принимает текст и генерирует текст; заявленный контекст составляет 32 768 токенов, модель поддерживает английский язык и использует библиотеку Transformers. Модель предназначена для анализа юридических вопросов и текста договоров в диалоговом формате. В README приведены результаты внутренней оценки на 30 запросах по нескольким категориям; эти результаты не являются независимой проверкой качества. Отмечены также варианты GGUF-квантизации, опубликованные отдельно. Модель распространяется под лицензией Apache-2.0.

Qwen2-Math-1.5B-Instruct — специализированная языковая модель для математики, разработанная командой Qwen как часть семейства Qwen2. Это диалоговая инструкция-ориентированная модель с плотной архитектурой Qwen2ForCausalLM и 1,5 млрд параметров; она принимает текст и генерирует текстовые ответы. Модель рассчитана на решение арифметических и математических задач, включая задачи, требующие многошаговых рассуждений. В карточке отмечена поддержка английского языка; на момент публикации китайская версия ещё готовилась. Контекст модели составляет 4096 токенов. Модель подходит для диалога с пользователем и для получения решений математических задач в формате инструкций. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Карточка отмечает, что для работы с Transformers требуется версия не ниже 4.40.0. Количество параметров и контекст ограничивают сложность задач и объём текста, который можно обработать за один запрос.

Qwen3-0.6B-Math-Expert — плотная авторегрессионная языковая модель, полученная полным дообучением Qwen3-0.6B разработчиком проекта. Дообучение выполнено в формате bf16 на датасете OpenMathReasoning-mini для улучшения решения математических задач и рассуждений. Модель принимает текст и генерирует текст; карточка указывает контекст до 40 960 токенов и поддержку английского языка. Модель предназначена для диалогового решения математических задач с выводом промежуточных рассуждений и итогового ответа. Компактный размер около 507,9 млн параметров позволяет использовать её в сценариях, где важны небольшие требования к ресурсам. Доступна на условиях Apache-2.0.

Skywork-13B-Math — языковая модель семейства Skywork, разработанная командой Skywork и дообученная для решения математических задач. Это плотная авторегрессионная модель на 13,6 млрд параметров для генерации текста; она принимает текстовые запросы и формирует текстовые ответы с решениями и объяснениями. В карточке заявлены сильные результаты на GSM8K, MATH и CMATH, включая первое место среди моделей масштаба 13B на GSM8K и CMATH. Модель подходит для решения школьных математических задач и задач на рассуждение, а также для экспериментов и приложений, которым требуется генерация математических ответов. Указанная длина контекста — 131072 токена. В README приведены примеры запуска на PyTorch; веса представлены в формате PyTorch. Карточка не уточняет языковое покрытие и лицензию обозначает как other. Разработчики просят не использовать модель для незаконных действий и не разворачивать в интернет-сервисах без надлежащей проверки безопасности.

Xwin-Math-70B-V1.0 — языковая модель команды Xwin-LM для решения математических задач. Это модель с архитектурой LLaMA-2, дообученная методом supervised fine-tuning на математических примерах; в метаданных указано 68,7 млрд параметров, контекст — 4096 токенов, формат весов — PyTorch. Модель принимает текстовые задачи и генерирует текстовые решения.

AceMath-1.5B-Instruct — языковая модель NVIDIA для решения математических задач на английском языке. Это плотная авторегрессионная модель семейства Qwen2, содержащая 1,5 млрд параметров и принимающая текстовые запросы в формате диалога. Она обучена на основе Qwen2.5-Math-1.5B-Base в несколько этапов: сначала на общих данных для следования инструкциям, затем на специализированных математических данных; при решении задач использует рассуждения Chain-of-Thought. Длина контекста — 4096 токенов. Модель предназначена прежде всего для решения математических задач, включая пошаговый разбор решения. Разработчик рекомендует использовать её именно для математики, а для кода и общих знаний — модели семейства AceInstruct. В README приведены сравнительные результаты семейства AceMath, но конкретные показатели для версии 1.5B не указаны. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Wengwengwhale/llama-3.1-8B-Instruct-finance-analyst — дообученная диалоговая модель на архитектуре Llama 3.1 с 7,5 млрд параметров, основанная на unsloth/Meta-Llama-3.1-8B-Instruct. В карточке указано, что обучение проводилось с Unsloth и библиотекой Hugging Face TRL; формат весов — Safetensors, лицензия — Apache-2.0. Модель предназначена для генерации текста и диалогов. Название указывает на финансовую аналитику, однако README не описывает специальные финансовые навыки, обучающие данные или проверенные сценарии, поэтому пригодность для конкретных финансовых задач не подтверждена. Она поддерживает английский язык и контекст до 131 072 токенов; каталог также отмечает интерфейс вызова инструментов.

modrill обучил эту плотную языковую модель методом полного SFT на базе Qwen3-4B-Base для решения математических задач. Модель обучалась на 75 649 примерах датасета math_nothink_strip в течение двух эпох; в эксперименте из запросов удалены блоки рассуждений, а шаблон qwen3_nothink рассчитан на ответы без таких блоков. Размер модели — 3,7 млрд параметров, контекст — до 32 768 токенов. Она генерирует текст и предназначена прежде всего для математических запросов. Репозиторий использует формат safetensors и лицензию Apache-2.0.

Microsoft Rho-Math-7B-v0.1 — языковая модель для математических задач, построенная на архитектуре Mistral и обученная методом Selective Language Modeling (SLM). В отличие от обучения на всех токенах, SLM избирательно учитывает чистые и полезные токены. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации решений математических задач и рассуждений по ним. В карточке сообщается о результатах few-shot оценки на наборах GSM8K и MATH; отдельная версия Interpreter предназначена для решения задач с интеграцией инструментов, но это не данная модель. Основной язык карточки — английский. Модель распространяется в формате Safetensors по лицензии MIT.

Theia-Llama-3.1-8B-v1.1 — языковая модель Chainbase Labs, дообученная на базе Llama 3.1 8B для ответов на вопросы о криптовалютах и блокчейн-проектах. Обучающие данные включают материалы о 2000 крупнейших проектах по капитализации, в том числе whitepaper, официальные публикации, новости и исследовательские отчёты; в README также описано применение LoRA и D-DoRA. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. Она работает в формате чата Llama 3.1 и поддерживает интерфейс вызова инструментов. Модель предназначена для объяснения фундаментальных характеристик криптопроектов, обобщения сведений об их развитии и ответов на профильные вопросы. В README приведено сравнение первой версии модели с другими системами на внутреннем бенчмарке понимания и генерации в криптодомене; эти результаты не подтверждают точность ответов на актуальные рыночные данные. В метаданных указана лицензия llama3.1. Модель может воспроизводить ошибки или устаревшие сведения и не заменяет проверку первоисточников.

Customer-Support-Clown-7b — объединённая текстовая генеративная модель, созданная с помощью mergekit. В неё вошли CorticalStack/pastiche-crown-clown-7b-dare-dpo и mistralai/Mistral-7B-v0.1+predibase/customer_support; для объединения использован метод SLERP. Архитектура — плотная MistralForCausalLM семейства Mistral, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста в сценариях клиентской поддержки, унаследованных от одной из объединённых моделей. Она принимает текст и выдаёт текст. Карточка не сообщает о поддерживаемых естественных языках или результатах оценки качества. Распространяется по лицензии Apache-2.0.

kyungeun/gemma-2-9b-it-mathinstruct — чат-модель на архитектуре Gemma 2, созданная дообучением google/gemma-2-9b-it на наборе MathInstruct. Она предназначена для генерации ответов на математические запросы и решения задач в диалоговом формате. Модель содержит 9 млрд параметров, принимает текст и поддерживает контекст длиной до 8192 токенов. В метаданных указан английский язык и библиотека Transformers. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о поддерживаемых разделах математики, поэтому качество решения конкретных классов задач по этим данным определить нельзя.

Mistral-Hermes-Support-Ties — объединённая модель на архитектуре Mistral, созданная с помощью mergekit методом TIES на основе Mistral-7B-Instruct-v0.2, модели для поддержки клиентов и Nous-Hermes-2-Mistral-7B-DPO. Она предназначена для генерации текста в диалогах и ответов на запросы службы поддержки. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. В конфигурации слияния указана точность float16. Модель рассчитана на сценарии, где нужны ответы клиентам и общение по инструкциям. Карточка указывает лицензию Apache-2.0. Конкретные языки и результаты оценки качества в доступных данных не описаны.

Qwen2-Math-1.5B-Instruct-IMat-GGUF — это квантизированная GGUF-версия языковой модели Qwen/Qwen2-Math-1.5B-Instruct, разработанной командой Qwen. Квантизацию выполнил legraphista с использованием llama.cpp и калибровочных IMatrix-данных. Модель предназначена для генерации текста в диалоговом формате, прежде всего для решения математических задач и связанных с ними сценариев на английском языке. Модель имеет около 1,5 млрд параметров, относится к семейству Qwen2 и поддерживает текстовую модальность. Доступны варианты от BF16 и F16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и ряда IQ-квантизаций; для многих вариантов применена IMatrix-квантизация. Размер файлов варьируется примерно от 676 МБ до 3,09 ГБ, что позволяет запускать модель на устройствах с ограниченными ресурсами через совместимые инструменты, включая llama.cpp. Основные преимущества — компактность, широкий выбор уровней квантизации и наличие вариантов, оптимизированных с помощью IMatrix для сохранения качества при уменьшении размера. Ограничения включают небольшой размер модели по современным меркам, поддержку только английского языка согласно карточке и возможное снижение качества на сильных уровнях квантизации. Сведения о размере контекста и точных архитектурных параметрах в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

mergekit-community/Qwen2-Math-2B-Instruct — языковая модель для диалогового решения математических задач, созданная сообществом с помощью mergekit из Qwen/Qwen2-Math-1.5B-Instruct. Это плотная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и примерно 1,9 млрд параметров. Слияние выполнено методом passthrough: в итоговую модель включены диапазоны слоёв базовой модели с отдельными настройками для некоторых проекций. Модель предназначена для генерации текстовых ответов в диалоге, прежде всего при решении арифметических и математических задач на английском языке. Она принимает текст и выдаёт текст; максимальный native context составляет 4096 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на библиотеку Transformers. Лицензия в предоставленных данных не указана.

rasdani/qwen2-math-7b-step-dpo — дообученная модель семейства Qwen2, созданная на основе Qwen/Qwen2-Math-7B-Instruct. Она предназначена для генерации ответов на математические и арифметические задачи, в том числе в диалоговом формате. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 4096 токенов. Для дообучения использован набор xinlai/Math-Step-DPO-10K. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или подробных ограничений, поэтому точность решения задач не установлена.

Qwen3-1.7B-SFT — языковая модель на архитектуре Qwen3, созданная полным контролируемым дообучением Qwen/Qwen3-1.7B-Base. Её обучали на наборе OpenThought3-Qwen3-4B, чтобы улучшить выполнение инструкций и рассуждения в математических задачах; модель связана с исследованием о дистилляции больших языковых моделей и предназначалась для этапа холодного старта на ответах учителя. Модель содержит 1,7 млрд параметров, принимает текст и генерирует текст, поддерживает диалоговый режим. Контекстное окно по метаданным составляет 32 768 токенов. В обучении режим пошагового «мышления» был отключён; данные включали математические запросы с ответами Qwen3-4B в обычном режиме. В карточке указана лицензия other, поэтому условия использования следует уточнить в репозитории модели.

ClaraPind/business-news-generator — компактная языковая модель Clara Pind для генерации текста, дообученная на базе HuggingFaceTB/SmolLM2-135M. Модель использует плотную архитектуру семейства Llama, содержит 134,5 млн параметров и принимает контекст длиной до 8192 токенов. По названию репозитория модель предназначена для генерации деловых новостей. Карточка сообщает о результате Loss 2,8687 на оценочной выборке, но не раскрывает обучающий набор данных, подробности сценариев применения или ограничения. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Anshrajsingh/customer_support_model — модель классификации текста на базе DistilBERT, дообученная для задач поддержки клиентов. Она принимает текст и относит его к классам; конкретные метки и сценарии классификации не описаны. Модель использует архитектуру DistilBertForSequenceClassification, хранится в формате safetensors и рассчитана на контекст до 512 токенов. В README приведены метрики на оценочном наборе: loss 0,0004, accuracy 0,9999 и F1 0,9999, но датасет и методика оценки не указаны, поэтому эти результаты трудно интерпретировать. Лицензия — Apache-2.0.

LeerooDedicated-Math-7b — специализированная на математике модель Leeroo на базе Mistral с плотной архитектурой и 7,1 млрд параметров. В README описан подход Orchestration of Experts: оркестратор оценивает, может ли базовая модель решить задачу, и передаёт генерацию базовой модели-эксперту, если задача ей по силам. Для более сложных вопросов модель выдаёт специальный токен, сигнализирующий о необходимости обратиться к GPT-4 или другой сильной LLM; для получения полного ответа можно подключить OpenAI API. Модель предназначена для генерации решений математических задач. В оценке GSM8K, приведённой в README, она достигла точности 84,77% в режиме 5-shot, используя GPT-4 примерно для половины вопросов; это результат сценария с привлечением внешней модели, а не автономной работы одного чекпойнта. Размер родительского контекстного окна — 32 768 токенов. Веса опубликованы в формате safetensors. README не сообщает лицензию, поэтому условия использования по доступным данным определить нельзя.

peiyi9979/math-shepherd-mistral-7b-rl — языковая модель Mistral-7B, дообученная peiyi9979 методом PPO на математических задачах MetaMath с использованием Math-Shepherd в качестве модели вознаграждения. Она принимает условие задачи без системного промпта и генерирует пошаговое решение со специальным маркером шага. В карточке приведены результаты Pass@1: 84,1 на GSM8K и 33,0 на MATH. Модель содержит 7,1 млрд параметров, использует архитектуру LlamaForCausalLM и формат PyTorch; длина контекста — 4096 токенов. Предназначена для решения текстовых математических задач и объяснения хода решения. Для запуска в обычном режиме следует учитывать, что автор рекомендует подавать только условие задачи, без системного промпта. Лицензия в предоставленных данных не указана.

WizardMath-7B-V1.0 — языковая модель семейства Llama, разработанная командой WizardLM для решения математических задач и рассуждений. Это плотная авторегрессионная модель с 6,6 млрд параметров, предназначенная для генерации ответов по инструкции; в README описан метод обучения Reinforced Evol-Instruct (RLEIF). Модель подходит для решения задач по математике и пошагового объяснения решений. В README приведены результаты на GSM8k и MATH, а для работы указаны стандартный и CoT-шаблоны запросов. Контекст составляет 2048 токенов. Модель принимает текст и генерирует текст. Репозиторий содержит веса PyTorch; лицензия — Llama 2 License. README рекомендует использовать предусмотренные системные промпты и предупреждает, что точность квантованных версий не гарантируется.

ealvaradob опубликовал модель BERT для классификации URL в задаче обнаружения фишинговых ссылок. Карточка предупреждает, что это не финальная дообученная модель для обнаружения фишинга, а модель для оценки эффективности BERT на примерах URL. Она рассчитана на входной текст и выдаёт метку класса; архитектура — BertForSequenceClassification, размер — 433,9 млн параметров, контекст — до 512 токенов. В README приведены результаты оценки: accuracy 0,976815, precision 0,985979, recall 0,964295 и AUC 0,996684. Модель может служить экспериментальной отправной точкой для классификации URL и проверки подходов к обнаружению фишинговых ссылок. Использование разрешено по лицензии Apache-2.0. README отдельно предостерегает, что это не финальная модель, поэтому её результаты не следует считать подтверждением надёжности при практической фильтрации ссылок.

MergeBench/Llama-3.2-3B_math — текстовая авторегрессионная языковая модель семейства Llama, опубликованная командой MergeBench для генерации текста с акцентом на математические задачи. Это один из специализированных чекпойнтов, созданных на основе Llama-3.2-3B в рамках набора моделей MergeBench, предназначенного для изучения слияния моделей, дообученных для разных задач. Веса объёмом 3,2 млрд параметров представлены в формате Safetensors и совместимы с Transformers; заявленный контекст составляет 131 072 токена. Модель подходит для генерации решений и объяснений математических задач, а также для текстового дополнения в соответствующих сценариях. Она принимает и выдаёт текст; доступные сведения не устанавливают список поддерживаемых языков. Ключевое ограничение: специализация на математике не гарантирует точность вычислений или решений, а описание репозитория не приводит оценок качества именно этого чекпойнта и условий лицензии.

modrill/math-nothink-omi-qwen3-4b — плотная языковая модель семейства Qwen3, дообученная разработчиком методом полного SFT на базе Qwen/Qwen3-4B-Base. Она предназначена для генерации ответов на математические задачи с кратким ходом рассуждений без специальных блоков «thinking». Обучение проведено на 49 909 примерах из OpenMathInstruct-2; использовались два эпоха обучения и шаблон qwen3_nothink. Модель содержит 3,7 млрд параметров, работает с текстом и имеет контекст до 32 768 токенов. Она подходит для решения и объяснения математических задач в диалоговом формате. В метаданных указана лицензия Apache-2.0. Карточка не приводит результатов оценки качества, поэтому точность на конкретных типах задач не установлена.