IV.2Банки, платежи и инвестиции

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная разработчиком bnkc123 на базе BAAI/bge-base-en-v1.5 на наборе пар запросов и релевантных ответов по финансовым документам. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения текстов и извлечения финансовых сведений в RAG-системах. Архитектура основана на BERT: модель использует CLS-пулинг и нормализацию векторов; заявленная длина последовательности — до 512 токенов. Matryoshka-обучение позволяет усекать векторы до 512, 256, 128 или 64 измерений с сохранением полезности для поиска. В README приведены результаты поиска на нескольких размерностях, включая cosine accuracy@5 0,8686 для 768 измерений и 0,82 для 64. Модель рассчитана на английские тексты и финансовый контекст; качество за пределами этой области отдельно не подтверждено. Лицензия — Apache-2.0.

Chuangmail/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная на 6 300 парах вопросов и ответов о компаниях и финансовой отчётности на базе BAAI/bge-base-en-v1.5. Она использует BERT и преобразует текстовые фрагменты в плотные эмбеддинги для семантического поиска, сравнения предложений и извлечения информации из финансовых документов. Модель выдаёт векторы размерностью до 768 и поддерживает Matryoshka-размеры 512, 256, 128 и 64; для сравнения применяется косинусное сходство. Максимальная длина последовательности — 512 токенов. Лицензия — Apache-2.0. В карточке приведены результаты оценки поиска на нескольких размерностях, но они относятся к указанным наборам данных и не гарантируют аналогичного качества на других корпусах.

KSAIA разработала эту англоязычную модель Sentence Transformer, дообученную на базе BAAI/bge-base-en-v1.5 на 6 300 парах текстов финансовой тематики. Архитектура основана на BERT: модель преобразует предложения и абзацы в нормализованные плотные векторы размерностью до 768, а близость текстов измеряется косинусным сходством. Модель предназначена для семантического поиска и сравнения финансовых текстов, а также может применяться для поиска перефразировок, кластеризации и классификации. Matryoshka-обучение позволяет использовать сокращённые представления размерностью 512, 256, 128 или 64; контекст ограничен 512 токенами. Лицензия — Apache-2.0.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-base-en-v1.5 для получения плотных текстовых эмбеддингов. Она кодирует предложения и абзацы в векторы размерностью 768 и подходит для семантического поиска по финансовым текстам, сравнения предложений, поиска перефразировок, кластеризации и классификации текста. Модель построена на BERT с пуллингом CLS-токена и нормализацией выходного вектора; для сравнения используется косинусное сходство. Обучение с MatryoshkaLoss позволяет использовать сокращённые представления размерностью 512, 256, 128 или 64. Максимальная длина входа — 512 токенов. В карточке приведены результаты оценки информационного поиска на нескольких размерностях; результаты относятся к указанным в карточке наборам данных. Модель рассчитана на английский язык и финансовые тексты. Распространяется по лицензии Apache-2.0.

Модель nickmuchi/deberta-v3-base-finetuned-finance-text-classification — дообученная nickmuchi на базе microsoft/deberta-v3-base модель DeBERTa-v3 для классификации тональности финансовых новостей. Она относит текст к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель обучалась на наборе Financial PhraseBank с разметкой 50% согласия и Kaggle-данных, содержащих финансовые новости, в том числе о COVID-19. Модель предназначена для анализа тональности новостных предложений и текстов о финансовых рынках. В README указаны точность 0,8913 и F1 0,8912 на оценочной выборке. Архитектура DeBERTa-v2 для классификации последовательностей содержит 211,6 млн параметров и поддерживает контекст до 512 токенов. Доступны веса PyTorch и Safetensors; лицензия — MIT.

QuantFactory/finance-Llama3-8B-GGUF — квантованная версия модели finance-Llama3-8B, разработанной командой instruction-pretrain на базе Llama 3 8B и преобразованной с использованием llama.cpp. Модель создана в рамках подхода Instruction Pre-Training, при котором исходные корпуса дополняются синтетическими парами инструкций и ответов для улучшения обучения языковых моделей. Модель предназначена для генерации текста и решения задач финансовой предметной области: анализа финансовых документов, извлечения сведений, ответов на вопросы по контексту и выполнения инструкций на основе финансовых данных. Указан английский язык. Это текстовая авторегрессионная модель размером около 8 млрд параметров; поддерживаемые модальности ограничены текстом. Максимальная длина контекста и конкретный тип квантования в README не указаны. К сильным сторонам относятся специализация на финансовых сценариях и обучение с использованием instruction-response данных, что может улучшать выполнение прикладных инструкций и понимание финансовых текстов. Ограничения включают зависимость качества от точности исходного контекста, отсутствие гарантии корректности финансовых выводов и недостаток сведений о формате квантования, требованиях к ресурсам и предельной длине контекста. Лицензия указана как llama3.

Finance Sentiment ZH (fast) — модель компании bards.ai для классификации тональности китайских финансовых новостей. Она дообучена на основе sentence-transformers/distiluse-base-multilingual-cased-v1 на китайском переводе набора Financial PhraseBank за 10 эпох и относит текст к одному из трёх классов: положительному, отрицательному или нейтральному. Архитектура — DistilBERT для классификации последовательностей; модель принимает текст с контекстом до 512 токенов и выдаёт метку тональности. В README указаны macro F1 0,953, precision 0,959 и recall 0,949 на проведённой авторами оценке. Модель распространяется по лицензии Apache-2.0.

FinancialBERT-Sentiment-Analysis — модель на архитектуре BERT, разработанная для анализа тональности финансовых текстов. Она предварительно обучена на большом корпусе финансовых материалов, а затем дообучена для классификации тональности на наборе Financial PhraseBank из 4 840 финансовых новостей. Модель содержит 137 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку тональности: отрицательную, нейтральную или положительную. Модель предназначена для анализа финансовых новостей и других коротких финансовых текстов, например для выявления настроений в новостных потоках. В отчёте README приведены метрики precision, recall и F1 на тестовой выборке; автор сообщает о результатах лучше, чем у общего BERT и других моделей финансовой тематики. Поддерживаемый язык — английский. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

Financial RoBERTa-Large Macro Sentiment — англоязычная модель классификации тональности, разработанная на основе soleimanian/financial-roberta-large-sentiment и предназначенная для финансовых, макроэкономических и климатических текстов. Это дообученная RoBERTa-Large с классификационной головой на три класса: отрицательная, нейтральная и положительная тональность. Модель содержит 454,1 млн параметров по метаданным и принимает последовательности длиной до 514 токенов по нативному контексту; при дообучении использовалось усечение до 128 токенов. Модель подходит для анализа сообщений центральных банков, денежно-кредитной политики, инфляции, финансовых новостей и текстов ESG. В README заявлены результаты 91,3% точности и 90,2% macro-F1 на тестовом наборе и 94,1% точности на финансовых текстах PhraseBank вне обучающей выборки. Она может применяться отдельно или как макроэкономический компонент ансамбля с тематической маршрутизацией. Ограничения: модель обучена для английского языка, обрабатывает каждый текст независимо и не учитывает временной или сущностный контекст. Длинные документы следует разбивать на фрагменты; по README, повышенные требования к памяти и задержка делают её менее подходящей для устройств с ограниченными ресурсами. Лицензия — Apache-2.0.

Sigma/financial-sentiment-analysis — модель классификации тональности финансовых текстов, разработанная на основе FinancialBERT и дообученная на наборе данных financial_phrasebank. Она предназначена для определения тональности финансовых фраз и новостных сообщений; в README для оценочной выборки приведены accuracy и F1 по 0,9924. Модель построена на архитектуре BERT, содержит 137 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель подойдёт для автоматической разметки тональности финансовых текстов в аналитических и исследовательских конвейерах. Результаты оценки относятся к указанной выборке и не гарантируют такое же качество на других источниках, языках или типах финансовых текстов. Лицензия в предоставленных данных не указана.

FinDeBERTa — модель на базе DeBERTa-v3-Large, дообученная для многометочной классификации финансовых новостных заголовков. Она относит текст к одному или нескольким из 18 типов событий, включая дивиденды, занятость, слияния и поглощения, финансовую отчётность, юридические события и изменения стоимости ценных бумаг. Модель имеет 533,8 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и поддерживает контекст до 512 токенов. При обучении применялись Focal Loss и подбор порогов отдельно для каждого класса. В README указаны Macro F1 0,692 и Micro F1 0,691; результаты различаются по категориям событий. Модель предназначена для автоматической разметки коротких финансовых новостей и может использоваться для мониторинга событий и сортировки публикаций по типам. Она оптимизирована для заголовков финансовых новостей и может хуже работать на длинных текстах и в других предметных областях; редкие классы распознаются менее надёжно. Лицензия — MIT.

FinMA-7B-full — финансовая языковая модель, разработанная командой проекта PIXIU. Это LLaMA-модель, дообученная следовать инструкциям на полном наборе инструкционных данных PIXIU, включая задачи обработки естественного языка и прогнозирования в финансовой сфере. Модель предназначена для генерации ответов и анализа финансовых текстов в прикладных сценариях. Модель может применяться для классификации новостных заголовков и тональности, распознавания финансовых сущностей, ответов на вопросы и выполнения других финансовых NLP- и прогнозных задач через текстовые инструкции. В метаданных указаны английский язык, библиотека Transformers и формат PyTorch; лицензия — MIT. README не сообщает размер базовой модели, длину контекста или количественные оценки качества.

FinMA-7B-NLP — языковая модель для финансовой сферы, разработанная в рамках проекта PIXIU. Это плотная LLaMA-модель с 6,6 млрд параметров, дообученная следовать инструкциям на NLP-задачах из набора PIXIU. Модель предназначена для анализа тональности, классификации финансовых новостных заголовков, распознавания именованных сущностей и ответов на вопросы по финансовым темам. Модель принимает текст и генерирует текст. Карточка указывает английский язык, а метаданные — контекст длиной 2048 токенов и библиотеку Transformers. Веса опубликованы в формате PyTorch по лицензии MIT. Карточка описывает обучение на NLP-части PIXIU; более широкий набор задач представлен в других моделях проекта.

FinMA-7B-NLP — языковая модель для финансовой сферы, разработанная в рамках проекта PIXIU. Это модель семейства LLaMA с 7 млрд параметров, дообученная на инструкционных NLP-данных PIXIU; репозиторий содержит веса PyTorch и SafeTensors и рассчитан на работу через Transformers. Модель предназначена для анализа финансовых текстов и выполнения инструкций на английском языке. Модель подходит для анализа тональности финансовых текстов, классификации новостных заголовков, распознавания именованных сущностей и ответов на вопросы по финансовым материалам. Она ориентирована на текстовый ввод и генерацию текста. Лицензия репозитория — MIT. Карточка не сообщает длину контекста и конкретные ограничения качества; результаты следует проверять в целевом финансовом сценарии.

sujet-ai/Fin-ModernBERT-RAG-embed-base — англоязычная модель Sentence Transformers, дообученная Sujet AI на финансовом наборе данных Sujet-Financial-RAG-EN-Dataset. Она кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и сравнения текстов, включая поиск финансовых фрагментов по вопросам. Архитектура основана на ModernBERT с mean pooling и нормализацией векторов; модель содержит 149 млн параметров и поддерживает контекст до 8192 токенов. Для сравнения векторов предусмотрена косинусная близость. Модель подходит для поиска и ранжирования подходящих финансовых отрывков, поиска перефразировок, кластеризации и классификации текста. В README приведены результаты оценки информационного поиска, в том числе cosine_accuracy@1 0,3813 и @5 0,7124. Обучение проводилось на 104 601 паре текстов; результаты оценки зависят от данных и сценария применения. Лицензия в предоставленных сведениях не указана.

FinTurkBERT Sentiment — модель для классификации тональности коротких финансовых текстов на турецком языке с точки зрения инвестора. Она разработана на основе турецкой BERT-модели: базовую модель дополнительно обучали на турецких финансовых текстах, затем применили task-adaptive pretraining и дообучили на турецкой версии Financial PhraseBank для распознавания трёх классов: негативного, нейтрального и позитивного. Архитектура — BERT для классификации последовательностей, размер — 137,8 млн параметров, контекст — до 512 токенов. Модель предназначена для анализа финансовых новостей, корпоративных объявлений, деловых публикаций для инвесторов и комментариев о рынке. Она оценивает, подразумевает ли предложение негативное, нейтральное или позитивное влияние на стоимость для инвестора, и намеренно осторожно присваивает позитивные и негативные метки. В описанной конфигурации на валидации достигнуты accuracy 87,01% и macro-F1 0,8564. Модель лучше подходит для коротких финансовых фрагментов, чем для длинных документов. Она может недооценивать слабо выраженные позитивные сигналы; качество может снижаться на неформальных, спекулятивных и нефинансовых текстах. Распространяется по лицензии Apache 2.0.

FLANG-ELECTRA — предварительно обученная языковая модель семейства ELECTRA, разработанная SALT-NLP для финансовых текстов. Модель получила дополнительное обучение в финансовой области с приоритетным маскированием финансовых терминов и выражений, чтобы формировать более подходящие для этой области представления текста. В репозитории указана архитектура ElectraForPreTraining, размер — 433,9 млн параметров, формат весов — PyTorch, максимальная длина контекста — 512 токенов. Модель предназначена как основа для финансовых языковых задач, включая анализ тональности, классификацию новостных заголовков, ответы на вопросы и распознавание именованных сущностей. Она также включена в контекст бенчмарка FLUE для оценки понимания финансового языка. В README заявлено улучшение представлений благодаря доменным знаниям и словарю, однако конкретные численные результаты для этой модели не приведены. Модель работает с английским языком. Условия лицензии в предоставленных данных не описаны.

nri-ai/gpt-oss-20b-Ja-Fin-Thinking — языковая модель NRI AI для рассуждений и диалогов по финансовым задачам, дообученная методом supervised fine-tuning на базе nri-ai/gpt-oss-20b-Ja-Fin-CPT. Модель построена на архитектуре GPT-OSS с MoE и предназначена прежде всего для финансовых вопросов на японском языке; также поддерживает английский. В метаданных указаны 1,6 млрд параметров и контекст 131 072 токена. Модель генерирует текстовые ответы с явными цепочками рассуждений. Сценарии применения включают ответы на финансовые вопросы, анализ и краткое изложение финансовых документов, расчёты и многошаговые диалоги на финансовые темы. В README сообщается об улучшении результатов на японских финансовых бенчмарках относительно официальной instruction-tuned модели gpt-oss-20b. Модель специализирована на японском финансовом домене; качество в других областях может быть ниже. Синтетические обучающие данные могут приводить к галлюцинациям, а результаты требуют проверки и не должны заменять профессиональную финансовую консультацию. Лицензия — Apache-2.0.

Llama-FinSent-S — компактная языковая модель семейства Llama, разработанная для классификации тональности финансовых новостей и отчётов. Она дообучена на FinGPT/fingpt-sentiment-train на основе прореженной модели LLaMA-3.2-1B; в слоях MLP удалено 40% нейронов, а LoRA-адаптер после обучения объединён с базовыми весами. Модель содержит 913,7 млн параметров, работает с текстом и поддерживает контекст до 131 072 токенов. Модель предназначена для определения тональности финансового текста в трёх- или семикатегорийной схеме. Компактный размер и прореживание рассчитаны на снижение требований к памяти и вычислениям, включая развёртывание на устройствах с ограниченными ресурсами. В метаданных указана библиотека Transformers и лицензия Llama 3.2. Модель специализирована на финансовых текстах, поэтому её результаты на обычных текстах могут быть хуже. На предсказания могут влиять смещения обучающих данных; для оптимальной скорости вывода README рекомендует GPU.

Marsilia-Embeddings-EN-Base — англоязычная модель эмбеддингов, разработанная Sujet AI для поиска и извлечения финансовой информации. Это Sentence Transformer на архитектуре BERT, дообученный на парах «вопрос — контекст» из набора sujet-ai/Sujet-Financial-RAG-EN-Dataset. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и выдаёт векторы размерности 768; сходство оценивается косинусной мерой. Модель предназначена для построения семантического поиска, кластеризации и систем RAG на английских финансовых текстах. В карточке сообщается, что на тестовой части обучающего набора её оценивали с помощью InformationRetrievalEvaluator и что она превзошла некоторые закрытые модели эмбеддингов; эти результаты относятся к описанному финансовому сценарию. Распространяется по лицензии MIT.

Mistral-7B-Mortgage-Loans — диалоговая модель Bitext, дообученная на базе mistralai/Mistral-7B-Instruct-v0.2 для вопросов об ипотеке и кредитах. Она предназначена для финансовых организаций, ипотечных брокеров и кредиторов и может использоваться в системах поддержки клиентов для объяснения условий кредита, вариантов ипотеки, платежей, подачи заявок и рефинансирования. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. В обучающем наборе описаны 39 тематических намерений с примерами по ипотеке и кредитам. Репозиторий распространяется под лицензией Apache-2.0. Модель специализирована на финансовых вопросах об ипотеке и кредитовании и может хуже отвечать за пределами этой области; ответы могут отражать смещения обучающих данных. Её рекомендации следует проверять с учётом обстоятельств клиента и применимых финансовых требований.

Modern-FinBERT-large — англоязычная модель классификации финансовых текстов, созданная beethogedeon на базе answerdotai/ModernBERT-large и дообученная для анализа тональности. Она присваивает тексту вероятности трёх классов: положительная, отрицательная и нейтральная тональность. Модель содержит около 394,7 млн параметров, использует архитектуру ModernBERT и принимает контекст длиной до 8192 токенов. Модель предназначена для классификации новостей, финансовых сообщений и других текстов об экономике и рынках. Её можно использовать через Transformers для анализа тональности; при дообучении применялся датасет Financial PhraseBank. Модель распространяется по лицензии Apache-2.0. README называет её предварительно обученной, однако метаданные указывают на дообучение базовой ModernBERT-large.

Regulatory Financial Matryoshka — англоязычная модель Sentence Transformer, дообученная разработчиком на базе BAAI/bge-base-en-v1.5 на 2 432 примерах финансовой и регуляторной тематики. Она кодирует предложения и абзацы в плотные текстовые векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства и ранжирования текстов, например вопросов и фрагментов нормативной документации. Для сравнения векторов используется косинусное сходство; архитектура включает BERT, пулинг по CLS-токену и нормализацию. Matryoshka-обучение позволяет получать укороченные представления размерностью 512, 256, 128 и 64. Максимальная длина входа — 512 токенов. Модель подходит для поиска и сопоставления англоязычных материалов по финансовой отчётности, банковскому регулированию и управлению рисками. В README приведены метрики поиска на обучающем наборе, но они не гарантируют качество на других коллекциях; обучающий набор описан как json. Модель распространяется по лицензии Apache-2.0.

RiskEmbed — дообученная модель эмбеддингов для поиска материалов по управлению финансовыми рисками. Она создана на основе Snowflake Arctic Embed M и использует архитектуру BERT; модель представлена как sentence-transformers и преобразует предложения и абзацы в плотные векторы размерностью 768. Контекст ограничен 512 токенами. Модель предназначена для извлечения релевантных документов по запросам на естественном языке, в том числе для поиска и RAG-сценариев в области управления рисками. В README сообщается о результате HR@5 88% на использованной авторами оценке и сравнении с несколькими моделями эмбеддингов; эти показатели относятся к описанному тестированию и сами по себе не гарантируют аналогичного качества на других данных. Для извлечения векторов README рекомендует использовать CLS-токен и добавлять к запросу специальный префикс. Модель принимает текст и выдаёт векторы. README описывает её как специализированную для финансовых рисков, но не уточняет языковой охват и лицензию; сведений о лицензии в предоставленных метаданных также нет.

Это англоязычная Sentence Transformer модель на базе thomaskim1130/stella_en_1.5B_v5-FinanceRAG, дообученная для финансового поиска и задач RAG. Модель построена на архитектуре Qwen2, содержит 1,5 млрд параметров и преобразует предложения и абзацы в плотные векторы размерности 1024; сходство между ними оценивается косинусной мерой. Модель предназначена для семантического поиска по финансовым текстам, поиска похожих фрагментов и сопоставления запросов с документами. Также её можно применять для сравнения предложений, кластеризации и классификации текста. В карточке указана максимальная длина последовательности 512 токенов; метаданные каталога указывают базовый контекст 131072 токена, но в описании Sentence Transformers ограничение модели составляет 512 токенов. Данных о лицензии в предоставленных источниках нет.

saturday-labs разработала Turkish Banking Agent 1.5B — плотную языковую модель на архитектуре Qwen2, дообученную с помощью LoRA на базе Qwen/Qwen2.5-1.5B-Instruct и объединённую с базовой моделью. Она предназначена для диалогов на турецком языке в банковских сценариях: переводит запрос пользователя в вызовы одного или нескольких инструментов с аргументами, запрашивает недостающие сведения и после получения результата инструмента формулирует ответ по-турецки. Модель также умеет запрашивать подтверждение перед потенциально разрушительными действиями, например переводом средств или блокировкой карты, и воздерживаться от ненужного вызова инструмента. Модель содержит 1,5 млрд параметров, принимает текст и выдаёт текст, включая структурированные вызовы инструментов. В README указано обучение с контекстом 4096 токенов; метаданные каталога сообщают нативный контекст 32768 токенов. Модель опубликована по лицензии Apache-2.0. В тесте на 598 примерах авторы сообщают точность выбора решения о вызове инструмента 96,3%, точность названия инструмента 87,9% и F1 ключей аргументов 88,7%.

BatuhanECB подготовил VibeThinker-3B Finance-Reader SFT — дообученную и сжатую модель на 3 млрд параметров для чтения финансовых текстов и преобразования их в структурированные JSON-данные. Она принимает отдельные новости, фрагменты документов SEC, отчётности и регуляторных сообщений и извлекает смысл текста до того, как известен исход события: тип и значимость сообщения, его связь с рынком и подразумеваемое направление. Модель предназначена для массовой обработки финансовых документов в конвейерах анализа настроений и формирования признаков для последующих систем и панелей мониторинга. Модель дообучена на данных, дистиллированных от модели-учителя размером 35 млрд параметров, на базе WeOpenML/VibeThinker-3B. Репозиторий содержит исходные веса bf16 и варианты GGUF разных уровней квантования; заявлены запуск на потребительском GPU и CPU, а также выдача JSON по заданной схеме без направляемого декодирования. В метаданных указан английский язык. Лицензия в предоставленных сведениях не указана. По оценке авторов, модель близко воспроизводит способность учителя интерпретировать финансовые тексты, но не предназначена для предсказания доходности или торговых сигналов: на тесте доходности её результаты были на уровне случайного угадывания. На длинных документах качество снижается; для уменьшения усечения авторы рекомендуют контекст 8192 токена. Качество также ограничено метками модели-учителя; часть вариантов квантования, включая FP8, GPTQ-4bit и некоторые варианты ниже Q3 без imatrix, по данным README работает некорректно.

XuanYuan2-70B-Chat — Duxiaoman-DI выпустила эту чат-модель на архитектуре LLaMA с 68,8 млрд параметров. Она создана на базе XuanYuan-70B: модель продолжительно обучали на дополнительных высококачественных данных, затем дообучили на инструкциях и с помощью RLHF. Вариант Chat предназначен для диалога и выполнения пользовательских инструкций общего и финансового характера. Модель поддерживает контекст до 16 384 токенов и рассчитана на работу с текстом. В карточке отмечено улучшение китайских возможностей при сохранении английских; отдельный акцент сделан на финансовых знаниях. Для запуска доступны веса safetensors, а в семействе также существуют отдельные 8- и 4-битные версии Chat. Модель подходит для диалоговых помощников, ответов на финансовые вопросы и анализа длинных текстовых запросов. Оценки на наборах CEVAL, CMMLU и FinanceIQ показывают сильные результаты, но авторы предупреждают, что тестовые показатели не полностью отражают качество в реальных сценариях; также отмечены просадки в отдельных финансовых категориях. Лицензия — Llama 2 Community License; перед использованием следует учитывать её условия.

sriram04/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная автором на 6 300 парах текстов финансовой тематики на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и информационного поиска по финансовым материалам. Модель построена на BERT с CLS-пулингом и нормализацией векторов; для сравнения используется косинусное сходство. Matryoshka-обучение позволяет использовать укороченные представления размерностью 512, 256, 128 или 64, с некоторым снижением качества поиска. Максимальная длина входа — 512 токенов. По карточке, на приведённых тестах InformationRetrievalEvaluator точность cosine_accuracy@5 составляет 0,86 для 768 измерений и 0,8157 для 64; результаты относятся к указанным в карточке наборам оценки. Модель подходит для поиска связанных финансовых фрагментов, группировки документов и подготовки эмбеддингов для последующей классификации. Она работает с английским текстом; качество на иных языках не заявлено. Распространяется по лицензии Apache-2.0.

binomial-marks-1 — компактная специализированная модель Binomial AI Research для анализа стенограмм корпоративных финансовых звонков. Она принимает текст на английском языке и сведения о стране, секторе, тикере и квартале, а за один проход формирует 23 числовых сигнала: оценки направления по десяти темам, включая прогнозы, рост выручки и маржу, а также оценки уверенности руководства, его уклончивости и скептицизма аналитиков. Архитектура модели обозначена как MarksMultiHead; контекст составляет 16 384 токена. Модель предназначена для количественного анализа финансовых звонков: её сигналы можно использовать как признаки в факторных моделях, фильтрах отбора компаний и триггерах событийных исследований. По данным карточки, обучение проводилось на более чем 80 000 стенограмм, а оценки модели сопоставлялись с ответами крупных языковых моделей. Инференс детерминированный и может выполняться локально; заявлена лицензия Apache 2.0. Ограничения: модель обучена преимущественно на английских стенограммах, а для переводных неанглоязычных звонков качество снижается. Оценки тональности лучше использовать для сравнения и нормализации между компаниями, а не как абсолютные пороги; тексты длиннее 16 384 токенов усекаются. Это NLP-оценщик, а не модель прогнозирования доходности или торговых рекомендаций.