IV.2Банки, платежи и инвестиции

BusinessBERT — англоязычная модель на основе двунаправленного энкодера BERT, разработанная для NLP-задач в бизнес-сфере. Она предварительно обучена на корпусах деловой коммуникации общим объёмом 2,23 млрд токенов: годовой отчётности компаний, содержимом корпоративных сайтов и научной литературе. Помимо masked language modeling, при обучении использовалась классификация отрасли документа. Модель содержит 135,8 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch по лицензии CC BY 4.0. BusinessBERT предназначена для дообучения на классификации текстов, распознавании именованных сущностей, анализе тональности и ответах на вопросы о бизнес-документах. В карточке приведены результаты оценки на финансовых и деловых наборах данных для этих задач. Метаданные Hugging Face указывают pipeline-задачу fill-mask; модель также можно применять для заполнения маскированных токенов. Для прикладных задач из README может потребоваться дообучение.

DISC-FinLLM — специализированная финансовая языковая модель, разработанная и открытая лабораторией Data Intelligence and Social Computing Университета Фудань (Fudan-DISC). Она основана на Baichuan-13B-Chat и дообучена с помощью LoRA на наборе DISC-Fin-SFT примерно из 250 тысяч инструкций. В метаданных указаны архитектура Baichuan с причинной языковой моделью, размер 12,9 млрд параметров и формат PyTorch; лицензия — Apache-2.0. Модель предназначена для диалоговых финансовых консультаций на китайском языке, анализа финансовых текстов, расчётов и ответов на вопросы по финансовым знаниям. Она может извлекать информацию, определять тональность и классифицировать тексты, объяснять финансовые понятия, рассчитывать ставки и темпы роста, выполнять статистические расчёты и применять модели Black-Scholes и EDF. Модуль вопросов и ответов использует сведения из финансовых новостей, аналитических отчётов и нормативных документов для анализа событий и разъяснения политики. Модель ориентирована на финансовый контекст Китая и может помогать с широким кругом финансовых задач. Авторы предупреждают, что результаты следует использовать только как справочную информацию: модель может ошибаться и не заменяет профессиональных финансовых аналитиков и экспертов. В README отмечено, что опубликованные веса могут отличаться от версии демонстрационного сервиса.

KOlCi выпустил модель distilbert-financial-sentiment — дообученную для классификации тональности финансовых текстов версию DistilBERT. Она основана на distilbert/distilbert-base-uncased и использует архитектуру DistilBertForSequenceClassification. Модель принимает текст и относит его к классам тональности; карточка сообщает точность 0,8535 и значение loss 0,4849 на оценочном наборе, но не уточняет состав классов и набор данных. Модель подходит для автоматической разметки тональности финансовых новостей, комментариев и других текстов. Она работает с контекстом до 512 токенов, использует библиотеку Transformers и распространяется по лицензии Apache-2.0. Англоязычная базовая модель указывает на английский язык, однако отдельное описание языков в карточке отсутствует.

DocShield-9B — мультимодальная модель для криминалистического анализа документов и выявления подделок, разработанная vankey. Она принимает изображение документа и формирует текстовый отчёт с заключением об аутентичности, оценкой риска мошенничества, координатами подозрительных областей и объяснением по каждому признаку. Модель дообучена на Qwen3.5-VL-9B на наборах RealText-V1 и RealText-V2; архитектура — Qwen3_5ForConditionalGeneration, веса представлены в safetensors и имеют точность bfloat16. DocShield-9B анализирует визуальные следы редактирования, включая замазывание, несоответствия шрифтов и сглаживания, ореолы по краям, артефакты копирования и вставки и различия сжатия. Она также проверяет смысловую и логическую согласованность сведений, например цены, количества, дат и характеристик товара. Карточка указывает поддержку китайского и английского языков; лимит контекста не приведён. Для запуска нужны базовая модель Qwen3.5-VL-9B и окружение Transformers. Лицензия — Apache-2.0.

Finance Sentiment ES (base) — модель bards.ai для определения тональности испаноязычных финансовых новостей. Она основана на BERT-модели BETO dccuchile/bert-base-spanish-wwm-cased и дообучена на испанском переводе датасета Financial PhraseBank. Модель относит текст к одному из трёх классов: положительный, отрицательный или нейтральный. Модель предназначена для классификации новостей и других финансовых текстов на испанском языке. В карточке указаны macro F1 0,973, macro precision 0,974 и macro recall 0,972; параметры оценки описаны для тестирования на RTX 3090. Это BERT-классификатор объёмом 137,1 млн параметров с контекстом до 512 токенов, доступный в форматах PyTorch и Safetensors и совместимый с Transformers. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

FinBERT Macro Sentiment — англоязычная модель классификации тональности, разработанная на основе ProsusAI/finbert и дообученная на финансовых, макроэкономических и климатических текстах. Это BERT-base с головой классификации последовательностей; в метаданных указано 136,7 млн параметров, а карточка модели сообщает о дообучении на 20 034 примерах из пяти наборов данных. Модель относит текст к положительной, отрицательной или нейтральной тональности и предназначена для анализа финансовых новостей, публикаций в соцсетях, аудиторских материалов, финансовых вопросов и ответов, а также климатических и ESG-раскрытий. В тесте на объединённой выборке карточка указывает accuracy 0,897 и macro F1 0,881; на отдельном наборе заголовков фондовых новостей показатели ниже. Модель обрабатывает каждый текст независимо и не учитывает временной или сущностный контекст. README сообщает об ограничении при обучении в 128 токенов, тогда как метаданные указывают native context 512 токенов; длинные документы следует разбивать на фрагменты. Поддерживается английский язык. Лицензия — Apache-2.0.

Это дообученная модель Sentence Transformer на базе Alibaba-NLP/gte-Qwen2-1.5B-instruct, опубликованная пользователем mata5764. Она преобразует предложения и абзацы в плотные векторы размерностью 1536 для сравнения текстов по косинусному сходству, семантического поиска, поиска перефразирований, кластеризации и классификации. Модель использует архитектуру Qwen2 с пулингом по последнему токену и нормализацией; метаданные указывают 1,5 млрд параметров и контекст до 131 072 токенов, а README заявляет максимальную длину последовательности 32 768 токенов. Обучение проводилось на 60 995 парах предложений с MultipleNegativesRankingLoss. Примеры данных относятся к сопоставлению канонических и разговорных названий финансовых инструментов, поэтому модель может быть полезна для поиска вариантов написания таких названий. Выход модели — эмбеддинги; метаданные называют её многоязычной, но конкретные языки не перечислены. Лицензия в предоставленных сведениях не указана.

Это модель Sentence Transformers, дообученная автором репозитория на базе hiieu/halong_embedding для получения векторных представлений предложений и абзацев. В основе лежит XLM-RoBERTa; модель содержит 305,2 млн параметров, использует mean pooling и нормализацию и формирует эмбеддинги размерностью 768. Для сравнения текстов применяется косинусное сходство; матрёшечное обучение позволяет использовать укороченные представления размерностью 512, 256, 128 и 64. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. В README приведены результаты оценки поиска по датасету dim_768 и вариантам меньшей размерности; обучение проводилось на 10 200 парах текстов. Максимальная длина последовательности по README — 512 токенов, метаданные указывают контекст 514 токенов. Примеры обучающих данных и название модели указывают на финансовую специализацию, но README не описывает её границы подробно. Лицензия в предоставленных данных не указана.

toastloaf/LFM2.5-2.6B-Finance — чат-модель на 2,6 млрд параметров для финансовых рассуждений и анализа рынков. Это дообученная с помощью QLoRA модель LiquidAI/LFM2.5-2.6B с архитектурой Liquid Transformer 2.5: декодерная языковая модель с гибридными свёрточными блоками и полным вниманием. После обучения адаптеры объединены с весами и модель экспортирована в fp16; репозиторий содержит веса safetensors. Заявленная длина контекста — 131 072 токена. Модель предназначена для ответов на вопросы о финансовых рынках, инструментах и корпоративных финансах, анализа данных из отчётности и earnings calls, а также сценарных рассуждений о ценных бумагах и макроэкономике. Она принимает диалоговые текстовые запросы и генерирует ответы на английском языке; обучение преимущественно велось на английских финансовых данных. По карточке, обучение использовало 10 496 примеров из публичных финансовых наборов данных без синтетических данных. К небольшому размеру модели относятся ограничения в открытых рассуждениях и точности численных ответов по таблицам; калибровка правдивости немного снизилась относительно базовой модели. Ответы могут быть ошибочными, неполными или устаревшими, а модель может отказаться от персональных рекомендаций по инвестициям. Разработчик указывает, что модель не является финансовой консультацией; результаты следует проверять по первичным источникам. Лицензия обозначена на Hugging Face как other, конкретные условия в предоставленных данных не раскрыты.

Qwen2.5-0.5B Financial Domain Adapted LLM — языковая модель Durga для генерации и продолжения финансовых текстов. Это дообученная версия Qwen2.5-0.5B с архитектурой Qwen2ForCausalLM и 493,7 млн параметров; модель и адаптированный токенизатор доступны в формате Safetensors для Transformers. Для финансовой терминологии расширен Byte-Level BPE словарь: в него добавлены специальные токены для тикеров, метрик и валютных пар. Контекст — до 32 768 токенов. Модель предназначена для работы с финансовыми документами, включая отчётность SEC, стенограммы квартальных звонков и аналитические отчёты, а также для генерации и дополнения профильного текста. В карточке указано обучение с помощью TRL SFTTrainer и PEFT/LoRA на Apple Silicon; базовой моделью служит Qwen/Qwen2.5-0.5B. Поддерживаемый язык — английский. Лицензия Apache 2.0. Узкая специализация модели — финансовый текст; для широких открытых диалогов она подходит хуже универсальных чат-моделей. Числовые выводы и результаты, используемые для нормативного соответствия, необходимо проверять; модель не предназначена для самостоятельных инвестиционных решений, официального аудита или обязательных финансовых рекомендаций.

DMetaSoul разработала компактную модель эмбеддингов для сопоставления вопросов в финансовой сфере. Это дистиллированная версия более крупной модели на базе BERT: вместо 12 слоёв в ней 4, а размер составляет около 54 млн параметров по метаданным. Модель кодирует текст в векторы, которые можно сравнивать для поиска семантически похожих вопросов, например о процентах по займу, досрочном погашении или неудачной операции с кредитом. Модель предназначена для семантического поиска и сопоставления финансовых запросов на китайском языке. Контекст ограничен 512 токенами. В описанном авторами сравнении с моделью-учителем задержка снизилась примерно на 47%, а средняя точность уменьшилась примерно на 4,8 процентного пункта; результаты приведены для конкретных наборов данных и условий испытания. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Модель transaction-categorizer разработана Fahad Kamraan и представляет собой дообученный DistilBERT для классификации текстовых описаний банковских операций по 17 категориям расходов и поступлений: среди них продукты, рестораны, транспорт, аренда, коммунальные услуги, комиссии, доходы и переводы. Модель содержит 66 млн параметров, использует архитектуру DistilBertForSequenceClassification и принимает текст длиной до 64 токенов; базовая модель имеет контекстное окно 512 токенов. Она обучена на описаниях операций из американских банковских выписок и поддерживает английский язык. Модель подходит для автоматической категоризации транзакций в приложениях личных финансов, банковских выписках и аналитических конвейерах. В README указана точность 99,88% на тестовой выборке из 4 298 примеров, однако результат относится к данным того же набора и не гарантирует аналогичного качества на других форматах. Выход — одна из 17 заданных категорий; неизвестные типы операций будут отнесены к ближайшей доступной категории. Репозиторий распространяется по лицензии MIT.

moctarsmal/bank-transactions-statements-classification — модель классификации текстовых описаний банковских транзакций и выписок, дообученная разработчиком на основе flaubert/flaubert_small_cased. Она использует архитектуру FlauBERT для классификации последовательностей и принимает текст длиной до 512 токенов. В README приведены результаты оценки: accuracy 0,7683, macro F1 0,7945 и weighted F1 0,7635. Модель предназначена для присвоения категорий банковским операциям по тексту, например, для автоматической разметки транзакций и выписок. Базовая модель компактная и ориентирована на французский язык; категориями и другими сценариями применения README не делится. Модель распространяется по лицензии MIT.

korruz/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная автором korruz на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она преобразует предложения и абзацы в плотные векторы для семантического поиска и сравнения текстов; также подходит для кластеризации, поиска перефразирований и классификации текстов. Модель построена на BERT с пулингом CLS-токена и нормализацией выходного вектора. Размер эмбеддинга — 768 измерений, максимальная длина входа — 512 токенов; сходство можно оценивать косинусной мерой. Matryoshka-обучение позволяет использовать сокращённые векторы размером 512, 256, 128 или 64 измерения с некоторым снижением качества поиска. В карточке приведены результаты оценки информационного поиска на наборах данных dim_768, dim_512, dim_256, dim_128 и dim_64. Модель предназначена прежде всего для английских финансовых текстов, включая поиск по финансовым документам и сопоставление вопросов с фрагментами документов. Лицензия — Apache-2.0. Контекст ограничен 512 токенами; данные оценки и обучения в карточке описаны лишь частично, поэтому приведённые метрики не гарантируют качество на других корпусах.

phamkinhquoc2002/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она построена на BERT и преобразует предложения и абзацы в нормализованные плотные векторы размерностью 768; сходство текстов можно оценивать по косинусному сходству. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 512, 256, 128 или 64 для компромисса между размером вектора и качеством поиска. Модель подходит для семантического поиска и ранжирования финансовых текстов, сравнения предложений, поиска перефразировок, кластеризации и подготовки эмбеддингов для классификации или RAG. Максимальная длина входа — 512 токенов. В README приведены результаты поиска на нескольких размерностях, однако набор данных и контекст оценки описаны ограниченно, поэтому эти метрики не гарантируют качество на других финансовых корпусах. Использование требует лицензии и условий базовой модели BAAI/bge-base-en-v1.5; отдельная лицензия в предоставленных данных не указана.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она преобразует предложения и абзацы в плотные нормализованные векторы размерностью до 768 и подходит для семантического поиска, сравнения текстов и поиска релевантных фрагментов в финансовых документах. Для сравнения векторов используется косинусное сходство. Модель построена на BERT с пулингом CLS-токена и поддерживает Matryoshka-представления размерностью 768, 512, 256, 128 или 64, что позволяет выбирать баланс между компактностью эмбеддингов и качеством поиска. Максимальная длина входной последовательности — 512 токенов. В карточке приведены результаты оценки поиска по нескольким размерностям и обучающая выборка из 6 300 пар запросов и релевантных текстов. Модель рассчитана на английский язык и распространяется по лицензии Apache-2.0. Она создаёт эмбеддинги, а не готовые ответы; вход длиннее 512 токенов требует предварительного разбиения. Результаты оценки относятся к указанным в карточке наборам данных и не гарантируют такое же качество на других финансовых корпусах.

haophancs/bge-m3-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-m3 для сравнения предложений и поиска по финансовым текстам. Она преобразует предложения и абзацы в нормализованные плотные векторы для вычисления косинусного сходства; архитектура включает XLM-RoBERTa, пулинг по CLS-токену и нормализацию. Размер модели — 658,7 млн параметров, максимальная длина последовательности — 8192 токена. Обучение на 6300 парах запросов и релевантных фрагментов использует MatryoshkaLoss и поддерживает векторы размерности 1024, 768, 512 и 384. Модель подходит для семантического поиска финансовых сведений, оценки сходства и перефразирования, кластеризации и классификации текста. В README приведены метрики поиска по нескольким размерностям векторов, однако название и примеры датасета указывают на финансовое назначение, а результаты нельзя автоматически переносить на другие наборы данных или языки. Указана лицензия Apache-2.0.

BLUM Finance 4B — специализированная языковая модель для финансовых рассуждений, разработанная Italianhype на основе Qwen/Qwen3-4B. Она анализирует предоставленные данные, актуальные на заданный момент, и формирует сбалансированные бычьи и медвежьи сценарии, риски, условия пересмотра вывода, мониторинга и воздержания от ответа. Модель предназначена для инвестиционных исследований и анализа рисков, а не для прогнозирования цен или исполнения сделок. Модель имеет плотную авторегрессионную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров. Она принимает текст и генерирует текст; карточка указывает английский и итальянский языки, а длина контекста составляет 40 960 токенов. Релиз для Transformers содержит объединённые веса LoRA, дообученные на финансовом наборе рассуждений; веса доступны в формате safetensors и BF16. Авторская оценка на 53 примерах проверяла соблюдение формата и привязку к данным, а не общие способности или доходность торговли; конвертированный релиз прошёл лишь небольшой тест на пяти примерах. Задокументирована ошибка, при которой модель перепутала компанию при недостатке доказательств. Факты и идентичность компаний необходимо сверять с надёжными источниками; уверенность не откалибрована на зрелых торговых результатах. Лицензия — Apache-2.0.

RashidNLP разработал модель классификации финансовой тональности на базе DeBERTa. Автор сообщает, что исходную модель обучали на более чем миллионе отзывов Amazon, а затем дообучили на четырёх финансовых наборах данных с метками тональности: Financial PhraseBank, Kaggle Financial Sentiment, Twitter Financial News Sentiment и Auditor Sentiment. Модель предназначена для определения тональности финансовых фраз, новостей, публикаций и аудиторских комментариев. Это модель DeBERTa-v2 с 211,6 млн параметров, принимающая текст с контекстом до 512 токенов и выдающая метку класса. Поддерживаемый язык — английский. Модель распространяется по лицензии MIT.

Kenpache/finbert-multilingual-v2 — многоязычный классификатор финансовой тональности, разработанный Kenpache на основе энкодера jhu-clsp/mmBERT-base. Модель использует архитектуру ModernBERT и содержит 306,9 млн параметров; она присваивает тексту одну из трёх меток: negative, neutral или positive. Принимает финансовые новости на английском, китайском, японском, испанском, немецком, французском и арабском языках. Окно контекста — 8192 токена. Модель рассчитана на классификацию заголовков и отдельных предложений: например, для разметки новостных лент, построения индикаторов рыночной тональности и предварительного отбора исследовательских корпусов. В README приведены результаты оценки на 4 993 предложениях: точность 87,2% и взвешенная F1 0,8724. Эти показатели относятся только к указанному набору и протоколу оценки. Модель хуже подходит для целых статей, общей тональности отзывов и публикаций в соцсетях, а также для языков вне семи проверенных. Различение нейтральной и слабо выраженной положительной или отрицательной тональности неоднозначно; арабский результат основан лишь на 73 примерах. Вывод модели не является инвестиционной рекомендацией. Лицензия — Apache-2.0.

Fibro v0.1.0 — языковая модель на архитектуре Llama 3 с 7,5 млрд параметров, разработанная taddeusb90 для финансовых задач. Модель дообучена на Finbro Dataset, включающем более 300 тысяч записей: пары вопросов и ответов, финансовые отчёты и примеры различных финансовых задач. Заявленное окно контекста составляет 1 048 576 токенов. Модель предназначена для извлечения информации из неструктурированных финансовых документов и объяснения финансовых материалов пользователям с разным уровнем подготовки. Её можно применять для ответов на финансовые вопросы и разбора документов. В README указано, что обучение ещё продолжается и точность следует проверять; для использования в сервисе автор рекомендует добавить собственный слой выравнивания и защитные ограничения. Модель принимает и генерирует текст, поддерживает английский язык и распространяется по лицензии Meta Llama 3 Community License Agreement. Лицензия содержит собственные условия использования Meta Llama 3.

FinEmbedLarge — англоязычная модель эмбеддингов, созданная дообучением BAAI/bge-large-en-v1.5 на парах «вопрос—ответ» из примерно 50 годовых отчётов компаний S&P 500. Она предназначена для поиска финансовой информации по смыслу: преобразует текстовые запросы и фрагменты документов в векторы, которые можно сравнивать для ранжирования релевантных материалов. Модель построена на архитектуре BERT, содержит 433,9 млн параметров и принимает последовательности длиной до 512 токенов. В оценке на отложенных финансовых документах модель показала более высокие значения метрик поиска, чем исходная BGE Large 1.5; результаты относятся к описанному набору данных. Репозиторий содержит веса в формате safetensors и указывает использование Sentence-Transformers. Лицензия в предоставленных данных не указана.

FIN-LLAMA — языковая модель для финансовых сценариев, представленная Bavest. Это дообученная Llama с 32,3 млрд параметров; в метаданных указана архитектура LlamaForCausalLM и генерация текста. Модель обучали на наборе bavest/fin-llama-dataset и позиционируют для финансовых задач, включая бюджетирование, инвестиционные стратегии и управление рисками. Модель предназначена для генерации финансовых рекомендаций и планов, например для малого бизнеса. Контекст составляет 2048 токенов. В README описана загрузка с 4-битной квантизацией через Transformers и bitsandbytes, однако в репозитории указаны форматы PyTorch, а сама модель характеризуется как дообучение. README предупреждает, что 4-битный вывод работает медленно, вычисления в fp16 могут быть нестабильны, а для корректной генерации следует установить tokenizer.bos_token_id в 1. Указана лицензия GPL; датасет выпущен под BigScience OpenRAIL-M, что не определяет лицензию весов модели.

FinSense — англоязычная модель классификации тональности финансовых новостей, разработанная Анкитом Аглаве. Она дообучена на answerdotai/ModernBERT-base и присваивает тексту одну из трёх меток: positive, neutral или negative. Модель предназначена для анализа заголовков, новостных сообщений и предложений аналитиков, а также пакетной оценки большого числа финансовых текстов. В основе лежит encoder-only архитектура ModernBERT с 149 млн параметров и контекстом до 8192 токенов. Карточка сообщает о быстрой работе с Flash Attention и возможности запуска на CPU. На отложенном тестовом наборе Financial PhraseBank модель показала accuracy 0,8675 и macro-F1 0,8589; авторы публикуют скрипт разбиения данных и результаты нескольких запусков, но отмечают, что независимая оценка на данных вне обучающего корпуса пока не опубликована. Весы доступны по лицензии Apache-2.0. Модель обучалась на Financial PhraseBank, распространяемом по CC BY-NC-SA, поэтому коммерческим пользователям следует учитывать условия лицензии датасета. Классификация отражает тональность финансового текста и сама по себе не является рекомендацией для инвестиционных решений.

Eva-4B-GGUF — квантованная версия языковой модели Eva-4B, разработанной FutureMa и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и задач финансового NLP, включая анализ earnings calls, финансовую классификацию, обнаружение финансового уклонения и применение в сценариях оценки ответов LLM и дистилляции. Указанный язык — английский. Модель имеет около 4 миллиардов параметров; точная архитектура и размер контекстного окна в README не указаны. Доступны варианты от BF16 до различных уровней квантования Q8, Q6, Q5, Q4, Q3 и Q2, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Рекомендуемыми названы, в частности, Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S и Q4_K_M. Файлы можно запускать через llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Сильными сторонами являются компактный размер, широкий выбор квантований и пригодность для локального запуска. Более сильное квантование обычно сохраняет качество лучше, тогда как варианты Q2–Q3 экономят память ценой снижения качества; конкретные показатели производительности в README не приведены. Модель распространяется по лицензии Apache-2.0.

IndoRoBERTa Financial Sentiment — модель Khoirul Ihsan для классификации тональности индонезийских финансовых новостей. Она дообучена на базе w11wo/indonesian-roberta-base-sentiment-classifier и использует архитектуру RoBERTa с головой классификации последовательностей; размер модели — 151,8 млн параметров, контекст — до 514 токенов. Модель относит текст к одному из трёх классов: положительному, нейтральному или отрицательному. Она предназначена для анализа финансовых новостей на индонезийском языке, в том числе материалов о фондовом рынке. При интерпретации оценок учитывайте соответствие меток: 0 — положительная, 1 — нейтральная, 2 — отрицательная. Обучение проводилось на размеченных финансовых новостях с синтетическими и аугментированными примерами. Лицензия — MIT.

MAPAi/InflaBERT — модель классификации текста для определения тональности новостей, связанных с инфляцией. Она разработана MAPAi на основе архитектуры RoBERTa и дообучена от mrm8488/distilroberta-finetuned-financial-news-sentiment-analysis на датасете MAPAi/inflation_news. Модель содержит 95,2 млн параметров, принимает последовательности длиной до 514 токенов и доступна в формате safetensors через Transformers. Модель предназначена для анализа англоязычных финансовых новостей и выделения тональности в контексте инфляции. Её можно применять для сортировки новостных сообщений и отслеживания настроений в материалах о ценах и инфляции. Лицензия MIT разрешает использование и распространение на её условиях.

Investment Research Bot — Router Model — это компактная языковая модель на 1,5 млрд параметров, созданная разработчиком IbrahimKhan7208 на базе Qwen2.5-1.5B-Instruct и дообученная в несколько этапов: CPT, SFT и GRPO. Она принимает исследовательский вопрос об инвестициях и формирует структурированный ответ, распределяя подзадачи между RAG, веб-поиском и инструментом данных об акциях, а также извлекая названия компаний, годы и поисковые запросы для каждого маршрута. Модель предназначена для встраивания в многоинструментальные агенты финансовых исследований: она объединяет классификацию вопроса и извлечение параметров в один вызов. Архитектура — плотная Qwen2 с причинной генерацией текста; поддерживает диалоговый интерфейс, структурированный вывод и вызов инструментов. Контекстное окно — 32 768 токенов. Карточка указывает английский язык, а веса опубликованы в формате safetensors. Известные ограничения: модель не приводит распространённые названия компаний к каноническим именам (например, Facebook к Meta), хотя разрешение по тикерам работает. При маршрутах WEB и STOCK извлечение явно указанного года остаётся неполным. Бенчмарки в карточке основаны на небольших выборках и не характеризуют надёжно производственную нагрузку. Лицензия — Apache-2.0.

Huzaifa68/investment_v1 — модель Sentence Transformers, дообученная на базе BAAI/bge-small-en-v1.5 для поиска и сравнения текстов об инвестициях. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 384; архитектура включает BERT, пулинг по CLS-токену и нормализацию, а сходство можно оценивать косинусной мерой. Контекст ограничен 512 токенами. Модель обучалась на 1 332 примерах с парами и отрицательными примерами, связанными с исламскими инвестиционными фондами. Подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и извлечения признаков для классификации текстов. Базовая модель англоязычная, а примеры обучающих данных также на английском. Лицензия в предоставленных сведениях не обозначена.

vllm-sr/mmbert-embed-finance — дообученная командой vllm-sr модель Sentence Transformer на базе vllm-sr/mmbert-embed-32k-2d-matryoshka. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству. Архитектура — энкодер ModernBERT с усреднением токенных представлений; модель содержит около 306,9 млн параметров и принимает последовательности длиной до 32 768 токенов. Модель подходит для семантического поиска и сравнения финансовых текстов, поиска парафраз, кластеризации и классификации текстов. В примерах обучающих данных представлены вопросы и ответы о финансовой отчётности компаний. Модель выдаёт векторы, а не готовые текстовые ответы или метки; в описании лицензия не приводится.