IV.2Банки, платежи и инвестиции

ModernFinBERT — англоязычная модель классификации финансовых текстов, созданная Vincent Drenth дообучением answerdotai/ModernBERT-base на наборе financial_phrasebank. Она предназначена для определения тональности финансовых высказываний и может применяться для анализа новостей, отчетов и рыночных комментариев. Модель построена на архитектуре ModernBERT с головой классификации последовательностей, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. В README указаны точность 0,867 и loss 0,6635 на оценочном наборе. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Показатели относятся к указанному оценочному набору и сами по себе не гарантируют качество на других финансовых текстах.

MMOPD/Qwen3-4B-OT3-finance — дообученная командой MMOPD модель семейства Qwen3 для ответов на финансовые вопросы и вычислений по финансовым отчётам. Это плотная авторегрессионная языковая модель с 3,7 млрд параметров, рассчитанная на генерацию текста; она принимает текстовые запросы и выдаёт текстовые ответы. Контекст составляет до 32 768 токенов. Модель дообучена методом GRPO на вопросах FinQA и TAT-QA с вознаграждением за совпадение числового ответа; в README указана точность 74,6% на FinQA. Модель подходит для ответов на вопросы по финансовой отчётности и решения задач с числовыми данными. README рекомендует использовать шаблон чата Qwen3, включать режим thinking и генерировать сэмплированием. Указаны результаты общих и профильных бенчмарков, однако по ним модель уступает исходной версии OT3-2ep на части общих оценок. Модель распространяется под лицензией Apache-2.0.

NLPScholars разработала модель многометочной классификации предложений из стенограмм финансовых отчётных звонков. Это дообученная RoBERTa-base с архитектурой RobertaForSequenceClassification и 151,8 млн параметров; модель определяет в предложении признаки негативной или позитивной тональности, судебно-правовой тематики, ограничений и неопределённости. Она предназначена для анализа финансовых коммуникаций компаний, в том числе для поиска сигналов о возможном предупреждении о снижении прибыли. По README, данные для обучения включали стенограммы десяти компаний за десять лет, размеченные с использованием лексикона Loughran–McDonald и FinancialPhraseBank; для модели приводится Micro F1 82,8%. Контекст составляет 514 токенов. Модель работает с текстом и выдаёт метки классов. В метаданных лицензия не указана.

Kuvera-8B-v0.1.0-GGUF — квантизированная версия языковой модели Kuvera-8B-v0.1.0, разработанной Akhil-Theerthala и подготовленной в формате GGUF пользователем bartowski с помощью llama.cpp. Модель предназначена для генерации текста и ориентирована на финансовые и персональные финансовые запросы; при обучении использовался набор данных Personal-Finance-Queries. Указан английский язык и текстовая модальность. Модель имеет размер 8B параметров. Доступны варианты от BF16 до различных уровней квантизации Q2–Q8 и IQ, что позволяет выбирать между качеством, требованиями к памяти и скоростью локального запуска. Рекомендуются варианты Q4–Q6 для общего использования; запуск поддерживается через LM Studio, llama.cpp и совместимые проекты. Формат запросов использует шаблон ChatML с ролями system, user и assistant. Сильной стороной модели является специализация на финансовой тематике и широкий выбор квантизированных вариантов, включая компактные версии для систем с ограниченным объёмом оперативной памяти. Ограничения включают возможное снижение качества в вариантах с сильной квантизацией; размер контекста, точная архитектура и мультиязычные возможности в предоставленных данных не указаны. Модель распространяется по лицензии MIT.

kuro-08/bert-transaction-categorization — англоязычная модель классификации финансовых транзакций, разработанная дообучением bert-base-uncased. Она относит текстовые описания операций к заранее заданным категориям, например к покупкам продуктов, транспорту и развлечениям. Модель построена на архитектуре BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для автоматической категоризации расходов в приложениях учета финансов и при обработке банковских операций. Она обучена на английских описаниях транзакций; качество на других языках и категориях, отличающихся от заданных при обучении, не подтверждено. Лицензия — Apache-2.0.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная abinj30 на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она кодирует предложения и абзацы в плотные векторы: исходная размерность — 768, для поиска также доступны укороченные представления размерностью 512, 256, 128 и 64. Архитектура основана на BERT с пулингом CLS-токена и нормализацией; сходство оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска и сравнения финансовых текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В README приведены результаты оценки информационного поиска для нескольких размерностей эмбеддинга. Обучение проводилось на 6 300 парных примерах с полями anchor и positive; указаны MatryoshkaLoss и MultipleNegativesRankingLoss. Лицензия — Apache-2.0. Модель рассчитана на английский язык; качество на других языках не подтверждено.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная Julio Sanchez на базе BAAI/bge-base-en-v1.5 для сопоставления финансовых вопросов с релевантными фрагментами текста. Архитектура основана на BERT: модель кодирует предложения и абзацы в плотные векторы, нормализует их и сравнивает с помощью косинусного сходства. Размер исходного вектора — 768 измерений; благодаря обучению Matryoshka доступны также укороченные представления размерностью 512, 256, 128 и 64. Максимальная длина входа — 512 токенов. Модель подходит для семантического поиска по финансовым документам, поиска ответов на вопросы в отчетах, сравнения финансовых текстов, кластеризации и классификации на основе эмбеддингов. Она обучалась на 6 300 парах «вопрос — релевантный фрагмент» из набора json; в README приведены результаты оценки поиска для нескольких размерностей векторов. Это модель для английского языка, выпущенная по лицензии Apache-2.0. Как и другие модели эмбеддингов, она возвращает векторы, а не готовые ответы; точность зависит от соответствия корпуса и запросов обучающим данным.

BGE base Financial Matryoshka — англоязычная модель эмбеддингов на базе Sentence Transformers, дообученная philschmid на BAAI/bge-base-en-v1.5 для поиска по финансовым текстам. Она кодирует предложения и абзацы в плотные векторы размерностью 768, сравниваемые по косинусному сходству; архитектура включает BERT, пулинг по CLS-токену и нормализацию. Обучение с MatryoshkaLoss рассчитано на использование полных векторов и их укороченных вариантов размерностью 512, 256, 128 или 64. Модель подходит для семантического поиска и ранжирования финансовых фрагментов по запросам, сравнения сходства предложений, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Максимальная длина входа — 512 токенов. Карточка приводит метрики поиска на наборах basline_768, basline_512, basline_256, basline_128 и basline_64; результаты зависят от набора и размерности вектора. Модель принимает текст и выдаёт векторы, а не готовые ответы. Она ориентирована на английский язык и финансовые тексты; эффективность на других языках и за пределами финансового домена не подтверждена. Лицензия — Apache-2.0.

shivashankar-chari/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная автором на парных примерах финансовых текстов на базе BAAI/bge-base-en-v1.5. Она предназначена для создания плотных векторных представлений предложений и абзацев, подходящих для семантического поиска, сравнения текстов и поиска перефразировок в финансовых материалах. Модель построена на BERT и содержит 136,7 млн параметров. Она принимает текст до 512 токенов и формирует нормализованный вектор размерностью 768; для Matryoshka-режима доступны также укороченные представления размерностью 512, 256, 128 и 64. Сходство оценивается косинусной мерой. README приводит результаты оценки поиска для этих размерностей, но не раскрывает происхождение финансовых текстов обучающего набора. Лицензия — Apache-2.0. Модель рассчитана на английский язык и специализирована на финансовом тексте; качество для других языков и областей не подтверждено. Результаты поиска зависят от данных и настройки системы, а максимальная длина входа ограничена 512 токенами.

DoVanTuy разработал эту дообученную на BAAI/bge-m3 модель для банковской тематики. Она преобразует текст в эмбеддинги для семантического поиска, извлечения релевантных документов и оценки сходства предложений; пример в карточке относится к запросу об условиях оформления кредитной карты. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и поддерживает контекст до 8194 токенов. Базовая BGE-M3 предназначена для многоязычного поиска, а карточка этой модели демонстрирует применение на вьетнамском языке. Модель распространяется по лицензии Apache-2.0.

Модель nickmuchi/distilroberta-finetuned-financial-text-classification разработана Nick Muchi и представляет собой дообученную distilroberta-base для классификации тональности финансовых текстов. Она присваивает тексту одну из меток: негативная, нейтральная или позитивная. Обучение проводилось на финансовых новостях из Financial PhraseBank с разметкой sentence_50Agree и наборе Kaggle, включающем тексты о влиянии COVID-19 на доходы и рынки. Для компенсации дисбаланса классов веса меток были скорректированы. Модель имеет архитектуру RoBERTa и около 95,2 млн параметров; максимальная длина контекста — 514 токенов. В README сообщается о F1 0,8835 на наборе оценки. Модель подходит для анализа тональности финансовых новостей и похожих коротких текстов на английском языке, но качество на других типах данных и языках не подтверждено. Распространяется по лицензии Apache-2.0.

ESG-BERT — доменная модель BERT для извлечения информации из текстов в области устойчивого инвестирования. Её разработали Mukut Mukherjee, Charan Pothireddi и Parabole.ai. Репозиторий содержит классификатор последовательностей на 136,7 млн параметров в форматах PyTorch и Safetensors; модель принимает текстовые последовательности длиной до 512 токенов и предназначена прежде всего для классификации текстов об ESG и устойчивых инвестициях. В карточке сообщается, что дообучение для классификации дало F1 0,90 против 0,79 у BERT-base и 0,67 у подхода на scikit-learn. Модель англоязычная. Карточка предупреждает о возможных стереотипах и вредных смещениях в предсказаниях. Лицензия указана как требующая уточнения.

AdaptLLM/finance-LLM — специализированная языковая модель для финансовой области, разработанная авторами исследования AdaptLLM. Это плотная авторегрессионная модель семейства LLaMA с 6,6 млрд параметров, полученная продолжением предобучения LLaMA-1-7B на финансовых корпусах, преобразованных в тексты для чтения с пониманием. Такой подход призван сохранить способность модели следовать запросам и отвечать на вопросы, одновременно расширяя её финансовые знания. Модель предназначена для генерации текста и ответов на финансовые вопросы, а также для задач вроде анализа финансовых новостей и документов. Она ориентирована на английский язык. Авторы сообщают о конкурентных результатах по сравнению с более крупными специализированными моделями, однако карточка рекомендует для более качественного диалога использовать отдельную чат-модель. Длина контекста в предоставленных данных не указана. Модель распространяется в форматах PyTorch и safetensors. README не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя.

Finance Sentiment ZH — модель bards.ai для определения тональности китайских финансовых новостей. Она дообучена на основе google-bert/bert-base-chinese на переведённой версии Financial PhraseBank в течение 10 эпох и предсказывает одну из трёх меток: положительная, отрицательная или нейтральная. Модель использует архитектуру BERT с классификационной головой, содержит 129,5 млн параметров и обрабатывает текст с контекстом до 512 токенов. В карточке указаны macro F1 0,966, точность 0,963 и полнота 0,969; результаты приведены для оценки на RTX 3090. Модель подходит для анализа тональности финансовых новостей на китайском языке. Доступна по лицензии Apache-2.0.

FinBERT-FLS — модель на архитектуре BERT, разработанная исследователями HKUST и дообученная для классификации финансовых высказываний о будущих событиях. Она различает конкретные прогнозные заявления, неконкретные прогнозные заявления и фрагменты, которые не являются прогнозными заявлениями. Модель обучена на 3 500 вручную размеченных предложениях из разделов Management Discussion and Analysis годовых отчётов компаний Russell 3000. Модель предназначена для анализа корпоративной отчётности и выявления прогнозных заявлений, которые могут быть полезны инвесторам и аналитикам при оценке финансовых документов. Она принимает финансовый текст на английском языке и возвращает одну из трёх категорий. Размер модели — 137 млн параметров, максимальная длина контекста — 512 токенов; доступен формат PyTorch. Результаты отражают классы, предусмотренные обучающей разметкой, и сами по себе не являются инвестиционной рекомендацией или оценкой точности прогноза компании. Карточка не содержит сведений о лицензии.

Карточка модели FinanceInc/finbert_fls на Hugging Face совпадает с карточкой yiyanghkust/finbert-fls, поэтому описание составлено по ней. FinBERT-FLS — модель на архитектуре BERT, разработанная исследователями HKUST и дообученная для классификации финансовых высказываний о будущих событиях. Она различает конкретные прогнозные заявления, неконкретные прогнозные заявления и фрагменты, которые не являются прогнозными заявлениями. Модель обучена на 3 500 вручную размеченных предложениях из разделов Management Discussion and Analysis годовых отчётов компаний Russell 3000. Модель предназначена для анализа корпоративной отчётности и выявления прогнозных заявлений, которые могут быть полезны инвесторам и аналитикам при оценке финансовых документов. Она принимает финансовый текст на английском языке и возвращает одну из трёх категорий. Размер модели — 137 млн параметров, максимальная длина контекста — 512 токенов; доступен формат PyTorch. Результаты отражают классы, предусмотренные обучающей разметкой, и сами по себе не являются инвестиционной рекомендацией или оценкой точности прогноза компании. Карточка не содержит сведений о лицензии.

Kenpache разработала FinBERT-Multilingual — модель классификации тональности финансовых текстов на базе XLM-RoBERTa. Она присваивает тексту одну из трёх меток: отрицательная, нейтральная или положительная тональность. Модель адаптирована к финансовой тематике посредством дополнительного предобучения на финансовых текстах и последующего обучения классификации. Модель предназначена для анализа финансовых новостей и других финансовых текстов на английском, китайском, японском, немецком, французском и испанском языках. Архитектура — XLM-RoBERTa для классификации последовательностей; размер — 305,2 млн параметров, максимальный контекст — 514 токенов. В README сообщаются accuracy 0,8103 и взвешенная F1-мера 0,8102 на использованной авторами оценке. Лицензия Apache-2.0. Результаты оценки относятся к описанному набору финансовых данных и не гарантируют качество на других источниках или языковых вариантах; метки отражают тональность текста и сами по себе не являются инвестиционными рекомендациями.

joshuapb/fine-tuned-matryoshka-200 — англоязычная модель Sentence Transformers, дообученная автором на основе BAAI/bge-base-en-v1.5 для семантического поиска и сравнения текстов в финансовой тематике. Архитектура включает BERT-трансформер, CLS-пулинг и нормализацию эмбеддингов; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель кодирует предложения и абзацы в плотные векторы размерностью до 768 и оценивает сходство косинусной мерой. Благодаря Matryoshka-обучению эмбеддинги можно сокращать до 512, 256, 128 или 64 измерений, чтобы находить баланс между качеством поиска и затратами на хранение и вычисления. Подходит для семантического поиска, поиска парафразов, кластеризации и извлечения признаков для классификации текстов. В README приведены результаты оценки поиска на нескольких размерностях, однако состав и охват данных полностью не раскрыты. Лицензия — Apache-2.0.

FinModernBERT-embed-large-v1 — англоязычная модель для получения плотных векторных представлений финансовых текстов, разработанная BatuhanECB. Это дообученный ModernBERT-large с архитектурой ModernBERT и 394,7 млн параметров; модель использует библиотеку Sentence Transformers и сохраняется в формате safetensors. Контекст составляет до 8192 токенов. Модель предназначена для поиска и сопоставления финансовых текстов, семантического сходства, ранжирования и задач на основе эмбеддингов. В README описано обучение на финансовых данных и оценка на английском бенчмарке FinMTEB: особенно сильные результаты показаны в задачах семантического сходства и суммаризации. Для длинных документов автор рекомендует разбивать текст на фрагменты и агрегировать их представления. Ограничения включают слабые результаты на поиске по таблицам и числовых вопросах, кластеризации научных финансовых текстов и классификации заголовков; качество в общей, нефинансовой области не гарантируется. Модель рассчитана на английский язык. Лицензия — Apache-2.0.

Fin-o1-8B — дообученная TheFinAI модель на основе Qwen3-8B для рассуждений по финансовым вопросам, в том числе финансовых вычислений и анализа задач из наборов FinQA, TATQA, DocMath-Eval, Econ-Logic, BizBench-QA и DocFinQA. Модель обучали методами SFT и GRPO на финансовых данных; архитектура — плотная авторегрессионная Qwen3ForCausalLM с 7,6 млрд параметров. Она принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Основной язык карточки — английский; базовая Qwen3-8B многоязычна. Максимальная длина контекста — 40 960 токенов. Лицензия — Apache-2.0. Модель подходит для ответов на финансовые вопросы с пошаговыми вычислениями и для анализа числовых и логических задач из финансовых документов. Карточка описывает специализацию на финансовых рассуждениях, но не приводит результатов оценки и не подтверждает пригодность ответов для принятия реальных инвестиционных или иных финансовых решений.

jdt-fin-roberta-wwm — финансовая языковая модель на базе BERT, опубликованная для применения предобученных моделей в задачах финансовой обработки текста. Это плотная архитектура BERT с 12 слоями, размером скрытого представления 768 и 12 головами внимания; в метаданных указано 129,5 млн параметров и контекст до 512 токенов. Репозиторий использует PyTorch, а README рекомендует загружать модель через BertTokenizer и BertModel. В карточке приведены результаты для распознавания сущностей, извлечения отношений и событий, извлечения показателей и связывания сущностей; однако в Hugging Face модель размечена задачей fill-mask. Модель предназначена для финансовых текстов на китайском языке. Лицензия Apache-2.0.

ohsuz/k-finance-sentence-transformer — модель sentence-transformers на базе RoBERTa, разработанная пользователем ohsuz. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указаны 137,8 млн параметров, библиотека sentence-transformers и контекст до 514 токенов; модель сохранена в формате safetensors. Модель обучалась с использованием MultipleNegativesRankingLoss и набора данных ohsuz/dacon. Её можно применять для поиска финансовых текстов по смыслу и группировки похожих фрагментов. Карточка не приводит сведения о лицензии, поэтому условия распространения из доступных данных установить нельзя.

EQTYLab/Llama-3.1-Nemotron-Nano-4B-v1.1-banking77 — англоязычная причинная языковая модель семейства Llama, полученная дообучением с LoRA модели NVIDIA nvidia/Llama-3.1-Nemotron-Nano-4B-v1.1 на датасете PolyAI/banking77 и последующим объединением адаптера с базовыми весами. Это самостоятельный чекпойнт примерно на 3,9 млрд параметров в формате safetensors; модель работает через Transformers и рассчитана на сценарии генерации текста. Для классификации она принимает обращение клиента вместе со списком из 77 меток в системном промпте и выдаёт одну метку намерения. Результат зависит от формата промпта: системная инструкция должна содержать «detailed thinking off» и список меток; иначе модель может ответить обычным текстом или включить режим рассуждений. Контекст базовой модели составляет до 131 072 токенов, но пример запуска в карточке ограничивает его 8 192 токенами. Модель предназначена для определения намерений клиентов в обращениях по розничным банковским услугам. Выход — сгенерированный текст, а не метка из отдельной классификационной головы, поэтому следует проверять ответ на принадлежность к разрешённым меткам или применять ограниченное декодирование. Точность на тестовой выборке Banking77 не измерялась; в карточке описаны лишь проверка объединения весов и выборочная проверка формата ответов. Лицензия указана как «other»; конкретные условия использования в доступных сведениях не приведены.

SeanD103/Longformer_for_financial_sentiment_analysis — модель Longformer, дообученная на наборе Financial PhraseBank для определения тональности финансовых текстов. Она относит текст к положительной, нейтральной или отрицательной тональности и предназначена для анализа финансовых новостей, отчетов о доходах и финансовой отчетности. Модель имеет архитектуру LongformerForSequenceClassification и содержит 151,8 млн параметров. Контекст составляет до 4098 токенов, что позволяет классифицировать более длинные фрагменты финансового текста. Для обучения использован Financial PhraseBank из 4840 предложений финансовых новостей. Модель распространяется в формате safetensors по лицензии MIT. Модель ориентирована на англоязычные финансовые формулировки из обучающего набора. Результаты на иных языках, типах документов или распределениях данных не описаны; для критичных решений классификацию следует проверять отдельно.

Palmyra-Fin-70B-32K-IMat-GGUF — GGUF-квантизированная версия модели Writer/Palmyra-Fin-70B-32K, разработанной компанией Writer. Квантизация выполнена legraphista с использованием llama.cpp и IMatrix; доступны варианты от F32 и BF16 до низкобитных Q2_K, Q3_K, Q4_K, Q5_K, Q6_K и Q8_0. Размер базовой модели — 70B параметров, заявленное контекстное окно — 32K токенов. Модель предназначена для генерации текста на английском языке и ориентирована на финансовую тематику: анализ фондового рынка, свечных графиков, опционной торговли, фьючерсов, прогнозирования трендов и использования в корпоративных финансовых сценариях, включая банки и управление благосостоянием. К сильным сторонам относятся специализация на финансовой предметной области, большое контекстное окно и широкий выбор уровней квантизации для компромисса между качеством, размером файла и требованиями к ресурсам. Варианты с IMatrix доступны для ряда низко- и среднебитных форматов. README не содержит результатов тестирования, поэтому фактическое качество, точность прогнозов и устойчивость к ошибкам следует оценивать самостоятельно. Модель текстовая и англоязычная; сведения о мультимодальности и поддерживаемых языках, кроме английского, отсутствуют. Распространение регулируется Writer Open Model License. Согласно указанным условиям, модель предназначена для некоммерческого использования, если не приобретена отдельная лицензия у Writer. Для работы с отдельными квантизированными файлами могут потребоваться значительные объёмы оперативной или видеопамяти, особенно для вариантов с высокой точностью.

Plutus-Meta-Llama-3.1-8B-Instruct-bnb-4bit — дообученная версия Meta-Llama-3.1-8B-Instruct, созданная 0xroyce. Это трансформерная языковая модель семейства LLaMA для генерации текста и диалогового взаимодействия. Модель предназначена прежде всего для задач в области финансов, экономики, инвестиций, трейдинга, управления рисками, поведенческой психологии, кибербезопасности и социальной инженерии. Она может применяться для анализа финансовых документов, обсуждения рыночных сценариев и экономических теорий, исследования психологии трейдинга, а также изучения тактик манипуляции и киберугроз. Модель содержит около 8 миллиардов параметров и использует 4-битную квантизацию bnb на основе bitsandbytes, что снижает требования к ресурсам и упрощает локальный запуск. Дообучение проводилось на наборе данных 0xroyce/Plutus, включающем материалы из 394 книг по финансам, инвестициям, торговым стратегиям, количественному анализу, психологии, социальной инженерии, военной стратегии и психологическим операциям. В README не указаны размер контекста и перечень поддерживаемых языков; заявлен английский язык. Сильная сторона модели — специализация на тематике финансов и смежных аналитических областях при относительно небольшом размере и экономичной 4-битной конфигурации. Ограничения включают возможную недостоверность прогнозов и аналитических выводов, отсутствие гарантии актуальности знаний и риски при использовании материалов, связанных с манипуляцией, социальной инженерией и кибербезопасностью. Модель распространяется по лицензии llama3.1.

ThakiCloud разработала FIN5 — дообученную модель на 27 млрд параметров для консультационных диалогов о ценных бумагах на корейском языке. Она предназначена для ответов с учетом принципа пригодности инвестиционных рекомендаций клиенту и обязательных раскрытий информации. Модель построена на архитектуре Qwen3.5 и использует текстовый ввод и генерацию текста; в каталоге указана поддержка корейского языка и библиотека Transformers. По README, в оценке на 200 синтетических примерах FIN5 показала долю успешных ответов по критерию пригодности 0,818 и 0 фактических ошибок; при этом охват обязательных раскрытий составил 0,905 без дополнительного механизма. Для проверки и дополнения раскрытий авторы предоставляют обязательный gate: заявленные показатели охвата 1,000 и ноль фактических ошибок относятся к связке модели с ним, а не к весам отдельно. Эти результаты ограничены размером и составом теста; для пригодности было оценено только 33 случая. Модель следует применять как вспомогательный инструмент для подготовки корейских консультаций по ценным бумагам, а не как самостоятельную систему соблюдения требований. README требует юридической проверки перед использованием в регулируемой среде и предупреждает, что генерация сама по себе не гарантирует раскрытие обязательной информации. Лицензия — Apache-2.0.

thomaskim1130/stella_en_400M_v5-FinanceRAG-v2 — англоязычная модель эмбеддингов на базе Sentence Transformers, дообученная разработчиком на базе thomaskim1130/stella_en_400M_v5-FinanceRAG. Она кодирует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска и сравнения текстов; также подходит для поиска перефразировок, кластеризации и классификации текста. Модель содержит 433,9 млн параметров. Метаданные указывают контекст до 8192 токенов, а карточка сообщает максимальную длину последовательности 512 токенов, поэтому фактический лимит следует сверять с конфигурацией используемого приложения. Сходство векторов можно оценивать косинусной мерой. Модель обучалась на 2256 парах предложений с функцией потерь MultipleNegativesRankingLoss; карточка приводит метрики поиска, включая cosine_accuracy@1 0,4636 и @5 0,7597. Файлы опубликованы в формате safetensors. Сведений о лицензии в предоставленных данных нет.

riphunter7001x/bge-base-financial — англоязычная модель Sentence Transformers, дообученная на финансовых текстах от BAAI/bge-base-en. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска и сравнения текстов; также подходит для поиска перефразировок, кластеризации и классификации. Архитектура основана на BERT: вектор формируется из CLS-токена, затем нормализуется. Максимальная длина входа — 512 токенов, сходство можно оценивать косинусной мерой. Модель предназначена для поиска релевантных фрагментов в финансовых документах, например для сопоставления вопросов с выдержками из отчетности. В README приведены результаты оценки поиска для выходных размерностей от 64 до 768, однако они относятся к указанному в карточке набору данных и не гарантируют качество на других корпусах. Модель принимает текст и выдаёт эмбеддинги; генерация ответов не заявлена. Лицензия — Apache-2.0.

kenoc/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная автором на 6 300 парах финансовых текстов на основе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные эмбеддинги для семантического поиска, сравнения текстов и извлечения информации из финансовых документов. Модель построена на BERT, использует CLS-пулинг и нормализацию, выдаёт вектор размерностью 768 и оценивает сходство по косинусной мере. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 512, 256, 128 или 64. Максимальная длина входа — 512 токенов; лицензия Apache-2.0. Модель подходит для англоязычных финансовых запросов и документов, в частности для семантического поиска и ранжирования релевантных фрагментов. Карточка приводит оценки поиска на обучающих материалах, поэтому они не гарантируют качество на других данных. Модель создаёт эмбеддинги, а не готовые ответы; тексты длиннее лимита требуют разбиения.