IV.2Банки, платежи и инвестиции

SatyamD31/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная разработчиком SatyamD31 на базе BAAI/bge-base-en-v1.5 на 6 300 примерах финансового текста. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 и предназначена для семантического поиска, сравнения текстов и извлечения релевантных документов. В основе — BERT с пулингом CLS-токена и нормализацией; сходство оценивается косинусной мерой. Модель поддерживает сокращение размерности эмбеддингов до 512, 256, 128 и 64, что позволяет выбирать компромисс между размером вектора и качеством поиска. Максимальная длина входной последовательности — 512 токенов. В карточке приведены результаты оценки поиска информации на наборах для разных размерностей; качество зависит от данных и сценария применения. Модель рассчитана на англоязычные финансовые тексты и может использоваться для семантического поиска и ранжирования кандидатов по близости эмбеддингов, поиска перефразировок, кластеризации и классификации текстов с дополнительной моделью. Лицензия — Apache-2.0.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformer, дообученная автором на финансовых текстовых парах на основе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы для сравнения по косинусному сходству; полная размерность эмбеддинга — 768, а обучение с MatryoshkaLoss позволяет использовать сокращённые размерности от 64 до 512. Модель построена на BERT с CLS-пулингом и нормализацией, принимает текст длиной до 512 токенов. Модель предназначена для семантического поиска по финансовым материалам, сравнения текстов и поиска перефразировок; эмбеддинги также подходят для кластеризации и классификации текста. В README приведены оценки поиска на наборах с размерностями 64–768, однако они не устанавливают качество на других типах текстов. Доступна по лицензии Apache-2.0.

Anikulkar разработал эту англоязычную модель Sentence Transformers дообучением BAAI/bge-base-en-v1.5 на финансовых текстах и запросах. Она кодирует предложения и абзацы в плотные векторы для семантического поиска, сравнения текстов, извлечения информации, кластеризации и классификации. Векторное пространство имеет размерность 768; архитектура основана на BERT с пулингом CLS-токена и нормализацией, а сходство оценивается косинусной мерой. Контекст ограничен 512 токенами; обучение использовало 90 пар финансового текста и запросов. Модель поддерживает Matryoshka-представления с сокращаемой размерностью эмбеддингов: в карточке приведены оценки поиска для размерностей 64, 128, 256, 512 и 768. Это позволяет выбирать компромисс между размером вектора и качеством. Лицензия — Apache-2.0. Карточка приводит результаты на наборе данных, название которого не указано, поэтому эти показатели не следует считать независимой оценкой на широком наборе финансовых задач.

Chronos-Small Global — компактная модель временных рядов на архитектуре T5, представленная в семействе FinText. Она предварительно обучена на глобальных финансовых временных рядах за 1990–2023 годы, включающих данные об избыточной доходности, и предназначена для прогнозирования финансовых временных рядов. Модель содержит 24,1 млн параметров, использует библиотеку Transformers и распространяется в формате safetensors; максимальная длина контекста — 512 токенов. Лицензия Apache-2.0.

mrm8488/distilroberta-finetuned-financial-news-sentiment-analysis — модель классификации тональности финансовых новостей, созданная дообучением distilroberta-base на наборе Financial PhraseBank. Она относит предложения к категориям тональности и предназначена для анализа новостных фрагментов о финансах и рынке акций. В основе лежит DistilRoBERTa — шестислойная архитектура RoBERTa с размерностью 768 и 12 головами внимания. В метаданных указано 95,2 млн параметров и контекст до 514 токенов; модель доступна в форматах PyTorch и safetensors. README сообщает об accuracy 0,9823 на оценочной выборке и отмечает чувствительность к регистру. Обучающие данные — 4840 англоязычных предложений из финансовых новостей, размеченных по полярности. Результаты на этом наборе не гарантируют такое же качество на других источниках, языках или типах финансового текста. Лицензия — Apache-2.0.

Finance Sentiment FR (base) — модель bards.ai для классификации тональности французских финансовых новостей. Она основана на CamemBERT base и дообучена на французском переводе датасета Financial PhraseBank за 10 эпох. Модель относит текст к одному из трёх классов: положительный, отрицательный или нейтральный. Модель содержит 137,8 млн параметров, принимает текст длиной до 514 токенов и доступна в форматах PyTorch и Safetensors для библиотеки Transformers. В карточке приведены macro F1 0,963, точность 0,959 и полнота 0,967; эти показатели относятся к оценке авторов на их тестировании. Модель распространяется по лицензии MIT.

Finance Sentiment JA (base) — модель классификации тональности японских финансовых новостей, разработанная bards.ai. Она дообучена на базе японской BERT-модели cl-tohoku/bert-base-japanese на переведённой версии набора Financial PhraseBank и выдаёт одну из трёх меток: положительная, отрицательная или нейтральная тональность. Модель подходит для автоматической оценки тональности новостных заметок и фраз о финансах, например для мониторинга новостного потока или анализа упоминаний компаний и рынков. Архитектура — BERT для классификации последовательностей; размер — 137,8 млн параметров, максимальная длина контекста — 512 токенов. В карточке сообщается о macro F1, precision и recall по 0,959 на оценке модели. Модель рассчитана на японский язык и финансовую тематику; результаты на других языках и вне финансового контекста не подтверждены. Распространяется по лицензии CC BY-SA 3.0.

financial-sentiment-v1.1-base — модель NOSIBLE для классификации тональности коротких финансовых текстов по вероятному влиянию события на компанию: положительное, нейтральное или отрицательное. Это дообученная версия плотной авторегрессионной языковой модели Qwen3-0.6B с 507,9 млн параметров, предназначенная для генерации текстового ответа с одной из меток. Модель рассчитана прежде всего на англоязычные финансовые новостные фрагменты и поисковые сниппеты; заявлены 100 тыс. реальных результатов поиска в обучающем корпусе и контекст до 40 960 токенов в метаданных. В README указано, что обучение ограничивалось контекстом 2 048 токенов, поэтому для длинных документов рекомендуется разделение на фрагменты. Модель ориентирована на быстрый анализ финансовых новостей и коротких сообщений. Для заявленной точности авторы требуют отключать режим рассуждений, использовать заданный системный промпт и ограничивать вывод тремя допустимыми метками посредством управляемой генерации. README сообщает о результатах выше FinBERT на Financial PhraseBank и внутреннем наборе, однако оценки не приведены в переданных данных. Модель может ошибаться на неоднозначных текстах, не проверяет достоверность содержащихся в них фактов и не предназначена для общей тональности или гарантированной работы с другими языками. Лицензия — Apache-2.0.

FLAME2 — мультиязычная модель для определения тональности финансовых заголовков с учётом перспективы локального рынка. Её разработчик дообучил XLM-RoBERTa-large на 145 637 заголовках из десяти языков, размеченных с учётом перспективы местных инвесторов. Архитектура — XLM-RoBERTa для классификации последовательностей; размер модели составляет 658,7 млн параметров, максимальный контекст — 514 токенов. Модель предназначена для классификации финансовых новостей: один и тот же новостной повод может получать разные оценки тональности в зависимости от рыночной перспективы. Для обработки заголовку добавляют языковой префикс, например [EN] или [AR]. Карточка приводит результаты по отдельным языкам, но доступные данные показывают только часть таблицы, поэтому сравнить качество по всем десяти языкам нельзя. Модель выпущена под лицензией Apache-2.0. Она обучалась на заголовках финансовых новостей; качество на длинных текстах и вне этой области не подтверждено. Контекст ограничен 514 токенами.

Модель Jean-Baptiste/roberta-large-financial-news-sentiment-en — классификатор тональности финансовых новостей на базе RoBERTa-large, дообученный автором на наборе financial_news_sentiment_mixte_with_phrasebank_75. В обучающую выборку вошли предложения из Financial PhraseBank, подтверждённые не менее чем 75% аннотаторов, и около 2 000 вручную размеченных статей канадских финансовых новостей. Модель относит текст к одному из трёх классов: негативному, нейтральному или позитивному. Она предназначена для анализа тональности финансовых новостей, в частности новостей о канадском рынке. В README указаны macro F1 93,25% на общей оценке и F1 83,6% на канадских новостях. Модель содержит 454,1 млн параметров, имеет архитектуру RoBERTa для классификации последовательностей и контекст до 514 токенов. Поддерживаемый язык — английский. Репозиторий содержит веса в форматах PyTorch, Safetensors и ONNX. Лицензия — MIT; результаты на канадских новостях заметно ниже общей оценки, поэтому качество для других рынков и типов финансового текста может отличаться.

THaLLE-0.2-ThaiLLM-8B-fa — языковая модель KBTG-Labs на архитектуре Qwen3, созданная с помощью mergekit на основе ThaiLLM-8B, Qwen3-8B и Qwen3-8B-Base. Она предназначена для генерации текста и диалогов с улучшенным следованием инструкциям, пониманием тайского языка и знаниями в области финансов, в том числе CFA. Модель содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Модель поддерживает режимы с рассуждением и без него, а также интерфейс вызова инструментов. В README приведены результаты оценки на экзаменационных наборах CFA; авторы отмечают, что результаты могут различаться в зависимости от среды выполнения. Для запуска через Transformers требуется версия 4.51.0 или новее. Лицензия — Apache-2.0.

Карточка модели Duxiaoman-DI/XuanYuan-6B-Chat на Hugging Face совпадает с карточкой Duxiaoman-DI/XuanYuan-6B, поэтому описание составлено по ней. XuanYuan-6B — плотная языковая модель на архитектуре, близкой к LLaMA, разработанная Duxiaoman-DI для финансовых и общих задач. Модель обучена с нуля на разнородных корпусах; семейство также включает базовую версию, чат-версию с дообучением по инструкциям и выравниванием с предпочтениями людей, а также её 4- и 8-битные варианты. Модель содержит 6,2 млрд параметров, использует 30 слоёв, 32 головы внимания, RoPE, SwiGLU и RMSNorm. Метаданные указывают контекст до 8192 токенов; в README для обучения базовой модели указан максимальный размер последовательности 2048 токенов. Модель предназначена для генерации текста и диалога, включая финансовые сценарии. Лицензия — Llama 2; применимость её условий следует сверять с лицензией репозитория.

girijesh/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer на базе BAAI/bge-base-en-v1.5, дообученная на 6 300 парах текстов финансовой тематики. Модель использует архитектуру BERT с CLS-пулингом и нормализацией и преобразует предложения и абзацы в плотные эмбеддинги размерностью 768; максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения финансовых текстов, включая поиск релевантных фрагментов, подбор перефразирований, кластеризацию и классификацию на основе эмбеддингов. Для оценки близости применяется косинусное сходство; модель поддерживает Matryoshka-эмбеддинги с сокращением размерности до 64, 128, 256 или 512. В README приведены результаты на наборах dim_768, dim_512, dim_256, dim_128 и dim_64, но подробности самих наборов не раскрыты. Модель принимает текст на английском языке и выдаёт векторные представления, поэтому для использования в поиске требуется индексировать тексты и сравнивать эмбеддинги. Она выпущена под лицензией Apache-2.0. Результаты для других языков и текстов за пределами финансовой тематики в карточке не подтверждены.

Это кросс-энкодер для повторного ранжирования текстовых результатов поиска и оценки релевантности пары «запрос — документ». Модель создана дообучением BAAI/bge-reranker-base с помощью библиотеки Sentence Transformers на 42 285 размеченных парах запросов и ответов из финансовых документов и материалов по вопросам и ответам FinQA и TAT-QA. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров. Она принимает пару текстов и выдаёт оценку релевантности; контекст ограничен 514 токенами. Подходит для уточнения порядка результатов поиска и семантического поиска, в том числе в системах работы с финансовыми документами. Для практического применения требуется подать модели пары «запрос — кандидатный текст» и отсортировать кандидатов по оценкам. Модель предназначена для текстовых данных; качество за пределами финансовых вопросов и документов не установлено. Лицензия в предоставленных данных не указана.

Это дообученная модель генерации текста на базе marin-community/marin-8b-base, разработанная AmberYifan. Она предназначена для диалоговых задач в финансовой тематике и обучена на наборе capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_cap_b1000_s0. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и использует контекст до 4096 токенов. Репозиторий содержит веса safetensors; в метаданных заявлена поддержка чата. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели и сопутствующих материалах.

AdaptLLM/finance-LLM-13B — англоязычная доменная языковая модель для финансовых задач, разработанная авторами исследования AdaptLLM. Это плотная авторегрессионная модель семейства LLaMA с 12,9 млрд параметров, созданная на основе LLaMA-1-13B посредством непрерывного предварительного обучения на финансовых корпусах, преобразованных в тексты для чтения и понимания. Такой подход предназначен для обогащения модели отраслевыми знаниями и сохранения способности отвечать на запросы в формате промптов. Модель подходит для генерации ответов и выполнения задач финансового анализа на английском языке, включая сценарии с финансовыми вопросами и тестовыми наборами ConvFinQA, FiQA_SA, Headline и FPB. Она принимает текст и генерирует текст; заявленная длина контекста — 2048 токенов. Это базовая модель до выравнивания, поэтому инструкции для чат-моделей могут ей не подходить. Репозиторий содержит веса PyTorch в формате safetensors. В предоставленных данных условия лицензии не описаны.

Finance Sentiment PL (base) — модель компании bards.ai для классификации тональности польских финансовых новостей. Она построена на базе allegro/herbert-base-cased и дообучена на польском переводе набора Financial PhraseBank. Архитектура — BERT с классификационной головой; модель содержит 151,6 млн параметров и принимает последовательности длиной до 514 токенов. Модель относит текст к одному из трёх классов: положительному, отрицательному или нейтральному. Её можно использовать для анализа новостных публикаций и тональности финансовых фраз. В README указаны macro F1 0,969, точность 0,971 и полнота 0,968; эти результаты получены при оценке на Financial PhraseBank. Модель распространяется по лицензии CC BY 4.0.

Англоязычная модель текстовых эмбеддингов, разработанная Vivek Kopthsd путём контрастивного дообучения BAAI/bge-small-en-v1.5 на парах предложений из FinancialPhraseBank. Она предназначена для семантического поиска и извлечения финансовых текстов, включая новости, счета и договоры, а также для подбора предложений со сходной финансовой тональностью. Модель основана на BERT, содержит около 40 млн параметров, принимает текстовые фрагменты с контекстом до 512 токенов и выдаёт эмбеддинги. В тесте на отложенных предложениях FinancialPhraseBank дообученная версия показала Recall@1 0,8282 против 0,6729 у базовой модели; оценка проверяла совпадение метки тональности у ближайшего соседа. Модель подходит для построения векторного поиска и извлечения контекста для RAG в финансовых приложениях. Проверка проводилась на прокси-задаче поиска по меткам, а не на человеческих оценках релевантности; словарь ориентирован на финансовые новости. Модель распространяется по лицензии MIT.

NickyNicky/Financial_graph — диалоговая языковая модель на архитектуре Gemma, предназначенная для понимания и анализа финансовых новостей и информации о фондовом рынке. Она может разбирать биржевые тенденции, экономические отчёты и инвестиционный анализ, а также работать с графами в формате JSON для их визуализации и анализа. Модель содержит 2,5 млрд параметров, использует библиотеку Transformers и принимает контекст длиной до 8192 токенов. Заявлена поддержка испанского и английского языков. Веса опубликованы в формате safetensors. README не уточняет базовую модель, лицензию и результаты оценки качества.

tyuan73/finetuned-modernbert-finance-large — модель Sentence Transformers, дообученная tyuan73 на новостях фондового рынка Yahoo Finance. В основе — ModernBERT-large с архитектурой ModernBertModel; модель содержит 396,4 млн параметров и формирует плотные векторы размерности 1024. Максимальная длина входа — 8192 токена, сходство векторов можно оценивать косинусной мерой. Модель предназначена для получения эмбеддингов финансовых текстов и поиска смыслового сходства. Её можно применять для семантического поиска новостей и документов, поиска перефразировок, кластеризации, классификации текстов и ранжирования похожих фрагментов. Обучение проводилось на датасете обработанных новостей Yahoo Finance с парами положительных и отрицательных примеров. Карточка не сообщает лицензию и конкретные поддерживаемые естественные языки. Качество за пределами финансовых новостей отдельно не подтверждено; указанный в README результат cosine_accuracy 1.0 относится к тесту TripletEvaluator и не гарантирует такую точность на других данных.

KayaTechAI/Llama-3.1-8B-Financial-Instruct — объединённая модель семейства Llama 3.1, созданная KayaTechAI методом Task Arithmetic с помощью mergekit. В состав объединения входят unsloth/Meta-Llama-3.1-8B-Instruct и KayaTechAI/llama-3.1-8b-financial-expert-pre-trained; базовой моделью для слияния указана unsloth/Meta-Llama-3.1-8B. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста в диалоговом формате с контекстом до 131 072 токенов. Модель предназначена для финансовых диалогов и генерации ответов с опорой на финансовую экспертизу. Она может применяться для подготовки ответов на вопросы о финансах и создания финансовых текстов. В репозитории указаны веса Safetensors и библиотека Transformers; лицензия в доступных данных не приведена.

QuantFactory/Llama-3.1-Hawkish-8B-GGUF — квантизированная версия модели Llama-3.1-Hawkish-8B, разработанной mukaj и преобразованной QuantFactory с использованием llama.cpp. Модель предназначена для генерации текста и работает в формате GGUF. Модель ориентирована прежде всего на финансовые и экономические задачи: анализ экономики, облигаций и фиксированной доходности, акций, корпоративного финансирования, деривативов и управления портфелем. Дополнительно в дообучение включались материалы по программированию, общим знаниям, NLP и диалогам, чтобы снизить забывание исходных возможностей. Указан английский язык. Размер модели — 8B параметров; точные характеристики архитектуры, размер контекстного окна и конкретный уровень квантизации в README не приведены. По заявлению авторов, модель улучшена в математике и экономике и показала проходной результат на представленном пробном экзамене CFA Level 1, однако приведённые оценки относятся к отдельному mock exam и не являются гарантией качества в реальных финансовых сценариях. Ограничения также связаны с отсутствием подробных данных о тестовой методике и точных параметрах квантизации. Лицензия обозначена как other, без дополнительных условий в карточке модели.

Marsilia-Embeddings-FR-Base — модель эмбеддингов на архитектуре XLM-RoBERTa, разработанная Sujet AI для поиска по финансовым текстам на французском языке. Она дообучена на 28 880 парах «вопрос — контекст» из Sujet-Financial-RAG-FR-Dataset и предназначена для построения векторных представлений предложений, семантического поиска и извлечения документов в RAG-системах. Модель содержит 305,2 млн параметров, принимает текст длиной до 514 токенов и выдаёт эмбеддинги размерности 768. Для сравнения представлений используется косинусное сходство. В карточке авторов заявлено, что на финансовых задачах модель превосходит некоторые закрытые модели эмбеддингов; оценка проводилась на тестовой части обучающего датасета. Модель распространяется по лицензии MIT. Она специально настроена на французские финансовые тексты, поэтому может хуже работать с другими языками и областями; результаты также зависят от смещений обучающих данных.

Marsilia-Embeddings-FR-Large — модель эмбеддингов предложений, разработанная sujet-ai для поиска и извлечения информации во франкоязычных финансовых текстах. Это дообученная модель на базе OrdalieTech/Solon-embeddings-large-0.1 с архитектурой XLM-RoBERTa и 658,7 млн параметров. Она преобразует текст в векторы размерностью 1024; для сравнения используется косинусное сходство. Максимальная длина последовательности составляет 512 токенов. Модель обучена на 28 880 парах «вопрос—контекст» из sujet-ai/Sujet-Financial-RAG-FR-Dataset и оценивалась на тестовой части этого набора с помощью InformationRetrievalEvaluator. Предназначена для семантического поиска, кластеризации и извлечения релевантных финансовых документов, в том числе в RAG-сценариях. Разработчик сообщает о результатах выше некоторых закрытых моделей эмбеддингов, но конкретные метрики в карточке не приведены. Оптимизирована для французского языка и финансовой тематики, поэтому качество на других языках и в иных областях может быть ниже. Лицензия — MIT.

ModernFinBERT — англоязычная модель классификации тональности финансовых текстов, разработанная Tabularis AI на основе ModernBERT и дообученная на синтетических и реальных финансовых данных, прошедших автоматизированную очистку. Она предназначена для определения тональности новостей, публикаций в соцсетях, криптовалютных и макроэкономических текстов. Модель построена на архитектуре ModernBERT, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. В README приведены результаты оценки на нескольких финансовых наборах данных: средняя точность составляет 0,75, а средний ROC-AUC — 0,91; показатели различаются в зависимости от набора данных и метрики. Модель распространяется по лицензии Apache-2.0. Результаты бенчмарков не гарантируют аналогичного качества на других данных, а модель предназначена для англоязычных текстов.

Qwen3.8-27B-CommercialLoan-MLX — специализированная языковая модель для вспомогательной оценки заявок на коммерческое кредитование предприятий. Она создана на основе Qwen3.8-27B и дообучена автором репозитория liuchen88 методом QLoRA. Модель предназначена для работы в MLX на компьютерах Apple Silicon и поставляется в формате BF16 с весами Safetensors. Модель ориентирована на китайский язык и сценарии корпоративного кредитного анализа. Она формирует трёхуровневое решение: одобрить, одобрить с условиями или отклонить заявку. Дополнительно модель анализирует финансовые показатели, выявляет риски, предлагает условия снижения рисков и объясняет принятое решение. В описании заявлено правило безусловного отказа при наличии исполнительных производств, статуса недобросовестного должника, ограничений на потребление, просроченной задолженности, банкротства или неплатёжеспособности. Архитектура указана как Qwen3_5ForConditionalGeneration (MLX), размер — 27 млрд параметров, 64 слоя, включая 48 SSM- и 16 полноценных attention-слоёв, скрытое измерение 5120, словарь из 248 320 токенов и контекст до 262 144 токенов. Используется Gated Attention с 24 Q- и 4 KV-головами и размером головы 256. Для запуска требуется Apple Silicon с unified memory от 64 ГБ; общий объём файлов весов составляет около 54,7 ГБ. Модель полезна для предварительного анализа заявок и подготовки объяснений, но не заменяет ручное решение кредитного специалиста: возможны ошибки классификации. Обучающие данные преимущественно отражают сведения о китайских публичных и малых и средних компаниях, поэтому применимость к предприятиям других стран ограничена. Лицензия в README не указана.

rLLM-FinQA-4B — языковая модель-агент для финансовых вопросов, разработанная rLLM и дообученная с подкреплением на основе Qwen3-4B-Instruct-2507. Она предназначена для ответов по финансовой отчётности компаний из форм 10-K SEC: модель может искать данные в таблицах, выполнять SQL-запросы и расчёты, а затем сопоставлять сведения из одной или нескольких таблиц. Модель основана на плотной архитектуре Qwen3 с 3,7 млрд параметров, принимает текст и выдаёт текст; заявленный контекст — до 262 144 токенов. Для обучения использовались 5 110 пар вопрос-ответ по отчётности 207 компаний и 6 923 финансовым таблицам. README сообщает точность 59,70% на Snorkel Finance Benchmark и 26,6% на Snorkel Finance Reasoning. Модель ориентирована на финансовые документы на английском языке и доступна под лицензией Apache-2.0. Для работы с таблицами и инструментами требуется соответствующая агентная среда; приведённые показатели относятся к указанным бенчмаркам.

RuBERT Russian Financial Sentiment — русскоязычный классификатор тональности финансовых и экономических текстов, разработанный автором репозитория на основе модели blanchefort/rubert-base-cased-sentiment-rusentiment. Это BERT-модель для классификации последовательностей объёмом 205,1 млн параметров; она относит текст к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель дообучена на наборе mteb/SentiRuEval2016 и рассчитана на анализ новостных заголовков и статей, публикаций в социальных сетях и комментариев об экономике, компаниях и рынках. Метаданные указывают максимальный контекст в 512 токенов, тогда как README сообщает ограничение обучения и использования в 128 токенов; для длинных текстов автор рекомендует разбиение или усечение. На тестовой выборке из 3 000 примеров указаны accuracy 0,8123 и macro F1 0,8108; чаще всего модель смешивает нейтральные и положительные высказывания. Она лицензирована по Apache 2.0. Результаты не следует использовать как единственное основание для финансовых решений.

nickmuchi/sec-bert-finetuned-finance-classification — модель классификации финансовых новостей по тональности, дообученная на базе nlpaueb/sec-bert-base. Она использует архитектуру BERT и различает три класса: отрицательную, нейтральную и положительную тональность. Обучение проводилось на предложениях из Financial PhraseBank с разметкой 50% согласия и наборе Kaggle; данные включают новости о COVID-19. В README указаны accuracy 0,8755 и F1 0,8744 на оценочном наборе. Модель предназначена для автоматической разметки тональности финансовых новостей и анализа настроений в текстах на английском языке. Она содержит 136,3 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и ONNX. Лицензия — CC BY-SA 4.0.

Talyno Whisper Small Finance — модель распознавания речи, разработанная на основе OpenAI Whisper Small и дообученная автором репозитория passpoo методом LoRA для финансовых звонков о результатах компаний и встреч с инвесторами. Опубликованный чекпойнт содержит объединённые с базовой моделью веса адаптера; архитектура — Whisper, размер в метаданных — 153,1 млн параметров. Модель принимает аудио и выдаёт транскрипцию на английском или китайском языке, включая упрощённый и традиционный варианты китайского. Обучение адаптировало декодер к финансовой лексике и формату общения аналитиков и отделов по связям с инвесторами, сохранив замороженный энкодер. В карточке описаны обучающие данные из записей earnings call, FLEURS и синтезированных финансовых фраз. Чекпойнт предназначен также для конвертации в Core ML для WhisperKit и приложения Talyno на iOS. Модель распространяется по лицензии Apache 2.0. Она оптимизирована для финансовых звонков и встреч инвесторов; качество на бытовой речи и в других предметных областях не оценивалось. Поддерживаются только английский и китайский.