IV.2Банки, платежи и инвестиции

XuanYuan-13B-Chat — финансовая языковая модель Duxiaoman-DI, основанная на Llama 2 13B и адаптированная для китайского и английского языков. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM, примерно 12,9 млрд параметров и контекстом до 8192 токенов. Версия Chat обучена на качественных инструкционных данных и выровнена с помощью обучения с подкреплением; базовая модель дополнительно обучалась на больших корпусах китайских и английских текстов с акцентом на финансовые материалы. Модель предназначена для диалогов, понимания языка, использования знаний, создания контента и краткого изложения, в особенности в финансовых сценариях. В карточке заявлено, что её результаты в этих задачах сопоставимы с моделями масштаба 70B; это заявление разработчика, а не независимая оценка. Репозиторий содержит веса safetensors и использует лицензию Llama 2. Для конкретной финансовой рекомендации следует учитывать риск фактических ошибок модели.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная разработчиком Baba-Voss на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и извлечения релевантных фрагментов, например, из финансовой отчётности. Архитектура основана на BERT: модель использует CLS-пулинг и нормализацию эмбеддингов. Контекст ограничен 512 токенами. Благодаря Matryoshka-обучению векторы можно сокращать до 512, 256, 128 или 64 измерений; в карточке приведены оценки поиска для этих размерностей. Модель также подходит для поиска дубликатов и кластеризации, а эмбеддинги можно использовать как признаки для классификации. Модель принимает текст и выдаёт векторные представления. Она обучена на 6300 парах текстов из датасета json, включая вопросы и ответы по корпоративным документам и финансовой отчётности. Лицензия — Apache-2.0. Карточка не приводит результатов на широком наборе финансовых задач, поэтому качество за пределами указанного набора поиска может отличаться; длина входа ограничена 512 токенами.

deter3/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная разработчиком deter3 на базе BAAI/bge-base-en-v1.5 на 6 300 парах текстов финансовой тематики. Она кодирует предложения и абзацы в плотные векторы размерностью 768, нормализует их и сравнивает по косинусному сходству; Matryoshka-обучение позволяет сокращать размерность векторов для поиска с меньшими затратами памяти и вычислений. Модель предназначена для семантического поиска по финансовым документам, сравнения вопросов и фрагментов текста, поиска перефразировок, кластеризации и использования в качестве признаков для классификации. Архитектура — BERT с пулингом CLS-токена; максимальная длина входа — 512 токенов. В README приведены результаты оценки поиска при размерностях от 64 до 768, но они не гарантируют качество на других данных. Модель принимает английский текст и выдаёт векторы для сравнения и поиска. Лицензия — Apache-2.0. Она не генерирует ответы и её специализация на финансовых текстах не означает, что она заменяет проверку финансовых выводов.

dustyatx/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная разработчиком на базе BAAI/bge-base-en-v1.5 на финансовых текстовых парах. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения предложений и извлечения релевантных фрагментов. Архитектура включает BERT, пулинг CLS-токена и нормализацию; сходство векторов оценивается косинусной мерой. Контекст ограничен 512 токенами. Matryoshka-обучение позволяет использовать укороченные представления размерностью 512, 256, 128 или 64 с некоторым снижением качества поиска. Модель подходит для поиска по финансовым документам, подбора текстов по смыслу, кластеризации и классификации текстов на основе эмбеддингов. В README приведены оценки информационного поиска на наборах данных для нескольких размерностей векторов; состав и происхождение оценочных наборов описаны ограниченно, поэтому результаты не гарантируют качество на других данных. Модель принимает текст и выдаёт векторы, не генерируя ответы. Лицензия — Apache-2.0.

Mik997/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная автором на примерах из финансовых документов на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы для семантического поиска, сравнения текстов и ранжирования результатов по сходству. Архитектура состоит из BERT-трансформера, пулинга CLS-токена и нормализации выходного вектора; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Основной размер эмбеддинга — 768 измерений. Благодаря обучению с MatryoshkaLoss доступны укороченные представления размером 512, 256, 128 и 64 измерения, что позволяет выбирать компромисс между компактностью вектора и качеством поиска. В README приведены результаты оценки информационного поиска на нескольких размерностях. Модель предназначена прежде всего для английских финансовых и деловых текстов, но обучающий набор также содержит примеры об общих темах. Лицензия — Apache-2.0. Карточка не сообщает о проверке качества на широком наборе финансовых задач, поэтому пригодность для конкретного корпуса следует оценивать отдельно.

BGE base Financial Matryoshka — англоязычная модель эмбеддингов на базе Sentence Transformers, дообученная Soumya Mohanty на основе BAAI/bge-base-en-v1.5 на 6 300 примерах финансовых текстов. Архитектура включает BERT, пулинг по CLS-токену и нормализацию; модель содержит 136,7 млн параметров, выдаёт плотные векторы размерности 768 и принимает последовательности длиной до 512 токенов. Для сравнения векторов используется косинусное сходство. Модель предназначена для семантического поиска и сопоставления финансовых предложений и фрагментов документов; также её можно применять для поиска перефразировок, кластеризации и классификации текста. Matryoshka-обучение позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64, с приведёнными в карточке результатами оценки поиска для этих размерностей. Лицензия — Apache-2.0. Модель создаёт текстовые эмбеддинги и рассчитана на английский язык. Оценки поиска относятся к указанным в карточке тестовым наборам; отдельные сведения о поведении на других языках и финансовых доменах не приводятся.

CFGPT2-7B — китайская финансовая языковая модель TongjiFinLab на архитектуре InternLM2. Её получили продолжительным предварительным обучением InternLM2 на финансовых текстах и общих материалах, включая Википедию, а затем дообучили на инструкциях с финансовыми знаниями. Модель содержит 7,4 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста и ответов на вопросы по финансовой тематике: объявлениям, финансовым статьям и новостям, экзаменационным материалам и исследовательским работам. Разработчики сообщают о предварительной оценке на CFBenchmark и превосходстве над несколькими сопоставимыми базовыми моделями на финансовых задачах. Основной язык модели — китайский. Репозиторий содержит веса в формате safetensors; лицензия — Apache 2.0.

Модель hazrulakmal/distilbert-optimised-finetuned-financial-sentiment — дообученная версия distilbert-base-uncased для классификации тональности финансовых текстов. Она построена на DistilBERT и предназначена для определения эмоциональной окраски финансовых высказываний; поддерживает входной контекст длиной до 512 токенов. В карточке приведены результаты оценки: accuracy 0,8582 и F1 0,8581 при loss 0,3112. Данные для обучения обозначены как None, поэтому результаты нельзя уверенно переносить на конкретные источники и типы финансовых текстов. Модель опубликована под лицензией Apache-2.0.

EXAONE Tabular — трансформерная фундаментальная модель для классификации и регрессии на структурированных табличных данных, разработанная LG AI Research. Она использует архитектуру Cross-axis Summary Transformer (CAST) и обучение в контексте: получает размеченные строки через интерфейс fit и предсказывает значения для новых строк без обновления градиентов и отдельного обучения на каждом наборе данных. В репозитории доступны отдельные контрольные точки классификатора примерно на 20,8 млн параметров и регрессора примерно на 21,1 млн параметров. Модель предназначена для задач обучения с учителем на таблицах в пределах проверенных размеров выборок и числа признаков. API в стиле scikit-learn поддерживает fit и predict, а классификатор также предоставляет predict_proba; модель можно использовать в sklearn.pipeline.Pipeline. В README сообщается о конкурентных результатах на TabArena, включая первое место среди классификаторов в описанном сравнении. При классификации нативная голова поддерживает до 10 классов; для большего числа классов применяется ECOC-декомпозиция, повышающая стоимость вывода. Большие наборы опорных примеров могут прореживаться, а очень большие входы выходят за пределы проверенного режима. Модель не предназначена для необработанных изображений, текста, аудио или видео. Код runtime лицензирован разрешительно, но веса доступны только для некоммерческих исследований и обучения.

FinanceBERT — модель на архитектуре BERT, дообученная для анализа тональности финансовых текстов. Она классифицирует сообщения как положительные, отрицательные или нейтральные и предназначена для анализа финансовых новостей, отчётов и публикаций в социальных сетях. Модель содержит 136,7 млн параметров, принимает текст на английском языке и поддерживает контекст до 512 токенов. Для неё указаны метрики на тестовой выборке: точность 92% и взвешенная F1-мера 92%; эти результаты относятся к описанной выборке и не гарантируют такое же качество на других данных. Модель специализируется на финансовой тематике и может хуже работать с текстами из других областей. Её решения трудно интерпретировать, а качество зависит от смещений обучающих данных. Лицензия — GPL-3.0.

Finance-Llama-8B — дообученная Tarun7r языковая модель семейства Llama на базе unsloth/Meta-Llama-3.1-8B. Она предназначена для финансовых задач и диалогов: отвечает на вопросы, помогает рассуждать о финансах, распознаёт сущности и тональность, классифицирует темы и обрабатывает многошаговые беседы. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текст для генерации текста. Указанная длина контекста — до 131 072 токенов. Обучение проводилось на наборе Finance-Instruct-500k, объединяющем более 500 тысяч инструкций и примеров из финансовых источников. В карточке заявлена многоязычная обработка, однако конкретный основной язык модели не установлен; метаданные карточки указывают английский. Модель может быть полезна для прототипирования финансовых помощников, анализа финансового текста и подготовки к CFA Level 1. Результаты экзамена в карточке описаны как приблизительные и не подтверждают точность в реальных финансовых сценариях. Модель выпущена по лицензии Apache-2.0; её создатели не гарантируют точность и надёжность ответов и отказываются от ответственности за финансовые последствия использования.

Finance LLM 13B GGUF — квантизированная версия языковой модели Finance LLM 13B, разработанной AdaptLLM и преобразованной в формат GGUF пользователем TheBloke. Модель основана на архитектуре Llama, содержит около 13 миллиардов параметров и предназначена для генерации текста на английском языке. Модель ориентирована на финансовые сценарии и задачи обработки текста, включая ответы на запросы и работу с финансовой информацией. Она обучалась с использованием наборов данных Open-Orca, GAIR/lima и WizardLM/WizardLM_evol_instruct_V2_196k. Для взаимодействия рекомендуется шаблон с разделами «### User Input» и «### Assistant Output». Формат GGUF поддерживается llama.cpp и рядом локальных интерфейсов и библиотек, а доступные варианты квантизации от 2 до 8 бит позволяют запускать модель с использованием CPU и GPU и выбирать компромисс между размером, скоростью и качеством. При этом квантизация может снижать точность по сравнению с исходной моделью в формате FP16. В README не указаны размер контекста и мультимодальные возможности; модель описана как текстовая. Лицензия обозначена как other, без дополнительных условий, поэтому точные правила использования требуют проверки у разработчика исходной модели.

gouravsinha/finance-NER — языковая модель для извлечения сущностей из финансовых предложений, например имён людей, сведений о покупке и продаже акций и приобретениях компаний. README содержит шаблон запроса, который просит выдавать результат в виде списка словарей, и пример загрузки модели как причинной языковой модели MPT. Для загрузки README указывает базовую модель mosaicml/mpt-7b-instruct. MPT поддерживает функции FlashAttention и ALiBi; в примерах также показана настройка длины последовательности 4096 токенов. Модель принимает текст и генерирует текст с извлечёнными сведениями. Для загрузки требуется trust_remote_code=True, поскольку используется пользовательская архитектура MPT. В метаданных указаны библиотека PyTorch, формат весов PyTorch и лицензия CC BY-SA 3.0. Карточка не приводит оценки точности или подробной схемы извлекаемых полей, поэтому результаты извлечения следует проверять на целевых документах.

Xenova/finbert — версия модели ProsusAI/finbert с весами в формате ONNX, подготовленная для работы с библиотекой Transformers.js. Разработчик исходной модели — ProsusAI; данный репозиторий адаптирован для использования в JavaScript-приложениях и веб-среде. Модель предназначена для задач классификации текста. В README приведён сценарий запуска через pipeline Transformers.js с типом text-classification, поэтому её можно применять в приложениях, поддерживающих эту библиотеку. Ключевая особенность — формат ONNX и совместимость с Transformers.js, что упрощает выполнение модели в JavaScript-окружении. Сведения о размере, архитектуре, поддерживаемых языках и модальностях, максимальной длине контекста, лицензии и ограничениях в README не указаны.

FinBERT-India-v1 — модель Vansh Momaya, дообученная для анализа тональности финансовых новостей и заголовков фондового рынка Индии. Она использует архитектуру BERT и содержит 137 млн параметров; принимает текст и относит его к одному из трёх классов: положительному, нейтральному или отрицательному. Модель рассчитана на англоязычные материалы об индийском рынке, а максимальный контекст составляет 512 токенов. Модель подходит для анализа новостного фона, классификации тональности финансовых сообщений и подготовки признаков для систем прогнозирования и алгоритмической торговли. В README указана точность 76,8% на оценочной выборке; эти результаты относятся к данным и условиям оценки автора и не гарантируют качество на других источниках. Модель может ошибаться на сарказме и неоднозначных заголовках, а на новостях о рынках за пределами Индии её качество может быть ниже. Данные для обучения размечались с помощью LLM и дополнительно проверялись вручную. Лицензия — MIT.

Модель tahp0604/finbert-sentfin — англоязычный классификатор тональности финансовых новостных заголовков Индии, созданный дообучением ProsusAI/finbert на наборе SEntFiN 1.0. Это плотная BERT-модель для классификации последовательностей с 136,7 млн параметров и контекстом до 512 токенов; на практике она оптимизирована для коротких заголовков длиной до 128 токенов. Модель присваивает тексту одну из трёх меток: положительную, отрицательную или нейтральную. Она предназначена для оценки тональности новостей об индийских компаниях и акциях NSE/BSE, а также для использования в контурах анализа финансовых сигналов. По данным карточки, на отложенной выборке индийских финансовых заголовков модель достигла F1 0,873. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Обучающие примеры — заголовки Economic Times и Moneycontrol за 2002–2017 годы, связанные с компаниями NSE500. Модель может хуже работать с новыми финансовыми инструментами и регуляторной терминологией, полными статьями, товарами, валютами и глобальными рынками; её оценки не следует считать самостоятельной основой для инвестиционных решений.

FinSentinel — модель Ahmed Walid BOUANZOUL для классификации тональности финансовых текстов на французском языке. Она дообучена на базе camembert-base на 12 816 финансовых предложениях и относит текст к одному из трёх классов: негативная (Bearish), позитивная (Bullish) или нейтральная тональность. Модель использует архитектуру CamemBERT с 137,8 млн параметров и принимает текст длиной до 514 токенов. В README указаны точность 78,08% и F1 0,7759; качество неодинаково по классам: нейтральный класс распознаётся заметно лучше, чем негативный и позитивный. Модель распространяется по лицензии MIT.

llmware разработала industry-bert-sec-v0.1 — англоязычную модель эмбеддингов на основе BERT и Sentence Transformers, дообученную на общедоступных документах и регуляторных материалах Комиссии по ценным бумагам и биржам США (SEC). Модель предназначена для получения векторных представлений текстов и может служить заменой эмбеддингов в финансовых и регуляторных сценариях. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Её можно применять для семантического поиска, сравнения текстов и поиска релевантных фрагментов в документах SEC и других финансовых материалах. Лицензия — Apache 2.0. Качество результатов может снижаться за пределами финансовой и регуляторной тематики; возможны аномалии в пространстве эмбеддингов. В README отмечено, что специальные меры для устранения смещений в данных не применялись.

KR-FinBert-SC — это корейская модель для классификации тональности финансовых новостей и аналитических отчетов. Она разработана путем дополнительного предобучения KR-BERT-MEDIUM на финансовых текстах, а затем дообучена на размеченных данных для анализа тональности. В карточке Hugging Face указана архитектура BERT с классификационной головой, размер около 128,6 млн параметров и максимальная длина контекста 512 токенов. Модель предназначена для определения положительной или отрицательной тональности сообщений о компаниях, рынках и финансовых результатах. В описанном эксперименте она достигла точности 0,963 на 50 000 размеченных примерах. Обучающие данные включали корейские новости и отчеты аналитиков, поэтому модель ориентирована прежде всего на корейский язык и финансовую тематику. Модель распространяется в формате PyTorch. Лицензия в предоставленных данных не указана.

Llama-3-8B-Instruct-Finance-RAG — дообученная модель на основе Meta Llama 3 8B Instruct, созданная для ответов на вопросы по финансовому контексту. Разработчик дообучил её с помощью LoRA на 4 000 примерах набора virattt/financial-qa-10K и ориентировал на сценарий, в котором модель получает вопрос и связанный с ним текстовый фрагмент. Модель использует плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров и рассчитана на генерацию текста в диалоговом формате. Она предназначена для финансовых RAG-систем, где ответ формируется по предоставленной информации; карточка указывает английский язык, а контекстное окно составляет 8 192 токена. Репозиторий использует Transformers и формат safetensors. Модель распространяется по лицензии Llama 3. Качество ответов зависит от полноты и точности переданного контекста; карточка описывает финансовый набор данных и RAG-сценарий, но не приводит оценок качества на независимых тестах.

QuantFactory/Llama-3-8B-Instruct-Finance-RAG-GGUF — квантизированная версия модели Llama 3 8B Instruct, созданная QuantFactory с использованием llama.cpp на основе модели curiousily/Llama-3-8B-Instruct-Finance-RAG, которая, в свою очередь, дообучена на базе Meta Llama 3 8B Instruct с применением LoRA-адаптера. Дообучение выполнено на 4000 примерах из датасета virattt/financial-qa-10K. Модель предназначена для задач retrieval-augmented generation (RAG): она отвечает на вопросы, используя предоставленный контекст, преимущественно в финансовых сценариях, включая анализ финансовой отчётности и раскрытий компаний. Рекомендуемый формат запроса содержит вопрос и блок информации; модель обучалась извлекать ответ из этого контекста и может выдавать краткие ответы без лишних пояснений. Поддерживается генерация текста на английском языке. Известно, что это causal language model размером 8B параметров с архитектурой Llama 3, представленной в GGUF-квантизированном формате. Конкретный тип и уровень квантизации, максимальный размер контекста и требования к ресурсам в README не указаны. Сильная сторона модели — специализация на ответах по заданному финансовому контексту; она не предназначена для надёжных ответов без соответствующих исходных данных и может быть ограничена качеством и полнотой предоставленного контекста. Лицензия указана как llama3.

Marsilia-Embeddings-EN-Large — англоязычная модель эмбеддингов от sujet-ai, дообученная на базе BAAI/bge-large-en-v1.5 для финансовых текстов. Она использует архитектуру BERT в формате Sentence Transformer и предназначена для семантического поиска, извлечения релевантных документов и других сценариев RAG в финансовой тематике. Модель содержит 433,9 млн параметров, принимает текст длиной до 512 токенов и выдаёт векторы размерности 1024. Для сравнения эмбеддингов используется косинусное сходство. Модель оценивали на тестовой части набора Sujet-Financial-RAG-EN-Dataset с помощью InformationRetrievalEvaluator; карточка сообщает о результатах выше ряда закрытых моделей эмбеддингов, но не приводит численных метрик. Модель рассчитана на английские финансовые тексты и может хуже работать с другими языками и тематиками; в обучающих данных могут присутствовать смещения. Лицензия — MIT.

Mihenk-LLM v2 — AlicanKiraz0 разработал эту модель на базе Qwen/Qwen3.6-35B-A3B, дообучив и объединив её для финансовых задач на турецком языке. Это текстовая причинно-следственная языковая модель с разреженной MoE-архитектурой: 35 млрд параметров всего и около 3 млрд активных параметров. Метаданные указывают 2,9 млрд параметров; длина контекста — 262 144 токена. Модель предназначена для диалогов и генерирует структурированные текстовые ответы. Она помогает разбирать финансовую отчётность компаний BIST, объяснять денежные потоки и прибыльность, анализировать криптоактивы и макроэкономические сценарии, а также оценивать валютный риск, концентрацию портфеля и влияние заёмных средств. Основной язык — турецкий; также заявлена поддержка английского. Автор приводит небольшую smoke-оценку на восьми парах запросов, поэтому её результаты не подтверждают качество на широком наборе задач. Модель не подключена к данным рынка в реальном времени. Цены, ставки, налоги, регулирование и корпоративные новости нужно проверять по актуальным официальным источникам; ответы не являются инвестиционной консультацией и не подходят как единственное основание для решений. Лицензия — Apache-2.0.

ModernFinBERT — модель классификации тональности финансовых текстов, разработанная на базе ModernBERT-base. Она относит текст к одной из трёх категорий: NEGATIVE, NEUTRAL или POSITIVE. Модель содержит 149 млн параметров, использует архитектуру ModernBERT с rotary positional embeddings, Flash Attention и активациями GeGLU; поддерживает контекст до 8192 токенов. Модель предназначена для анализа тональности финансовых новостей, пресс-релизов, стенограмм звонков о доходах, вопросов аналитиков и финансовых сообщений. Она дообучена на финансовом корпусе, включающем FinancialPhraseBank и дополнительные примеры, созданные методом Verbalized Sampling. В README приведены результаты пятиблочной кросс-валидации: accuracy 81,41% и macro F1 77,66%. Модель рассчитана только на английские тексты и выдаёт три класса тональности без аспектного анализа или более детальных категорий. В новостной части обучающих данных преобладают пресс-релизы канадских горнодобывающих компаний, что может влиять на результаты в других финансовых отраслях. Лицензия — Apache-2.0.

qfin — дообученная alfotech языковая модель на архитектуре Qwen2 для финансовых и количественных рассуждений. Она предназначена для ответов на финансовые вопросы и решения задач, требующих количественного анализа. Модель содержит 1,5 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и ориентирована на английский язык. Модель основана на unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit и распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценивания качества; как компактную модель, её ответы по финансовым расчётам и выводам следует проверять.

Qwen3-8B Financial — плотная языковая модель на архитектуре Qwen3, дообученная на базе Qwen/Qwen3-8B. Она предназначена для понимания финансовых текстов и поддерживает ответы на вопросы, выбор вариантов ответа, анализ тональности, классификацию тем и суммаризацию. Модель содержит 7,6 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. В метаданных перечислена поддержка английского, китайского, японского, испанского, греческого и индонезийского языков. Для генерации автор рекомендует передавать запрос напрямую, без системного сообщения и обёртки чата, с жадным декодированием при temperature 0. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или сведений о финансовых данных и ограничениях применимости ответов.

Bencode92/tradepulse-finbert-sentiment — дообученная версия FinBERT для классификации тональности финансовых текстов, разработанная командой TradePulse ML Team. Модель относится к категории text classification и определяет один из трёх классов: negative, neutral или positive. Она предназначена для анализа финансовых новостей, корпоративных сообщений и других текстов, где требуется оценить позитивную, нейтральную или негативную тональность, в том числе в сценариях, связанных с торговыми решениями. В README указано, что модель работает с английским языком и использует Transformers-интерфейс AutoTokenizer и AutoModelForSequenceClassification. Размер модели, точная архитектура базового FinBERT и максимальная длина контекста не указаны. По данным карточки, модель обучалась инкрементально в течение двух эпох на датасете base_reference.csv из 1797 образцов с learning rate 1e-05 и batch size 4, без балансировки классов. На указанном наборе получены Accuracy, F1, Precision и Recall 1.0000, однако независимая проверка и сведения о способности обобщать на новые данные не приведены, поэтому эти результаты следует интерпретировать с осторожностью. Лицензия модели — Apache-2.0.

Genereux-akotenou/yolos-headwear — дообученная модель обнаружения объектов на основе YOLOS-small от Hustvl. Разработчик адаптировал её для поиска лица и предметов на голове, используя отфильтрованную и перемаркированную часть датасета Fashionpedia. Модель содержит 28,3 млн параметров и доступна в формате PyTorch через Transformers. Модель предназначена для сценариев проверки личности и KYC, в том числе для выявления признаков, важных при проверках liveness и соответствия требованиям к изображению лица. Она обнаруживает шесть классов: лицо, очки, шляпу, маску, повязку и головной убор. Прикладная область — анализ изображений; сведения о лицензии и контекстном окне в предоставленных данных отсутствуют, а применение зависит от качества изображения и обучающих данных.

Модель oferweintraub/bert-base-finance-sentiment-noisy-search — дообученная автором версия bert-base-uncased для определения тональности финансовых новостей. Она использует архитектуру BERT для классификации текста и выдаёт один из трёх классов: Positive, Neutral или Negative. Автор сообщает, что после обучения на автоматически собранных поиском новостных примерах точность на отложенной выборке исходного набора Kaggle выросла примерно с 88% до более чем 95%; качество меток новых примеров заранее не проверялось. Модель предназначена для анализа заголовка вместе с первым абзацем новости либо её кратким пересказом; в README рекомендуется краткий текст объёмом до 64 токенов. Контекст модели составляет 512 токенов, всего в ней 136,7 млн параметров. Поддерживаемый язык — английский. Распространяется по лицензии Apache-2.0.

prabakar2307/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная автором на 6 300 пар текстов финансовой тематики на базе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные векторы размерностью до 768 и предназначена для семантического поиска, сравнения текстов и поиска релевантных документов в финансовых материалах. Модель построена на BERT с пулингом CLS-токена и нормализацией векторов; максимальная длина входа — 512 токенов, сходство оценивается косинусной мерой. Обучение с MatryoshkaLoss позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64 с сохранением пригодности для поиска. README приводит результаты оценки информационного поиска на нескольких размерностях, однако они относятся к указанным в карточке наборам оценки. Модель принимает английский текст и выдаёт текстовые эмбеддинги. Лицензия — Apache-2.0. Она предназначена для финансовых текстов и не генерирует ответы; качество для других языков и областей карточкой не подтверждено.