IV.2Банки, платежи и инвестиции

Это англоязычная модель классификации тональности финансовых новостей, созданная mrm8488 путём дообучения microsoft/deberta-v3-small. Она предназначена для определения тональности предложений из финансовых новостей и может применяться для анализа новостных потоков и сортировки публикаций по тональности. В основе лежит архитектура DeBERTa V3 с шестью слоями и размером скрытого представления 768; общий размер модели по метаданным — 155 млн параметров, контекст — до 512 токенов. В README указана оценка F1 0,994 на тестовом наборе из 4 840 предложений англоязычных финансовых новостей с метками тональности. Модель распространяется по лицензии MIT. Результаты на этом наборе не гарантируют такую же точность на других источниках и типах финансового текста. README не уточняет название набора данных и детальную схему классов тональности.

Jongbin-kr/exaone3.5_lofit_convfinqa_top32 — дообученная версия EXAONE-3.5-7.8B-Instruct от LG AI Research, подготовленная разработчиком Jongbin-kr для ответов на вопросы по финансовым документам в диалоговом формате. Модель дообучали на наборе lg_convfin_mcq_pc методом LoFiT: на финальном этапе настраивались 32 наиболее чувствительные к задаче головы внимания в течение пяти эпох. Получившиеся смещения включены в выходные проекции слоёв внимания, поэтому для инференса отдельный адаптер LoFiT не требуется. Модель имеет плотную архитектуру ExaoneForCausalLM, содержит 7,4 млрд параметров и поддерживает контекст до 32 768 токенов. Базовая EXAONE-3.5-7.8B-Instruct рассчитана на английский и корейский языки; специализированное дообучение выполнено для финансовых вопросов. Репозиторий распространяет веса в формате Safetensors и использует библиотеку Transformers. В README указано, что для загрузки требуется доверенный пользовательский код базовой модели. Лицензия в предоставленных данных не обозначена.

FinanceGemma-E4B-GGUF — это квантованная в формате GGUF версия модели FinanceGemma-E4B, разработанной naazimsnh02 и дополнительно подготовленной mradermacher. Модель ориентирована на финансовые сценарии, включая генерацию текста, классификацию, анализ тональности и выполнение инструкций. Для обучения использовались наборы Finance-Instruct-500k и Sujet-Finance-Instruct-177k. Заявленный язык — английский; модель относится к семейству Gemma, однако точная архитектура, число параметров и размер контекста в README не указаны. Доступны варианты квантования от Q2_K до Q8_0, а также версия f16 с размерами файлов примерно от 4,5 до 15,2 ГБ. В README отмечено, что Q4_K_S и Q4_K_M рекомендуются для быстрого использования, Q6_K обеспечивает очень хорошее качество, а Q8_0 — лучшее качество среди быстрых вариантов. Также опубликованы файлы mmproj для мультимодального дополнения, но поддерживаемые модальности и ограничения мультимодальной работы подробно не описаны. Квантование уменьшает требования к памяти, но может снижать качество по сравнению с исходной моделью; weighted/imatrix-кванты на момент публикации отсутствовали. Модель распространяется по лицензии Apache-2.0.

kevinwlip/financial-sentiment-model-1500-samples — модель классификации текста на основе DistilBERT, дообученная на неизвестном наборе данных; базовая модель — distilbert/distilbert-base-uncased. Она предназначена для классификации финансовых текстов по тональности. В оценке на тестовом наборе указаны accuracy и F1 по 0,7333, loss 0,7427, MSE 0,4767 и MAE 0,3367; данных о классах и составе обучающей выборки нет. Модель использует текстовый ввод, имеет контекст до 512 токенов и распространяется по лицензии Apache-2.0.

FinBERT-FOMC — модель классификации тональности финансовых текстов, разработанная Ziwei Chen на основе ProsusAI/finbert и дообученная на материалах протоколов заседаний FOMC за период с января 2006 года по февраль 2023 года. Для сложных предложений в обучающих данных метки тональности были уточнены методом Sentiment Focus. Модель предназначена для определения положительной, отрицательной или нейтральной тональности финансовых высказываний, в том числе сложных формулировок из протоколов Федерального комитета по операциям на открытом рынке США. Архитектура — BERT для классификации последовательностей, размер — 137 млн параметров; контекст ограничен 512 токенами. Модель работает с текстом и распространяется в формате PyTorch. Авторы сообщают о более высокой точности на сложных финансовых предложениях по сравнению с исходной FinBERT. Обучение ориентировано на протоколы FOMC, поэтому результаты на других финансовых текстах могут отличаться. Лицензия в предоставленных данных не указана.

FinBertPTBR — модель на базе BERT, разработанная Vinicius Carmo, Julia Pocciotti, Luísa Heise и Lucas Leme для анализа финансовых текстов на бразильском португальском языке. Авторы продолжили обучение BERTimbau на крупном финансовом корпусе и настроили модель для классификации тональности. Модель предназначена для определения тональности финансовых новостей и других текстов, связанных с финансовой тематикой. Это плотная архитектура BERT с классификационной головой, примерно 136,1 млн параметров и контекстом до 512 токенов. Доступна в формате PyTorch. Карточка помечает модель как устаревшую и сообщает о наличии более новой версии. Модель распространяется по лицензии Apache-2.0.

Модель nickmuchi/finbert-tone-finetuned-fintwitter-classification — дообученная версия yiyanghkust/finbert-tone для определения финансовой тональности твитов. Она построена на архитектуре BERT и выдаёт класс тональности для входного текста; при обучении веса классов скорректировали с учётом их несбалансированного распределения. В README на тестовой выборке указаны accuracy 0,884 и F1 0,8838. Модель подходит для классификации тональности финансовых публикаций и анализа настроений вокруг акций. Она принимает текст, поддерживает контекст до 512 токенов и распространяется в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

FinEdgeX-Sentiment — модель FinEdgeX для классификации тональности финансовых текстов, ориентированная на индийский фондовый рынок NSE и BSE. Она основана на FinBERT и дообучена на Financial PhraseBank и небольшом наборе примеров с контекстами индийского рынка, включая NSE, BSE, SEBI и RBI. Архитектура — BERT для классификации последовательностей, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель присваивает тексту одну из меток: BULLISH, BEARISH или NEUTRAL. Её можно применять для анализа новостей, корпоративных сообщений и других финансовых текстов, чтобы выявлять позитивный, негативный или нейтральный сигнал для индийского рынка. Основной язык карточки и обучающих данных — английский. Модель распространяется по лицензии Apache-2.0. Набор примеров специально собранных индийских рыночных текстов невелик, поэтому результаты в узких контекстах могут быть менее надёжными; заявленные в README характеристики качества не приведены.

Qrzysztof дообучил компактную текстовую модель Google FunctionGemma 270M для распознавания запросов по предоплаченным картам и выбора соответствующего вызова функции. Модель построена на Gemma 3, содержит 257 млн параметров, принимает текст и генерирует текст с вызовами инструментов в протоколе FunctionGemma; контекст — до 32 768 токенов. Она предназначена для чат-агентов, которые оформляют покупку цифровой предоплаченной карты Visa или виртуальной Mastercard, проверяют баланс и показывают историю транзакций. Обучение охватывает многоязычные и многоходовые диалоги, включая опечатки и неформальную речь. В тестировании на отложенной выборке v2 точность выбора инструмента составила 89,5%; качество зависит от языка, а низкоресурсные языки покрыты менее равномерно. Данные обучения синтетические. Модель только формирует вызовы функций и не подключена к платёжной системе или базе карт; аргументы, особенно номера карт, следует проверять на сервере перед выполнением операций. Для использования действует лицензия Gemma.

German FinBERT SC Sentiment — модель BERT base, разработанная Морицем Шеррманом для анализа тональности финансовых текстов на немецком языке. Она предназначена для классификации финансовых новостей и коротких фраз по тональности. Модель обучена с нуля, а затем дообучена на немецком переводе набора Financial News Phrase Bank. В карточке сообщается о точности 95,95% и Macro F1 92,70% на тестовой выборке этого набора. Архитектура — BertForSequenceClassification с 136,3 млн параметров; максимальный контекст — 512 токенов. Доступны веса PyTorch и Safetensors. Модель подходит для анализа тональности финансовых новостей и мониторинга новостных потоков на немецком языке. Результаты карточки относятся к указанному набору данных и сами по себе не подтверждают качество на других текстах или типах финансовых документов. Лицензия — Apache-2.0.

Модель c299m/japanese_stock_sentiment — классификатор тональности комментариев и обсуждений о японских акциях. Она создана для определения двух классов: бычьего и медвежьего настроения; автор README сообщает, что модель обучена на собранных комментариях о фондовом рынке. Архитектура — BERT для классификации последовательностей, размер — 137,8 млн параметров, максимальный контекст — 512 токенов. Модель принимает японский текст и выдаёт метку тональности. Её можно применять для анализа сообщений инвесторов и поддержки работы рыночных аналитиков при сборе настроений участников рынка. Точность и качество на конкретных источниках комментариев в карточке не приведены, поэтому перед использованием в торговых решениях результаты следует проверять. Лицензия — MIT.

kwoncho/KoFinBERT — корейская модель RoBERTa для классификации тональности предложений из корпоративных новостей на положительную, нейтральную или отрицательную. Модель разработана на основе исследования по классификации новостей о компаниях с использованием KoBERT и дообучена для этой задачи; в репозитории указаны 137,8 млн параметров и контекст до 514 токенов. Модель предназначена для анализа важных новостей в финансовой, управленческой и бухгалтерской сферах. Например, она может отличать нейтральное сообщение о росте долга компании от негативного сообщения, где рост связан с провалом стратегии. Для новостей низкой значимости точность может быть ниже; автор указывает F1 0,869 и отмечает, что улучшение относительно результата статьи невелико. Лицензия в предоставленных данных не указана.

Модель cool9203/Llama3.1-8B-Chinese-Chat-iii_finance-v2 — дообученная плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, созданная на основе shenzhi-wang/Llama3.1-8B-Chinese-Chat. Она предназначена для генерации текста в формате чата и ответов на вопросы по финансовым материалам с использованием RAG: в карточке описан поиск BM25 и шаблон, который просит отвечать на вопрос, опираясь на найденную информацию. В метаданных указано контекстное окно 131072 токена; README приводит параметр context_length 2048 для описанной настройки. Модель опубликована в формате safetensors и имеет интерфейс для вызова инструментов. Карточка не сообщает лицензию и не уточняет языки или ограничения точности финансовых ответов.

mrm8488 дообучил answerdotai/ModernBERT-base для классификации тональности финансовых новостей. Модель принимает текст и выдаёт метку класса; в README приведены результаты оценки: F1, точность и полнота — 0,9765, loss — 0,1293. Объём модели составляет 149 млн параметров, максимальная длина контекста — 8192 токена. Базовая ModernBERT — англоязычная модель понимания текста, поэтому модель предназначена для анализа финансовых новостей на английском языке. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3.5-2B Financial Sentiment Extractor — дообученная компанией Tuned Tensor модель Qwen/Qwen3.5-2B для извлечения тональности из финансовых твитов и публикаций в соцсетях. На вход подаётся одна короткая публикация, на выходе модель формирует компактный JSON с меткой bearish, bullish или neutral, числовым классом и кратким обоснованием. Модель основана на плотной архитектуре Qwen3.5 с 2 млрд параметров и обучена на 4 080 примерах датасета zeroshot/twitter-financial-news-sentiment в течение одной эпохи с точностью bf16. README сообщает о повышении оценок на тестовой и валидационной выборках относительно базовой модели и о корректном JSON-формате во всех проверенных примерах. Репозиторий использует safetensors и библиотеку Transformers. Модель предназначена для классификации рыночного настроения в коротких финансовых публикациях и выдачи структурированного результата для последующей обработки. Неоднозначные публикации со смешанными сигналами могут классифицироваться сложнее. Модель не является инвестиционным советником, торговой системой или источником фактических рыночных данных. Лицензия — Apache-2.0.

Retail Bank domain-intent router — дообученная модель DistilBERT для маршрутизации запросов клиентов розничного банка. Общий энкодер оснащён бинарной головой, определяющей, относится ли запрос к банковской тематике или к внешнему домену (OOD), и головой классификации по 77 банковским намерениям. Для строк CLINC функция потерь по классификации намерений отключается. Модель предназначена для определения банковского намерения и отсева запросов вне поддерживаемой области перед передачей их подходящему сценарию обслуживания. В README приведены результаты на отложенной выборке: macro F1 для намерений 0,948, доля ошибочных отказов для внутридоменных запросов 0,51%, а доля ошибочного принятия OOD-запросов 2,01%; для разговорных запросов доля ошибочных отказов составляет 5%. Это текстовый классификатор на базе DistilBERT с контекстом до 512 токенов, распространяемый в формате safetensors по лицензии Apache-2.0. Карточка описывает английскую базовую модель и банковские намерения, поэтому назначение модели — англоязычная маршрутизация в банковском домене. Она не заменяет отдельные проверки ввода учётных данных и небезопасных ответов; при недоступном или повреждённом артефакте система обслуживания должна возвращать стандартный OOD-ответ.

Sovereign-Crypto-Matrix-v1 — модель ItsNotAI LABS для количественных финансов и оценки портфельного риска. Это плотный Transformer с многоголовым self-attention, содержащий около 917,5 тыс. параметров по метаданным. README описывает 793-канальное моделирование корреляций между активами и расчёт Value-at-Risk на уровне 99% для оценки хвостового риска и сценариев хеджирования. Модель предназначена для анализа многокомпонентных криптовалютных портфелей и риск-симуляций в институциональном управлении активами. В README приведены результаты проверки на доменных данных, включая MSE 0,00086 и задержку вывода 2,063 мс; переносимость этих показателей на другие данные не подтверждена. Форматы репозитория — PyTorch и safetensors. Лицензия — Apache-2.0.

Rakshit0041 разработал англоязычную модель эмбеддингов предложений на базе BAAI/bge-base-en-v1.5, дообучив её на 6 300 парах текстов из набора json. Модель построена на BERT и Sentence Transformers: объединяет представления токенов через CLS-пулинг, нормализует результат и кодирует предложения и абзацы в плотные векторы. Полный размер вектора — 768 измерений; благодаря обучению Matryoshka доступны укороченные представления размером 512, 256, 128 и 64 измерения. Модель предназначена для семантического поиска и сравнения текстов, включая поиск и сопоставление финансовых формулировок. В карточке приведены результаты оценки информационного поиска для нескольких размерностей векторов; сходство рассчитывается косинусной мерой. Также эмбеддинги можно применять для поиска перефразировок, кластеризации и классификации текста. Максимальная длина последовательности — 512 токенов. Модель принимает текст и выдаёт векторы; она ориентирована на английский язык. Лицензия — Apache-2.0. Качество за пределами приведённой оценки и финансового набора данных не установлено.

daniel-gordon/bioBERT-finetuned-financial-phrasebank — модель классификации текста, созданная дообучением BioBERT v1.1 на наборе данных Financial PhraseBank. Она предназначена для определения тональности и классификации финансовых фраз, например анализа настроений в новостях и сообщениях о компаниях. Модель основана на архитектуре BERT, содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. Для оценки на тестовом наборе указаны F1 0,8775 и loss 0,5118. Базовая модель ориентирована на английские биомедицинские тексты, поэтому качество на финансовых текстах и других языках следует проверять на целевых данных. Лицензия в предоставленных данных не указана.

mhtccc/ernie-4-5-0.3B-finance-sft — текстовая плотная авторегрессионная модель семейства ERNIE 4.5, дообученная разработчиком на датасете finance_sentiment. Она предназначена для генерации текста и диалогов, в частности для задач анализа финансовых настроений. Модель содержит 316,1 млн параметров, поддерживает контекст до 131 072 токенов и работает с текстом; метаданные указывают библиотеку Transformers и возможность диалога. В README приведено значение loss 0,4226 на оценочной выборке. Модель основана на baidu/ERNIE-4.5-0.3B-PT. Карточка не описывает точные метрики классификации тональности, языки датасета или ограничения применения. Лицензия указана как other, поэтому условия использования следует сверить с лицензиями базовой модели и самого репозитория.

EXAONE Forecast for Finance — фундаментальная модель временных рядов, разработанная LG AI Research для прогнозирования финансовых и других числовых рядов. В репозитории размещены веса модели; архитектура основана на T5 и реализована на PyTorch. В метаданных указано 176,2 млн параметров, а README описывает конфигурацию из 202 млн параметров, 12 блоков энкодера и скрытого размера 1024. Модель выполняет вероятностное прогнозирование без дообучения на конкретном наборе данных. Она использует причинную одномерную свёртку для смешивания временной информации и MLP для смешивания каналов, избегая self-attention; заявленная сложность растёт линейно с длиной последовательности и числом каналов. Модель рассчитана на числовые временные ряды, принимает историю длиной до 512 точек, поддерживает пропуски и обучалась на синтетических финансовых данных с характеристиками вроде кластеризации волатильности и смены режимов. В тестах на финансовом бенчмарке FinVerse модель заняла первое место по трём наборам метрик, однако результаты за пределами финансовой области пока не представлены. Дообучение и ансамблирование не оценивались, а текущий чекпойнт рассматривает каждый ряд как отдельный канал. Прогнозы не являются финансовой рекомендацией. Лицензия указана как other; код инференса распространяется отдельно и под другой лицензией.

Finance-Llama3-8B — языковая модель команды Instruction Pre-Training, созданная на основе Llama 3 8B с помощью доменно-адаптивного продолжения предобучения для финансовой области. Метод авторов дополняет корпуса инструкциями и ответами, чтобы обучать модель на сочетании текстов и заданий. Модель предназначена для генерации текста и ответов на вопросы по финансовым темам, а также для оценки языковых моделей на профильных задачах. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 8192 токенов. Она принимает и генерирует текст; в карточке указан английский язык. Модель основана на Llama3-8B и продолжает предобучение базовой, а не instruction-tuned версии, поэтому для запросов требуется учитывать форматирование и добавление BOS-токена, описанные авторами. Модель подходит для экспериментов и прикладных задач генерации в финансовой области, но карточка не приводит гарантий точности финансовых рекомендаций. Лицензия указана как llama3; условия её применения следует сверять с лицензией семейства Llama 3.

finance-minilm-l6-v2 — англоязычный текстовый энкодер для финансовой терминологии, созданный adammoood на основе sentence-transformers/all-MiniLM-L6-v2. Это модель семейства BERT с 25,9 млн параметров и контекстом до 512 токенов. В словарь добавлены 15 финансовых терминов как отдельные токены; исходные 30 522 строки эмбеддингов сохранены, а эмбеддинги новых токенов инициализированы средним значением эмбеддингов их прежних субсловных частей. Модель предназначена для извлечения признаков и создания векторных представлений финансовых текстов, которые можно применять в семантическом поиске, сравнении и кластеризации. Новые эмбеддинги служат начальной точкой для последующего дообучения на финансовом домене; дополнительного дообучения не проводилось. Распространяется по лицензии Apache-2.0.

NEXUS-Finance-GGUF — квантизированная GGUF-версия модели NEXUS-Finance, разработанной fableforge-ai в рамках экосистемы FableForge и опубликованной пользователем King3Djbl. Модель представляет собой лёгкого доменного специалиста для финансового анализа и моделирования, включая задачи в области финансов, бухгалтерского учёта, рассуждений и использования инструментов. Предназначена для локального запуска через llama.cpp, Ollama или LM Studio. Заявлен размер базовой модели — 1,5 млрд параметров. Указан английский язык, текстовая модальность и поддержка формата ChatML. Репозиторий содержит варианты от F16 до низкобитных квантизаций, включая Q4_K_M как компромисс между размером и качеством, Q6_K для высокого качества и IQ4_XS для систем с ограниченной оперативной памятью. Размер файлов варьируется от 0,23 до 3,09 ГБ; сведения о размере контекстного окна отсутствуют. По заявленным разработчиками результатам внутреннего тестирования модель набрала 144 из 150 баллов (96%) на 30 заданиях, оценивавших предметные знания, рассуждения и использование инструментов. Эти показатели следует считать заявленными результатами, поскольку независимая методика и полный набор тестов не приведены. Ограничениями являются небольшой размер модели, возможная потеря качества в низкобитных вариантах и отсутствие информации о контекстном окне. Модель распространяется по лицензии Apache-2.0.

vivekkopthsd/finance-retriever-bge-small — плотный ретривер для поиска финансовых фрагментов по запросам, созданный дообучением BAAI/bge-small-en-v1.5 на парах вопросов и контекстов из SEC 10-K. Модель основана на BERT, содержит около 40 млн параметров и формирует текстовые эмбеддинги; максимальная длина контекста — 512 токенов. Она предназначена для семантического поиска и извлечения релевантных отрывков для RAG-систем по финансовым документам. В описанной проверке на отложенных вопросах к SEC 10-K модель показала Recall@1 0,820 и Recall@5 0,930, выше базовой BGE-модели на том же наборе. Оценка проведена на одном датасете и не подтверждает качество на широком наборе поисковых задач. Модель ориентирована на английский язык. Лицензия — Apache-2.0.

FinBERT-ESG — модель семейства BERT, разработанная командой HKUST и дообученная для классификации финансовых текстов по темам ESG. Она относит текст к одной из категорий: экологические вопросы (Environmental), социальные вопросы (Social), корпоративное управление (Governance) или None. Модель предназначена для анализа предложений из ESG- и годовых отчётов компаний, а также для выявления связанных с устойчивостью бизнеса тем и рисков. Модель содержит 137 млн параметров, принимает текст и выдаёт метку класса. Она обучена на 2 000 вручную размеченных предложениях из отчётов компаний; максимальная длина контекста составляет 512 токенов. Для использования подходит библиотека Transformers. Карточка не сообщает лицензию. Классификация ограничена четырьмя указанными категориями и не заменяет комплексную оценку ESG.

FinanceInc/finbert-pretrain — предварительно обученная модель FinBERT на базе BERT, разработанная для финансового NLP. Она обучалась на корпусе объёмом 4,9 млрд токенов: корпоративных отчётах 10-K и 10-Q, расшифровках звонков о доходах и аналитических отчётах. В репозитории указано около 137 млн параметров; модель принимает текст с контекстом до 512 токенов и предназначена для задачи fill-mask. Модель можно дообучать для прикладных финансовых задач, например классификации тональности аналитических материалов. Для запуска доступен формат PyTorch и библиотека Transformers. Карточка названа демонстрационной и отсылает к оригинальной карточке модели. Лицензия в предоставленных данных не указана.

FinSentenceBERT — модель sentence-transformers, разработанная авторами работы Yang, Yang и Mai о семантическом сходстве финансовых текстов. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации. Модель основана на stsb-mpnet-base-v2 и дополнительно настроена с помощью активного обучения для повышения качества на задаче семантического сходства финансовых текстов. Модель использует архитектуру MPNet, содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. Она предназначена прежде всего для англоязычных финансовых текстов. Лицензия — MIT. В README не приведены результаты численных бенчмарков; качество на текстах вне финансовой области отдельно не подтверждено.

transformer3/H1-keywordextractor — модель суммаризации, созданная с помощью AutoTrain. Это плотная encoder-decoder модель семейства BART с 252,8 млн параметров, предназначенная для генерации краткого текста по входному тексту. Карточка указывает датасет transformer3/autotrain-data-finance6, поэтому модель обучалась на финансовых данных. Модель принимает текст и выдаёт текстовое резюме. Валидационные метрики карточки: ROUGE-1 30,417, ROUGE-2 20,332 и ROUGE-L 28,167; указанная средняя длина генерации — около 20 токенов. Максимальный контекст составляет 1024 токена. Модель опубликована в формате PyTorch под лицензией, не установленной по предоставленным сведениям.

Kautilyaa 9B — модель ThinkingDBx (Pvt. Ltd.), созданная Mallesh Madapathi для анализа финансовых данных. Это декодерная языковая модель со sparse Mixture-of-Experts: 9 млрд параметров всего, 2,6 млрд активных на токен и 8 экспертов с маршрутизацией top-2. По README модель обучена с нуля на документах SEC EDGAR и финансовых новостях с ценовыми данными FNSPID, затем прошла инструкционную настройку; метаданные указывают связь с thinkingdbx/kautilyaa-9b-base как с дообученной моделью. Она принимает текстовые запросы и контекстные блоки с рыночными данными, чтобы извлекать и сопоставлять указанные значения, ранжировать инструменты по заданному показателю и отвечать на вопросы по финансовым документам и новостям. Для корректной атрибуции в каждом блоке контекста должен быть ровно один финансовый инструмент; при нескольких инструментах модель часто отвечает о первом. Контекст составляет 4096 токенов. Модель не предназначена для арифметики, самостоятельного получения рыночных котировок или задач общего назначения. README отмечает повреждение части весов из-за weight decay и более слабые способности по сравнению с современными моделями общего назначения. Лицензия — Apache-2.0.