IV.3Страхование и актуарные задачи

Модель Hemgg/bone-fracture-detection-using-xray — дообученный Vision Transformer на основе google/vit-base-patch16-224-in21k для классификации рентгеновских изображений с целью выявления переломов костей. Она содержит 113,2 млн параметров и распространяется в формате safetensors. В карточке указаны точность 0,9769 и loss 0,0458 на оценочном наборе данных; набор данных не описан. Модель предназначена для автоматизированного анализа рентгенограмм и может служить вспомогательным инструментом при сортировке снимков. Она не заменяет заключение врача. Лицензия — Apache-2.0.

CXRMate-2 — мультимодальная модель для генерации радиологических заключений по рентгенограммам грудной клетки. Её разработала команда AEHRC; модель представлена в препринте о структурированных мультимодальных временных эмбеддингах и обучении с подкреплением для клинически приемлемой генерации заключений. В README указано, что её можно загрузить через Transformers и использовать с изображениями по URL или исследованиями DICOM. Модель предназначена для автоматического составления текстового описания и заключения по снимкам грудной клетки; в тегах также отмечены данные пациента и MIMIC-CXR. Архитектура обозначена как CXRMate-2ForConditionalGeneration. Карточка указывает английский язык и формат весов Safetensors. Лицензия — Apache-2.0. Модель ориентирована на радиологический сценарий, поэтому сгенерированные заключения требуют проверки специалистом и не заменяют клиническую оценку. README ссылается на препринт и обучение с подкреплением, но не приводит численность параметров или длину контекста.

ALIA-MrBERT-es-snomed-dental-ner-multiclass-ctx8192 — модель SINAI/UJA для распознавания сущностей в испанских стоматологических клинических текстах. Это дообученная для токенной классификации модель ModernBERT на базе двуязычной MrBERT-es от BSC-LT; она содержит около 149,6 млн параметров и обрабатывает контекст длиной до 8192 токенов. Модель выделяет границы сущностей по схеме BIO и напрямую присваивает стоматологическим понятиям коды SNOMED CT примерно для 400 концептов. Она предназначена для структурирования стоматологических записей и извлечения патологий, анатомических понятий и процедур. В описанном тестовом разбиении указаны precision 96,83%, recall 95,83% и F1 96,33%; результаты относятся к данным и условиям этой оценки. Модель специализирована на испанских стоматологических текстах: редкие классы, нестандартные сокращения и термины вне исходной клинической практики могут распознаваться хуже. Она не предназначена для общего медицинского NER, других языков, генерации текста или самостоятельной диагностики и требует проверки специалистом. Лицензия — Apache-2.0.

Ruhadam2020/checkpoint-85239 — Türkçe klinik ve tıbbi metinlere uyarlanmış BERTurk tabanlı dil modelidir. Modeli, `dbmdz/bert-base-turkish-cased` temel modeli üzerinde tıbbi soru-cevap ve genel Türkçe metinlerle maskeli dil modelleme görevinde fine-tune etmiştir. Mimari değişiklik yapılmamış; model yaklaşık 137,8 млн параметровдан состоит и обрабатывает контекст длиной до 512 токенов. Распространяется по лицензии Apache-2.0. Модель предназначена для заполнения пропусков в турецких медицинских текстах и может служить вспомогательным компонентом при анализе лабораторных результатов и клинических текстов. В описанной оценке на 126 синтетических случаях одиночная модель совпадала с ожидаемой клинической темой в 65% случаев; авторы указывают, что метрика завышает результат и что заполнение пропусков плохо подходит для различения клинических состояний по числовым лабораторным данным. Это исследовательская разработка для поддержки принятия решений, а не диагностическая система или медицинское устройство. Она не проверяет референсные интервалы, дозировки и лечение; обучение не включало реальные истории болезни. Результаты требуют проверки врачом и не подходят для самостоятельного клинического применения.

Cheesexray — модель классификации рентгеновских снимков грудной клетки, дообученная на наборе данных chest-xray-classification. Архитектура основана на ResNet; веса опубликованы в формате safetensors. В README приведены результаты на оценочной выборке: accuracy 0,8883 и loss 0,2827. Модель предназначена для классификации изображений рентгенограмм грудной клетки. Разработчик указывает Apache License 2.0. Карточка не описывает классы, на которых обучалась модель, состав и размер данных, клиническую проверку или условия применения, поэтому опубликованные метрики сами по себе не подтверждают пригодность для медицинской диагностики.

NeuroMed-Cardio-0.8B — многокомпонентная система Ethosoft для выявления кардиомегалии по рентгенограммам грудной клетки. Она сочетает сегментацию сердца и лёгких, детекцию анатомических структур, извлечение радиомических признаков и нейросетевую классификацию, чтобы оценивать кардиоторакальное отношение и выдавать бинарный прогноз кардиомегалии. В метаданных Hugging Face основная задача указана как классификация изображений; система реализована с использованием Keras и опубликована в форматах PyTorch и TensorFlow. В составе системы описаны U-Net++ для сегментации сердца, DeepLabV3+ с ResNet101 для сегментации лёгких, YOLOv11-large для детекции сердца и лёгких и CNN с остаточными блоками и механизмом внимания. Изображения обрабатываются в градациях серого и приводятся к размеру 256×256. В README приведены результаты внешней проверки классификатора: точность 80,8% и F1 81,8%; для сегментации сердца указан IoU 89%, а ансамбль оценок CTR показывает MAPE 5,02%. Модель предназначена для вспомогательного анализа рентгенограмм в задачах кардиологии и радиологии, а не для самостоятельной постановки диагноза. Результаты зависят от качества и характеристик снимков; показатели из README сами по себе не подтверждают клиническую пригодность для всех популяций и условий съёмки. Лицензия — MIT.

EraX-VL-7B-V2.0-Preview — мультимодальная модель семейства Qwen2-VL, разработанная EraX совместно с участниками команды BCG и профинансированная Bamboo Capital Group и EraX. Модель содержит 7,1 млрд параметров, принимает изображения и текст и формирует текстовые ответы. Она дообучена для распознавания текста на изображениях и ответов на вопросы по ним, особенно по документам, с акцентом на вьетнамский язык. В метаданных указан контекст до 32 768 токенов. Модель предназначена для извлечения текста и сведений из медицинских форм, счетов и других документов, а также для анализа медицинских изображений и фотографий автомобильных аварий. README предупреждает, что для разных сценариев может потребоваться тщательно подбирать запросы. Версия обозначена как предварительная; приведенные в карточке примеры радиологических выводов следует рассматривать как демонстрацию, а не как замену профессиональной медицинской оценке. Лицензия — Apache-2.0.

TabPFN-2.5 — трансформерная модель для прогнозирования по структурированным таблицам, разработанная Prior Labs. Она использует обучение в контексте и выполняет предсказание одним прямым проходом. Репозиторий содержит классификационные и регрессионные контрольные точки; метаданные каталога указывают задачу tabular-classification. Архитектура основана на TabPFN v2 и использует чередующееся внимание в 18–24 слоях. Модель предназначена для классификации и регрессии на наборах до 50 000 строк и 2 000 признаков. Базовые контрольные точки обучены на синтетических табличных задачах; некоторые варианты дополнительно дообучены на реальных данных. Она не предназначена для неструктурированных текстов и изображений. В README указаны результаты на нескольких бенчмарках, однако подробности приведены в техническом отчёте. Лицензия tabpfn-2.5-license-v1.1 разрешает исследования, внутреннюю оценку и бенчмаркинг, но запрещает коммерческое и производственное использование весов, производных моделей и их результатов без отдельной коммерческой лицензии. Качество может снижаться за пределами указанных размеров таблиц; для задач высокого риска следует проверять обучающие метки на смещения.

ClimateBERT transition-physical — языковая модель на базе RoBERTa с классификационной головой, дообученная для распознавания предложений о переходных рисках и физических климатических рисках. Разработчики дообучили её на наборе данных с ручной разметкой, взяв за основу climatebert/distilroberta-base-climate-f. Модель предназначена для классификации текстовых фрагментов по их связи с климатическими рисками. Её можно применять для анализа документов и выделения предложений о переходных и физических рисках. Модель содержит 95,4 млн параметров, использует формат PyTorch и принимает контекст длиной до 514 токенов. Модель распространяется по лицензии Apache-2.0. README не сообщает о точности или иных результатах оценки, поэтому качество классификации на конкретных данных следует проверять отдельно.

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

TabPFN-3.5 — трансформерная модель Prior Labs для прогнозирования по структурированным табличным данным. Она использует обучение в контексте: анализирует примеры из таблицы и выполняет предсказание за один проход. Один чекпойнт предназначен для классификации и регрессии; для этой версии в метаданных указана задача классификации. Доступны также ускоренный вариант TabPFN-3.5-Fast и экспериментальный вариант для многоклассовой классификации. Модель рассчитана на таблицы, в том числе со строковыми и датированными столбцами; в README указан лимит в 20 000 признаков. Она обучена на синтетических табличных задачах и не предназначена для неструктурированных данных, например изображений. Для применения к задачам с высокими последствиями следует проверять размеченные данные на смещения. Веса опубликованы по лицензии tabpfn-3-5-license-v1.0. Она разрешает исследования, ограниченную внутреннюю оценку и бенчмаркинг, но запрещает коммерческое и производственное использование; для таких сценариев Prior Labs предлагает отдельную коммерческую лицензию.

Luwayy разработал модель классификации изображений последствий стихийных бедствий на основе Vision Transformer ViT. Это дообученная версия google/vit-base-patch16-224-in21k с архитектурой ViTForImageClassification и примерно 113,2 млн параметров; модель обрабатывает изображения размером 224×224 и относит их к одному из шести классов: повреждённая инфраструктура, пожар, ущерб людям, наземное бедствие, отсутствие ущерба или водное бедствие. Она предназначена для сортировки и первичной оценки снимков при анализе последствий чрезвычайных ситуаций. Модель распространяется в формате safetensors; сведения о лицензии отсутствуют.

Laplace v3.7 Qwen3-14B — это дообученная SnupiLab модель Qwen3-14B для прогнозирования исхода бинарных событий по вопросу, критериям разрешения, дате прогноза и доступным к этой дате свидетельствам. Модель использует режим рассуждений hindsight-guided и генерирует текстовый ответ с оценкой вероятности; для извлечения числа из ответа рекомендуется следовать описанному в карточке формату и правилам разбора. Чекпойнт соответствует шагу 528, примерно одной эпохе обучения, при максимальной длине обучающей последовательности 8192 токена. В описанной оценке на 304 вопросах и 1144 экземплярах прогноза все генерации удалось разобрать; метрики включают Brier score 0,1888 и AUROC 0,8174. Эти результаты получены на метках до их пересмотра, а чекпойнт ретроспективно выбран по тестовым результатам, поэтому они не подтверждают обобщение на новые данные. Модель принимает текст и выдаёт текст, рассчитана на сценарии вероятностного прогнозирования событий. Базовая Qwen3-14B распространяется по Apache-2.0; карточка указывает эту же лицензию для модели. Для воспроизведения обучения использовался частный датасет, поэтому доступность обучающих данных ограничена.

ICD-10-Coder — дообученная AmareshHebbar модель на базе unsloth/qwen2.5-7b-instruct для кодирования клинических описаний по ICD-10 и пояснения классификации. Она предназначена для страховых агентов, больничных отделов биллинга и других специалистов, которым нужно сопоставлять диагнозы с кодами и получать предварительные оценки страхового покрытия. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и имеет контекст до 32 768 токенов. По карточке, она принимает клинические описания и сценарии пациентов, поддерживает английский язык и генерирует текст с кодами, объяснениями и оценками покрытия. Обучение проведено с помощью Unsloth и TRL; лицензия — Apache-2.0. Модель охватывает основные главы ICD-10 и заявляет поддержку сценариев с несколькими диагнозами, сопутствующими состояниями и осложнениями. Оценки покрытия основаны на стандартах WHO, а не на правилах конкретных страховых компаний; результаты носят ориентировочный характер и не заменяют профессиональное медицинское кодирование или юридически значимое решение по страховому возмещению.

FinCode-Reasoning-3B Full Weights — экспериментальная языковая модель, разработанная coslinedev на основе Qwen/Qwen2.5-3B-Instruct. Это плотная авторегрессионная модель семейства Qwen2, дообученная методом SFT с использованием Unsloth; в репозитории размещены полные объединённые веса в формате safetensors, для запуска не требуется отдельный LoRA-адаптер. Модель рассчитана на генерацию исполняемого кода Python для количественного финансового моделирования, проверок бухгалтерских границ и алгоритмических вычислений. Заявленный подход передаёт точную арифметику изолированной среде выполнения Python через структурированную генерацию кода, чтобы снизить ошибки прямого арифметического вывода языковой модели. Размер модели — 3,1 млрд параметров, контекст — до 32 768 токенов; базовая модель поддерживает многоязычный чат, но карточка этой настройки указывает английский язык. Лицензия — Apache-2.0. Автор описывает проект как исследовательский эксперимент, поэтому качество и надёжность результатов для финансовых решений не следует считать гарантированными.

QuantFactory/deepseek-math-7b-instruct-GGUF — квантизированная версия DeepSeek-Math-7B-Instruct, разработанная QuantFactory на основе модели deepseek-ai/deepseek-math-7b-instruct с использованием llama.cpp. Это текстовая авторегрессионная модель примерно на 7 миллиардов параметров в формате GGUF, предназначенная для локального запуска и генерации текста. Модель ориентирована прежде всего на решение математических задач и ответы с пошаговым рассуждением. В README приведены шаблоны запросов для английского и китайского языков, в которых рекомендуется явно просить рассуждать по шагам и помещать итоговый ответ в \boxed{}. Модель поддерживает сценарии чат-взаимодействия и text generation, однако точный размер контекста и перечень поддерживаемых языков не указаны. Сильными сторонами являются специализация на математике, возможность локального использования через llama.cpp и сниженные требования к ресурсам благодаря квантизации. Ограничения включают отсутствие мультимодальности в описании, неизвестные параметры конкретной квантизации и необходимость учитывать особенности шаблона запросов: system prompt для этой версии не рекомендуется использовать. Репозиторий распространяется по MIT License, а использование самой модели регулируется отдельной DeepSeek Model License; README указывает, что коммерческое использование поддерживается.

UMCU дообучила энкодер SapBERT на синтетическом наборе ICD-10 от FiscaAI для многометочной классификации медицинских текстов по кодам ICD-10. Модель основана на BERT, содержит 136,7 млн параметров и принимает англоязычный текст; контекст ограничен 512 токенами. Для обучения использовано около 700 тыс. примеров и около 950 меток, соответствующих укрупнённым кодам ICD-10. Классификационная голова состоит из трёх полносвязных слоёв с GELU и dropout 10%.

Это GGUF-квантизированная версия модели internlm/internlm2-math-plus-20b, подготовленная пользователем legraphista с использованием llama.cpp. Модель предназначена для генерации текста и прежде всего ориентирована на математические задачи; заявлены поддерживаемые языки — английский и китайский. Исходная модель использует формат BF16, а в данном репозитории представлены варианты от FP16 и BF16 до низкобитных квантований Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-серии. Размер исходной модели составляет 20 миллиардов параметров. Для некоторых низкобитных вариантов применена IMatrix — калибровочная матрица, предназначенная для повышения качества квантования; доступны файлы размером примерно от 7,01 до 21,11 ГБ. Модель рассчитана на запуск через совместимую инфраструктуру GGUF, включая llama.cpp, что позволяет выбирать баланс между качеством, требованиями к памяти и скоростью работы. Сильной стороной является наличие широкого набора вариантов точности и IMatrix-квантований, особенно полезных при ограниченных ресурсах. Ограничения включают возможную потерю качества по сравнению с исходной моделью при использовании низкобитных вариантов, специализацию на математической тематике и отсутствие в предоставленных данных сведений о контекстном окне, конкретной архитектуре, результатах оценки и мультимодальных возможностях. Лицензия указана как other; её точные условия в карточке не раскрыты.

MetaTree — трансформерная модель для классификации табличных данных, разработанная Zhuang и соавторами в 2024 году. Она реализует алгоритм дерева решений и обучается на примерах классических алгоритмов CART и GOSDT, чтобы лучше обобщать закономерности. Модель предназначена для построения деревьев решений по табличным данным. Для работы авторы предлагают библиотеку metatreelib. В репозитории указаны архитектура семейства Llama, 137,8 млн параметров, контекст 256 токенов и формат весов safetensors. Языковые характеристики не описаны, поэтому модель рассматривается как инструмент для числовых или категориальных таблиц, а не для работы с естественным языком. Модель распространяется по лицензии MIT. Карточка не сообщает результаты сравнительных оценок или подробности о поддерживаемых типах признаков и настройке; качество на конкретных наборах данных следует проверять отдельно.

Qwen2.5-Math-72B-Instruct-GGUF — квантизированная версия языковой модели Qwen2.5-Math-72B-Instruct, подготовленная bartowski в формате GGUF для запуска через llama.cpp и совместимых приложений, включая LM Studio. Исходная модель разработана командой Qwen и ориентирована на генерацию текста в диалоговом формате, прежде всего на решение математических задач и рассуждения на английском языке. Модель имеет размер 72 млрд параметров и поставляется в нескольких вариантах квантования: от Q8_0 с максимальным качеством до более компактных IQ1, IQ2, IQ3 и Q2–Q6 форматов. Наиболее рекомендуемыми в README названы Q6_K, Q5_K_M, Q4_K_M и IQ4_XS; Q4_K_M описан как стандартный компромисс между размером и качеством. Размер файлов составляет примерно от 23,74 до 77,26 ГБ. Для некоторых вариантов используются неквантизированные до Q8_0 веса embedding и output, что может повышать качество, но эффект зависит от сценария. Сильной стороной является специализация исходной модели на математических задачах и широкий выбор квантованных вариантов для различного объёма доступной RAM. Более агрессивное квантование уменьшает требования к памяти, но снижает качество; варианты Q2, Q3 и IQ1 имеют заметные ограничения, а IQ1_M не рекомендуется. Мультимодальность, длина контекста, точная архитектура и поддерживаемые языки кроме английского в README не указаны. Используется лицензия Qwen; конкретные условия следует уточнять в лицензии исходной модели.

Qwen2-Math-72B — базовая языковая модель для математических задач из серии Qwen2-Math, разработанной командой Qwen. Модель предназначена для дополнения текста, решения арифметических и математических задач, а также многошаговых рассуждений; её можно использовать для few-shot-инференса или как основу для дальнейшего дообучения. Для диалогового режима предназначена отдельная версия Qwen2-Math-72B-Instruct. Модель имеет плотную архитектуру Qwen2ForCausalLM и около 71,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык; контекст составляет 4096 токенов. В карточке указана лицензия other, поэтому условия использования следует проверять в сопровождающих материалах проекта. Основное ограничение — преимущественная поддержка английского языка; модель ориентирована на математику, а не на широкий круг повседневных задач.

QwQ-Unofficial-14B-Math-v0.2-GGUF — это GGUF-квантизированная версия языковой модели QwQ-14B-Math-v0.2, разработанной qingy2024 и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и ориентирована прежде всего на математические задачи и рассуждения. В качестве обучающего набора указан qingy2024/QwQ-LongCoT-Verified-130K, а модель относится к семейству Qwen2 и поддерживает английский язык. Модель имеет около 14 миллиардов параметров и работает в текстовом режиме. В репозитории представлены варианты от F16 до низкобитных Q2–Q8, созданные с использованием imatrix в llama.cpp. Это позволяет выбирать между качеством ответов и требованиями к памяти; для большинства сценариев рекомендуются варианты Q4_K_M, Q5 и Q6. Доступен запуск через llama.cpp и LM Studio с указанным шаблоном prompt format. Сильными сторонами являются специализация на математике, наличие вариантов с разным балансом качества и размера, а также совместимость с локальным запуском. Ограничения включают отсутствие мультимодальности в заявленных данных, поддержку только английского языка и неизбежное снижение качества в наиболее компактных квантизациях. Размер контекста и подробные результаты оценки в README не указаны. Указанная лицензия — Apache-2.0.

Карточка модели next-tat/tat-llm-70b-fft на Hugging Face совпадает с карточкой next-tat/tat-llm-7b-fft, поэтому описание составлено по ней. TAT-LLM-7B-FFT — специализированная языковая модель на архитектуре LLaMA 2, разработанная для вопросов и ответов по табличным и текстовым данным. Согласно карточке, модель создана полным дообучением LLaMA 2 на автоматически подготовленных данных из финансовых обучающих наборов FinQA, TAT-QA и TAT-DQA; размер по метаданным — 6,6 млрд параметров, контекст — 4096 токенов. Модель использует пошаговый подход: извлечение данных, рассуждение и выполнение вычислений; для повышения точности авторы также описывают внешний исполнитель промежуточных вычислений. Модель предназначена прежде всего для финансового анализа таблиц и текстовых документов, включая ответы на вопросы по финансовым отчётам и выполнение необходимых для ответа вычислений. README сообщает о результатах на FinQA, TAT-QA и TAT-DQA, но приведённая таблица относится к варианту LORA и не подтверждает показатели именно этой FFT-модели. Лицензия — Llama 2; применимость лицензии следует оценивать с учётом её условий.

Phi-4-mini-flash-reasoning — компактная языковая модель Microsoft семейства Phi-4 для пошагового решения математических задач. Это плотная авторегрессионная модель с архитектурой Phi4FlashForCausalLM; в метаданных указано 3,7 млрд параметров. Модель принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. В карточке модели заявлено окно контекста 64 тыс. токенов, тогда как метаданные указывают 262 144 токена; это расхождение требует проверки при настройке инференса. Модель дообучена на синтетических математических данных, созданных более крупной моделью. Она предназначена для многошагового математического рассуждения в условиях ограниченных вычислительных ресурсов или требований к задержке: например, для символьных вычислений, сложных текстовых задач и генерации формальных доказательств. README сообщает о результатах на математических и логических бенчмарках и повышенной скорости декодирования в определённых условиях; эти результаты не гарантируют точность в прикладных сценариях. Модель тестировалась прежде всего для математического рассуждения, поэтому её качество для других задач и языков может отличаться; ответы следует проверять, особенно в критичных сценариях. Лицензия — MIT.

shaurya23102/insurance-embedding-model — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, разработанная пользователем shaurya23102. Она преобразует предложения и абзацы о страховании в плотные векторы размерностью 768 для поиска и сравнения по смыслу. Архитектура включает MPNet, усредняющий pooling и нормализацию; для сравнения векторов используется косинусное сходство. Модель принимает текст, имеет контекст до 514 токенов по метаданным и максимальную длину последовательности 384 токена в README. Модель предназначена для извлечения релевантных текстов, семантического поиска и ранжирования страховых документов или фрагментов. Обучение проведено на небольшом наборе из 91 примера с anchor, positive и negative парами; приведено 11 примеров для оценки, поэтому качество на широком наборе страховых запросов по карточке не подтверждено. Лицензия в предоставленных данных не указана.

Qwen2.5-Math-72B-Instruct — инструктивно дообученная языковая модель семейства Qwen, разработанная командой Qwen. Это плотная авторегрессионная модель на 71,5 млрд параметров с архитектурой Qwen2 и контекстом 4096 токенов, предназначенная для решения математических задач на английском и китайском языках. Она поддерживает пошаговые рассуждения Chain-of-Thought (CoT) и интегрированное использование инструментов для рассуждений (TIR), что помогает при вычислениях, символьных преобразованиях и алгоритмических задачах. Модель рассчитана на диалог по инструкциям; авторы не рекомендуют использовать её для задач за пределами математики. Репозиторий содержит веса Safetensors для Transformers. Метаданные указывают лицензию «other», поэтому конкретные условия следует сверить с лицензией репозитория перед использованием.

Карточка модели next-tat/tat-llm-13b-fft на Hugging Face совпадает с карточкой next-tat/tat-llm-7b-fft, поэтому описание составлено по ней. TAT-LLM-7B-FFT — специализированная языковая модель на архитектуре LLaMA 2, разработанная для вопросов и ответов по табличным и текстовым данным. Согласно карточке, модель создана полным дообучением LLaMA 2 на автоматически подготовленных данных из финансовых обучающих наборов FinQA, TAT-QA и TAT-DQA; размер по метаданным — 6,6 млрд параметров, контекст — 4096 токенов. Модель использует пошаговый подход: извлечение данных, рассуждение и выполнение вычислений; для повышения точности авторы также описывают внешний исполнитель промежуточных вычислений. Модель предназначена прежде всего для финансового анализа таблиц и текстовых документов, включая ответы на вопросы по финансовым отчётам и выполнение необходимых для ответа вычислений. README сообщает о результатах на FinQA, TAT-QA и TAT-DQA, но приведённая таблица относится к варианту LORA и не подтверждает показатели именно этой FFT-модели. Лицензия — Llama 2; применимость лицензии следует оценивать с учётом её условий.

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.

internlm2-math-plus-1_8b-IMat-GGUF — квантизированная версия модели internlm/internlm2-math-plus-1_8b, подготовленная legraphista с использованием llama.cpp b3008 и IMatrix-калибровки. Модель предназначена для генерации текста, прежде всего для математических задач, и поддерживает английский и китайский языки. Формат GGUF рассчитан на запуск через совместимые инструменты, включая llama.cpp. Исходная модель использует формат BF16 и имеет размер 1,8 млрд параметров. Доступны варианты от FP16 и BF16 до различных уровней квантизации Q и IQ; для ряда низкобитных вариантов применена IMatrix, что позволяет уменьшить размер файлов при сохранении качества по сравнению с обычной квантизацией. Размер доступных файлов составляет примерно от 727 МБ до 3,78 ГБ. README не содержит данных о длине контекста, точной архитектуре, результатах оценки или ограничениях исходной модели. Лицензия указана как other, без дополнительных условий в представленной карточке.

unsloth/Qwen2.5-Math-1.5B-bnb-4bit — 4-битная версия базовой модели Qwen2.5-Math-1.5B, разработанной командой Qwen. Модель предназначена прежде всего для решения математических задач на английском и китайском языках, включая сценарии с пошаговым рассуждением Chain-of-Thought (CoT) и Tool-integrated Reasoning (TIR). Это базовая, а не диалоговая instruction-модель, поэтому она подходит для генерации продолжений, few-shot-инференса и дальнейшего дообучения. Модель содержит 1,5 млрд параметров и работает с текстовыми входными данными; поддержка других модальностей не заявлена. Ключевая особенность семейства Qwen2.5-Math — сочетание рассуждений на естественном языке с использованием инструментов для более точных вычислений, символьных преобразований и алгоритмических операций. 4-битное представление bnb уменьшает требования к памяти и может упростить запуск на доступном GPU, однако README не приводит точные показатели качества или производительности именно для этой сборки. Модель специализирована на математике и не рекомендуется разработчиком для других задач. Для работы требуется transformers версии 4.37.0 или новее. Модель распространяется по лицензии Apache-2.0.