IV.3Страхование и актуарные задачи

Модель hilmantm/detr-traffic-accident-detection — детектор объектов на основе архитектуры DETR, разработанный для обнаружения ДТП и транспортных средств на изображениях дорожных сцен. Она принимает целое изображение и выдаёт классы объектов с их расположением; обучение на метках «accident» и «vehicle» помогает распознавать происшествия с учётом присутствия машин и загруженности дороги. Модель можно применять для мониторинга дорожных камер, автоматического выявления аварий и поддержки систем реагирования. В README заявлены постобработка с NMS и пригодность для работы в реальном времени, но точные показатели качества и скорости не приведены. Репозиторий содержит веса Safetensors; лицензия Apache-2.0.

DeepMath — модель для математических рассуждений от Intel AI Labs. Это плотная причинная языковая модель с 3,7 млрд параметров, дообученная методом GRPO на базе Qwen3-4B-Thinking-2507. Она генерирует краткие фрагменты Python для промежуточных вычислений; для выполнения кода и полноценного агентного режима требуется отдельная песочница с ограничениями на ввод-вывод, сеть и время выполнения. Модель рассчитана на англоязычные задачи и поддерживает контекст до 262 144 токенов. DeepMath предназначена для решения математических задач, в особенности задач олимпиадного и экзаменационного типа. По данным README, связка дообучения и выполнения вычислений повышала точность на ряде сложных наборов и сокращала длину вывода до 66% по сравнению с базовой моделью. Модель распространяется по лицензии Apache 2.0. Она оптимизирована для математики, поэтому её способность обобщать на другие области ограничена. Качество на задачах математического творчества и формальных доказательствах не оценивалось; размер модели может ограничивать решение особенно сложных задач. Для агентного режима нужна безопасно настроенная среда выполнения Python.

Qwen2.5-Math-1.5B — математическая языковая модель семейства Qwen, разработанная командой Qwen. Это базовая модель с плотной архитектурой Qwen2 и 1,5 млрд параметров, дообученная на основе Qwen/Qwen2.5-1.5B. Она генерирует продолжение текста и предназначена прежде всего для решения математических задач на английском и китайском языках с использованием пошаговых рассуждений (CoT); серия также поддерживает рассуждения с подключением инструментов (TIR). Модель рассчитана на завершение текста и few-shot-инференс и может служить отправной точкой для дальнейшего дообучения. Контекст составляет 4096 токенов. Для работы рекомендуется Transformers версии 4.37.0 или новее; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Разработчики не рекомендуют применять модель для задач, отличных от математики. Карточка отдельно указывает, что вариант 1.5B без суффикса Instruct является базовой моделью для completion и few-shot, а не инструкционной моделью для диалога.

T3Q-Mistral-Orca-Math-DPO — текстовая генеративная модель, разработанная Chihoon Lee (chlee10) и T3Q. Это DPO-дообучение модели liminerity/M7-7b на датасете kyujinpy/orca_math_dpo, ориентированное на генерацию ответов, связанных с математикой. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; максимальный контекст — 32 768 токенов. Карточка указывает английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0.

bophades-mistral-math-DPO-7B — дообученная модель семейства Mistral, разработанная nbeerbower на основе nbeerbower/bophades-v2-mistral-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и предназначена для генерации текста, в частности математических ответов и рассуждений. Модель дообучена методом Direct Preference Optimization (DPO) на наборе kyujinpy/orca_math_dpo; в описании обучения также указано использование LoRA. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; фактическую точность математических ответов следует проверять на целевых задачах.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания заболеваний в испанских клинических текстах. Это дообученная PlanTL-GOB-ES/bsc-bio-ehr-es модель RoBERTa на 151,8 млн параметров для классификации токенов: она размечает упоминания заболеваний тегами BIO — O, B-DISEASE и I-DISEASE. Модель предназначена для извлечения названий болезней из клинических записей и документов EHR; контекст составляет 514 токенов. На тестовом наборе MultiClinNER для испанского языка строгий F1 составил 0,6998, а символьный F1 — 0,7718. Для сопоставимых результатов при обработке нужно воспроизводить предобработку с предварительным разбиением текста на токены; при обычной токенизации границы сущностей около пунктуации могут отличаться. Модель обучалась на испанских клинических данных, оценка встроенных смещений не проводилась. Лицензия — CC BY 4.0.

NFT-32B-GGUF — языковая модель для математического рассуждения, разработанная NVIDIA, Университетом Цинхуа и Стэнфордским университетом. Модель создана на основе Qwen2.5-32B и дообучена методом Negative-aware Fine-Tuning (NFT), который использует как правильные, так и ошибочные ответы для улучшения способности модели анализировать собственные неудачи. Версия модели предназначена для исследовательских и прикладных экспериментов. Модель ориентирована на решение математических задач конкурсного уровня, включая AIME, AMC и олимпиады, а также на общие задачи математического рассуждения и пошаговую генерацию решений. Она принимает текстовые запросы, поддерживает математическую нотацию LaTeX и генерирует текстовые ответы с пошаговым объяснением; итоговые ответы рекомендуется заключать в формат \boxed{}. Модель не рекомендуется использовать для общего диалога и нематематических задач. Архитектура представляет собой decoder-only Transformer на базе Qwen2.5 с RoPE, SwiGLU, RMSNorm и смещениями в QKV внимания. Модель содержит около 32,5 млрд параметров, 64 слоя и использует Grouped-Query Attention с 40 головами Q и 8 головами KV. Максимальная длина контекста составляет 131 072 токена, максимальная длина генерируемого ответа — 8192 токена. Заявлен английский язык. Поддерживаются Transformers версии 4.37.0 и выше, vLLM и TensorRT-LLM; целевыми платформами являются Linux и GPU NVIDIA архитектур Ampere, Hopper и Blackwell. Сильной стороной модели является специализация на математическом reasoning и обучение с использованием отрицательных примеров. Ограничения включают узкую предметную направленность, отсутствие рекомендаций для общего общения и зависимость от совместимого NVIDIA GPU-окружения для эффективного запуска. Модель распространяется по NVIDIA Non-Commercial License и предназначена только для исследований и разработок.

AIFS Single v1.0 — система прогнозирования погоды на основе машинного обучения, разработанная Европейским центром среднесрочных прогнозов погоды (ECMWF). Это первая операционно поддерживаемая версия AIFS Single; модель работает рядом с физической системой численного прогноза ECMWF и выпускается четыре раза в сутки. Модель использует архитектуру encoder-processor-decoder: графовую нейронную сеть для кодирования и декодирования данных и трансформер со скользящим окном для обработки. Она обучена на реанализе ERA5 и оперативных анализах ECMWF, принимает состояния атмосферы за два последовательных срока с интервалом шесть часов и прогнозирует состояние через следующие шесть часов. Разрешение по горизонтали составляет около 31 км, вертикально используются 13 уровней давления. AIFS прогнозирует атмосферные переменные на уровнях давления и у поверхности, осадки, снежный покров, радиацию, почвенную влажность и температуру, а также траектории тропических циклонов. К сильным сторонам относятся качество прогнозов верхнеатмосферных и поверхностных переменных и дополнительные выходные параметры. Ограничения включают сглаживание полей на дальних сроках, пониженную точность в стратосфере и заниженную интенсивность некоторых тропических циклонов; из-за недетерминированности GPU самостоятельный запуск не гарантирует точного воспроизведения официального прогноза. Веса опубликованы по лицензии CC BY 4.0.

Llama-3.2-3B-Math-Oct — дообученная модель prithivMLmods на основе Meta Llama 3.2 3B Instruct. Это плотная авторегрессионная трансформерная языковая модель на 3,2 млрд параметров, предназначенная для решения математических задач и диалоговой помощи. Она подходит для арифметики, алгебры, анализа и теории вероятностей, объяснения решений по шагам, разбора текстовых условий и ролевой симуляции математического репетитора. Модель работает с текстом, поддерживает английский язык и имеет контекст до 131 072 токенов. Модель доступна в формате Safetensors для Transformers; карточка описывает запуск через Transformers версии 4.43.0 или новее. Указана лицензия Llama 3.2. Ответы могут содержать математические ошибки, особенно в сложных или неоднозначных задачах; небольшая по сравнению с крупными моделями ёмкость также ограничивает работу со специализированными темами и общими запросами вне математики.

Qwen2.5-Math-1.5B — плотная языковая модель семейства Qwen2.5, представленная в карточке Unsloth как базовая версия серии математических моделей Qwen. Это дообученная модель Qwen/Qwen2.5-Math-1.5B с 1,5 млрд параметров, предназначенная для генерации продолжений и решений математических задач на английском и китайском языках. Она поддерживает рассуждения по цепочке (CoT) и интегрированное с инструментами рассуждение (TIR); контекст — до 4096 токенов. Модель подходит для генерации пошаговых решений и ответов на математические задачи, а также для few-shot-примеров и как основа для дальнейшего дообучения. В карточке рекомендуется использовать серию преимущественно для математики на английском и китайском; для других задач она не рекомендована. Для запуска требуется Transformers версии 4.37.0 или новее. Лицензия — Apache-2.0.

SejongKRX разработала Sejong-Qwen-v5 — дообученную плотную авторегрессионную языковую модель семейства Qwen2 размером 7,1 млрд параметров на базе unsloth/qwen2.5-7b-bnb-4bit. Модель предназначена для генерации текста; пример в карточке связан с вопросом о временной стоимости денег, а среди источников обучающих данных названы Wikipedia и открытые данные Банка Кореи. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. В метаданных указан английский язык, а пример и описание обучающих данных в карточке на корейском; вероятно, модель ориентирована на корейские финансовые вопросы, однако ширина её языковой поддержки в карточке не описана. Репозиторий распространяется по лицензии Apache-2.0.

AmberYifan/capsd-convfinqa-fullscore-marin-8b-base-finance_random_b2000_s0 — дообученная модель семейства Llama на основе marin-community/marin-8b-base. Она предназначена для генерации текста в финансовом сценарии; в README указано, что обучение проводилось на наборе capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_random_b2000_s0. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовый контекст длиной до 4096 токенов. Модель может быть полезна для генерации ответов на финансовые вопросы и диалоговых сценариев по финансовым данным. Базовая модель описана как англоязычная, поэтому основным поддерживаемым языком следует считать английский. В карточке указана лицензия other; конкретные условия лицензии в доступных сведениях не раскрыты.

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.

Metin/LLaMA-3-8B-GRPO-Finance-Math-TR — дообученная с помощью GRPO разговорная модель на базе ytu-ce-cosmos/Turkish-Llama-8b-DPO-v0.1. Её обучали решать открытые текстовые задачи по финансовой математике и формировать ответ после рассуждения; в обучающую выборку вошли 442 задачи без проприетарных данных. Модель использует архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и имеет контекст длиной 8192 токена. Она предназначена прежде всего для турецкоязычных вопросов по финансовым расчётам. Модель может ошибаться или выдавать бессвязные ответы, поэтому результаты расчётов следует проверять. Лицензия — Llama 3.

Poro 2 8B Math Reasoning SFT Preview — специализированная языковая модель, разработанная AMD Silo AI, группой TurkuNLP Университета Турку и HPLT при обучении на суперкомпьютере LUMI. Модель на архитектуре Llama 3.1 с плотной причинно-языковой сетью примерно на 8 млрд параметров прошла контекстное расширение LongRoPE до 131 тыс. токенов и дообучение с учителем на математических рассуждениях. Модель предназначена для решения математических задач, пошаговых объяснений и обучения математике, в том числе для задач уровня AIME. Она формирует рассуждения на английском и финском, выбирая язык по языку запроса. В карточке приведены результаты на математических тестах для обоих языков, но это предварительный выпуск, а не гарантия правильности ответов. Модель не оптимизирована для обычного диалога, программирования, творческого письма или других областей; ответы могут содержать ошибки или неприемлемый контент. Для важных выводов нужна проверка человеком. Лицензия репозитория — Llama 3.1.

NFT-7B-GGUF — версия модели NFT-7B в формате GGUF, разработанная NVIDIA, Университетом Цинхуа и Стэнфордским университетом. Это авторегрессионная Transformer-модель с архитектурой Qwen2.5 и примерно 7 млрд параметров, дообученная на базе Qwen2.5-Math-7B с использованием метода Negative-aware Fine-Tuning (NFT), который учитывает как правильные, так и ошибочные ответы для улучшения рассуждений. Модель работает с текстом на английском языке, поддерживает математические выражения в LaTeX, контекст до 32 768 токенов и генерацию до 8 192 токенов. Модель предназначена прежде всего для математического решения задач и пошагового вывода, включая конкурсную математику уровня AIME, AMC и олимпиад, а также общие математические тесты. Она не рекомендуется для общего диалога и нематематических сценариев. К сильным сторонам относятся специализированная оптимизация математических рассуждений и обучение на данных DAPO-Math-17k объёмом около 17 тысяч задач; ограничения включают узкую предметную специализацию и заявленное назначение только для исследований и разработки. Указана NVIDIA Non-Commercial License, поэтому коммерческое использование не предусмотрено условиями лицензии.

SAM 3 Car Glass Segmentation — дообученная на базе facebook/sam3 модель для сегментации автомобилей по текстовым подсказкам. Она предназначена для поиска отдельных лобовых и боковых стёкол на изображениях автомобилей и выделения их масками экземпляров. Модель относится к семейству SAM 3, использует архитектуру Sam3Model и работает с изображениями; для запуска применяется библиотека Transformers, веса сохранены в формате safetensors. На момент загрузки было завершено 11 эпох обучения. README указывает, что сравнительная оценка с исходной моделью ещё не опубликована, поэтому качество и преимущества дообучения не подтверждены. Лицензия — Apache-2.0.

AmberYifan/capsd-qwen3-numina-Qwen3-4B-Base-math_ppl_b1000_s0 — дообученная модель генерации текста на базе Qwen/Qwen3-4B-Base. Согласно карточке, она обучена на наборе capsd_Qwen3-4B-Base-n80000-numina__mix_math_ppl_b1000_s0, связанном с математическими данными; вероятное применение — генерация ответов и решений по математическим запросам. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 3,7 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для текстового ввода и выдачи текста. Карточка не приводит результатов оценки качества или подробностей о методе обучения, поэтому пригодность для конкретных математических задач следует проверять отдельно. Указана лицензия other; конкретные условия использования нужно сверить с лицензией базовой модели и материалами репозитория.

FinMA-7B-NLP — языковая модель для финансовой сферы, разработанная в рамках проекта PIXIU. Это модель семейства LLaMA с 7 млрд параметров, дообученная на инструкционных NLP-данных PIXIU; репозиторий содержит веса PyTorch и SafeTensors и рассчитан на работу через Transformers. Модель предназначена для анализа финансовых текстов и выполнения инструкций на английском языке. Модель подходит для анализа тональности финансовых текстов, классификации новостных заголовков, распознавания именованных сущностей и ответов на вопросы по финансовым материалам. Она ориентирована на текстовый ввод и генерацию текста. Лицензия репозитория — MIT. Карточка не сообщает длину контекста и конкретные ограничения качества; результаты следует проверять в целевом финансовом сценарии.

Модель на архитектуре BERT, дообученная на базе SciBERT для распознавания именованных сущностей в медицинских текстах. Она помечает токены, относящиеся к названиям лекарств и нежелательным эффектам, пятью метками: начало и продолжение сущности препарата, начало и продолжение описания эффекта, а также токены вне этих сущностей. Модель предназначена для извлечения упоминаний препаратов и побочных эффектов из текста, например при анализе сообщений о нежелательных реакциях. Она содержит 137,1 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки токенов. Указанная библиотека — Transformers; формат весов — PyTorch. Языковая метка карточки — английский. Условия лицензии в предоставленных данных не указаны.

WiroAI/WiroAI-Finance-Qwen-1.5B — компактная языковая модель для финансовых задач, разработанная WiroAI на архитектуре Qwen. Это плотная авторегрессионная модель Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста и диалоговых ответов. В карточке указано дообучение методом SFT на более чем 500 тысячах финансовых инструкций из Josephgflowers/Finance-Instruct-500k; метаданные также связывают модель с DeepSeek-R1-Distill-Qwen-1.5B и Qwen2.5-Math-1.5B как объединёнными базовыми моделями. Модель подходит для ответов на вопросы о финансах, составления финансовых объяснений и помощи в типовых финансовых сценариях. Поддерживает контекст до 131 072 токенов; обучающие инструкции включают английский и китайский языки, которые модель иногда смешивает в ответах. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

abhilash1910/financial_roberta — маскированная языковая модель на архитектуре RoBERTa, обученная разработчиком на корпусе Financial PhraseBank. Она предназначена для предсказания скрытых токенов в финансовых фразах и может использоваться для анализа контекста и подготовки текстовых признаков в финансовой тематике. Модель содержит 99,6 млн параметров, включает 6 слоёв трансформера и 12 голов внимания, использует словарь из 56 000 токенов и поддерживает контекст до 514 токенов. Модель рассчитана на работу с текстом и выдаёт вероятности возможных подстановок вместо маскированных фрагментов. В карточке указана загрузка через Transformers; доступны веса в форматах PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

OpenMed-PII-SuperClinical-Small (ONNX, per-channel int8) — квантованный экспорт модели OpenMed/OpenMed-PII-SuperClinical-Small-44M-v1, опубликованный создателями Anoni. Это модель токеновой классификации на архитектуре DeBERTa, предназначенная для выявления персональных данных в англоязычных клинических текстах и медицинских документах. ONNX-формат и поканальная квантизация int8 рассчитаны на локальный запуск, чтобы обрабатывать документы на устройстве без отправки данных наружу. В метаданных указаны 155 млн параметров и контекст 512 токенов; README называет исходную модель DeBERTa-v3-small. Лицензия — Apache-2.0. Карточка описывает сценарий медицинской деидентификации, но не приводит перечень распознаваемых типов PII и оценок качества, поэтому пригодность для конкретного набора документов следует проверять отдельно.

Qwen2.5-VL-7B-Meteorology — специализированная мультимодальная модель компании deepguess для анализа метеорологических изображений. Это дообучение Qwen/Qwen2.5-VL-7B-Instruct методом LoRA; архитектура Qwen2.5-VL, около 7,1 млрд параметров по метаданным и контекст до 128 000 токенов. Репозиторий содержит веса в формате safetensors, для работы используется Transformers. Модель принимает изображения и текстовые запросы, а отвечает текстом. Она предназначена для интерпретации радарных и спутниковых снимков, приземных карт, аэрологических диаграмм, прогнозных карт и метеонаблюдений, в том числе в образовательных и исследовательских сценариях и как поддержка рабочих процессов прогнозирования. Английский язык указан в карточке; обучение изображений проводилось с предварительной обработкой до 448×448 пикселей. Модель специализирована на метеорологических изображениях и может хуже справляться с изображениями общего назначения; результаты зависят от формата и визуализации метеоданных, а ответы могут отражать перекосы обучающей выборки. Указана лицензия «other», поэтому конкретные права использования следует сверить с условиями репозитория на Hugging Face.

Arko007/agromind-plant-disease-nfnet — классификатор изображений на архитектуре NFNet-F1, разработанный для распознавания болезней растений и здоровых состояний по фотографиям. Модель различает 88 классов для разных культур, включая яблоню, маниок, вишню, перец чили, кофе, кукурузу, огурец, виноград, манго, персик, гранат, картофель, рис, сою, клубнику, сахарный тростник, чай, томат и пшеницу. Модель принимает RGB-изображение размером 512×512 пикселей с нормализацией mean=[0.5, 0.5, 0.5] и std=[0.5, 0.5, 0.5], использует библиотеку timm и возвращает логиты для 88 классов болезней и здоровых растений. Её можно применять для первичной сортировки фотографий растений и поддержки мониторинга посевов; результаты классификации сами по себе не заменяют экспертную диагностику. Веса опубликованы в формате SafeTensors по лицензии Apache-2.0.

Eikos-4B — модель typed decisions с 4 млрд параметров, разработанная автором карточки на базе Qwen/Qwen3.5-4B и дообученная дистилляцией с GLM-5.3-Flash. Она за один проход выбирает ответ из ограниченного набора вариантов: да/нет, один из предложенных вариантов или порядковый уровень. Модель возвращает распределение вероятностей и оценку уверенности, что позволяет приложению отказаться от ответа ниже заданного порога; генерация свободного текста при принятии решения не используется. Модель предназначена прежде всего для применения финансовых правил и политик к заданным фактам: проверки торговых лимитов, платежей, маржи, KYC/AML, кредитных политик, документарных аккредитивов и налоговых условий. Также заявлены оценка финансовой тональности, проверка ответов по финансовым таблицам и временные или числовые проверки. Обучение проводилось на английском и португальском; испанский использовался для проверки zero-shot. Карточка указывает обучение на контекстах до 32 тыс. токенов для версии 4B. Архитектура — плотная Qwen3.5, веса в формате Safetensors; лицензия MIT. Однопроходный выбор ограничивает многошаговые рассуждения, а длинные цепочки арифметики и правил даются модели плохо. Знания об общем мире ограничены размером модели; известна слабая сторона в определении позиции по денежно-кредитной политике. Изображения базовая модель может читать в режиме сервера v1.3 через визуальный энкодер, но эта возможность заявлена для GPU-сборок с vLLM. Модель применяет только переданные ей правила и факты, не прогнозирует цены и не заменяет юридическую, налоговую или инвестиционную консультацию.

Redflag Detection V3.0 — дообученная языковая модель для извлечения структурированных сведений о симптомах из сообщений пользователей. Она основана на Qwen2.5-7B-Instruct и формирует JSON с возрастом и единицами измерения, сведениями о пациенте, заболеваниями, симптомами, отсутствующими симптомами, уточняющими признаками и контекстными флагами. Эти данные предназначены для передачи в отдельный механизм правил, который определяет медицинские тревожные признаки и возможную необходимость срочной помощи. Модель разработана для медицинского извлечения информации из пользовательских сообщений на английском и малайском языках. В README приведены результаты тестирования: на 100 примерах вне обучающего распределения точность полного совпадения составила 90%, micro F1 — 0,950; на проверочной выборке из 269 примеров — 88,5% и 0,870 соответственно. Это специализированный компонент конвейера поддержки принятия решений, а не самостоятельный диагностический инструмент. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 dense и поддерживает контекст до 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0.

AmberYifan/capsd-convfinqa-fullscore-marin-8b-base-finance_ppl_b1000_s0 — дообученная AmberYifan модель на основе marin-community/marin-8b-base. Согласно README, для обучения использован набор capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_ppl_b1000_s0, связанный с финансовыми данными и ConvFinQA. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текст для генерации текста; поддерживает контекст до 4096 токенов. В метаданных отмечена возможность чата. Лицензия указана как other, конкретные условия по доступным данным определить нельзя. README не содержит сведений о качестве, оценке и рекомендуемых сценариях использования.

Это дообученная модель AmberYifan на базе marin-community/marin-8b-base с архитектурой LlamaForCausalLM и 7,5 млрд параметров. В README указано, что при обучении использовалась выборка capsd_marin-8b-base-n6000-finance-fincot-finqa-clean6k__mix_finance_cap_b1000_s0, что указывает на адаптацию к финансовым данным и задачам вопросов и ответов по финансовым темам. Модель предназначена для генерации текста и диалогового взаимодействия; заявленная длина контекста — 4096 токенов. Карточка не сообщает результаты оценки, конкретные сценарии применения или ограничения качества. Базовая Marin 8B Base описана как англоязычная, поэтому поддержку русского языка этой производной модели подтвердить нельзя. Лицензия указана как other; конкретные условия следует проверять в репозитории модели.

SafeSight PPE — модель компьютерного зрения на базе YOLOv8, дообученная для обнаружения средств индивидуальной защиты, нарушений требований безопасности и оборудования на строительных площадках. Она анализирует изображения и выделяет объекты, включая наличие экипировки и отдельные классы её отсутствия, а также пожарные огнетушители, сварочное оборудование и пилы. Модель предназначена для автоматизированного мониторинга охраны труда на стройке и может служить компонентом системы SafeSight. Модель обучалась 60 эпох на объединённом наборе примерно из 13 000 изображений из нескольких источников. В карточке приведены mAP50 около 0,76, mAP50–95 около 0,43 и точность около 0,81. Репозиторий содержит веса в формате PyTorch и использует библиотеку Ultralytics. Лицензия — Apache-2.0. Качество обнаружения защиты слуха заметно слабее, чем у других классов; ботинки и некоторые нарушения, связанные с отсутствием защиты слуха или перчаток, могут пропускаться. Модель не проверялась на строительных площадках с условиями и географией, отличающимися от обучающих данных, поэтому результаты требуют проверки в целевой среде.