К содержимому
Другое

qwen-financial-json-extractor

JSON из финансовых постов

2 мин чтенияобновлено

Модель берёт текст поста о рынке или акциях и возвращает строгий JSON: настроение (bearish, bullish или neutral) и список тикеров/кэштегов. Это дообученная Qwen2.5-0.5B-Instruct, обученная через QLoRA (4-битная квантизация NF4, LoRA rank 16, alpha 32). На выходе — merged-чекпоинт, который можно грузить через transformers и использовать без отдельного адаптера. Пригодится для парсинга соцсетей, алертов и небольших пайплайнов, где нужен компактный экстрактор.

Ключевые особенности

  • JSON structural validity — 99.9% на validation-сплите.
  • Sentiment macro-F1 — 0.863; ticker exact-match — 0.994.
  • Обучение QLoRA: 4-bit NF4, LoRA rank r=16, alpha=32.
  • Компактная база Qwen2.5-0.5B-Instruct — немного параметров для узкой задачи.
  • Возвращает только JSON с ключами sentiment и tickers, без лишнего текста.

Что можно сделать

  • Собрать бота, который превращает финансовые посты в JSON и шлёт алерты по тикерам.
  • Прогонять ленту соцсетей и считать долю bullish/bearish/neutral по упоминаниям акций.
  • Делать JSON-фичи для дашборда или простой аналитики.
  • Подключить как компактный экстрактор в пайплайн обработки текстов о рынке.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer
mid = 'Badrdeen/qwen-financial-json-extractor'
tok = AutoTokenizer.from_pretrained(mid)
model = AutoModelForCausalLM.from_pretrained(mid, torch_dtype='auto', device_map='auto')
text = 'Bullish on $TSLA after strong earnings report!'
msgs = [{'role': 'user', 'content': text}]
prompt = tok.apply_chat_template(msgs, tokenize=False, add_generation_prompt=True)
print(prompt)
ПодробнееНа validation (2 388 примеров): JSON structural validity 99.9%, sentiment macro-F1 0.863, ticker exact-match 0.994.
База — Qwen2.5-0.5B-Instruct; обучение QLoRA: 4-bit NF4, r=16, alpha=32.
Модель заточена под финансовые соцмедиа-тексты и отдаёт JSON с sentiment и tickers.
Отдельных требований к VRAM в карточке нет.
Обсудить Telegram 0 18

Запустится ли?

Запустится в F16

Влезает без сжатия.

  • F16веса 0.9 GB · готовые файлы1.5 GB
  • FP8 / INT8рекомендуемвеса 0.5 GB1.0 GB
  • 4-bitвеса 0.3 GB0.8 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Badrdeen/qwen-financial-json-extractor
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Badrdeen/qwen-financial-json-extractor --local-dir ~/models/qwen-financial-json-extractor
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к qwen-financial-json-extractor
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

Qwen/Qwen2.5-0.5B-Instruct
  1. Qwen2.5-0.5Bоснова семьи
  2. Qwen2.5-0.5B-Instruct
  3. qwen-financial-json-extractor

Новые посты про версии Qwen2.5-0.5B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 5Все на Hugging Face
Слияния 2Все на Hugging Face

О модели

Badrdeen/qwen-financial-json-extractor
Автор
Badrdeen
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

180

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии