GamblerInsight 1.5B
финансовый агент с инструментами
1 мин чтения
GamblerInsight Full — full-test checkpoint от tayaee на базе Qwen2.5-1.5B-Instruct (1.54B), дообученный для multi-hop финансового reasoning и tool-calling агента. Модель училась на DGX Spark GB10, чтобы проверить цепочку: 2-turn траектории с вызовом инструментов, merge LoRA в safetensors и деплой на Hugging Face Hub для vLLM.
Ключевые особенности
- База Qwen2.5-1.5B-Instruct, 1.54B параметров; языки — en и ko.
- Два финансовых инструмента:
lookup_stock_priceиlookup_technical_indicators(RSI, MACD, BBANDS, SMA, EMA, ATR, OBV, MFI, divergence, priced_in_score). - 2-turn tool-calling: вызов инструментов, затем
<think>...</think>,<forecast_json>...</forecast_json>и человекочитаемый отчёт. - Обучение: LoRA r=8, alpha=16, dropout=0.05; 110 шагов на 220 траекториях.
- Full-test checkpoint для проверки merge адаптера в safetensors и запуска через vLLM.
Пример
from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = 'tayaee/gamblerinsight-1-qwen2.5-1.5b-full'
tok = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_id, device_map='auto', trust_remote_code=True)
messages = [{'role': 'user', 'content': 'Analyze AAPL with RSI and MACD.'}]
prompt = tok.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tok(prompt, return_tensors='pt').to(model.device)
print(tok.decode(model.generate(**inputs, max_new_tokens=512)[0], skip_special_tokens=True))
Подробнее
Бенчмарков нет; указан final loss 0.1795 (average 0.3713).Обучение: LoRA r=8, alpha=16, dropout=0.05, max_steps=110, 220 траекторий.
Ограничения: research/engineering validation, не для торговли; ответы могут быть неполными, противоречивыми или галлюцинированными.
Лицензия Apache-2.0; базовая модель — Qwen/Qwen2.5-1.5B-Instruct.










Комментарии