В каком виде приходят цифры?

Как типизированные числа: валюта, единицы и периоды нормализованы. Данные можно сразу загружать в модель расчёта без разбора строк.

Остаётся ли непубличная информация внутри компании?

Да. Модель разворачивается на ваших серверах, в частном облаке или изолированном контуре. Облака поставщика в цепочке запроса нет, телеметрия не отправляется.

Какое железо нужно?

Одна GPU с 24 ГБ видеопамяти — класс L4 или A10.

МОДЕЛЬ 06 · ФИНАНСОВАЯ ОТЧЁТНОСТЬ

МАЙПЛ Финансы

Q: Как проверить, откуда взято число?

Каждое значение ссылается на страницу и строку исходного документа. Аналитик проверяет извлечение по ссылке, а не повторяет работу вручную.

Показатели из отчётности — вплоть до сносок

Модель извлекает цифры из финансовой отчётности, годовых отчётов и презентаций, включая таблицы и сноски, где обычно прячутся самые важные данные. Каждое значение типизировано и ссылается на место в источнике. Работает на ваших серверах — непубличная информация остаётся у вас.

99%+

извлечения показателей

48 мс

медианная задержка

32K

токенов — раздел годового отчёта

1× 24 ГБ

GPU класса L4 или A10

Задача модели

Найти в финансовом документе нужные показатели и вернуть их как числа — с нормализованной валютой, единицами и периодом и со ссылкой на страницу и строку источника.

На входе

Годовые отчёты, финансовая отчётность, презентации для инвесторов
Многоуровневые таблицы, сноски, пересчитанные сравнительные данные
До 32K токенов — раздел годовой отчётности целиком

На выходе

Выручка, маржа, данные по сегментам, прогнозы
Числа как числа: валюта, единицы и периоды нормализованы
Ссылка на страницу и строку источника для каждого значения

Одна задача — сделанная по спецификации

Всё ниже модель делает сама: без обёрток, без циклов повторных запросов и без обращения к модели побольше, когда застряла.

Показатели из отчётности

Выручка, маржа, данные по сегментам и прогнозы — из годовых отчётов, финансовой отчётности и презентаций для инвесторов.

Таблицы и сноски

Разбор с учётом вёрстки там, где на самом деле живут раскрытия: многоуровневые таблицы, сноски и пересчитанные сравнительные данные.

Источник у каждого числа

Каждое значение ведёт на страницу и строку исходного документа — аналитик проверяет извлечение, а не делает его заново.

Числа остаются числами

Типизированный вывод с нормализованными валютой, единицами и периодами. Никакой каши из строк — данные сразу готовы к расчётам.

Характеристики

Цифры, которые нужны для планирования мощностей. Перед пилотом сайзинг сверяется с вашим трафиком, и показатели записываются в соглашение.

Контекст: 32K токенов
Раздел годовой отчётности целиком помещается в один запрос.
Задержка: 48 мс, медиана
Медиана, batch 1, эталонное развёртывание на одной GPU. Замер разработчика — встроенный стенд воспроизводит его на вашем железе.
Железо: 1× GPU 24 ГБ
Класс L4 или A10. Сайзинг проверяем до пилота.
Метрика качества: 99%+ извлечения
Показатель разработчика; на ваших документах его воспроизводит стенд оценки.
Интерфейс: OpenAI-совместимый REST
Обслуживается vLLM. Код, написанный под OpenAI-клиент, подключается без переписывания.
Развёртывание: Docker Compose или Helm
Ваши серверы, частное облако (VPC) или изолированный контур без интернета.
Дообучение: LoRA на ваших данных
Задания на дообучение входят в редакцию Enterprise. Обычно хватает нескольких сотен размеченных примеров из вашего процесса.
Оплата: Годовая лицензия
Без оплаты за токены, запросы и рабочие места. Размер лицензии зависит от масштаба развёртывания.

Где применяется

Сценарии для банков, инвестиционных компаний, аудиторов и финансовых служб.

Кредитный анализ заёмщиков

Финансовая отчётность заёмщика превращается в набор типизированных показателей для скоринговой модели — без ручного переноса цифр в таблицы.

Числа с валютой, единицами и периодом
Ссылка на страницу и строку для проверки
Данные клиента не покидают банк

Аналитика эмитентов

Сбор показателей из годовых отчётов и презентаций для инвесторов — включая сегменты, прогнозы и данные из сносок.

Многоуровневые таблицы и сноски
Пересчитанные сравнительные данные
Непубличная информация остаётся внутри

Сделки и проверка компаний

Быстрая выборка ключевых финансовых показателей из пакета документов целевой компании с возможностью проверить каждое число по источнику.

Раздел отчётности — одним запросом
Проверка извлечения вместо повторного ввода
Работа в изолированном контуре

Пример запроса и ответа

Иллюстрация формата на вымышленных цифрах. Имя модели и структура полей условные — точный контракт фиксируется на пилоте.

Запрос

{
  "model": "maipl-finance",
  "messages": [
    { "role": "user", "content": "Извлеки выручку за 2025 год из раздела «Отчёт о финансовых результатах»" }
  ]
}

Ответ модели

{
  "metric": "revenue",
  "value": 12450000000,
  "currency": "RUB",
  "period": { "type": "fiscal_year", "year": 2025 },
  "source": { "page": 14, "line": 6 }
}

От первого звонка до промышленной эксплуатации

Три шага без переписывания вашего кода. В конце веса модели остаются у вас.

Звонок-знакомство
30 минут
Без слайдов: задача, формат данных и требования безопасности. Если эта модель вам не подходит — скажем прямо на звонке.
Пилот в вашем контуре
по плану пилота
Контейнер разворачивается на тестовом стенде в вашем VPC или на собственных серверах — на том же стеке, что Люмен и Notetaker. Стенд оценки прогоняет модель на ваших данных, цифры попадают в пилотное соглашение.
Промышленный запуск
90 дней сопровождения
Runbook, обучение операторов и 90 дней сопровождения. После этого модель эксплуатируете вы, без зависимости от поставщика.

Частые вопросы

Выручку, маржу, данные по сегментам и прогнозы — из годовых отчётов, финансовой отчётности и презентаций для инвесторов, включая многоуровневые таблицы и сноски.

Это проверяется на пилоте на ваших документах: встроенный стенд оценки показывает точность на реальной отчётности, целевые метрики фиксируются в соглашении. При необходимости модель дообучается методом LoRA на нескольких сотнях размеченных примеров.