Предварительно обученная модель Google Research для прогнозирования временных рядов по историческим данным.

Подходит для: прогнозирование будущих значений временного ряда · построение квантильных прогнозов временных рядов · оценка будущего спроса по историческим данным

TabFM — табличная foundation-модель Google Research для классификации и регрессии без дообучения на конкретном наборе данных.

Подходит для: Классификация таблиц с числовыми и категориальными признаками · Бинарная классификация табличных данных · Многоклассовая классификация до 10 классов

Компактная предварительно обученная модель IBM для быстрого прогнозирования одномерных и многомерных временных рядов, включая сценарии zero-shot и few-shot.

Подходит для: прогнозирование спроса и продаж по временным рядам · прогнозирование показаний датчиков и телеметрии · многомерное прогнозирование с дополнительными переменными

Экспериментальная 8-миллиардная языковая модель с гибридной Gated DeltaNet-архитектурой для диалогов и генерации текста с длинным контекстом при уменьшенном KV-кэше.

Подходит для: генерация текста с контекстом до 524 288 токенов · диалоговые приложения на базе языковой модели · обработка длинных последовательностей при ограниченном объёме KV-кэша

Преобразованная для Transformers модель Google TimesFM 2.5 для точечного и квантильного прогнозирования временных рядов.

Подходит для: прогнозирование будущих значений временного ряда по историческим данным · построение квантильных прогнозов временного ряда · получение точечных прогнозов для последовательностей наблюдений

Mitra Classifier — 12-слойная Transformer-модель для классификации табличных данных, предварительно обученная на синтетических примерах.

Подходит для: классификация строк табличного набора данных · предсказание категории объекта по его табличным признакам · базовая классификация данных в AutoGluon Tabular

Вспомогательная модель-черновик Liquid AI для ускорения генерации LiquidAI/LFM2.5-2.6B с помощью speculative decoding.

Подходит для: ускорение генерации текста моделью LFM2.5-2.6B в SGLang · ускорение локального декодирования на Apple Silicon через Metal · ускорение генерации при решении математических задач

Компактная модель IBM Research для нулевого прогнозирования и дообучения многомерных временных рядов с минутной и часовой частотой.

Подходит для: прогнозирование спроса по нескольким временным рядам · краткосрочный прогноз показателей с минутной частотой · почасовое прогнозирование сенсорных данных

Производная модели TFM-ML/K2-Horizon-7B-GDN-Hybrid-Exp. Экспериментальная 8-миллиардная языковая модель с гибридной Gated DeltaNet-архитектурой для диалогов и генерации текста с длинным контекстом при уменьшенном KV-кэше.

Подходит для: генерация текста с контекстом до 524 288 токенов · диалоговые приложения на базе языковой модели · обработка длинных последовательностей при ограниченном объёме KV-кэша

Черновая модель Liquid AI для speculative decoding, ускоряющая генерацию LiquidAI/LFM2.5-8B-A1B при использовании совместимого инференс-сервера.

Подходит для: ускорение генерации текста на LFM2.5-8B-A1B через speculative decoding · снижение задержки инференса в SGLang · ускорение генерации на Apple Silicon с Metal

Англоязычный базовый чекпойнт T5 с архитектурой Deep-Narrow, предназначенный для дообучения под задачи обработки текста.

Подходит для: дообучение для суммаризации английских текстов · настройка для ответов на вопросы по английскому тексту · дообучение для классификации английских текстов

Трансформерная модель Prior Labs для классификации небольших табличных наборов данных без отдельного обучения под каждую задачу.

Подходит для: классификация строк в небольших таблицах · предсказание категорий по табличным признакам · быстрое построение базовой модели для табличного датасета

Компактная англоязычная модель Funnel Transformer извлекает контекстные признаки текста для последующего дообучения и решения задач классификации и ответов на вопросы.

Подходит для: извлечение векторных признаков из английских текстов · подготовка представлений предложений для классификатора · классификация токенов после дообучения

TabPFN-3.5 — трансформерная модель Prior Labs для классификации и регрессии на структурированных табличных данных.

Подходит для: классификация записей в таблицах · прогнозирование числовых значений по табличным данным · многоклассовая классификация таблиц с экспериментальным чекпойнтом

TabFM 1.1.0 — модель Google Research для zero-shot классификации и регрессии на табличных данных с числовыми и категориальными признаками.

Подходит для: Классификация таблиц на два или до десяти классов · Регрессия по числовым и категориальным признакам · Получение прогнозов без дообучения на целевой выборке

Компактная модель IBM Research для прогнозирования многомерных временных рядов с контекстом до 1536 точек и горизонтом до 720 точек.

Подходит для: прогнозирование показателей датчиков по истории наблюдений · краткосрочный прогноз временных рядов без дообучения · адаптация прогноза на целевом наборе временных данных

Компактная предварительно обученная модель IBM Research для быстрого прогнозирования одномерных и многомерных временных рядов, в том числе без дообучения.

Подходит для: прогнозирование спроса и временных показателей без дообучения · адаптация прогноза на небольшом наборе примеров · прогнозирование многомерных временных рядов

FTFM-1 — табличная модель, которая классифицирует новые строки по размеченной таблице поддержки без дообучения на конкретном наборе данных.

Подходит для: Классификация новых записей по размеченной таблице примеров · Оценка классов для больших таблиц пакетами запросных строк · Классификация табличных данных без градиентного дообучения под каждый датасет

Компактная предобученная модель IBM Research для прогнозирования многомерных временных рядов с минутной и часовой частотой.

Подходит для: Прогнозирование нескольких временных рядов на 96 точек вперёд · Получение прогноза временного ряда без дополнительного обучения · Дообучение модели на небольшом наборе целевых временных рядов

Трансформер Prior Labs для классификации и регрессии на структурированных табличных данных с помощью обучения в контексте.

Подходит для: классификация строк табличного набора данных · прогнозирование числовых значений по табличным признакам · быстрая оценка качества табличной задачи без длительной настройки модели

Компактная модель IBM для прогноза многоканальных временных рядов, предварительно обученная на данных ETTh1.

Подходит для: Прогнозирование показателей ETTh1 на 96 часов вперёд · Оценка временных рядов электрических трансформаторов с каналами ETTh1 · Дообучение модели для прогноза многоканальных временных рядов с теми же каналами

Компактная модель Google семейства T5, дополнительно обученная на языковом моделировании для адаптации к текстовым задачам и prompt tuning.

Подходит для: адаптация к генерации текста с помощью prompt tuning · дообучение для суммаризации документов · дообучение для ответов на вопросы по тексту

Компактная гибридная LFM2.5-модель для генерации пошаговых решений STEM-задач и ответов на задачи логического вывода при локальном запуске.

Подходит для: пошаговое решение задач по линейной алгебре · объяснение задач по дифференциальным уравнениям · решение задач по электромагнетизму и классической механике

Компактный трансформер для zero-shot прогнозирования одного или нескольких временных рядов с учётом доступных ковариат.

Подходит для: прогнозирование спроса по истории продаж и календарным факторам · прогнозирование трафика по прошлым значениям и погоде · прогнозирование нескольких взаимосвязанных временных рядов