II.8Инженерия данных и аналитика

facebook/detr-resnet-101 — модель обнаружения объектов, основанная на архитектуре DETR с энкодером-декодером Transformer и свёрточным backbone ResNet-101. Модель разработана авторами DETR и опубликована в репозитории Facebook; карточку подготовила команда Hugging Face. Она обучена на COCO 2017 для поиска объектов на изображениях и предсказания их классов и ограничивающих рамок. Модель использует 100 объектных запросов и сопоставляет предсказания с разметкой с помощью венгерского алгоритма и bipartite matching loss. На валидационной выборке COCO 2017 указана средняя точность AP 43,5. Параметры изображения рекомендуется масштабировать так, чтобы короткая сторона была не меньше 800 пикселей, а длинная — не больше 1333, и нормализовать по каналам RGB. Модель принимает изображения и выдаёт классы объектов и координаты рамок. Она предназначена для обнаружения объектов из набора COCO; качество на других классах и доменах в карточке не описано. Лицензия — Apache-2.0.

mohawwad93/distilbert-emotion-detector — дообученная модель на базе distilbert/distilbert-base-uncased для классификации эмоций в тексте. Она предназначена для определения эмоциональной категории текста; архитектура — DistilBertForSequenceClassification, веса хранятся в формате safetensors. Максимальная длина контекста составляет 512 токенов. В README указаны результаты на оценочной выборке: accuracy 0,916 и F1 0,8664; обучающий датасет и перечень классов не описаны. Модель распространяется по лицензии Apache-2.0.

Модель j-hartmann/emotion-english-roberta-large — англоязычный классификатор эмоций на основе RoBERTa-large, дообученный на шести разнородных наборах данных. Она относит текст к одной из семи категорий: гнев, отвращение, страх, радость, нейтральное состояние, печаль или удивление. Модель предназначена для анализа эмоциональной окраски англоязычных текстов, например публикаций и комментариев в социальных сетях. Модель имеет архитектуру RobertaForSequenceClassification и содержит 454,1 млн параметров. Контекст составляет до 514 токенов; репозиторий содержит веса PyTorch. Ограничения: классификатор обучен для английского языка и семи заданных категорий, поэтому он не предназначен для надёжной интерпретации других языков или эмоций за пределами этой схемы. Лицензия в предоставленных данных не указана.

mkrausio/EmoWhisper-AnS-Small-v0.1 — модель распознавания речи семейства Whisper, опубликованная Maurice Kraus (mkrausio) на Hugging Face. Карточка репозитория автоматически сгенерирована и не описывает отдельно обучение или назначение варианта AnS; она показывает загрузку через Transformers для задачи automatic speech recognition. Внешнее описание производной модели указывает, что EmoWhisper используется для получения аудиоэмбеддингов в системах анализа эмоций и характеристик голоса. Модель имеет архитектуру WhisperForConditionalGeneration и около 153,1 млн параметров; принимает аудио и выдаёт текстовую транскрипцию. Языки, контекстное окно, лицензия, обучающие данные и сравнительные показатели качества в доступных материалах не установлены. Ограничения включают недостаток документированных сведений о целевой настройке и качестве. Происхождение от базовой модели Whisper следует из семейства и внешнего описания, но конкретный идентификатор базы не подтверждён в карточке; условия лицензии также не указаны.

stillerman/fdt-disfluency-distilbert-66m-v2 — модель разметки токенов на основе DistilBERT, обученная для удаления речевых запинок из транскриптов живой речи. Она помечает каждое слово тегом KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE, после чего простая реконструкция собирает очищенный текст. Модель предназначена для автоматической очистки разговорных транскриптов, в том числе в браузере через ONNX и transformers.js. Модель содержит 65,8 млн параметров, использует архитектуру distilbert-base-cased и имеет контекст до 512 токенов. По описанию, обучение проводилось на синтетически искажённых разговорных корпусах; указаны exact-match 0,9755 и F1 для DELETE 0,9934. Подход ограничен удалением и простыми изменениями регистра и пунктуации: модель не перефразирует текст и не предназначена для исправления произвольных ошибок распознавания речи. Опубликованы веса Safetensors и квантованный ONNX. Лицензия репозитория — Apache-2.0, однако модель обучалась в том числе на DailyDialog с лицензией CC BY-NC-SA, поэтому автор рекомендует не использовать её для коммерческого развёртывания без дополнительной проверки условий.

FireRedVAD-GGUF — набор моделей FireRedVAD, подготовленных Strg-Alt-Entf-0x00 в формате GGUF для кроссплатформенного инференса через C++. В набор входят потоковая и двунаправленная модели обнаружения голосовой активности, а также модель классификации аудиособытий; для каждой доступны варианты квантования INT8-CH, INT8 и INT16. Исходная модель указана как FireRedTeam/FireRedVAD. Потоковый вариант предназначен для обнаружения речи в реальном времени с обработкой кадров по 10 мс и без необходимости учитывать будущий контекст. Стандартный VAD использует двунаправленный контекст и подходит для пакетной обработки сегментов аудио. AED одновременно выявляет речь, музыку и пение более чем в 100 языках. В README заявлены производительность до 53,6 раза быстрее реального времени для потокового VAD и оценка F1 97,57% для стандартного VAD на FLEURS-VAD-102. Варианты GGUF рассчитаны на компактный инференс на CPU и устройствах с ограниченными ресурсами. Для INT8-CH заявлена близкая к FP32 точность; README также сообщает, что файлы были повторно загружены после исправления ошибки в фильтрах упреждения FSMN и теперь совпадают с реализацией PyTorch. Репозиторий не указывает лицензию, поэтому условия использования следует проверять у исходной модели и в файлах репозитория.

Fisher-R1-14B — открытая языковая модель-агент, разработанная May2222 и дообученная на базе Qwen2.5-Coder-14B-Instruct. Она ориентирована на проверку статистических гипотез: анализирует данные, выбирает подходящий статистический тест, выполняет его и сообщает p-value с выводом по результату. Модель содержит 14 млрд параметров, использует архитектуру Qwen2 для причинной генерации текста и работает с контекстом до 32 768 токенов. Для обучения применялись синтетические исполняемые статистические задачи: supervised fine-tuning и reinforcement learning с проверяемой статистической оценкой. Модель оценивалась на P-Bench; в метаданных указан английский язык. Лицензия — Apache-2.0. Она предназначена для диалогового анализа статистических задач и выбора тестов, но README не приводит результатов бенчмарка или подробностей поддерживаемых тестов. Выводы модели следует проверять, особенно при подготовке научных или иных значимых заключений.

dilarayavuz/generated-sst2-addsent-bert-ep1 — англоязычная модель классификации текста, созданная пользователем dilarayavuz с помощью AutoTrain на базе google-bert/bert-base-uncased. Это BERT для классификации последовательностей с 136,7 млн параметров и контекстом до 512 токенов; веса доступны в формате safetensors. Модель предназначена для классификации текстов, в частности для определения тональности отзывов и предложений в сценариях SST-2. В карточке приведены метрики на валидации: accuracy 0,907, F1 0,915, precision 0,947, recall 0,885 и AUC 0,958. Эти результаты относятся к указанной в обучении задаче и не гарантируют аналогичного качества на других данных. Лицензия в предоставленных сведениях не указана.

Модель laion/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning_num-train-epochs_8-0_Qwen3-32B — дообученная командой laion плотная языковая модель семейства Qwen3 на базе Qwen/Qwen3-32B. Она содержит 29,7 млрд параметров, работает с текстом и поддерживает диалоговый сценарий. Для неё указаны контекст до 40 960 токенов и формат весов safetensors. Модель предназначена для генерации текста, в частности ответов в стиле Stack Exchange и Stack Overflow, связанных с техническими вопросами и задачами в песочницах. README называет обучающий набор open-athena/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning, но не приводит результатов оценки или подробностей об ограничениях. Указана лицензия other; конкретные условия использования следует проверять в карточке модели и у базовой модели.

hu_core_news_lg — крупная базовая модель венгерского языка из проекта HuSpaCy. Она построена как конвейер компонентов spaCy: tok2vec, сегментатор предложений, морфологический анализатор, теггер частей речи, лемматизатор, синтаксический анализатор и модель распознавания именованных сущностей. Версия модели — 3.8.1; для работы требуется spaCy версии 3.8.0 или новее. Модель предназначена для разметки венгерского текста: определяет границы предложений и токенов, части речи и морфологические признаки, начальные формы слов, синтаксические связи и именованные сущности. Эти результаты подходят для построения NLP-конвейеров, анализа текстовых корпусов и извлечения структурированных данных из венгерских документов. Карточка указывает лицензию CC BY-SA 4.0. В предоставленных материалах нет количественной оценки качества, поэтому точность на конкретных жанрах и доменах следует проверять отдельно; модель специализирована на венгерском и не предназначена как универсальная многоязычная система.

Модель maxwoe/image-rotation-angle-estimation оценивает угол поворота изображения по полному диапазону 360°. Она построена на backbone MambaOut Base, предварительно обученном на ImageNet-1K, и использует метод Circular Gaussian Distribution: модель предсказывает распределение вероятностей по 360 угловым интервалам с разрешением 1°, после чего выбирается угол с наибольшей вероятностью. Входной размер изображения — 224 × 224 пикселя. В репозитории представлены чекпойнты, обученные на COCO 2017 и COCO 2014. Для версии COCO 2017 указаны MAE 2,84° и медианная ошибка 0,55°. Модель предназначена для определения ориентации изображений и может использоваться для автоматического выравнивания снимков и предварительной обработки визуальных данных. Репозиторий распространяется по лицензии MIT.

IndoBERT-Lite Large Model (phase1, uncased) — предварительно обученная языковая модель для индонезийского языка, разработанная командой IndoBenchmark. Она основана на архитектуре ALBERT и обучена на корпусе Indo4B с задачами masked language modeling и next sentence prediction. Модель предназначена для извлечения контекстных представлений текста, которые можно использовать в качестве основы для последующих задач обработки индонезийского языка. Модель содержит около 433,4 млн параметров, принимает текстовые последовательности длиной до 512 токенов и поддерживает извлечение признаков через Transformers; в репозитории доступны форматы PyTorch и TensorFlow. Карточка описывает uncased-вариант, то есть текст обрабатывается без различения регистра. Лицензия — MIT.

jndpo4 — дообученная модель генерации текста, созданная на основе deepseek-ai/deepseek-coder-1.3b-base и обученная на наборе данных generator. Она использует плотную архитектуру семейства Llama и содержит 1,3 млрд параметров. Модель предназначена для генерации и продолжения текста; базовая модель ориентирована на продолжение, автодополнение и заполнение пропусков в коде, поэтому jndpo4 может подойти для подобных сценариев. Контекст составляет до 16 384 токенов. Веса доступны в формате safetensors, лицензия указана как other. Карточка не содержит сведений о конкретных сценариях, оценке качества или ограничениях дообученной версии.

jnkto2 — дообученная модель для генерации кода на основе deepseek-ai/deepseek-coder-1.3b-base, опубликованная пользователем stojchet. Модель с архитектурой Llama содержит 1,3 млрд параметров и принимает текст; заявленная длина контекста — 16 384 токена. Модель предназначена для генерации и продолжения кода. В README приведены метрики оценки, включая loss 0,1622 и оценки chosen/rejected, однако описание набора данных, методики обучения и конкретных сценариев применения отсутствует. Файлы модели опубликованы в формате safetensors. Лицензия указана как other; конкретные условия использования по имеющимся данным определить нельзя.

Корейский энкодер для нейронного разреженного поиска, разработанный на основе klue/roberta-large и дообученный методом SPLADE-max. Модель преобразует запросы и документы на корейском языке в разреженные лексические представления с расширением ключевых слов, которые можно использовать для поиска через neural_sparse-запросы OpenSearch. Модель основана на архитектуре RoBERTa с головой masked language modeling; в README указаны 337 млн параметров, 24 слоя и размер скрытого состояния 1024. Она обучалась и оценивалась на Ko-StrategyQA, MIRACL-ko и Mr.TyDi-ko. В этих тестах показаны более высокие значения Recall@1, чем у BM25 и указанной в карточке модели V33-base. Для использования нужны Transformers и PyTorch либо OpenSearch с поддержкой neural_sparse. Лицензия — Apache-2.0. Метаданные каталога указывают 435,4 млн параметров и контекст до 514 токенов; это расходится с размером модели в README.

Laguna-XS.2-dense-stage2-chat — исследовательский чекпойнт Poolside, полученный дистилляцией Laguna-XS.2 в плотную языковую модель для диалоговой генерации кода. По README, MoE-слои учителя заменены плотными FFN, а затем модель обучена методом logit-KD на примерах инструкций и ответов в родном формате чата; размер составляет около 3,0 млрд реальных параметров, хотя экспорт сообщает около 3,8 млрд из-за дополнения FFN до единообразного размера. Модель сохраняет механизм внимания Laguna-XS.2; метаданные указывают контекст 262 144 токена и формат safetensors. Модель предназначена для генерации кода по запросам в формате чата. В README приведён результат 6,7% pass@1 на HumanEval и пример генерации работающего Python-кода, однако чекпойнт обучен на небольшом бюджете — около 22 млн токенов ответов — и заметно уступает учителю. Плотная архитектура сокращает объём памяти для весов примерно в 11 раз по сравнению с MoE-учителем, но не уменьшает память KV-кэша и почти не меняет вычисления на токен. Лицензия — Apache-2.0.

lastbrain — Darwin V8 — это дообученная FINAL-Bench модель на базе Qwen/Qwen3.5-2B, созданная командой FINAL-Bench / VIDRAFT_LAB. Модель с архитектурой Qwen3_5ForCausalLM и примерно 1,7 млрд параметров обучена методом SFT с LoRA и дистилляцией рассуждений по заранее подготовленным трассам Claude Opus 4.5/4.6 и Claude Sonnet 4.6. LoRA-адаптер объединён с весами базовой модели, поэтому чекпойнт можно запускать как самостоятельную модель. Модель предназначена для генерации ответов в диалоге с пошаговыми объяснениями, решения математических и логических задач и написания кода. README сообщает о 4 451 обучающих трассах из четырёх открытых наборов данных и показывает примеры структурированных ответов с Markdown и LaTeX. В метаданных указаны контекст до 262 144 токенов и языки английский, корейский, китайский и японский; при этом обучение проводилось с max_length 4 096, что ограничивает основания ожидать столь же надёжную работу на длинном контексте. Модель распространяется по лицензии Apache 2.0; для обучающих данных следует учитывать лицензии исходных наборов. Это компактная текстовая модель для сценариев, где важны объяснение хода решения и развёрнутый ответ. README предупреждает о возможных числовых ошибках при вычислениях на корейском языке и отмечает, что явные теги рассуждений используются редко.

LayerSkip Code Llama 7B — модель Meta, представленная Facebook Research, полученная дальнейшим предобучением Code Llama 7B с применением LayerSkip. Она предназначена для генерации и автодополнения программного кода, а также для ускоренного вывода с помощью self-speculative decoding: ранние слои предлагают токены, а оставшиеся слои проверяют их. Модель работает с текстовым вводом и выдаёт текст, в том числе код; карточка указывает английский язык. В README приведён пример измерения на одной GPU NVIDIA A100: self-speculative decoding показал 50,38 токена в секунду против 38,67 при авторегрессионной генерации в указанной конфигурации. Эти результаты зависят от реализации и оборудования. Оптимизированные реализации повторно используют веса и KV-кэш ранних слоёв; вариант через стандартный Transformers описан как менее оптимальный по памяти. Обучающая реализация помечена как находящаяся в разработке. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

LLIMONIIE — дообученная leopiano98 языковая модель для извлечения информации на итальянском языке. Она выполняет распознавание именованных сущностей без заранее заданной онтологии, извлечение отношений и совместное извлечение сущностей и отношений из текста в разных предметных областях. Модель основана на unsloth/llama-3-8b-instruct-bnb-4bit и использует архитектуру Llama для генерации текста. В репозитории указаны 7,5 млрд параметров, контекст до 8192 токенов и формат весов safetensors. Модель рассчитана на текстовый ввод и выдаёт результаты извлечения в текстовом виде. Лицензия — Apache-2.0. Карточка не приводит результатов оценок качества, поэтому надёжность извлечения для конкретного домена следует проверять на собственных данных.

MATPAC++ — аудиокодер семейства MATPAC (Masked Latent Prediction And Classification), разработанный на основе оригинального проекта aurianworld/matpac и перенесённый для работы через Transformers. Модель предварительно обучена на аудио и музыке, затем дообучена на AudioSet; в этой версии оставлен только энкодер без классификационной головы. Она предназначена для извлечения аудиопредставлений размерности 3840, а не для выдачи готовых меток классов. Кодер подходит для получения признаков аудио и музыки в задачах анализа и последующей классификации. По умолчанию представления могут агрегироваться по времени; можно сохранить временную ось, получив последовательность признаков формы (batch, time, 3840). Режим векторизованного вывода ускоряет обработку больших пакетов, но добавление паддинга может немного снижать точность относительно стандартного режима. Для запуска нужны Transformers, torchaudio, einops и timm версии 0.4.12; для файлов удалённого кода используется trust_remote_code. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

mist-encoder-base-ng — компактный языковой энкодер от olaverse для хауса, йоруба, игбо и нигерийского пиджина. Модель на архитектуре ModernBERT содержит около 30,7 млн параметров, обучена с нуля на задаче masked language modeling и использует токенизатор otk-bpe-50k. Контекст составляет до 1024 токенов. Выпущена под лицензией Apache-2.0. Энкодер предназначен для дообучения с задачными головами и подходит для классификации тем и тональности, определения языка и получения эмбеддингов предложений. Компактный размер помогает при развертывании на устройствах с ограниченными ресурсами. Для распознавания именованных сущностей модель слабее крупных специализированных энкодеров: в README указан разрыв примерно в 10–20 пунктов entity-F1. Данные для нигерийского пиджина ограничены, поэтому его поддержка тоньше, чем у остальных языков.

MyAwesomeModel — модель, опубликованная пользователем или организацией MabelCoco на Hugging Face. По метаданным она относится к семейству BERT, использует PyTorch и библиотеку Transformers, а основным сценарием применения обозначено извлечение признаков из текста. В README модель также позиционируется как обновлённая система с улучшенными рассуждениями, математикой, программированием, логикой, ответами на вопросы, классификацией, суммированием, диалогами и вызовом функций. Однако эти заявления относятся к широкому набору возможностей, тогда как официальная метка pipeline указывает feature-extraction; поэтому для каталога модель прежде всего следует рассматривать как средство получения векторных представлений текста и использования их в последующих NLP-задачах. Модель распространяется по лицензии MIT. README рекомендует использовать системный промпт с текущей датой и температуру 0,6, но не содержит подтверждённых сведений о размере модели, длине контекста, поддерживаемых естественных языках и точной архитектуре за пределами метки BERT. Заявленные результаты бенчмарков приведены в карточке модели без описания методологии проверки.

MyAwesomeModel — модель из репозитория PrevetDurgan279/MyAwesomeModel-TestRepo, предназначенная для извлечения признаков из текста. В метаданных Hugging Face она обозначена как BERT-модель, работающая через библиотеку Transformers и pipeline feature-extraction. Автор или организация-разработчик в предоставленных данных не названы. README описывает обновлённую версию модели как систему с улучшенными рассуждениями, математикой, программированием, классификацией, анализом тональности, суммаризацией, переводом и поддержкой function calling. Однако эти заявления не согласуются с указанным в метаданных pipeline-тегом feature-extraction и не подтверждают конкретные параметры, размер, языки или длину контекста модели, поэтому их следует рассматривать с осторожностью. Модель может использоваться как основа для получения векторных представлений текста и последующих задач машинного обучения, включая классификацию, поиск сходства и кластеризацию. Для работы заявлена библиотека Transformers. Лицензия MIT разрешает использование, модификацию и распространение при соблюдении её условий.

Mythos-nano — независимая открытая модель проекта squ11z1, дообученная на базе WeiboAI/VibeThinker-3B. Это текстовая авторегрессионная модель для генерации текста, ориентированная прежде всего на рассуждения, математические задачи и программирование. Указан английский язык; модель также позиционируется для задач на знания и следование инструкциям. Модель содержит около 3 млрд параметров и относится к семейству Qwen2 согласно тегам репозитория. В README не указаны точная архитектура, размер контекста и данные обучения. По приведённым результатам она демонстрирует сильные показатели на соревновательной математике и задачах программирования, включая LeetCode, а также хорошие результаты на отдельных тестах следования инструкциям и знаний. Для сложных задач рекомендуется генерировать до 40960 токенов с температурой 0,6–1,0. Модель не обучалась на данных для tool calling и агентского программирования, поэтому не рекомендуется для вызова функций, оркестрации API и автономных coding-агентов. В README также указано снижение защитных ограничений: удалено направление отказа, поэтому модель может не отклонять запросы, которые обычно блокируются моделями с настройкой безопасности. Доступны форматы для Transformers и GGUF, включая варианты для llama.cpp и Ollama. Лицензия MIT.

Prasadrao/roberta-large-go-emotions — модель RoBERTa-large, дообученная для классификации эмоций в тексте на датасете GoEmotions. Она предназначена для определения эмоциональных категорий в сообщениях и других коротких текстах. Модель содержит 454,1 млн параметров, принимает текст и выдаёт метки классов; максимальная длина контекста — 514 токенов. На оценочной выборке указаны accuracy 0,4589 и F1 0,5142. Модель опубликована под лицензией MIT. Карточка не описывает ограничения подробнее; показатели оценки стоит учитывать при использовании классификации в чувствительных сценариях.

MaxKazak подготовил русскоязычный классификатор эмоций, дообученный на базе ai-forever/ruBert-base на датасете Djacon/ru_goemotions. Это плотная модель BERT с головой классификации последовательностей; она принимает текст и оценивает вероятности девяти меток: радость, интерес, удивление, грусть, гнев, отвращение, страх, вина и нейтральное состояние. Модель подходит для анализа эмоциональной окраски русскоязычных сообщений, отзывов и других коротких текстов. В README приведены результаты оценки: средний AUC вероятностей на тесте 0,9095 и средний F1-macro 0,7781; качество различается между метками. Контекст модели — до 512 токенов. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0.

SentimentArEng — дообученная qandos0 модель на основе cardiffnlp/twitter-xlm-roberta-base-sentiment для классификации тональности текстов на арабском и английском языках. Она использует архитектуру XLM-RoBERTa и содержит 305,2 млн параметров; максимальная длина контекста — 514 токенов. Модель предназначена для анализа тональности коротких сообщений и других текстов, например отзывов и комментариев. В README указаны 114 885 записей в обучающей выборке и 12 765 в оценочной; точность на оценочной выборке составляет 0,7985. Пример показывает предсказание отрицательной тональности для арабского текста. Модель доступна в формате safetensors и рассчитана на использование через библиотеку Transformers. Сведения о лицензии в доступных данных отсутствуют.

Модель prithivMLmods/siglip2-x256-explicit-content — дообученный визуальный энкодер SigLIP 2 для многоклассовой классификации изображений по категориям контента. Она основана на google/siglip2-base-patch16-256, использует архитектуру SiglipForImageClassification и принимает изображения для отнесения к одному из пяти классов: аниме, хентай, обычное изображение, порнография или соблазнительный/чувственный контент. Модель предназначена для фильтрации изображений и модерации пользовательского контента, родительского контроля, а также предварительной сортировки наборов данных. Она выдаёт метки классов, помогая выявлять явный и откровенный контент. В метаданных указан английский язык карточки; вход и выход модели относятся к изображениям и меткам соответственно. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

stanfordnlp/stanza-cs — модель Stanza для чешского языка, разработанная Stanford NLP. Она входит в набор инструментов Stanza для лингвистического анализа текста и предназначена для распознавания именованных сущностей и других задач анализа естественного языка; в метаданных для неё указана задача классификации токенов. Модель работает с текстом на чешском языке. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка не приводит размер модели, длину контекста и конкретные ограничения.

TS-Reasoner-7B — модель для рассуждений по числовым временным рядам, разработанная авторами проекта TS-Reasoner. Она объединяет языковую модель Qwen2.5-7B с замороженной моделью временных рядов TimesFM: представления рядов сопоставляются с текстовым пространством в ходе предварительного обучения на синтетических парах «временной ряд — описание» и последующего дообучения на инструкциях. В метаданных указаны архитектура Qwen2, 7,1 млрд параметров, библиотека Transformers и контекст 32 768 токенов. Модель предназначена для диалоговых запросов и генерации текстовых ответов о числовых временных рядах. При первом использовании код модели загружает основу TimesFM с Hugging Face. Карточка ссылается на исследовательскую статью и код проекта; лицензия в доступных данных не указана.