II.8Инженерия данных и аналитика

duyntnet/DuckDB-NSQL-7B-v0.1-imatrix-GGUF — это GGUF-квантизированная версия DuckDB-NSQL-7B-v0.1, разработанная на основе модели motherduckdb. DuckDB-NSQL относится к семейству авторегрессионных открытых foundation-моделей, специально предназначенных для генерации SQL-запросов для DuckDB. В карточке также указаны поддержка Transformers, формата GGUF и метода imatrix-квантизации. Модель предназначена для преобразования инструкций на естественном языке в DuckDB SQL, в том числе с учётом схемы базы данных. Она может использоваться для создания таблиц из файлов, формирования запросов по описанию задачи, выбора столбцов, фильтрации и анализа данных. В качестве входа поддерживаются текстовые инструкции, вопросы и описания схемы базы данных. Указан английский язык; другие языки не заявлены. Размер модели — 7B параметров согласно идентификатору исходной модели. Точные архитектурные параметры, размер контекстного окна и характеристики конкретной GGUF-квантизации в README не указаны. Сильная сторона модели — специализация на DuckDB SQL и возможность учитывать структуру таблиц при генерации запросов. Ограничения включают зависимость качества от корректности предоставленной схемы и формулировки задачи, а также отсутствие подтверждённых сведений о поддерживаемых языках, контекстном окне и точных параметрах квантизации. Лицензия обозначена как other, без дополнительных условий в карточке.

NickyNicky/gemma-1.1-2b-it_text_to_sql_format_chatML_V1 — дообученная чат-модель семейства Gemma от автора NickyNicky, предназначенная для генерации SQL по запросам на естественном языке. Она построена на плотной архитектуре GemmaForCausalLM и содержит 2,5 млрд параметров; модель рассчитана на контекст до 8192 токенов и использует формат safetensors в библиотеке Transformers. В метаданных указаны английский язык и наборы данных gretelai/synthetic_text_to_sql и NickyNicky/synthetic_text_to_sql_format_chatML_gemma. README приводит результаты обучения за 2,01 эпохи и 2509 шагов. Модель распространяется по лицензии Apache-2.0.

Это компактная модель классификации текста для определения языка. Она разработана на базе BERT и обучена автором репозитория на наборе hac541309/open-lid-dataset, который, согласно README, содержит 121 миллион предложений на 200 языках. Архитектура — BertForSequenceClassification: 4 слоя, скрытый размер 384, 6 голов внимания и около 25,2 млн параметров. Максимальная длина входа — 512 токенов. Модель предназначена для автоматического распознавания языка коротких и длинных текстовых фрагментов, например при маршрутизации запросов, сортировке документов или предварительной обработке многоязычных данных. README сообщает об accuracy и F1 около 0,973 на оценочном наборе примерно из 12 миллионов текстов; эти показатели зависят от состава данных и не гарантируют такое же качество на произвольных текстах. В метаданных указаны языки en, fr, de, es, ar и el, а README заявляет обучение на 200 языках. Модель принимает текст и выдаёт метку языка. Она распространяется по лицензии MIT. Возможны ошибки на очень коротких, смешанных по языкам, шумных или не представленных в обучении текстах; максимальная длина обрабатываемого контекста составляет 512 токенов.

OGSQL-Mistral-7B — модель OneGate, дообученная на базе Mistral 7B Instruct для преобразования запросов на естественном языке в SQL-запросы. Она предназначена для формирования команд к базам данных по описанию пользователя, в том числе для тех, кто не владеет SQL. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. README описывает генерацию SQL, а метаданные указывают текстовую генерацию и чат-возможности. Модель опубликована в формате safetensors и распространяется по лицензии CC BY 4.0.

SQLCoder-70B-Alpha — языковая модель компании Defog, предназначенная для преобразования запросов на естественном языке в SQL. Она создана дообучением CodeLlama-70B и использует плотную архитектуру Llama с 68,7 млрд параметров и контекстом до 16 384 токенов. Модель подходит для аналитики: помогает пользователям без технической подготовки задавать вопросы к данным в SQL-базах и получать запросы для анализа дат, группировок, сортировки, отношений, соединений таблиц и фильтрации. В карточке приведены результаты оценки SQL-Eval для PostgreSQL по категориям date, group_by, order_by, ratio, join и where. Модель не предназначена для администрирования баз данных и не обучалась отклонять вредоносные запросы от пользователей с правами записи. Её следует использовать только с доступом к базе данных на чтение. Лицензия — CC BY-SA 4.0.

Модель jb2k/bert-base-multilingual-cased-language-detection — классификатор для определения языка текста, созданный дообучением bert-base-multilingual-cased на наборе common language. Она предсказывает один из 45 языков, включая русский, английский, китайский, арабский и другие. Модель построена на архитектуре BERT с классификационной головой, содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для автоматической маршрутизации текстов по языку, предварительной обработки многоязычных данных и определения языка пользовательских сообщений. В README указана точность 97,8% на тестовом разделении common language dataset. Опубликована в формате PyTorch; лицензия в предоставленных данных не указана.

CommonLingua — компактная модель PleIAs для определения языка текста, созданная в рамках инициативы GSMA «AI Language Models in Africa, by Africa, for Africa». Она содержит 2,35 млн параметров и использует оригинальную байтовую гибридную архитектуру: хешированные встраивания триграмм, три слоя Conv1D и двунаправленный attention. Токенизатор не требуется: модель обрабатывает сырые байты UTF-8, что позволяет ей работать с разными письменностями. Вход дополняется до 512 байт. Модель предназначена для классификации абзацев по языку, в том числе при курировании корпусов предобучения и обработке документов с ошибками OCR. Особое внимание уделено языкам Африки и языкам с малым объёмом доступных данных; поддерживается 61 африканский язык. В README заявлено, что на бенчмарке CommonLID модель превосходит предыдущие базовые решения по macro F1. Репозиторий распространяется по лицензии Apache-2.0.

FoMo-0D — модель для обнаружения выбросов в табличных данных без обучения на целевой задаче. В карточке указаны официальная реализация и статья «FoMo-0D: A Foundation Model for Zero-shot Tabular Outlier Detection»; модель опубликована с помощью интеграции PytorchModelHubMixin. Модель предназначена для поиска аномальных наблюдений в таблицах, в том числе в сценариях, где нет размеченных примеров для обучения. Доступные сведения не раскрывают размер модели, поддерживаемые языки, конкретные типы входных данных или подробности архитектуры. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

nikitast/lang-classifier-roberta — модель классификации текста по языку, созданная дообучением RoBERTa. Она принимает текст и определяет, к одному из поддерживаемых языков он относится: русскому, украинскому, белорусскому, казахскому, азербайджанскому, венгерскому, армянскому, грузинскому, ивриту, английскому или немецкому. Модель основана на XLM-RoBERTa, содержит около 305,2 млн параметров и рассчитана на последовательности длиной до 514 токенов. Модель дообучена на небольших выборках Open Subtitles, OSCAR и Tatoeba — примерно по 9 тысяч примеров на язык. В README приведены результаты проверки на отдельных выборках примерно по тысяче примеров на язык; для показанных классов F1 составляет от 0,976 до 0,998. Размер обучающих выборок ограничивает уверенность в качестве на текстах, которые отличаются от использованных данных. Репозиторий содержит веса PyTorch; сведения о лицензии в доступных данных отсутствуют.

OpenLID — модель классификации текста для автоматического определения языка, разработанная Laurie Burchell, Alexandra Birch, Nikolay Bogoychev и Kenneth Heafield. Она построена на fastText и охватывает 201 язык; модель обучена на наборе OpenLID и оценивалась на бенчмарке FLORES-200. Модель предназначена для определения языка короткого текста и предварительной фильтрации или маршрутизации многоязычных данных в NLP-конвейерах. Лицензия — GPL-3.0. Ограничения связаны с охватом только 201 языка, неравномерным качеством распознавания и оценкой на предложениях из Википедии, которая может не отражать результаты на данных из других областей. Часть обучающих данных не проверялась носителями языка; ошибки могут затрагивать диалекты, письменности и малые языки.

Prem-1B-SQL — модель генерации текста для преобразования запросов на естественном языке в SQL, разработанная Prem AI. Она предназначена для локального анализа данных: модель получает вопрос пользователя и сведения о базе данных, после чего генерирует SQL-запрос. Для работы с базами и подготовки промптов разработчики предлагают библиотеку PremSQL, включая генераторы и режим выполнения запроса с исправлением по сообщениям об ошибках. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 1,3 млрд параметров. Контекст — до 16 384 токенов; формат весов в репозитории — safetensors. В README приведены результаты на Spider и BirdBench, включая заметно более низкую точность на сложных примерах BirdBench. Компактный размер подходит для запуска на маломощном GPU, а при квантизации — и на CPU. Карточка указывает лицензию MIT, тогда как метаданные Hugging Face указывают Apache-2.0; лицензионные сведения расходятся, поэтому перед использованием следует проверить лицензию репозитория и файлов. Модель специализирована на Text-to-SQL, а не на произвольных диалоговых задачах; качество снижается на сложных запросах, и результаты генерации нужно проверять на целевой базе данных.

nahiar/xlm-roberta-indonesian-languages — модель классификации текста для определения индонезийского языка и региональных языков Индонезии. Она дообучена на базе FacebookAI/xlm-roberta-base и предназначена для распознавания 11 языков Индонезии, включая индонезийский, а также английского языка. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров. Она принимает текст и возвращает метку языка; максимальная длина контекста — 514 токенов. В README заявлены accuracy 0,9783 и macro F1 0,9783. Подходит для автоматической маршрутизации текстов по языку, разметки многоязычных корпусов и предварительной фильтрации данных. Лицензия Apache-2.0.

RaduGabriel/BGE-M3-SQL — дообученная модель Sentence Transformer на базе BGE-M3 для поиска и ранжирования SQL-таблиц по запросу на естественном языке. Она предназначена для выбора релевантных таблиц при преобразовании пользовательского запроса в SQL; обучение проводилось на подборке определений таблиц и соответствующих им запросов на естественном языке. Модель использует архитектуру XLM-RoBERTa с 658,7 млн параметров и формирует нормализованные векторы размерности 1024 для сравнения по косинусному сходству. Контекст составляет до 8194 токенов. Лицензия в предоставленных данных не указана.

Jupyter Agent Qwen3-4B Instruct — дообученная командой Jupyter Agent языковая модель на архитектуре Qwen3 для агентного анализа данных в среде Jupyter. Модель имеет 3,7 млрд параметров, принимает текстовые инструкции и генерирует текст и код Python; заявленный контекст — до 262 144 токенов. В README указано ограничение в 32K токенов, поэтому фактический рабочий контекст может быть меньше значения из метаданных. Модель предназначена для выполнения кода Python через инструменты, анализа таблиц и наборов данных, статистических расчётов, визуализации и подготовки объяснений с промежуточными вычислениями. В карточке сообщается, что на лёгких задачах DABStep модель набрала 70,8% против 44,0% у базовой модели; результаты не гарантируют точность на других данных и задачах. Модель оптимизирована для английского языка, Python и сценариев анализа данных в стиле Kaggle. Для вызова инструментов ей нужна подходящая обвязка, а выполнение сгенерированного кода следует проводить в изолированной среде и проверять результаты. Лицензия — Apache 2.0.

Jupyter Agent Qwen3-4B Thinking — дообученная командой Jupyter Agent языковая модель на основе Qwen/Qwen3-4B-Thinking-2507 для агентного анализа данных в Jupyter. Модель с архитектурой Qwen3 и 3,7 млрд параметров генерирует код и текстовые ответы, выполняет пошаговые рассуждения и поддерживает вызов инструментов при наличии соответствующей программной оболочки. Она предназначена для исследования наборов данных, статистического анализа, визуализации и подготовки выводов в сценариях, похожих на Kaggle-ноутбуки. Поддерживает английский язык и Python; размер контекста в метаданных — 262 144 токена. В README заявлено улучшение результатов на бенчмарке DABStep относительно базовой модели, особенно на простых задачах. Модель ориентирована на структурированные задачи анализа данных и может хуже справляться с другими предметными областями и неструктурированными данными; качество вызова инструментов зависит от подходящей оболочки. Сгенерированный код и аналитические выводы требуют проверки, а выполнение кода — изолированной среды. Лицензия Apache 2.0.

VikramPal/LFM2.5-8B-A1B-text2sql-DynQuant-4bit — это дообученная и квантованная версия модели LiquidAI/LFM2.5-8B-A1B. Модель дообучалась методом LoRA на 49 905 диалогах для преобразования естественно-языковых запросов в SQL, а затем была сжата методом DynQuant с использованием 4-битного представления и переменной разрядности по модулям. Размер модели на диске составляет около 4,096 ГиБ, в ней примерно 8,47 млрд параметров; для загрузки требуются transformers и установленный пакет dynquant. Модель предназначена для задач text-to-SQL: генерации SQL-запросов по описанию задачи и схеме базы данных. На отложенной выборке из 12 000 задач показатель совпадения результата выполнения запроса составил 82,84%. Для наборов данных WikiSQL и Gretel показатели составили соответственно 87,36% и 69,67%. Модель относится к текстовой модальности; поддерживаемые языки и размер контекстного окна в карточке не указаны. К сильным сторонам относятся существенное уменьшение занимаемого объёма по сравнению с представлением bf16 и более высокий результат среди сопоставленных 4-битных вариантов GPTQ и AWQ на данной оценке. При этом заявленные результаты относятся только к text-to-SQL и измерялись в специальном вычислительном представлении bf16, а не непосредственно на упакованном файле модели. В карточке также не приведены измерения скорости декодирования или пикового потребления VRAM, поэтому преимущества по производительности не подтверждены. Лицензия обозначена как other; применяются условия базовой модели LiquidAI/LFM2.5-8B-A1B.

LFM2.5-Encoder-350M Corpus Cleaner — модель токеновой классификации, опубликованная Yijiong Yu и дообученная на двунаправленном энкодере LiquidAI/LFM2.5-Encoder-350M. Она помечает токены в шумных текстах как KEEP или DELETE, чтобы удалять рекламные вставки, навигацию, шаблонные блоки, искажённый текст и другой низкокачественный материал, сохраняя полезные фрагменты без переписывания документа. Модель рассчитана на очистку и фильтрацию больших текстовых корпусов, в том числе данных для предобучения; автор сообщает о скорости около 3 тыс. токенов в секунду на CPU и около 160 тыс. на одном GPU H20. В README заявлен контекст 8 тыс. токенов, тогда как метаданные указывают нативный контекст энкодера 128 тыс. токенов; фактический рабочий предел может зависеть от используемой конфигурации. Модель версии 0.0.2 обучена примерно на 3 млн пар сырых и очищенных примеров; очистку целевых текстов выполняли с помощью Qwen3.5-9B. Архитектура — плотный LFM2, около 444,6 млн параметров по метаданным. Указана поддержка английского и китайского языков. Для работы требуются Transformers с поддержкой LFM2 и trust_remote_code=True. Лицензия в предоставленных данных не указана.

facebook/mms-lid-126 — модель проекта Massive Multilingual Speech от Facebook, дообученная для определения языка речи. Она принимает аудио и выдаёт распределение вероятностей по 126 языковым классам; построена на архитектуре Wav2Vec2 и дообучена на базе facebook/mms-1b. Размер модели указан в карточке как 1 млрд параметров, а в метаданных — 1,3 млрд. Модель предназначена для автоматической идентификации языка по речевому аудио и поддерживает речь на 126 языках. Для работы с ней подходят аудиозаписи с частотой дискретизации 16 кГц. Лицензия CC-BY-NC 4.0 разрешает использование на условиях Creative Commons «С указанием авторства — Некоммерческое использование».

OpenLID-v2 — модель классификации текста для автоматического определения языка. Её разработали Laurie Burchell, Alexandra Birch, Nikolay Bogoychev и Kenneth Heafield; она представляет собой улучшенную версию OpenLID и использует библиотеку fastText. В README модель описана как высокопроизводительная и охватывающая широкий набор языков. Модель подходит для определения языка коротких текстов и строк, например для маршрутизации запросов по языку, предварительной сортировки корпусов и добавления языковых меток к пользовательскому контенту. В карточке указано NLP-язык en, а репозиторий связан с датасетом OpenLID-v2. Лицензия — GPL-3.0.

AlioLeuchtmann разработал эту плотную модель на 2 млрд параметров для преобразования вопросов на естественном языке в SQL-запросы к базам SQLite. Она создана дообучением Qwen/Qwen3.5-2B с помощью дистиллированных от модели-учителя Qwen на 27 млрд параметров трасс рассуждений, проверенных выполнением SQL. Модель принимает схему базы данных, примеры строк, вопрос и подсказку с контекстом; отвечает структурированным анализом и SQL в блоке кода. Для извлечения запроса следует брать последний блок SQL. Модель рассчитана на аналитические вопросы в стиле BIRD; автор сообщает об официальной оценке на скрытом тестовом наборе BIRD: точность выполнения 68,47% при голосовании по семи вариантам. Рекомендации по использованию включают три примера строк на таблицу, описания столбцов и отключённый режим thinking. Лицензия — Apache-2.0. Модель не предназначена для общего диалога; на сложных задачах её точность ограничена, а результат бенчмарка предполагает голосование по нескольким генерациям.

SQLCoder-7B-2 — языковая модель для преобразования запросов на естественном языке в SQL, разработанная компанией Defog, Inc. Модель предназначена для аналитики данных: она помогает нетехническим пользователям формулировать SQL-запросы к базам данных на основе описания их схемы. Это аналитический инструмент, а не средство администрирования баз данных. Модель дообучена на базе CodeLlama-7B и распространяется через библиотеку Transformers как модель генерации текста. Для оптимальных результатов рекомендуется использовать детерминированную генерацию без сэмплирования и четыре beam search-гипотезы. Входные данные должны содержать вопрос пользователя и схему базы данных в виде DDL-описаний. В README не указаны поддерживаемые языки естественного языка, точный размер контекста и перечень модальностей; по назначению модель ориентирована на текстовые вопросы и SQL. По данным оценки SQL-Eval, модель показывает высокие результаты в задачах с датами, группировкой, сортировкой, отношениями и объединениями таблиц, однако качество зависит от типа запроса и ниже в категории where. Важное ограничение безопасности заключается в том, что модель не обучалась отклонять вредоносные запросы от пользователей с правом записи, поэтому её следует применять только в средах с доступом к базам данных в режиме только для чтения. Лицензия — CC BY-SA 4.0.

sqrl-9b — агентная модель преобразования запросов на естественном языке в SQL для SQLite, разработанная feyninc на базе Qwen/Qwen3.5-9B. Модель может сначала выполнять исследовательские SELECT-запросы для проверки значений, связей таблиц и фильтров, а затем выдавать итоговый SQL. Для работы используется протокол с одним блоком действия за ход и передачей результатов исследования обратно в контекст. Модель содержит 9 млрд параметров и обучена в два этапа: дистилляция с учителем на проверенных выполнением траекториях и онлайн RL с наградой за совпадение результата SQL. По оценке авторов на BIRD-dev результат составляет 66,6% для pass@1 и 69,8% для голосования по восьми вариантам. Репозиторий содержит объединённый чекпойнт с LoRA, доступный в формате safetensors; лицензия — Apache-2.0. Унаследованная от базовой модели башня зрения сохранена, но обучение для SQL было текстовым. Предназначена прежде всего для генерации SQL по схеме SQLite и вопросу пользователя; качество зависит от соблюдения описанного в карточке протокола и может улучшаться за счёт нескольких сэмплов и голосования. Модель не настроена на другие диалекты SQL, использует соглашения SQLite для кавычек идентификаторов. Сгенерированные запросы следует проверять и выполнять в режиме только для чтения.

Think2SQL-4B — дообученная модель Qwen3-4B от автора репозитория anonymous-2321 для преобразования вопросов на естественном языке в SQL-запросы. Она рассчитана на сценарии, где модели передают вопрос пользователя, дополнительные сведения и схему базы данных. Модель содержит около 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат Safetensors; контекст — до 40 960 токенов. Для обучения применялись датасет BIRD и методы обучения с проверяемыми наградами за результат выполнения SQL. В карточке заявлена конкурентоспособность рассуждений при ограниченных вычислительных ресурсах. Для работы рекомендуется использовать системный и пользовательский промпты автора. Модель обучалась с отключённым режимом рассуждений; качество за пределами задачи Text-to-SQL и датасета BIRD отдельно не подтверждено. Лицензия в предоставленных данных не указана.

Zabanshenas RoBERTa Base Mix — трансформерная модель для определения языка письменного текста, опубликованная m3hrdadfi. Она классифицирует текст, выбирая наиболее вероятный язык; в карточке приведены оценки для документов, предложений и фрагментов длиной 3–5 токенов. Модель основана на RoBERTa, содержит 137,8 млн параметров и рассчитана на контекст до 512 токенов. Для классификации использован набор WiLI-2018; карточка сообщает о поддержке множества языков. Модель подходит для автоматической маршрутизации и предварительной разметки текстов по языку, в том числе на уровне абзаца или короткого фрагмента. Метаданные указывают форматы PyTorch и TensorFlow и лицензию Apache-2.0. Приведённые в карточке метрики различаются в зависимости от длины входа, поэтому качество на коротких фрагментах может быть ниже, чем на абзацах.

BERTimbau-base-text-filter — модель классификации текста на основе BERT, дообученная для оценки качества фрагментов текста на португальском языке. Она обучена на наборе данных TucanoBR/GigaVerbo-Text-Filter; в README указаны три эпохи обучения и оптимизатор AdamW. Метаданные описывают архитектуру как BertForSequenceClassification и указывают 136,1 млн параметров, библиотеку Transformers и контекст до 512 токенов. Модель подходит для автоматической фильтрации и предварительной оценки качества португальских текстов в корпусах и потоках пользовательского контента. Она не предназначена для генерации или оценки текстов на других языках; README не раскрывает шкалу оценок, порог классификации и метрики качества. Лицензия репозитория — Apache-2.0.

DatarusAI Datarus-R1-14B-preview — языковая модель с открытыми весами для аналитики данных и многошагового решения задач. Это плотная авторегрессионная модель семейства Qwen2, дообученная на базе Qwen/Qwen2.5-14B-Instruct. В README указано 14,8 млрд параметров; в метаданных — 14 млрд. Модель поддерживает генерацию текста и диалоговый режим, а также интерфейс вызова инструментов. Нативная длина контекста — 131 072 токена. Модель предназначена для анализа данных, статистических расчётов и визуализации, решения математических и научных задач, генерации аналитического кода и работы в интерактивных ноутбуках. README описывает два режима рассуждения: интерактивный ReAct с итеративным выполнением кода и режим Reflection для компактных объяснений и отчётов. Обучение проводилось на синтетических аналитических траекториях и наборах данных для рассуждений; заявленные области включают финансы, медицину и количественный анализ. Основной язык — английский. В карточке приведены высокие результаты на LiveCodeBench и AIME, однако это заявления разработчика, и качество на других задачах может отличаться. Интерфейс выполнения кода требует подключённой среды исполнения; сама модель генерирует текст. Модель распространяется по лицензии Apache 2.0.

Модель Pruthwik Mishra и Yash Ingle — дообученная версия MuRIL на базе BERT для определения языка входного текста. Она классифицирует текст на английский и 22 официальных языка Индии, с отдельными метками для некоторых языков, записанных разными письменностями. Модель содержит 264,8 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате Safetensors для Transformers. Модель предназначена для автоматической языковой разметки текстов и включения в NLP-конвейеры. В README сообщается о среднем F1 0,96 на созданном корпусе и бенчмарке Bhasha-Abhijnaanam. Лицензия — MIT. Авторы предупреждают о возможном снижении качества для малоресурсных языков и письменностей, включая манипури письмом мейтей, синдхи и майтхили; для языков за пределами английского и индийских модель может работать ненадёжно.

Lightning-4b — плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, разработанная и дообученная для анализа данных на локальном устройстве. Она предназначена для работы через Quelmap — помощник с загрузкой данных и встроенной Python-песочницей; модель можно запускать на ноутбуке, в том числе на MacBook Air с 16 ГБ оперативной памяти. Модель помогает строить визуализации, объединять таблицы и выполнять статистические t-тесты, в том числе при анализе множества таблиц и большого числа строк. Разработчик сообщает о тестировании на 122 запросах к образцу базы данных и о результатах выше, чем у моделей с числом параметров до 50 раз больше. Lightning-4b основана на Qwen/Qwen3-4B-Thinking-2507 и доступна в формате Safetensors через Transformers. Указанное окно контекста — 262144 токена. Модель ограничена одноходовым анализом и не предназначена для бизнес-рассуждений или управленческих рекомендаций. Лицензия — Apache-2.0.

MOMENT-1-Large — крупная модель семейства MOMENT, разработанная Auton Lab при Университете Карнеги — Меллона для универсального анализа временных рядов. Она предназначена для прогнозирования, классификации, обнаружения аномалий, восстановления пропусков и получения представлений временных рядов; может применяться без дообучения или с небольшим числом примеров, а также настраиваться на специализированных данных. Модель относится к семейству foundation-моделей для временных рядов. В README указаны варианты Small, Base и Large, но точное число параметров и длина контекста для этого репозитория не приведены. Веса доступны в форматах PyTorch и safetensors. Лицензия — MIT.

cwolff/qwen3.5-2b-grpo-sqale — дообученная модель-агент на базе Qwen/Qwen3.5-2B, созданная cwolff для преобразования вопросов на естественном языке в SQL-запросы. Она исследует базу данных через инструменты, получает результаты их вызова и затем отправляет SQL-запрос; обучение с GRPO использовало выполнение запросов на SQLite и наборы cwolff/queries и cwolff/schemas. Модель относится к плотной архитектуре Qwen3.5 с 2 млрд параметров и рассчитана на диалоговый режим. Для работы ей нужен цикл агента: каждый ответ представляет собой JSON-вызов инструмента, который приложение выполняет и передаёт модели как следующий ход. Обучение использовало бюджет эпизода 24 576 токенов; это значение не следует считать подтверждённым максимальным контекстом модели. В карточке приведены результаты на BIRD dev, включая сложные вопросы, и описан выигрыш относительно исходной модели на сложных запросах. Практическое качество зависит от реализации цикла инструментов и схемы базы данных; без такого цикла модель, согласно README, работает заметно хуже. Лицензия — Apache-2.0.