IV.2Банки, платежи и инвестиции

Это модель классификации текста, созданная дообучением google-bert/bert-large-uncased на наборе данных для обнаружения фишинга. Она предназначена для выявления фишинговых URL-адресов, электронных писем, SMS-сообщений и текстового содержимого сайтов. Модель построена на архитектуре BERT: 24 слоя, скрытая размерность 1024, 16 голов внимания и около 433,9 млн параметров; максимальная длина контекста — 512 токенов. В README для оценки на тестовом наборе указаны точность 0,9717, полнота 0,9670 и доля ложноположительных результатов 0,0249. Модель рассчитана на английский язык и может использоваться как компонент фильтрации сообщений или проверки веб-содержимого. Эти показатели относятся к оценочному набору и не гарантируют такие же результаты в реальных условиях. Лицензия — Apache-2.0.

ChatTime-1-7B-Chat — мультимодальная модель для работы с временными рядами и текстом, разработанная авторами ChatTime. Она построена на архитектуре LlamaForCausalLM и получена дообучением ChatTime-1-7B-Base на наборе ChengsenWang/ChatTime-1-Finetune-100K. Модель содержит 6,6 млрд параметров, принимает контекст длиной до 4096 токенов и распространяется в формате safetensors. Модель предназначена для прогнозирования временных рядов, в том числе без примеров для конкретного ряда, прогнозирования с текстовым контекстом и ответов на вопросы о временных рядах. README указывает на двунаправленную работу с текстом и временными рядами, но не приводит подробностей кодирования временных рядов. Метаданные указывают Apache-2.0; заявлены возможности модели для исследований и практического применения, однако README отсылает за деталями обучения и оценок к статье.

ritam-m/finbert-company-ner — модель распознавания именованных сущностей, разработанная на основе ProsusAI/finbert и дообученная для поиска названий компаний в финансовых новостях. Она классифицирует токены с использованием разметки IOB: O, B-COMPANY и I-COMPANY. Модель предназначена для извлечения упоминаний компаний из англоязычных финансовых статей. Она обучалась на новостях из Индии, но, по данным карточки, применима и к более широкому корпусу финансовых текстов на английском языке. Приоритет — высокий охват упоминаний: на тестовой выборке из 167 статей полнота на уровне токенов составила 0,88, а F1 для сущностей — 0,49. Модель использует архитектуру BERT, содержит 136,7 млн параметров и имеет контекст длиной до 512 токенов. Лицензия — MIT. Разметка обучающего набора основана на тегах MarketAux и не проверялась вручную; качество может снижаться на новостях других рынков, а высокая полнота сопровождается ложными срабатываниями.

Это версия Gemma 2 2B, дообученной для юридических и финансовых задач и сжатой с помощью двухэтапной остаточной продуктовой квантизации (Residual Product Quantization, RQ). Разработчик заменил связанную матрицу токенных эмбеддингов размером 256 000 × 2 304 её реконструкцией из двух кодовых книг; поскольку выходная голова связана с эмбеддингами, используется общая кодовая книга для обеих функций. Размер этой матрицы сокращён до 3,59 бита на параметр вместо 16 бит в bf16. Основные файлы содержат реконструированные эмбеддинги и предназначены для загрузки через from_pretrained; сжатый артефакт хранится отдельно. Модель предназначена для генерации текста в юридических и финансовых сценариях, в том числе в диалоговом режиме. Это плотная авторегрессионная модель на 2,7 млрд параметров с контекстом до 8 192 токенов. README указывает, что её веса совпадают с prashanthsura/gemma-2-2b-legal-financial-sft, за исключением заменённой матрицы эмбеддингов. Языки в предоставленных данных не перечислены. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

GLiNER-PII base v1.0 — модель распознавания именованных сущностей для выявления персональных, медицинских и платёжных данных. Она разработана совместно Wordcab и Knowledgator на основе архитектуры GLiNER — двунаправленного трансформера, который извлекает сущности по переданным при запросе категориям, включая категории без отдельного дообучения. Модель рассчитана на обработку текстов, документов, транскрипций и журналов чатов; распознаёт более 60 подготовленных категорий и позволяет задавать собственные типы сущностей. Модель предназначена для локального обнаружения чувствительных данных, их обезличивания и поддержки процессов конфиденциальности и соответствия требованиям. В сравнении на синтетическом наборе synthetic-multi-pii-ner-v1 для этой версии указаны точность 79,28%, полнота 82,78% и F1 80,99%. В репозитории представлены форматы PyTorch и ONNX; README также описывает ONNX-варианты FP16 и UINT8. Лицензия — Apache-2.0. Это специализированный экстрактор сущностей, а не универсальный генератор текста. Показатели приведены для синтетического набора и не гарантируют такую же точность на реальных данных; перед использованием в критичных сценариях следует проверить качество на целевых текстах. Метаданные и README указывают английский язык, поэтому поддержка других языков не подтверждена.

Карточка модели Lingzhi-AI/Lingzhi-10B-chat на Hugging Face совпадает с карточкой Lingzhi-AI/Lingzhi-1.5B-chat, поэтому описание составлено по ней. Lingzhi-AI разработала Lingzhi-1.5B-chat — диалоговую языковую модель на архитектуре Qwen2 с 1,5 млрд параметров. Модель создана на основе Qwen2-base с продолжением обучения и настройкой для чата; контекстное окно составляет 131 072 токена. В репозитории представлены веса в формате Safetensors. Модель предназначена для диалогов и задач в специализированных областях, включая бухгалтерский учёт, право и финансы, при сохранении общих языковых навыков. Авторы сравнивали несколько схем непрерывного обучения и сообщают о публикации обучающих данных и бенчмарков. Лицензия в предоставленных данных не указана.

Карточка модели Lingzhi-AI/Lingzhi-57B-chat на Hugging Face совпадает с карточкой Lingzhi-AI/Lingzhi-1.5B-chat, поэтому описание составлено по ней. Lingzhi-AI разработала Lingzhi-1.5B-chat — диалоговую языковую модель на архитектуре Qwen2 с 1,5 млрд параметров. Модель создана на основе Qwen2-base с продолжением обучения и настройкой для чата; контекстное окно составляет 131 072 токена. В репозитории представлены веса в формате Safetensors. Модель предназначена для диалогов и задач в специализированных областях, включая бухгалтерский учёт, право и финансы, при сохранении общих языковых навыков. Авторы сравнивали несколько схем непрерывного обучения и сообщают о публикации обучающих данных и бенчмарков. Лицензия в предоставленных данных не указана.

EDGAR-T5-Large — модель T5 Large, дообученная разработчиками репозитория на наборе EDGAR10-Q. Она предназначена для генерации текста по контексту и задач ContextNER — генерации контекстуальных фраз и извлечения сущностей в финансовых документах, включая отчётность компаний. Модель содержит 385,2 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает текст с контекстом до 512 токенов, выдавая текст. В карточке также приведены результаты дообученной модели на наборах FiQA SA, FPB и Headline; авторы сообщают о сравнении с T5 Large и BloombergGPT. Модель доступна в форматах PyTorch и Safetensors и распространяется по лицензии MIT. README предостерегает от непосредственного применения в производстве или в задачах, способных повлиять на людей; результаты следует проверять перед практическим использованием.

EVIE-Preview-4.5B — мультимодальная модель для поиска информации в визуальных документах, разработанная Tencent и представленная как предварительная версия EVIE. Она дообучена на базе Qwen/Qwen3.5-4B и использует архитектуру ColQwen3_5: визуально-языковая основа с линейным и полным вниманием формирует контекстные представления токенов, которые проецируются в векторы размерности 128. Для поиска применяется позднее взаимодействие MaxSim между токенами запроса и визуальными токенами страниц. Модель кодирует запросы и страницы документов для мультиязычного поиска по графикам, таблицам, научным отчётам, финансовой отчётности и сканированным формам. В README указано 4,54 млрд параметров; модель распространяется в формате safetensors, а карточка заявляет лицензию Apache-2.0. На ViDoRe V3 и ViDoRe V1+V2 представлены результаты бенчмарков, включая первое место в таблицах сравнения README. Поддерживаются запросы на английском, французском, немецком, итальянском, испанском, португальском и китайском языках; среди документов также упоминаются страницы на японском. Это предварительный чекпойнт: README рекомендует вместо него более новые модели EVIE. Для индексации он формирует много токен-векторов на страницу, поэтому объём индекса может быть значительным; приведённая оценка для 1 млн страниц при 1792 токенах на страницу — 420,5 ГиБ в BF16.

Falcon-TST Large — модель временных рядов с архитектурой Mixture of Experts (MoE), предназначенная для прогнозирования. Она использует несколько токенизаторов патчей для эффективной обработки временных рядов и рассчитана на применение в задачах прогнозирования. Модель содержит 33,6 млн параметров и поддерживает контекст длиной 2880 токенов. Репозиторий содержит веса в формате safetensors. В карточке заявлены эффективность обработки и высокая точность на различных задачах прогнозирования, но сравнительные результаты и конкретные наборы данных не приведены. Лицензия — Apache-2.0.

FinTwitBERT-sentiment — англоязычная модель Stephan Akkerman для классификации тональности финансовых твитов и других коротких финансовых текстов из социальных сетей. Это дообученная модель FinTwitBERT на основе архитектуры BERT с 137 млн параметров и контекстом до 512 токенов; базовый FinTwitBERT предварительно обучен на 10 млн финансовых твитов. Модель предназначена для определения тональности неформальных публикаций о финансах, акциях и криптовалютах. Она обучена на наборе из 38 091 твита с человеческой разметкой и синтетическом наборе из 1 428 771 твита. Специализация на языке финансовых соцсетей — её сильная сторона по сравнению с моделями, ориентированными на новости и другие формальные тексты. Модель принимает текст и выдаёт метку класса тональности. Она распространяется по лицензии MIT. Результаты на финансовых публикациях вне обучающих наборов могут быть менее надёжными; карточка не приводит подробных метрик качества.

Модель разработана как текстовый компонент ансамбля заявки FinNLP 2026 для распознавания именованных сущностей в греческом тексте. Это BERT с 140,1 млн параметров, дообученный на nlpaueb/bert-base-greek-uncased-v1 и использующий контекст до 512 токенов. Модель размечает имена людей, организаций и местоположений; в составе ансамбля она предназначена прежде всего для извлечения имён людей из финансовых отчётов Афинской фондовой биржи. Для обучения использовано 20 тысяч предложений из греческой части WikiANN — общедоменный текст Википедии с автоматически созданной, серебряной разметкой. На отложенной выборке WikiANN указана микро-F1 0,913; для распознавания людей в финансовых отчётах указана приблизительная F1 0,919. Модель опубликована в формате safetensors под лицензией Apache-2.0.

sallani/PrivaMesh, также называемая PrivaMesh Legal, — специализированная Small Language Model для семантического обнаружения и анонимизации персональных, конфиденциальных и регулируемых данных в юридических, комплаенс- и нормативных документах. Модель предназначена для юридических фирм, банков, финансовых организаций, медицинских учреждений, государственных органов и провайдеров управляемых сервисов безопасности. Она сохраняет юридический смысл, структуру документа и ссылки на нормы права, заменяя идентификаторы семантически согласованными плейсхолдерами. Модель основана на Mistral-Small-3.1, подключается через библиотеку Transformers и реализует задачу token classification. Заявлены поддержка французского и английского языков, контекст до 32 тысяч токенов и распознавание 24 категорий PII. В карточке также указаны метрики F1 97,3% и BERTScore 94,1%, однако подробности тестирования в предоставленных данных отсутствуют. Модель ориентирована на локальное и суверенное развёртывание, включая on-premise-сценарии, что позволяет обрабатывать чувствительные документы без передачи данных во внешние сервисы. Сильными сторонами являются специализация на юридической и регуляторной лексике, сохранение семантического контекста, поддержка французского языка и пригодность для построения приватных пайплайнов с downstream LLM и агентными системами. Ограничения включают зависимость качества от домена, языка и полноты распознаваемых категорий, а также необходимость проверять заявленные показатели на собственных данных; в предоставленной карточке не приведены сведения о точном числе параметров, аппаратных требованиях и детальных результатах сравнительных тестов. Модель распространяется по лицензии Apache 2.0.

Tabby-Pretrain — предварительно обученный энкодер PatchTST, разработанный авторами Tabby и опубликованный как замороженная базовая часть модели. Он предназначен для прогнозирования временных рядов без дообучения и для адаптации под конкретные данные. Архитектура включает 20 слоёв и размерность скрытого состояния 768; README указывает 145,84 млн параметров, а метаданные — 188,7 млн. Модель обучалась на реальных и синтетических временных рядах с маскированным предсказанием патчей и функцией потерь pinball для 99 квантилей, благодаря чему один проход формирует распределение прогноза. Репозиторий содержит только веса энкодера в формате safetensors и конфигурацию; оптимизатор для продолжения обучения отсутствует. Для самостоятельного запуска полной модели авторы указывают отдельный чекпойнт Tabby, а для использования промпта — Tabby-Prompt. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое использование.

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.

ritam-m/bert-base-company-ner — англоязычная модель BERT для поиска названий компаний в новостях финансовой тематики. Она разработана на основе dslim/bert-base-NER и дообучена для токенной классификации с метками IOB: O, B-COMPANY и I-COMPANY. Модель содержит 135,5 млн параметров и принимает текст с контекстом до 512 токенов. Модель предназначена для выделения компаний в статьях финансовых СМИ, в том числе при извлечении упомянутых компаний из новостей. На тестовом наборе из 167 статей показатель F1 на уровне сущностей составил 0,50, а точность на уровне токенов — 0,70. Обучающие данные включали новости из Индии, поэтому качество может снижаться на других рынках; разметка получена из тегов MarketAux и не проверялась вручную. Лицензия — MIT.

snumin44/fincse-multilingual-xlm-roberta-base — дообученная многоязычная модель эмбеддингов на базе XLM-RoBERTa Base, разработанная для поиска соответствующих финансовых и экономических предложений. Она кодирует тексты в представления для межъязыкового поиска и сопоставления предложений; модель оценивали на задаче поиска параллельных предложений, а не на общей оценке семантического сходства. Модель дообучена на финансовых парах предложений на корейском, английском, китайском, японском, вьетнамском и индонезийском языках. В карточке указаны 305,2 млн параметров и контекст длиной 514 токенов. Авторы сообщают о высокой точности поиска на отложенной выборке из 50 000 примеров, но эти результаты относятся к описанному финансовому набору данных. Модель распространяется в формате safetensors по лицензии MIT.

Карточка модели Lingzhi-AI/Lingzhi-0.5B-chat на Hugging Face совпадает с карточкой Lingzhi-AI/Lingzhi-1.5B-chat, поэтому описание составлено по ней. Lingzhi-AI разработала Lingzhi-1.5B-chat — диалоговую языковую модель на архитектуре Qwen2 с 1,5 млрд параметров. Модель создана на основе Qwen2-base с продолжением обучения и настройкой для чата; контекстное окно составляет 131 072 токена. В репозитории представлены веса в формате Safetensors. Модель предназначена для диалогов и задач в специализированных областях, включая бухгалтерский учёт, право и финансы, при сохранении общих языковых навыков. Авторы сравнивали несколько схем непрерывного обучения и сообщают о публикации обучающих данных и бенчмарков. Лицензия в предоставленных данных не указана.

Карточка модели Lingzhi-AI/Lingzhi-2.7B-chat на Hugging Face совпадает с карточкой Lingzhi-AI/Lingzhi-1.5B-chat, поэтому описание составлено по ней. Lingzhi-AI разработала Lingzhi-1.5B-chat — диалоговую языковую модель на архитектуре Qwen2 с 1,5 млрд параметров. Модель создана на основе Qwen2-base с продолжением обучения и настройкой для чата; контекстное окно составляет 131 072 токена. В репозитории представлены веса в формате Safetensors. Модель предназначена для диалогов и задач в специализированных областях, включая бухгалтерский учёт, право и финансы, при сохранении общих языковых навыков. Авторы сравнивали несколько схем непрерывного обучения и сообщают о публикации обучающих данных и бенчмарков. Лицензия в предоставленных данных не указана.

BCCard/MoAI-Embedding-4B — корейская модель текстовых эмбеддингов для финансовых материалов BC Card, разработанная с помощью LoRA дообучения Qwen/Qwen3-Embedding-4B на данных предметной области. Это плотный энкодер семейства Qwen3 с 3,7 млрд параметров, представленный в safetensors и рассчитанный на создание векторов для поиска и сравнения текстов. Модель предназначена прежде всего для bi-encoder этапа извлечения кандидатов в RAG-системе BC Card, а также для поиска по вопросам и документам. Эмбеддинги имеют размерность 2560, нормализуются по L2 и сравниваются по косинусному сходству. README указывает ограничение входной последовательности в 1024 токена; для запросов при использовании следует добавлять обучающий instruction prefix. На отложенном тесте внутри предметной области авторы сообщают улучшение NDCG@10 на 6,1% и Accuracy@1 на 8,9% относительно базовой Qwen3-Embedding-4B. Модель специализирована на корейских финансовых текстах BC Card, поэтому её качество на других языках и вне этой области не гарантируется. Как bi-encoder, она подходит для первичного извлечения, но для точной сортировки рекомендуется дополнительный reranker; числовые факты могут требовать лексического поиска. Это модель для извлечения, а не генерации ответов, и она требует больше ресурсов и времени на инференс, чем вариант 0,6B. Лицензия — Apache-2.0.

ChatTime-1-7B-Base — мультимодальная базовая модель для временных рядов и текста, разработанная Chengsen Wang и соавторами. Она рассматривает временные ряды как отдельный язык и построена непрерывным предварительным обучением LLaMA-2-7B-Base на наборе ChatTime-1-Pretrain-1M. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 4096 токенов. Модель предназначена для прогнозирования временных рядов без дообучения, прогнозирования с контекстными подсказками и ответов на вопросы о временных рядах. Она поддерживает двунаправленный обмен данными между временными рядами и текстом: принимает и выдаёт оба типа данных. В README заявлены эксперименты на нескольких задачах и сценариях, но конкретные показатели качества здесь не приведены. Лицензия — Apache-2.0.

Модель Vanessasml/cyber-risk-llama-3-8b-instruct-sft — дообученная с помощью SFT и LoRA версия Meta Llama 3 8B Instruct, созданная для анализа кибербезопасности. Она генерирует текст в диалоговом формате и предназначена для специалистов по данным и разработчиков систем кибербезопасности. Модель помогает анализировать новости о кибербезопасности, выявлять киберугрозы и классифицировать данные по таксономии NIST и IT-рискам согласно рекомендациям EBA для ITC. Архитектура — плотная LlamaForCausalLM с 7,5 млрд параметров и контекстом до 8192 токенов. В README описано обучение с 4-битной точностью NF4, вычислениями float16 и LoRA; в репозитории указаны веса safetensors. Качество оценивалось качественно по релевантности и связности ответов в контексте кибербезопасности. Модель может хуже справляться с задачами вне этой области и наследует возможные смещения обучающих данных. README предостерегает от использования для медицинских советов, юридических решений и систем, критичных для жизни. Лицензия в предоставленных данных не указана.

DMind-3-mini — языковая модель организации DMind, представленная в формате GGUF и созданная на базе Qwen3-4B-Thinking-2507. Модель ориентирована на локальное и офлайн-использование в задачах Web3, DeFi и финансового анализа, включая оценку рисков, анализ smart contracts, выявление логических ошибок и проверку безопасности кода. Заявлена поддержка английского и китайского языков. Модель использует модифицированную архитектуру Transformer с RoPE и содержит около 4,2 млрд параметров. Указанное базовое представление — BF16, рекомендуемое контекстное окно составляет 128 тысяч токенов. Для запуска рекомендуется GPU как минимум с 12 ГБ видеопамяти; в README отдельно упомянуты NVIDIA RTX 4070 Ti и выше, а также Apple M3/M4 Pro/Max. В описании заявлен метод дообучения C³-SFT, направленный на исправление ошибочных рассуждений, и режим аудита с триггером <REFLECT>, однако подробности реализации приведены не полностью. Сильными сторонами модели являются специализация на финансовой логике и DeFi, возможность локального размещения и большой контекст. Ограничения включают узкую предметную область, требовательность к аппаратным ресурсам и отсутствие в предоставленных данных воспроизводимых результатов тестирования, точных показателей качества и подробностей о конкретной квантизации GGUF. Модель распространяется по лицензии Apache-2.0.

Swift-Support/labse-sentiment-1.0 — дообученная командой Swift модель LaBSE для определения тональности обращений в банковскую поддержку. Это единая многоязычная BERT-модель классификации последовательностей с 498,1 млн параметров и контекстом до 512 токенов; она присваивает тексту одну из двух меток: Negative или Neutral. Модель рассчитана на английский, сингальский, тамильский, а также на синглиш и танглиш — романизированные варианты сингальского и тамильского. Её предполагаемый сценарий — помогать расставлять приоритеты в обращениях и выявлять негативные сообщения для проверки или возможной эскалации. На тесте pooled Negative-F1 составил 0,7138, при полноте 0,6728: примерно треть негативных обращений модель пропускает. Оценка основана на метках, созданных LLM, а романизированные данные были синтетическими; результаты для них могут не отражать реальные сообщения пользователей. Модель не откалибрована, а её поведение за пределами банковской поддержки не проверено. Модель опубликована под лицензией CC BY 4.0. Метаданные указывают формат safetensors.

Карточка модели Lingzhi-AI/Lingzhi-0.8B-chat на Hugging Face совпадает с карточкой Lingzhi-AI/Lingzhi-1.5B-chat, поэтому описание составлено по ней. Lingzhi-AI разработала Lingzhi-1.5B-chat — диалоговую языковую модель на архитектуре Qwen2 с 1,5 млрд параметров. Модель создана на основе Qwen2-base с продолжением обучения и настройкой для чата; контекстное окно составляет 131 072 токена. В репозитории представлены веса в формате Safetensors. Модель предназначена для диалогов и задач в специализированных областях, включая бухгалтерский учёт, право и финансы, при сохранении общих языковых навыков. Авторы сравнивали несколько схем непрерывного обучения и сообщают о публикации обучающих данных и бенчмарков. Лицензия в предоставленных данных не указана.

SEED Detector — модель для обнаружения подделок текста в документах, представленная в работе SEED: Simple ViT and Evolving Harness for Explainable Text Forgery Detection. Она находит изменённые области на изображениях документов и классифицирует изображение как подлинное или поддельное. Модель использует визуальный backbone DINOv3 ViT-L/16, дообученный с помощью LoRA ранга 1 в слоях внимания и MLP; для маски применяется один запрос. В метаданных указаны PyTorch, формат safetensors и лицензия MIT. В README приведены результаты локализации и классификации на наборах T-SROIE, OSTF и TPIC-13.

BERT-Base Bank Mail & Phishing Fraud Detector — модель классификации текста, разработанная Sourav Paramanya и дообученная на базе bert-base-uncased для различения обычной деловой переписки и мошеннических или фишинговых писем. Она предназначена для первичной проверки входящей почты и передачи подозрительных сообщений на дополнительную проверку или в систему реагирования на инциденты. Модель построена на архитектуре BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает текст на английском языке. Максимальный контекст модели — 512 токенов; в описанном обучающем процессе последовательности ограничивались 128 токенами. В README приведены метрики на отложенной выборке: точность 99,22%, F1 99,25% и precision 99,77%; эти значения относятся к указанному набору данных и не гарантируют аналогичного качества на реальных потоках писем. Модель распространяется по лицензии MIT.

qqWen-32B-RL-Reasoning — языковая модель Morgan Stanley на архитектуре Qwen2.5, дообученная для рассуждений и генерации кода на языке Q. Модель прошла предварительное обучение, supervised fine-tuning и обучение с подкреплением, ориентированные на Q — векторный язык программирования Kx Systems для работы с данными и вычислениями. Модель предназначена для написания и объяснения кода на Q, а также решения задач рассуждения, связанных с этим языком. Типичные сценарии — анализ временных рядов, обработка рыночных данных и количественные вычисления. Это плотная авторегрессионная модель на 32 млрд параметров; заявленный контекст — 32 768 токенов. Она принимает и генерирует текст, поддерживает диалоговый интерфейс и вызов инструментов. Лицензия — Apache-2.0. Специализация на Q делает модель полезной для соответствующего кода и задач, но карточка не сообщает результаты независимой оценки качества; возможности за пределами заявленных сценариев не установлены.

TabPFN-3.5 — трансформерная модель Prior Labs для прогнозирования по структурированным табличным данным. Она использует обучение в контексте: анализирует примеры из таблицы и выполняет предсказание за один проход. Один чекпойнт предназначен для классификации и регрессии; для этой версии в метаданных указана задача классификации. Доступны также ускоренный вариант TabPFN-3.5-Fast и экспериментальный вариант для многоклассовой классификации. Модель рассчитана на таблицы, в том числе со строковыми и датированными столбцами; в README указан лимит в 20 000 признаков. Она обучена на синтетических табличных задачах и не предназначена для неструктурированных данных, например изображений. Для применения к задачам с высокими последствиями следует проверять размеченные данные на смещения. Веса опубликованы по лицензии tabpfn-3-5-license-v1.0. Она разрешает исследования, ограниченную внутреннюю оценку и бенчмаркинг, но запрещает коммерческое и производственное использование; для таких сценариев Prior Labs предлагает отдельную коммерческую лицензию.

TimeOmni-1-4B — модель для рассуждений о временных рядах, разработанная авторами проекта TimeOmni-1. Она создана на основе Qwen/Qwen3.5-4B и обучена в два этапа: supervised fine-tuning добавляет временные априорные знания, а обучение с подкреплением с целевыми для задач наградами улучшает устойчивость рассуждений. Модель предназначена для решения разных задач анализа временных рядов в диалоговом формате, сохраняя общие способности рассуждать. Авторы описывают её как обобщённую модель для применения к разным задачам временных рядов; конкретные примеры задач в доступном README не перечислены. Репозиторий содержит веса в формате Safetensors и предназначен для Transformers. Лицензия — Apache-2.0.