IV.2Банки, платежи и инвестиции

ChatTS-14B-0801 — разработанная командой ByteDance Research мультимодальная модель для понимания и анализа временных рядов с помощью диалога и рассуждений. Она дообучена на Qwen/Qwen2.5-14B-Instruct и предназначена для работы с многомерными рядами переменной длины и размерности. Модель принимает временные ряды и отвечает на вопросы о закономерностях и числовых значениях, в том числе на статистические вопросы о величине пика в заданный момент времени. Она сохраняет исходные числовые значения ряда и поддерживает интерактивный диалог; интегрируется с конвейерами LLM, включая vLLM. В метаданных указаны 14 млрд параметров и контекст 32768 токенов. Карточка приводит лицензию Apache-2.0.

ColQwen3.5-4.5B-v3 — модель визуального поиска по документам, разработанная автором репозитория athrael-soju на основе Qwen3.5-4B. Она кодирует изображения страниц и текстовые запросы в многовекторные представления и сопоставляет их с помощью позднего взаимодействия в стиле ColBERT; предназначена для построения поисковых систем по PDF и другим документам с графиками, таблицами и сложной вёрсткой. Модель содержит около 4,5 млрд параметров, использует архитектуру ColQwen3_5 и обученную проекционную голову размерности 320, веса представлены в BF16. В README заявлена поддержка пяти языков: английского, французского, немецкого, испанского и китайского. Обучение включало примерно 776 тысяч пар из наборов для визуального поиска по документам, в том числе финансовых документов и таблиц. Для запуска требуются transformers версии 5.2.0 или новее; при переходе со старой версии необходимо заново кодировать документы, поскольку представления отличаются. По результатам, приведённым в карточке, модель входила в число сильных моделей класса 4B на ViDoRe, но уступала более крупным моделям и некоторым сопоставимым решениям на части бенчмарков; особенно слабой областью названы задачи V2 по ESG и экономике. Репозиторий распространяется по лицензии Apache-2.0.

privacy-filter-br — модель BERTimbau, дообученная Lucian Fialho для обнаружения персональных и конфиденциальных данных в текстах на бразильском португальском языке. Это BERT для классификации токенов с разметкой BIOES: модель распознаёт 22 категории, включая имена, CPF, CNPJ, RG, электронную почту, телефоны, адреса, даты и некоторые идентификаторы транзакций. Размер — 136,1 млн параметров, контекст — до 512 токенов; доступны форматы ONNX и Safetensors. Лицензия — Apache-2.0. Модель предназначена для извлечения чувствительных фрагментов из документов, чтобы затем их можно было скрыть или удалить. Для обработки реальных документов автор рекомендует применять её вместе с br-pii-guardrail, который объединяет фрагменты токенов и дополняет NER регулярными выражениями и проверками контрольных сумм. В приведённом автором тесте на 30 документах CVM F1 по совпадению областей составляет 0,8536 в среднем для четырёх категорий; для CPF и CNPJ указан F1 1,0, а для имён — 0,7143. Качество зависит от категории и формата документа: точность границ дат в тесте CVM ограничена, а адреса в этом наборе не оценивались. Схема не охватывает некоторые бразильские финансовые идентификаторы, в том числе ключ PIX EVP и ключ NF-e. Для производственной обработки потребуется учитывать эти ограничения и проверять качество на собственных документах.

Aurora — мультимодальная фундаментальная модель для прогнозирования временных рядов, представленная авторами статьи ICLR 2026. Она предназначена для прогнозирования временных рядов с использованием как самих рядов, так и связанных с ними модальностей и доменных знаний; поддерживает zero-shot-сценарии и вероятностные генеративные прогнозы. Архитектура Aurora включает кодировщик, объединяющий признаки разных модальностей, и декодер, который формирует условия для будущих значений, извлекает прототипы на основе доменных знаний и использует flow matching для генерации прогнозов. В README заявлены результаты уровня state of the art на пяти бенчмарках. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Метаданные указывают контекст 10 000 токенов и английский язык карточки модели.

Higgs Audio v3 STT — модель распознавания речи в текст, разработанная Boson AI. Она объединяет аудиоэнкодер Whisper-Large-v3 с декодером Qwen3-1.7B; общий размер составляет 2,68 млрд параметров. Модель принимает монофоническое аудио WAV с частотой 16 кГц и выдаёт транскрипцию. Для загрузки используется собственная архитектура через Transformers с включённым trust_remote_code; обработка аудио требует библиотеки boson_multimodal. Модель предназначена для транскрибирования речи, включая записи встреч, выступлений, подкастов и финансовых аудиозаписей. В README упомянут режим Thinking для повышения точности. В обновлённом чекпойнте данные дообучения включают англоязычные наборы AMI, VoxPopuli, SPGISpeech, LibriSpeech, TED-LIUM, GigaSpeech и Earnings22; карточка отмечает, что опубликованные ранее результаты оценки относятся к предыдущему чекпойнту и требуют повторной оценки. Модель распространяется по лицензии Apache-2.0.

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.

somukandula/maskara-tiny — дообученная модель семейства BERT для классификации токенов. Она размечает в тексте фрагменты, соответствующие персональным данным: среди оценивавшихся категорий указаны имена, адреса, телефоны, электронная почта, IP-адреса, пароли, номера документов и платёжные реквизиты, включая Aadhaar, PAN и UPI ID. Модель может применяться для поиска и разметки чувствительных данных в текстах. Модель содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. На приведённой в карточке оценке общий F1 составил 0,8172; результаты заметно различаются по категориям, а для кредитных карт, паролей, SSN и паспортов F1 равен 0. Данные обучения и языки не описаны, поэтому качество для конкретного языка и домена по карточке установить нельзя. Лицензия — MIT.

MOMENT-1-small — компактная модель семейства MOMENT для анализа временных рядов, разработанная Auton Lab при Университете Карнеги — Меллона. Это предобученная модель общего назначения: её можно применять к прогнозированию, классификации, обнаружению аномалий, заполнению пропусков и получению представлений временных рядов, а также дообучать на специализированных данных. Модель рассчитана на работу «из коробки» и может использоваться для прогнозирования без примеров для конкретной задачи или для классификации с небольшим числом примеров. В README приведены руководства и эксперименты для нескольких задач, включая классификацию ЭКГ. Модель распространяется по лицензии MIT. В предоставленных материалах не приведены численный размер модели, длина входного ряда или конкретные ограничения качества.

PatchTST-FM-r1 — модель временных рядов на архитектуре PatchTST, опубликованная IBM Research. Она предназначена для прогнозирования временных рядов, в том числе на новых данных без отдельного обучения на целевом наборе. Модель также может одновременно заполнять пропуски в историческом контексте и прогнозировать будущий период. Архитектура использует трансформер с патчами длиной 16, размерностью d_model 1024 и вероятностной выходной головой на 99 квантилей. Контекст при прогнозировании может составлять до 8192 временных точек; модель обучена на данных из GiftEvalPretrain, синтетических рядах и наборах TSMixup. В метаданных указано 335,5 млн параметров. Модель рассчитана на числовые временные ряды и выдаёт прогнозы, включая квантильные оценки. Карточка описывает эту версию как исследовательскую и некоммерческую; лицензия CC BY-NC-SA 4.0. Следует учитывать лицензии исходных наборов данных. README приводит оценку размера около 260 млн параметров, тогда как метаданные указывают 335,5 млн.

pplx-decider-v1-27b — плотная мультимодальная модель на 27 млрд параметров, разработанная Perplexity и дообученная на базе Qwen/Qwen3.8-27B для задач классификации и принятия решений. В метаданных Hugging Face для неё указан pipeline text-classification; README приводит результаты на 11 бенчмарках, включая WinoGrande, FinancialPhraseBank и RAGTruth, измеренные через Perplexity API. Модель подходит для классификации текстов, оценки утверждений и выбора между вариантами в задачах на рассуждение. README указывает на необходимость Python 3.12 или новее и CUDA GPU, способного разместить около 49 ГиБ весов вместе с рабочей памятью. Репозиторий содержит веса safetensors и inference.py. Лицензия — Apache-2.0.

ChartVerse-8B — мультимодальная модель для анализа графиков и диаграмм, разработанная в рамках проекта opendatalab/ChartVerse. Это дообученная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration и 8 млрд параметров, которая принимает изображения графиков вместе с текстовыми запросами и формирует текстовые ответы с визуальным рассуждением. Она предназначена для ответов на вопросы по графикам и решения задач, требующих извлечения и интерпретации данных. Для обучения использованы наборы ChartVerse-SFT-600K и ChartVerse-RL-40K; заявлены 64,1% среднего результата на шести бенчмарках, превосходство над Qwen3-VL-30B-A3B-Thinking и близкие результаты к Qwen3-VL-32B-Thinking. Карточка не сообщает длину контекста. Модель распространяется по лицензии Apache-2.0.

FinLang/finance-embeddings-investopedia — модель эмбеддингов команды FinLang, дообученная для финансовых приложений на базе BAAI/bge-base-en-v1.5. Она построена на архитектуре BERT, содержит 136,7 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 768. Контекст ограничен 512 токенами. Модель предназначена для семантического поиска и кластеризации финансовых текстов, в том числе для поиска по документам в RAG-системах. В README описана оценка сходства на финансовых парах из Investopedia и проверка сохранения качества на наборах вопросов и ответов общего назначения. Лицензия — CC BY-NC 4.0; сторонние датасеты могут иметь дополнительные условия. Авторы позиционируют проект как исследовательский.

hemanthsaimanne/pii-text-masking — дообученная методом supervised fine-tuning модель Google Gemma 3 1B Instruction Tuned для маскирования персональных данных в неструктурированном тексте. Она принимает инструкцию и текст, а затем заменяет имена, адреса электронной почты, телефоны, номера социального страхования и банковских карт, IP-адреса и другие чувствительные сущности на метки вроде [NAME] и [EMAIL], сохраняя структуру исходного текста. Модель предназначена для анонимизации разговорных, корпоративных и финансовых документов, в том числе при локальном запуске на CPU, периферийных устройствах и мобильных устройствах. Это плотная авторегрессионная языковая модель на 1 млрд параметров с контекстом до 32 768 токенов; карточка указывает английский язык. Для работы с Gemma 3 требуется Transformers версии 4.50.0 или выше. В README приведены высокие оценки ROUGE на отложенном наборе данных, однако подробности протокола оценки ограничены. Лицензия — Gemma. Модель может пропускать нестандартно оформленные или сильно искажённые данные, поэтому результат маскирования следует проверять вручную; она не гарантирует полного соблюдения юридических требований.

GLiNER-PII Small v1.0 — модель распознавания сущностей на основе GLiNER, разработанная Wordcab совместно с Knowledgator. Она принимает текст и заданный пользователем список типов сущностей, а затем выделяет соответствующие фрагменты текста; модель настроена для обнаружения персональных, медицинских и платёжных данных (PII, PHI и PCI) и также поддерживает пользовательские типы сущностей в режиме zero-shot. Модель предназначена для локальной обработки транскрипций, документов, журналов чатов и других текстов, когда важно не передавать чувствительные данные внешним API. Для репозитория указана лицензия Apache-2.0; доступны реализации в форматах PyTorch и ONNX, включая варианты FP16 и UINT8.

Модель ab-ai/pii_model — дообученная версия BERT-base-cased для токенной классификации и обнаружения персональных данных в тексте. Её разработал Abhijeet Santosh Lokhande; модель обучена на датасете generator и распространяется под лицензией Apache-2.0. Модель размечает токены, относящиеся к именам, адресам, датам рождения, телефонам, электронной почте, номерам банковских карт и счетов, SSN, паролям и другим указанным в карточке категориям PII. Она подходит для выявления чувствительных фрагментов перед редактированием или маскированием документов и пользовательских данных. В карточке приведены результаты оценки: precision 95,53%, recall 96,60%, F1 96% и accuracy 99,11%. Это текстовая модель на архитектуре BERT; карточка заявляет поддержку английского языка. Показатели получены на указанной в карточке оценке и не гарантируют аналогичного качества на других данных или для всех типов сущностей. Для критичных сценариев защиты данных необходима проверка результатов.

Qwen3-1.7B-plumb — модель на базе Qwen3-1.7B от Totum Labs для диалогов и генерации текста с дополнительной головой принятия решений. Она выбирает из заданных вариантов, отвечает «да» или «нет» либо выставляет оценку, выдавая вероятности для вариантов и калиброванное решение за один проход по уже накопленному KV-кэшу. В репозитории веса Qwen3-1.7B сохранены без изменений; добавлены обученная голова решений на 51,5 млн параметров и адаптер LoRA, активный при обработке решений. Общий размер базовой модели — 1,7 млрд параметров, длина контекста — до 40 960 токенов. Модель предназначена для принятия структурированных решений в диалоге, в том числе выбора варианта по контексту, ранжирования заданных вариантов и выставления оценок; она также сохраняет возможности базовой Qwen3 для генерации текста и общения. README сообщает о тестировании на 447 отложенных решениях и приводит более высокую точность, чем у базовой модели в указанных настройках. Для работы требуются vLLM 0.30.0 и плагин Plumbify; указано ограничение на запуск на одном GPU без tensor и pipeline parallelism. Обучающие решения были на английском, а голова выбирает только из предложенных вариантов и не проверяет их корректность. Лицензия — Apache-2.0.

Bespoke-MiniChart-7B — открытая модель для понимания диаграмм, разработанная Bespoke Labs и поддерживаемая Liyan Tang и Bespoke Labs. Это дообученная версия VLM Qwen2.5-VL с 7,1 млрд параметров, которая принимает изображения диаграмм и текстовые вопросы, а отвечает текстом. Основной сценарий — ответы на вопросы по данным, представленным в графиках и диаграммах; модель также сочетает визуальное восприятие с текстовыми рассуждениями. По заявлению разработчиков, модель показывает лучшие результаты среди моделей сопоставимого размера на семи публичных тестах Chart-QA и превосходит некоторые более крупные закрытые модели. В метаданных указаны контекст до 128 000 токенов и поддержка английского языка. Репозиторий содержит веса safetensors. Лицензия в предоставленных данных не указана.

Llama-3.1-Hawkish-8B-GGUF — это квантованные версии текстовой генеративной модели mukaj/Llama-3.1-Hawkish-8B, подготовленные bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель ориентирована на работу с английским языком и предназначена для генерации текста, а также задач в области финансов, экономики, математики и рассуждений. В названии указано 8B, однако точные архитектурные характеристики и размер контекста в README не приведены. Доступны варианты от F16 до компактных квантований Q2 и IQ3, что позволяет выбирать между качеством ответов, размером файла и требованиями к оперативной памяти. Рекомендуемые варианты включают Q4_K_M, Q5_K_M, Q6_K и другие; некоторые сборки оптимизированы для ARM и требуют поддержки соответствующих инструкций. Модель предназначена для локального запуска через llama.cpp и совместимых приложений, включая LM Studio. Лицензия обозначена как other, без дополнительных условий в README, поэтому точные правила использования следует уточнять в источнике исходной модели.

Nori — табличная фундаментальная модель Synthefy для регрессии методом обучения в контексте. Для прогноза ей передают несколько размеченных строк в качестве контекста и новые строки для предсказания; модель выдаёт результаты за один прямой проход без дообучения под конкретный набор данных. Она обучена только на синтетических данных. В основе лежит FeaturesTransformer примерно с 5,9 млн параметров и 16 слоями. Архитектура чередует внимание между признаками и строками, поддерживает пропуски и предсказывает распределение по 999 квантилям. Модель предназначена для регрессии на таблицах малого и среднего размера; в README приведены результаты оценки на 96 задачах из трёх открытых наборов бенчмарков. Практический предел связан с квадратичной сложностью внимания между строками: на больших таблицах и длинном контексте производительность уступает лучшим базовым методам, а размер контекста ограничен вычислительными затратами. Для использования доступны GPU и запасной режим на CPU. Лицензия — Apache-2.0.

Orca-Sonar — мультиязычный классификатор документов компании Patronus AI на основе mmBERT (ModernBERT). Модель относит текст или документ к одной из девяти тематических категорий и рассчитана на маршрутизацию текстов по уровню риска перед передачей LLM, проверкой DLP или сохранением. Она распознаёт тему содержимого даже в запросах-обёртках вроде просьбы кратко изложить договор. Модель дообучена на jhu-clsp/mmBERT-small, содержит 140,5 млн параметров и принимает последовательности длиной до 8192 токенов. В карточке описана поддержка немецкого и английского языков; модель возвращает метку класса с оценкой уверенности. Доступны веса safetensors и экспорт ONNX в FP16. Лицензия — Apache-2.0. В тестировании на отложенной выборке из реальных данных заявлены точность 0,942 и macro-F1 0,940. Для немецкого и английского языков авторы отмечают высокую точность, но другие языки не тестировались. Возможны ложные срабатывания; устойчивость к adversarial-входам, данным вне распределения, чистым персональным данным и патологически длинным текстам ограничена. Для важных сценариев маршрутизации рекомендуется порог уверенности или отказ от решения, а для DLP — предварительная детерминированная проверка длины и PII.

Timer-S1 — модель временных рядов общего назначения, разработанная командой THUML. Она предназначена для прогнозирования временных рядов без дообучения на конкретном наборе данных, в том числе с выдачей прогнозов на разных квантильных уровнях. Модель построена на декодерном Transformer с архитектурой Mixture-of-Experts (MoE). В карточке указаны 8,3 млрд параметров, из которых 0,75 млрд активируются на токен; метаданные каталога указывают 402,7 млн параметров. Максимальная длина контекста — 11 520 шагов по README и 12 800 токенов по метаданным. Метод TimeSTP использует последовательные вычисления для многошагового прогнозирования. Модель особенно ориентирована на среднесрочные и долгосрочные прогнозы; авторы также сообщают об улучшениях краткосрочного и длинноконтекстного прогнозирования после дополнительного обучения. Для запуска поддерживаются CPU и GPU; для GPU авторы рекомендуют не менее 40 ГБ видеопамяти. Модель доступна под лицензией Apache-2.0. Прогнозы могут быть менее надёжны вне распределений и сценариев, представленных в данных предобучения; в карточке результаты качества описаны авторами, поэтому их следует проверять на целевых рядах.

DatedGPT-2022-Instruct — англоязычная чат-модель семейства DatedGPT, разработанная для анализа и прогнозирования с учётом временной отсечки данных. Это instruction-tuned вариант, обученный только на данных, доступных до 2022 года, что помогает избегать смещения из-за использования будущей информации в point-in-time анализе. Модель основана на архитектуре LlamaForCausalLM и содержит около 1,3 млрд параметров; длина контекста — 2048 токенов. Модель предназначена для диалогов и выполнения текстовых инструкций, в том числе для сценариев, где важно моделировать знания на дату 2022 года. Поддерживает текстовый ввод и выдаёт текст. В карточке указан формат весов safetensors; для диалога используется шаблон чата в стиле Llama 2. Знания модели ограничены данными до 2022 года. В модели нет RLHF и настройки безопасности, поэтому ответы могут быть уверенными, но ошибочными. Лицензия в предоставленных данных не указана.

transformer3/H2-keywordextractor — модель суммаризации на базе архитектуры BART, обученная через AutoTrain. Она предназначена для создания кратких текстов по входному материалу; в карточке указана задача суммаризации, а датасет связан с финансовой тематикой. Модель содержит 252,8 млн параметров, принимает текст с контекстом до 1024 токенов и выдаёт текст. Доступны веса PyTorch. В карточке приведены метрики валидации: ROUGE-1 29,067, ROUGE-2 19,200 и ROUGE-L 26,900. Лицензия в предоставленных данных не указана.

TabPFN-2.6 — трансформерная модель Prior Labs для классификации и регрессии структурированных табличных данных. Она использует обучение в контексте и выполняет предсказание за один прямой проход; архитектура включает 24 слоя с чередованием типов внимания, близким к TabPFN v2. Модель обучена исключительно на синтетических табличных задачах. Модель предназначена для задач с наборами до 50 000 строк и 2 000 признаков. В карточке указаны сценарии в химии, биологии, финансах, праве, климате и медицине. Она не предназначена для неструктурированных текстовых или визуальных данных; качество на наборах, превышающих указанные размеры, не проверено и может снижаться. Веса доступны по лицензии tabpfn-2.6-license-v1.0, которая разрешает исследования, тестирование, оценку и внутренний бенчмаркинг, но запрещает коммерческое и производственное использование модели, её производных и результатов. Для производственных сценариев Prior Labs предлагает отдельную коммерческую лицензию.

TiRex-2 — предварительно обученная модель временных рядов от NX-AI для прогнозирования на основе исторических наблюдений. Она поддерживает прогнозирование одного или нескольких целевых рядов, а также может учитывать прошлые и известные заранее дополнительные признаки: календарные события, праздники, акции и запланированные вмешательства. Один чекпойнт предназначен для однофакторных и многофакторных сценариев; модель работает без дообучения на данных конкретной задачи. Модель рассчитана на zero-shot прогнозирование, в том числе в сценариях, где наблюдения поступают последовательно. В однофакторном режиме активируется 38,4 млн параметров, а для многофакторного прогнозирования задействуется ещё 44,1 млн. Репозиторий предоставляет веса PyTorch и код инференса; метаданные указывают библиотеку tirex-2 и лицензию Apache-2.0. Модель подходит для прогнозирования нескольких связанных временных рядов с известными будущими факторами. В README потоковое обновление прогнозов без пересчёта всей истории и оптимизации для специализированного оборудования перечислены как возможности версии TiRex-2 Pro, поэтому их нельзя считать подтверждёнными для этого открытого чекпойнта. Также заявленные результаты zero-shot не гарантируют одинакового качества на всех наборах данных.

Mitra Regressor — табличная модель общего назначения от AutoGluon, предварительно обученная на синтетических наборах данных, полученных с помощью случайных регрессоров. Она предназначена для задач регрессии по табличным данным и использует обучение в контексте, чтобы строить предсказания для новых данных. Архитектура модели — Transformer из 12 слоёв с 72 млн параметров. Модель рассчитана на табличный ввод и выдаёт числовые прогнозы. В README описан способ использования через AutoGluon Tabular. Репозиторий распространяется под лицензией Apache-2.0.

Tabby — это модель для прогнозирования временных рядов, выпущенная проектом TabbyTSFM. Репозиторий содержит замороженный предварительно обученный backbone Tabby-Pretrain и адаптированный prompt: backbone не дообучался, а prompt обучался на 48 задачах GIFT-Eval. Архитектура использует 20 слоёв, скрытую ширину 768, 12 голов внимания и патчи длиной 16; в README указано 146,7 млн параметров, а метаданные Hugging Face указывают 165,2 млн. Модель выдаёт вероятностные прогнозы по 99 квантилям с уровнями от 0,01 до 0,99. Контекст backbone составляет 8192 позиции; минимальная маска будущего — 128 позиций, поэтому доступная история сокращается в зависимости от горизонта прогноза. В приведённой оценке на конфигурациях GIFT-Eval Tabby показала MASE 0,6880 и CRPS 0,4758, однако prompt обучался на задачах GIFT-Eval, а в соответствующей отправке отмечена утечка тестовых данных, что ограничивает интерпретацию результатов. Модель подходит для вероятностного прогнозирования временных рядов и получения квантильных оценок на заданном горизонте. Для запуска приведён пример с Transformers и AutoModel. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на коммерческое применение.

Adaptive Classifier — классификатор рисков на базе answerdotai/ModernBERT-base, представленный в формате safetensors. Модель различает два класса: high_risk и low_risk; в карточке указаны 10 обучающих примеров и эмбеддинги размерностью 768. Она поддерживает непрерывное обучение и динамическое добавление классов. Модель предназначена для классификации текстов по уровню риска. В карточке указана многоязычная поддержка, однако конкретные языки и области применения не перечислены. Лицензия — Apache-2.0.

TS-ICL — модель временных рядов из репозитория taharnbl/TS-ICL, связанная с проектом EDF-Lab/ts-icl. Это foundation model для прогнозирования временных рядов; в метаданных Hugging Face указана задача time-series-forecasting и библиотека tsicl. Репозиторий содержит веса PyTorch, а README сообщает об установке библиотеки командой pip install tsicl. Модель предназначена для прогнозирования временных рядов. В тегах также упомянута импутация временных рядов, но она не указана среди подтверждённых задач каталога. Лицензия обозначена как other; конкретные условия использования в доступных данных не раскрыты. Размер модели, контекст и поддерживаемые языки не описаны.

decider-4b — модель принятия решений на основе языковой модели, разработанная Mapika как открытая реализация класса System One. Она принимает состояние и типизированные вопросы с заданными вариантами ответа и за один проход вычисляет распределение вероятностей по вариантам; свободный текст не генерирует. Модель предназначена для вызова из программных систем, например для классификации состояний и выбора действия в играх или браузерных сценариях. В репозитории размещена версия v2.1: плотная текстовая архитектура Qwen3.5-4B с 3,4 млрд параметров по метаданным и контекстом до 262 144 токенов. Веса сохранены в safetensors; модель дообучена в два этапа, включая LoRA, впоследствии объединённую с весами. Базовая модель — Qwen/Qwen3.5-4B-Base. Основной язык — английский; в обучающих данных также присутствовали небольшие многоязычные выборки. Модель показывает результаты на задачах принятия решений, но её оценки уверенности на сложных многошаговых примерах могут быть завышены. В README отмечены ошибки на отдельных тестах и отставание от более крупной версии на некоторых наборах. Для калибровки по типам ответов требуется decider-ai версии 1.4.0 или новее. Лицензия — Apache-2.0.