IV.2Банки, платежи и инвестиции

Карточка модели microsoft/LLaMA-2-7b-GTL-Delta на Hugging Face совпадает с карточкой microsoft/LLaMA-2-13b-GTL-Delta, поэтому описание составлено по ней. Microsoft LLaMA-2-13b-GTL-Delta — это дообученная версия LLaMA 2, входящая в семейство Industrial Foundation Models (IFMs). Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовые промпты с данными в табличной форме. Контекст ограничен 2048 токенами; модель поставляется в формате safetensors и распространяется по лицензии MIT. Модель дообучена более чем на 380 табличных наборах данных из разных отраслей и предназначена для прогнозирования по промышленным данным. По инструкции в промпте она может выполнять задачи классификации и регрессии, формируя ответ на естественном языке. Среди описанных сфер применения — торговля, здравоохранение, энергетика и устойчивое развитие. Результаты могут быть смещёнными или ошибочными, особенно на данных и в сценариях, недостаточно представленных при обучении. Прогнозы следует проверять, а применение в критически важных решениях требует дополнительной оценки и защитных мер.

UniSpeech-SAT-Base-Plus-SV — модель Microsoft для проверки личности говорящего по аудио. Она основана на архитектуре UniSpeech-SAT и содержит около 113,3 млн параметров; для представления речи использует X-Vector-голову. Модель предварительно обучена на речевых корпусах Libri-Light, GigaSpeech и VoxPopuli, а затем дообучена на VoxCeleb1 с функцией потерь Additive Margin Softmax. Модель принимает речевые записи с частотой дискретизации 16 кГц и предназначена для извлечения признаков голоса и сравнения говорящих, например при проверке, принадлежат ли две записи одному человеку. Карточка указывает английский язык. Лицензия в предоставленных сведениях не указана.

maifeng/boilerplate_detection — модель классификации финансового текста, предназначенная для выявления шаблонных и повторяющихся фрагментов в отчётах финансовых аналитиков и отличения их от содержательных деловых сведений. Она использует замороженный sentence transformer all-mpnet-base-v2 и классификационную сеть из трёх слоёв с размерностями 768 → 16 → 8 → 2. Модель обучена на отчётах аналитиков за 2000–2020 годы: повторяющиеся фрагменты одного брокера в пределах года размечались как шаблонные, остальные — как содержательные. Модель принимает текстовые сегменты и выдаёт классификацию; карточка предусматривает прямую загрузку пользовательской архитектуры вместо стандартного интерфейса pipeline. Она рассчитана на англоязычные финансовые аналитические отчёты. Лицензия — Apache-2.0.

Kairos-23M — трансформерная модель временных рядов от mldi-lab, представленная в работе «Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models». Она предназначена для прогнозирования временных рядов без дообучения в разных прикладных областях. В модели используются динамическая токенизация патчами, кодировщик с выбором размера представления и динамические позиционные кодировки DRoPE, адаптирующиеся к спектральным особенностям ряда. В README указано около 23 млн параметров; метаданные Hugging Face содержат значение 8,3 млн параметров и контекст 512 токенов. Модель работает с временными рядами и ориентирована на обобщение между доменами без дополнительного обучения. Репозиторий использует формат Safetensors и библиотеку Transformers. Лицензия — Apache-2.0. README сообщает о обучении на корпусе PreSTS, содержащем более 300 млрд временных точек, и заявляет об эффективности модели при небольшом числе параметров; конкретные показатели качества не приведены.

YakuzaNeko разработал Korean DLP NER v3 — дообученную модель klue/roberta-large для обнаружения и классификации персональных данных в корейском тексте. Модель распознаёт 14 типов сущностей: имена людей и организаций, адреса и даты, корейские идентификационные номера, регистрационные и водительские документы, телефоны, банковские счета, электронную почту, номера карт и автомобилей. Разметка использует 29 BIO-тегов. Модель построена на архитектуре RoBERTa Large и содержит 435,4 млн параметров. Для неё доступны веса Safetensors и ONNX; максимальная длина последовательности в обучении составляла 128 токенов, а нативный контекст — 514 токенов. В README указаны F1 95,63% на тесте KLUE с синтетическими данными и 93,75% на ручной выборке из 34 предложений. Модель подходит для выявления и разметки чувствительных данных при проверке корейских документов и текста. Оценки качества зависят от данных и могут не отражать качество на иных типах текста. Лицензия — Apache-2.0.

Salesforce/moirai-moe-1.0-R-base — исследовательская модель семейства Moirai, опубликованная Salesforce. Она предназначена для прогнозирования временных рядов и относится к предварительно обученным моделям общего назначения для этой задачи. В репозитории указано около 99,1 млн параметров; веса представлены в формате safetensors. Модель можно применять как основу для экспериментов и оценки подходов к прогнозированию временных рядов. Разработчики предупреждают, что её не оценивали для всех сценариев применения, поэтому перед внедрением следует проверять точность и учитывать риски ошибок, особенно в ситуациях с серьёзными последствиями. Лицензия CC BY-NC 4.0 разрешает использование на условиях указанных ограничений, включая некоммерческий характер лицензии.

Africlaude-7B — языковая модель Axiveri с 7,1 млрд параметров на архитектуре Qwen2, предназначенная для разработчиков и финтех-команд в Африке. Она рассчитана на диалоговые сценарии и генерацию текста, связанные с нигерийским английским и пиджин-английским, USSD-сессиями, платёжными API Paystack и Flutterwave, требованиями CBN и финтех-безопасностью. Модель распространяется в формате safetensors, поддерживает контекст до 32 768 токенов и доступна по лицензии Apache-2.0. По данным карточки, модель оптимизирована прежде всего для нигерийского английского и пиджин-английского; языки йоруба, хауса и игбо пока обозначены как направление дальнейшей работы. В README указаны слабые результаты на задачах соответствия требованиям CBN и рассуждений, а также ограничения бенчмарка AfriclaudeBench v1.0. Заявленные результаты бенчмарка приведены разработчиком и сами по себе не подтверждают качество в реальных сценариях.

climatebert/distilroberta-base-climate-tcfd — дообученная ClimateBERT на базе distilroberta-base-climate-f с классификационной головой для отнесения абзацев о климате к одной из четырёх категорий рекомендаций TCFD. Модель разработана для классификации текстовых фрагментов по рекомендациям Рабочей группы по раскрытию финансовой информации, связанной с климатом. Модель основана на архитектуре RoBERTa и содержит 95,4 млн параметров. Она обучена на наборе climatebert/tcfd_recommendations без класса для текстов, не связанных с климатом; максимальная длина контекста составляет 514 токенов. Поддерживаемый язык — английский. Лицензия — Apache-2.0. Карточка предупреждает, что модель обучена на абзацах и может хуже работать на отдельных предложениях. Поскольку отдельный класс для неклиматических текстов исключён из обучения, модель не предназначена для надёжного определения того, относится ли входной текст к климатической тематике.

jefftherover/pii-dual-mmbert-base-v2 — дообученная модель на базе многоязычного энкодера jhu-clsp/mmBERT-base для классификации токенов. По названию модели можно предположить, что она предназначена для обнаружения и разметки персональных данных (PII) в тексте, однако README не описывает её назначение и метки, а обучающий датасет указан как неизвестный. Модель содержит 306,9 млн параметров, использует архитектуру ModernBERT и принимает последовательности длиной до 8192 токенов. В README приведены результаты оценки: F1 0,9970, точность 0,9963 и полнота 0,9977; датасет и методика оценки не раскрыты, поэтому эти показатели нельзя считать подтверждением качества на новых данных. Модель доступна в формате Safetensors через Transformers и распространяется по лицензии MIT.

pii-layout-synth-v9 — модель на базе encoder-архитектуры ModernBERT, дообученная для классификации токенов. По названию репозитория она, вероятно, предназначена для разметки персональных данных с учётом расположения элементов, однако README не описывает её назначение, схему меток или способ использования. Модель содержит 149 млн параметров, принимает текст и рассчитана на контекст до 8192 токенов. В README приведены результаты оценки: F1 0,9912, precision 0,9896, recall 0,9929 и accuracy 0,9985. Датасет назван неизвестным, поэтому эти показатели нельзя независимо интерпретировать или переносить на другие данные. Лицензия — Apache-2.0.

Winuim/qwen3-vl-8b-invoice-cpt — дообученная мультимодальная модель Winuim на базе unsloth/qwen3-vl-8b-instruct-unsloth-bnb-4bit. Она использует архитектуру Qwen3-VL и предназначена для диалоговой работы с текстом и изображениями; название указывает на настройку для обработки счетов, но README не описывает конкретные сценарии или качество извлечения данных. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Maple728/TimeMoE-200M — модель временных рядов семейства Time-MoE, разработанная авторами работы «Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts». Репозиторий содержит веса модели с архитектурой mixture of experts для прогнозирования временных рядов; в метаданных указано 113,2 млн параметров и контекст 4096 токенов. Модель предназначена для прогнозирования будущих значений по последовательностям временных рядов и может использоваться в задачах анализа данных, меняющихся во времени. README отсылает к GitHub проекта за подробностями применения, но не описывает конкретные сценарии и показатели качества. Веса опубликованы в формате safetensors, лицензия — Apache-2.0.

Модель разработана Shu-wen Yang и соавторами и опубликована в формате PyTorch пользователем Anton Lozhkov. Это Wav2Vec2 с головой XVector, портированная версия модели S3PRL для задачи верификации говорящего в бенчмарке SUPERB. Она принимает речевой аудиосигнал с частотой дискретизации 16 кГц и предназначена для сравнения голосовых образцов при проверке личности говорящего. Модель содержит около 113,3 млн параметров и основана на wav2vec2-large-lv60, предварительно обученной на речи с частотой 16 кГц. Указан английский язык. Лицензия — Apache 2.0. Карточка предупреждает о возможных вредных стереотипах в предсказаниях и не рекомендует использовать модель для создания враждебной или отчуждающей среды.

DocShield-7B — мультимодальная модель компьютерного зрения и языка от автора репозитория vankey, дообученная на базе Qwen2.5-VL-7B-Instruct для криминалистического анализа подделок документов и изображений. Она принимает изображение и формирует текстовый отчёт о признаках изменения: проверяет согласованность шрифтов, глифов, интервалов и базовых линий, ищет артефакты копирования и вставки, ореолы по краям, несоответствия сжатия и нарушения шумового рисунка. Также модель оценивает логическую согласованность содержимого, локализует подозрительные области рамками и выдаёт итоговую оценку вероятности подделки. Модель построена на архитектуре Qwen2_5_VLForConditionalGeneration, содержит 7,1 млрд параметров и использует контекст до 128 000 токенов. В README указано разрешение инференса 1344 × 896; веса представлены в bfloat16 и занимают около 16 ГБ, а для вычислений автор рекомендует загружать их с преобразованием в float32. Модель рассчитана на китайский и английский языки. Лицензия — Apache-2.0. Для загрузки требуется базовая модель Qwen2.5-VL-7B-Instruct, которая не включена в репозиторий.

WavLM-Base for Speaker Verification — модель Microsoft для проверки личности говорящего по речи. Это модель семейства WavLM с архитектурой Transformer и головой WavLMForXVector; она содержит 113,3 млн параметров. Базовая модель предварительно обучена на 960 часах LibriSpeech с частотой дискретизации 16 кГц, а версия для проверки говорящего дообучена на VoxCeleb1 с головой X-Vector и функцией потерь Additive Margin Softmax. Модель принимает речевое аудио с частотой 16 кГц и формирует векторные представления голоса, пригодные для сравнения говорящих и проверки совпадения личности. Её можно применять для верификации диктора в записях и системах контроля доступа по голосу. Карточка не описывает поддержку других языков помимо английского в метаданных и не приводит отдельные показатели качества. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

AntResearch публикует в этом репозитории контрольные точки MECT — модели проверки личности говорящего по голосу. MECT сочетает свёрточную сеть и Transformer с механизмом смеси экспертов (MoE); представлены варианты с маршрутизацией на уровне высказывания или аудиокадров, плотной или разреженной маршрутизацией. Размеры моделей в карточке составляют от 3,78 до 9,57 млн параметров. Модели предназначены для сравнения голосовых записей и проверки, принадлежат ли они одному человеку. Вариант MECT-B2-Causal поддерживает потоковую проверку с низкой задержкой, например для онлайн-встреч, голосовых помощников и устройств. В README приведены результаты на тестовых наборах VoxCeleb1; библиотека репозитория — mect, формат весов — PyTorch. Лицензия CC BY-NC-SA 4.0 разрешает использование на условиях указания авторства и распространения производных работ на тех же условиях, но запрещает коммерческое использование.

QuantFactory/Math-IIO-7B-Instruct-GGUF — квантизированная версия Math IIO 7B Instruct, разработанная QuantFactory на базе Qwen/Qwen2.5-7B-Instruct от Qwen. Модель предназначена для генерации текста, следования инструкциям и решения математических задач в формате single-shot, включая вычисления, работу с уравнениями, логические запросы, математическое рассуждение, а также объяснение решений по шагам. Она может применяться в образовательных, аналитических и задачах поддержки решения проблем. Модель имеет размер 7B параметров и относится к instruction-tuned языковым моделям. Она оптимизирована для математического контента, поддерживает точную запись математических обозначений благодаря расширенной токенизации и дополнительным токенам. Обучение выполнялось на датасете Math-IIO-68K-Mini, содержащем около 68,8 тысячи примеров математических инструкций, уравнений и логических запросов. Указан английский язык; поддерживаемые модальности ограничены текстом. Размер контекста в README не указан. К сильным сторонам относятся специализация на математическом решении задач, пошаговое объяснение, обработка запросов от базовой арифметики до продвинутого анализа и линейной алгебры, а также формат GGUF, предназначенный для использования с llama.cpp. Ограничения включают отсутствие данных о точности на бенчмарках, фактическом размере контекста и подробностях квантизации; заявленные возможности не следует рассматривать как гарантию безошибочных вычислений. Модель распространяется по лицензии creativeml-openrail-m.

Fiorino Nano — компактная модель для классификации табличных данных от Nanite Labs. Это модель с примерно 4,5 млн параметров, обученная на синтетических и исторических табличных данных. Она использует обучение в контексте: принимает размеченные строки как контекст и предсказывает классы для новых строк одним проходом без дообучения на задаче. Архитектура включает групповые токены ячеек, внимание по признакам и примерам, обучаемые представления типов и идентификаторов столбцов, канал пропусков и 24 внутренних строки вычислений. Модель предназначена для классификации таблиц и может применяться для прогнозирования категориальных исходов на новых наборах данных. В README приведены результаты на бенчмарках: средний macro ROC-AUC 0,818 на TabArena-38 и точность 0,87 в пробе обучения на новых задачах; эти показатели относятся к указанным протоколам и не гарантируют результат на произвольных данных. Контекст ограничен 2048 строками с подвыборкой и примерно 44 признаками. Модель также уступает случайному лесу на задачах регрессии, но этот репозиторий описывает классификационный вариант. Веса распространяются по лицензии MIT; лицензии обучающих архивов могут ограничивать их использование.

TSO Foundation Model v11 — модель общего назначения для временных рядов, разработанная автором репозитория Sejibeji. Она учится представлять динамику рядов как геометрию и линейные операторы, а не разбивать числа на токены. Архитектура включает вложения Такенса, представления на нескольких масштабах, глубокий энкодер с пространством скрытых признаков размерности 256 и скрытым слоем 768, а также голову для определения направления времени. Предобучение на 40 рядах из восьми областей использует самоконтролируемые задачи реконструкции, динамики Кoopman, масштабной ковариантности и различения прямого и обратного порядка. Модель предназначена для прогноза новых временных рядов без градиентного дообучения: для нового ряда выполняется вычисление оператора Koopman в замороженном латентном пространстве. В описанной автором оценке она превзошла GRU, обучаемую отдельно для каждого ряда, на 29 из 40 рядов; также README сообщает о структурном обнаружении цикла солнечной активности на отложенном ряде пятен. Модель распространяется по лицензии MIT. Ограничения: закрытый линейный пробник уступает на рядах со всплесками и почти единичным корнем, где простое продолжение последнего значения может быть лучше. Перенос зависит от ширины модели и разнообразия корпуса, а предварительные задачи дают заметную пользу после примерно 15 тысяч итераций.

CrabInHoney/urlbert-tiny-v4-phishing-classifier — компактная модель BERT, разработанная CrabInHoney для классификации URL на фишинговые и нефишинговые. Это дообученная для распознавания фишинговых ссылок версия CrabInHoney/urlbert-tiny-base-v4 с архитектурой BertForSequenceClassification и 4,8 млн параметров. Модель принимает текст URL; её контекст составляет 64 токена, а карточка указывает поддержку английского языка. Модель предназначена для проверки ссылок в фильтрах, системах анализа URL и инструментах безопасности. В README для версии v4 заявлены accuracy 0,9907, precision 0,9945, recall 0,9855 и F1 0,9900; подробности методики оценки не приведены. Распространяется по лицензии Apache-2.0.

SimonY0s/bge-m3-thai-intent — дообученная модель BAAI/bge-m3 для определения намерения клиента по короткому сообщению на тайском языке. Она сопоставляет сообщение с текстовыми описаниями намерений: описания можно добавлять без повторного обучения. В основе — плотная архитектура XLM-RoBERTa с CLS-пулингом; модель содержит 658,7 млн параметров, принимает текст и рассчитана на контекст до 8194 токенов. Основной сценарий — классификация обращений в электронной торговле, банковском обслуживании и телекоммуникациях; README сообщает о проверке на синтетических тайских сообщениях, включая намерения, не встречавшиеся при обучении. Обучение проводилось на 741 паре «сообщение — описание намерения» в течение четырёх эпох. Для публикации указана лицензия MIT. Результаты на синтетических данных не гарантируют аналогичную точность на реальных обращениях; оценки softmax не откалиброваны, а романизированный тайский, числа и даты названы слабыми местами. Модель предназначена для сопоставления коротких сообщений с намерениями и не учитывает структурированное состояние обращения.

Pardhiv17/bizinsight-complaint-embedder — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2 для кодирования текстов обращений в плотные векторы. Она принимает предложения и короткие абзацы, формирует 768-мерные эмбеддинги и сравнивает их по косинусному сходству; архитектура включает MPNet, усредняющий pooling и нормализацию. Модель подходит для семантического поиска и сопоставления жалоб, например для поиска похожих обращений в базе знаний или группировки сообщений по смыслу. Обучение проведено на 5 000 примерах с BatchHardTripletLoss. Максимальная длина последовательности в README — 384 токена; в метаданных указано нативное окно контекста 514 токенов. Модель обрабатывает текст и возвращает векторы, не предназначена для генерации ответов. Лицензия в предоставленных данных не указана.

nekomata-14b-pfn-qfin — языковая модель Preferred Networks, дообученная на базе rinna/nekomata-14b для генерации связного текста в финансовой тематике. Это плотная авторегрессионная модель с архитектурой Qwen и 21,8 млрд параметров; веса опубликованы в формате Safetensors и предназначены для работы через Transformers. Модель дообучена на 370 млн токенов специализированных данных Preferred Networks, преимущественно японских, а также английских и числовых. Карточка описывает поддержку японского и английского языков. Контекст обучения указан как 2048 токенов, тогда как метаданные сообщают нативное окно контекста 8192 токена. Модель подходит для генерации текста по финансовым темам и финансовых языковых задач на японском и английском. Она может выдавать неточные, предвзятые или нежелательные ответы и не предназначена для юридических, налоговых, инвестиционных или финансовых консультаций; перед применением нужна проверка и настройка под конкретный сценарий. Лицензия — Tongyi Qianwen License Agreement, обозначенная в метаданных как other.

Tabby-Prompt — пакет из 25 обученных prompt-тензоров для замороженной модели Tabby-Pretrain. Согласно карточке модели, промпт содержит 160 токенов, использует сегментированное контекстно-зависимое кондиционирование и выбран на 14-й эпохе при значении val_loss 2,0484. Репозиторий предназначен для совместного использования с базовой моделью Tabby-Pretrain при прогнозировании временных рядов. Модель распространяется в формате PyTorch по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Метаданные указывают задачу прогнозирования временных рядов и библиотеку PyTorch. Сведения о размере контекста в токенах входных данных, поддерживаемых естественных языках и архитектуре базовой модели не приведены, поэтому их нельзя определить по доступной карточке. Для работы пакету требуется замороженный бэкбон Tabby-Pretrain.

Adaptive Classifier — классификатор расходов на основе answerdotai/ModernBERT-base, опубликованный в репозитории adaptive-classifier/expense-category. Он относит описание расхода к одной из пяти категорий: equipment, meals, office_supplies, other или travel. Модель использует 768-мерные эмбеддинги и предназначена для классификации расходов с возможностью непрерывного обучения и динамического добавления классов. В карточке указано 25 примеров обучения — по пять на категорию. Для каждой категории требуется не менее трёх примеров; верхний предел составляет 150 примеров, а прототипы обновляются каждые десять примеров. Модель распространяется по лицензии Apache-2.0.

ONNX-версия модели phishing-email-detection-distilbert_v2.4.1, разработанной cybersectony и автоматически конвертированной и опубликованной сообществом onnx-community. Модель предназначена для классификации текста, в частности для выявления фишинговых электронных писем, и может использоваться в сценариях фильтрации входящей почты и предварительной оценки подозрительных сообщений. Модель основана на DistilBERT, а её формат ONNX позволяет применять её через библиотеку Transformers.js, в том числе в JavaScript-приложениях. В README не указаны точный размер модели, поддерживаемые языки, максимальная длина контекста, набор меток, используемые данные для обучения и показатели качества, поэтому эти характеристики нельзя надёжно оценить. Сильной стороной является готовность к запуску в экосистеме Transformers.js и специализация на задаче обнаружения фишинга. Ограничения, включая возможные ошибки классификации и применимость к языкам или типам писем, в README не описаны; результаты следует проверять перед принятием автоматических решений. Лицензия модели также не указана.

segAll tamper localiser — модель для локализации подделок в документах, разработанная автором репозитория mymani. Она принимает изображение страницы документа и формирует карту логитов вероятности подделки для каждого пикселя, различая области с подделкой и чистые области. В основе лежит SegFormer-B2 с энкодером nvidia/mit-b2, дообученный для бинарной семантической сегментации и расширенный до шести входных каналов: RGB и три канала высокочастотных остаточных признаков SRM, вычисляемых из яркости. Модель предназначена для поиска изменённых участков на отрисованных страницах документов. Перед подачей нужно самостоятельно подготовить шестиканальное pixel_values с RGB и тремя SRM-каналами согласно препроцессингу из связанной обёртки; обычного трёхканального изображения недостаточно. Репозиторий содержит веса safetensors. Лицензия указана как other, поэтому конкретные условия использования следует уточнить в карточке модели.

bartowski/SUFE-AIFLM-Lab_Fin-R1-GGUF — это GGUF-квантизация текстовой генеративной модели Fin-R1, разработанной SUFE-AIFLM-Lab. Квантизации выполнены bartowski с использованием llama.cpp release b4944 и метода imatrix. Модель предназначена для локального запуска через llama.cpp, LM Studio и другие совместимые проекты, поддерживающие этот формат. В репозитории представлены варианты от исходных BF16-весов размером 15,24 ГБ до низкобитных квантизаций размером около 3 ГБ. Доступны форматы Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-квантизации; некоторые варианты используют Q8_0 для весов эмбеддингов и выходного слоя. Более высокие разрядности обеспечивают лучшее качество, а низкие требуют меньше оперативной памяти, но заметно уступают по качеству. Рекомендуемым вариантом общего назначения указан Q4_K_M, а Q6_K и Q6_K_L описаны как варианты почти без потери качества. README не сообщает архитектуру, число параметров, поддерживаемые языки, размер контекста, модальности, результаты тестирования или назначение исходной модели в конкретных прикладных областях. Для работы необходимо использовать шаблон чата с маркерами system, user и assistant. Лицензия в предоставленных данных не указана.

TSO Foundation Model v14 — модель для прогнозирования временных рядов, разработанная автором репозитория Sejibeji. Она учится представлять структуру динамических систем в латентном пространстве с помощью самоконтролируемого предобучения и оператора Кoopмана. Архитектура включает вложения Такенса, представления на нескольких масштабах и энкодер с латентной размерностью 256 и скрытым размером 768. Модель предназначена для переноса на новые временные ряды без градиентного дообучения: прогноз строится через замкнутую подгонку оператора Кoopмана на замороженном представлении. В README сообщается о результатах на рядах из энергетики, метеорологии, ЭКГ, финансов, эпидемиологии, экономики, солнечной физики и хаотических систем, включая преимущество над рядами GRU в 31 из 40 тестов и обнаружение солнечного цикла примерно в 11 лет. Репозиторий предоставляет веса PyTorch; лицензия — MIT. Ограничения включают слабую работу с рядами со скачками и почти единичным корнем, где простое сохранение последнего значения может быть лучше. Линейный пробник ограничен емкостью и широтой обучающего корпуса, а эффект предобучения проявляется после примерно 15 тысяч итераций. Модель ориентирована на числовые временные ряды; README не заявляет обработку естественного языка.

nguyenkhoa/dinov2_Liveness_detection_v2.2.1 — дообученный классификатор изображений на архитектуре DINOv2, созданный на основе nguyenkhoa/dinov2_Liveness_detection_v2.1.4. Модель предназначена для определения живости по изображению, например для проверки присутствия живого человека в сценариях контроля доступа или верификации личности. В репозитории указаны 28,3 млн параметров и формат safetensors; для запуска предусмотрена библиотека Transformers. В README приведены метрики на оценочных данных: accuracy и F1 по 0,991, а также отдельные показатели другого раздела оценки: accuracy 0,8626, F1 0,8909, recall 0,9924, precision 0,6903, APCER 0,1940, BPCER 0,0076 и ACER 0,1008. Датасет и подробности назначения не описаны, поэтому результаты могут зависеть от используемых данных и условий съёмки. Лицензия в предоставленных сведениях не указана.