IV.2Банки, платежи и инвестиции

Apodex-1.1-mini-GGUF — GGUF-квантизированная версия reasoning-first модели Apodex 1.1, разработанной Apodex AI на базе Qwen/Qwen3.5-35B-A3B. Модель предназначена для сложных исследовательских задач с длительным горизонтом выполнения и агентных сценариев: поиска и анализа информации, подготовки отчётов, работы с файлами, наборами данных, электронными таблицами, изображениями, кодом и инструментами. Она может декомпозировать задачу, координировать параллельных субагентов, сохранять состояние, адаптировать план и учитывать обратную связь пользователя. Модель поддерживает текстовую генерацию и заявлена для английского и китайского языков. Для агентной работы предусмотрен нативный function calling, совместимый с шаблоном чата Qwen3.5; поддерживаются рассуждения и OpenAI-совместимые вызовы инструментов. Рекомендуемый максимальный контекст составляет 262144 токена, а максимальная длина генерации — 32768 токенов. В README также указана совместимость с запуском через llama.cpp и дополнительным мультимодальным проектором, однако полный перечень поддерживаемых модальностей и точные параметры GGUF-квантизации для данной карточки не раскрыты. Сильные стороны модели — ориентация на сквозное выполнение сложных задач, работа с внешними инструментами, командная агентная схема и встроенная проверка утверждений по источникам, данным и вычислениям. По приведённым результатам Apodex-1.1-mini особенно хорошо показывает себя в FrontierFinance и остаётся конкурентоспособной на APEX-Agent; при этом эти показатели зависят от Agent Team harness и не гарантируют аналогичное качество в каждом сценарии. Ограничения включают необходимость корректной настройки llama.cpp, парсеров шаблона и инструментов, а также отсутствие в README подробностей о размере файла, требованиях к аппаратному обеспечению и полной оценке надёжности. Лицензия — Apache 2.0.

Карточка модели DmitrySpartak/layoutlm-invoices на Hugging Face совпадает с карточкой impira/layoutlm-invoices, поэтому описание составлено по ней. Impira LayoutLM Invoices — дообученная мультимодальная модель семейства LayoutLM от команды Impira для ответов на вопросы по счетам-фактурам и другим документам. Модель содержит 151,8 млн параметров, использует архитектуру LayoutLMForQuestionAnswering и доступна в форматах PyTorch и Safetensors. Модель предназначена для извлечения ответов из документов с учётом их визуальной структуры и расположения текста. Её дообучали на закрытом наборе счетов-фактур, а также на SQuAD 2.0 и DocVQA для более общего понимания документов. Дополнительная классификационная голова позволяет предсказывать ответы из несмежных фрагментов текста, например корректно собирать адрес, разделённый другими элементами документа. Для использования разработчики рекомендуют DocQuery. Карточка указывает поддержку английского языка; метаданные задают контекст в 514 токенов. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая предусматривает указание авторства, распространение производных работ на тех же условиях и ограничивает коммерческое использование.

Карточка модели faisalraza/layoutlm-invoices на Hugging Face совпадает с карточкой impira/layoutlm-invoices, поэтому описание составлено по ней. Impira LayoutLM Invoices — дообученная мультимодальная модель семейства LayoutLM от команды Impira для ответов на вопросы по счетам-фактурам и другим документам. Модель содержит 151,8 млн параметров, использует архитектуру LayoutLMForQuestionAnswering и доступна в форматах PyTorch и Safetensors. Модель предназначена для извлечения ответов из документов с учётом их визуальной структуры и расположения текста. Её дообучали на закрытом наборе счетов-фактур, а также на SQuAD 2.0 и DocVQA для более общего понимания документов. Дополнительная классификационная голова позволяет предсказывать ответы из несмежных фрагментов текста, например корректно собирать адрес, разделённый другими элементами документа. Для использования разработчики рекомендуют DocQuery. Карточка указывает поддержку английского языка; метаданные задают контекст в 514 токенов. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая предусматривает указание авторства, распространение производных работ на тех же условиях и ограничивает коммерческое использование.

Impira LayoutLM Invoices — дообученная мультимодальная модель семейства LayoutLM от команды Impira для ответов на вопросы по счетам-фактурам и другим документам. Модель содержит 151,8 млн параметров, использует архитектуру LayoutLMForQuestionAnswering и доступна в форматах PyTorch и Safetensors. Модель предназначена для извлечения ответов из документов с учётом их визуальной структуры и расположения текста. Её дообучали на закрытом наборе счетов-фактур, а также на SQuAD 2.0 и DocVQA для более общего понимания документов. Дополнительная классификационная голова позволяет предсказывать ответы из несмежных фрагментов текста, например корректно собирать адрес, разделённый другими элементами документа. Для использования разработчики рекомендуют DocQuery. Карточка указывает поддержку английского языка; метаданные задают контекст в 514 токенов. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая предусматривает указание авторства, распространение производных работ на тех же условиях и ограничивает коммерческое использование.

Многоязычная модель распознавания именованных сущностей на основе BERT, разработанная Yahya Mdarhri и дообученная на bert-base-multilingual-cased. Она выполняет разметку текста по токенам и выделяет категории, включая имена людей, организации, местоположения, даты, телефоны, IBAN, номера банковских карт, адреса электронной почты и идентификационные номера. Модель рассчитана на арабский, французский и английский языки; карточка также указывает возможность адаптации к новым меткам при наличии размеченных обучающих данных. В репозитории указано 205,1 млн параметров, контекст до 512 токенов и формат PyTorch. Модель подходит для извлечения сущностей из текстов и идентификации контактных и финансовых данных. Лицензия обозначена как open source, без указания конкретного лицензионного идентификатора. Возможны ошибки и смещения при распознавании, особенно для имен и чувствительных категорий; результаты требуют проверки, а обработку персональных данных следует проводить с соблюдением требований конфиденциальности.

Chronos-T5 Base — предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она преобразует числовые наблюдения в токены с помощью масштабирования и квантования, а затем использует архитектуру T5 для авторегрессионного построения прогнозов. По нескольким сгенерированным траекториям можно получить вероятностное распределение будущих значений. Модель предназначена для прогнозирования временных рядов по их историческим значениям. Она обучена на общедоступных рядах и синтетических данных, созданных с помощью гауссовских процессов. Архитектура — T5ForConditionalGeneration; размер — 102,2 млн параметров, окно контекста — 512 токенов. Входом служит временной ряд, выходом — числовые прогнозы и выборки будущих траекторий. Репозиторий использует safetensors и библиотеку chronos-forecasting. Модель подходит для прикладного прогнозирования и вероятностной оценки будущих значений по временным данным. README отмечает, что более новая линейка Chronos-Bolt быстрее и экономнее по памяти и показывает меньшую ошибку по сравнению с исходными моделями Chronos того же размера. Лицензия — Apache-2.0.

Карточка модели CollectionStudio/chronos-t5-large на Hugging Face совпадает с карточкой amazon/chronos-t5-large, поэтому описание составлено по ней. Chronos-T5 Large — предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она преобразует числовой ряд в последовательность токенов с помощью масштабирования и квантования, а затем использует архитектуру T5 для авторегрессионного построения вероятностных прогнозов. Для оценки будущего модель генерирует несколько возможных траекторий, что позволяет получить распределение прогнозов с учётом исторического контекста. Модель содержит 356,5 млн параметров, использует архитектуру T5 и библиотеку chronos-forecasting; в метаданных указан контекст 512 токенов. Она предназначена для прогнозирования временных рядов на основе больших корпусов открытых рядов и синтетических данных, созданных с помощью гауссовских процессов. Доступна в формате safetensors. Модель подходит для сценариев планирования и анализа, где нужны прогнозы будущих значений и оценка неопределённости. README отмечает, что более новые Chronos-Bolt и исходные модели Chronos доступны для развертывания через Amazon SageMaker JumpStart; для Chronos-Bolt заявлены более высокая точность и скорость, поэтому стоит учитывать наличие более новых вариантов. Лицензия — Apache-2.0.

H2OVL-Mississippi-800M — компактная мультимодальная модель зрения и языка от H2O.ai с 0,8 млрд параметров. Она построена на архитектуре языковых моделей H2O-Danube и предназначена для диалога и извлечения текстовой информации из изображений. Модель обучена на 19 млн пар «изображение—текст» с упором на распознавание текста, понимание документов, а также интерпретацию диаграмм, рисунков и таблиц. Она ориентирована на OCR и обработку документов; карточка сообщает о сильных результатах в распознавании текста, включая Text Recognition в OCRBench. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы, например извлечённые сведения или структурированное представление содержимого изображения. В репозитории указана лицензия Apache-2.0. Как и другие генеративные модели, она может выдавать ошибочные или нерелевантные ответы; результаты распознавания следует проверять.

InvoiceNER — компактная модель распознавания именованных сущностей для коммерческих счетов, разработанная FlowX.AI как часть семейства OpenNER. Она дообучена на answerdotai/ModernBERT-base и размечает фрагменты текста девятью типами сущностей: DATE, IBAN, INVOICE_NO, NET, PO_NO, SUPPLIER, TAX, TOTAL и VAT_ID. Модель содержит 149 млн параметров, использует архитектуру ModernBERT для классификации токенов и поддерживает контекст до 8192 токенов. Предназначена для извлечения дат, номеров и сумм из счетов на CPU, Apple Silicon, GPU, а также в браузере или на периферийных устройствах через ONNX с INT8. По заявлению карточки, обработка занимает около 100–160 мс на документ на CPU; развёртывание возможно локально или в изолированной сети, чтобы документы не покидали инфраструктуру. Указанная лицензия — Apache-2.0. Оценка F1 1,0 получена на синтетических данных из того же генератора, что использовался для обучения, и отражает проверку обучающего конвейера, а не точность на реальных документах. Модель только выделяет фрагменты и не проверяет контрольные суммы или корректность идентификаторов; качество следует проверить на собственных счетах.

Это дообученная модель tiennvcs на основе microsoft/layoutlmv2-base-uncased для ответов на вопросы по документам. Она принимает изображение документа, распознанный текст и его координаты, а затем находит ответ на вопрос в содержимом документа. Модель построена на архитектуре LayoutLMv2, содержит 136,7 млн параметров и рассчитана на контекст до 512 токенов. Модель подходит для извлечения сведений из форм, счетов и других документов с заданными вопросами. В карточке приведено значение функции потерь 1,194 на оценочном наборе, но набор данных и подробности обучения не описаны. Использование распространяется по лицензии CC BY-SA 4.0.

Nanonets-OCR2-3B — мультимодальная модель компании Nanonets для распознавания документов и преобразования их содержимого в структурированный Markdown. Она дообучена на базе Qwen/Qwen2.5-VL-3B-Instruct, использует архитектуру Qwen2.5-VL с 3,1 млрд параметров и принимает изображения вместе с текстовыми запросами. Контекст модели — до 128 000 токенов. Модель извлекает текст, таблицы, формулы, водяные знаки и подписи, описывает изображения в документах, распознаёт рукописный текст и преобразует блок-схемы и организационные схемы в код Mermaid. Она также отвечает на вопросы по содержимому документа и поддерживает многоязычные документы, в том числе на русском, английском, китайском, французском, испанском, немецком, японском, корейском и арабском языках. Модель предназначена для подготовки документов к обработке LLM и извлечения из них структурированных данных. Повышение разрешения изображения может улучшить распознавание; для сложных таблиц README рекомендует подбирать параметры генерации и разрешение. Сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели mustangxxx/timesfm-3.0-pytorch на Hugging Face совпадает с карточкой google/timesfm-3.0-pytorch, поэтому описание составлено по ней. TimesFM 3.0 — предварительно обученная модель прогнозирования временных рядов, разработанная Google Research. Этот репозиторий содержит официальные веса и конфигурации для PyTorch. Модель построена на архитектуре Stacked Mixing Transformer с Variate Attention и CPM Iterative RevIN. В ней 20 слоёв трансформера, размерность модели 1280 и 16 голов внимания. Длина входного контекста составляет 32, длина патча горизонта прогноза — 64; модель также поддерживает прогнозирование квантилей, медиана находится по индексу 4. При обучении использовались наборы GiftEvalPretrain, Wikipedia Pageviews, Google Trends, а также синтетические и дополненные данные. Модель предназначена для прогнозирования временных рядов и может применяться к задачам оценки будущих значений последовательностей на основе их истории. Метаданные указывают тег задачи time-series-forecasting, формат весов — safetensors. Лицензия обозначена как other; конкретные условия использования следует проверять в репозитории.

Карточка модели CollectionStudio/chronos-t5-base на Hugging Face совпадает с карточкой amazon/chronos-t5-base, поэтому описание составлено по ней. Chronos-T5 Base — предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она преобразует числовые наблюдения в токены с помощью масштабирования и квантования, а затем использует архитектуру T5 для авторегрессионного построения прогнозов. По нескольким сгенерированным траекториям можно получить вероятностное распределение будущих значений. Модель предназначена для прогнозирования временных рядов по их историческим значениям. Она обучена на общедоступных рядах и синтетических данных, созданных с помощью гауссовских процессов. Архитектура — T5ForConditionalGeneration; размер — 102,2 млн параметров, окно контекста — 512 токенов. Входом служит временной ряд, выходом — числовые прогнозы и выборки будущих траекторий. Репозиторий использует safetensors и библиотеку chronos-forecasting. Модель подходит для прикладного прогнозирования и вероятностной оценки будущих значений по временным данным. README отмечает, что более новая линейка Chronos-Bolt быстрее и экономнее по памяти и показывает меньшую ошибку по сравнению с исходными моделями Chronos того же размера. Лицензия — Apache-2.0.

Chronos-T5 Large — предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она преобразует числовой ряд в последовательность токенов с помощью масштабирования и квантования, а затем использует архитектуру T5 для авторегрессионного построения вероятностных прогнозов. Для оценки будущего модель генерирует несколько возможных траекторий, что позволяет получить распределение прогнозов с учётом исторического контекста. Модель содержит 356,5 млн параметров, использует архитектуру T5 и библиотеку chronos-forecasting; в метаданных указан контекст 512 токенов. Она предназначена для прогнозирования временных рядов на основе больших корпусов открытых рядов и синтетических данных, созданных с помощью гауссовских процессов. Доступна в формате safetensors. Модель подходит для сценариев планирования и анализа, где нужны прогнозы будущих значений и оценка неопределённости. README отмечает, что более новые Chronos-Bolt и исходные модели Chronos доступны для развертывания через Amazon SageMaker JumpStart; для Chronos-Bolt заявлены более высокая точность и скорость, поэтому стоит учитывать наличие более новых вариантов. Лицензия — Apache-2.0.

Indian ID Validator — конвейер компьютерного зрения для классификации индийских удостоверений личности, обнаружения полей на документах и извлечения текста с помощью PaddleOCR. В README указаны Aadhaar, PAN Card, паспорт, Voter ID и водительское удостоверение; для некоторых документов поддерживаются изображения лицевой и обратной стороны. Метаданные указывают на дообучение Ultralytics/YOLO11 и формат PyTorch. Модель предназначена для автоматизации проверки документов: она определяет тип удостоверения, находит области с полями вроде имени, даты рождения, адреса и номера документа, а затем распознаёт текст. README приводит метрики на пользовательском наборе данных: точность классификатора ID — 0,995 top-1; для детектора Aadhaar mAP50 — 0,795, для водительского удостоверения — 0,690. Система рассчитана на документы Индии и описана как конвейер из нескольких моделей, а не как единая универсальная модель. В README указана лицензия MIT. Качество распознавания зависит от изображения и конкретного типа документа; приведённые метрики относятся к пользовательскому набору данных, а в карточке нет сведений о проверке на других наборах или о защите от поддельных документов.

OPF Russian PII 66K — дообученная модель OpenAI Privacy Filter, разработанная для выявления и разметки персональных данных в русском тексте. Это модель token classification семейства privacy_filter с архитектурой MoE, около 145,4 млн параметров; она выдаёт OPF-совместимые предсказания фрагментов и поддерживает локальную фильтрацию перед обработкой текста LLM или RAG-системами. Модель предназначена для текстов финансовых сервисов, поддержки клиентов и колл-центров. Она распознаёт имена, телефоны, адреса, даты, номера счетов и документов, налоговые номера, имена пользователей и секреты, помогая строить конвейеры маскирования и анонимизации. Карточка приводит высокие метрики на валидационной выборке обучающего датасета, но предупреждает, что они не гарантируют качество на реальных данных вне этого распределения. Модель дообучена на bbeglerov/russian-pi-66k-opf на базе openai/privacy-filter и опубликована в формате safetensors. Лицензия указана как other. Не рекомендуется использовать её как единственную меру защиты персональных данных без дополнительной проверки; возможны ошибки на шумных транскрипциях, казахском и смешанном тексте, новых форматах, намеренно скрытых данных и текстах из других областей.

Карточка модели gubernac/timesfm-3.0-pytorch на Hugging Face совпадает с карточкой google/timesfm-3.0-pytorch, поэтому описание составлено по ней. TimesFM 3.0 — предварительно обученная модель прогнозирования временных рядов, разработанная Google Research. Этот репозиторий содержит официальные веса и конфигурации для PyTorch. Модель построена на архитектуре Stacked Mixing Transformer с Variate Attention и CPM Iterative RevIN. В ней 20 слоёв трансформера, размерность модели 1280 и 16 голов внимания. Длина входного контекста составляет 32, длина патча горизонта прогноза — 64; модель также поддерживает прогнозирование квантилей, медиана находится по индексу 4. При обучении использовались наборы GiftEvalPretrain, Wikipedia Pageviews, Google Trends, а также синтетические и дополненные данные. Модель предназначена для прогнозирования временных рядов и может применяться к задачам оценки будущих значений последовательностей на основе их истории. Метаданные указывают тег задачи time-series-forecasting, формат весов — safetensors. Лицензия обозначена как other; конкретные условия использования следует проверять в репозитории.

Карточка модели Unravler/timesfm-3.0-pytorch на Hugging Face совпадает с карточкой google/timesfm-3.0-pytorch, поэтому описание составлено по ней. TimesFM 3.0 — предварительно обученная модель прогнозирования временных рядов, разработанная Google Research. Этот репозиторий содержит официальные веса и конфигурации для PyTorch. Модель построена на архитектуре Stacked Mixing Transformer с Variate Attention и CPM Iterative RevIN. В ней 20 слоёв трансформера, размерность модели 1280 и 16 голов внимания. Длина входного контекста составляет 32, длина патча горизонта прогноза — 64; модель также поддерживает прогнозирование квантилей, медиана находится по индексу 4. При обучении использовались наборы GiftEvalPretrain, Wikipedia Pageviews, Google Trends, а также синтетические и дополненные данные. Модель предназначена для прогнозирования временных рядов и может применяться к задачам оценки будущих значений последовательностей на основе их истории. Метаданные указывают тег задачи time-series-forecasting, формат весов — safetensors. Лицензия обозначена как other; конкретные условия использования следует проверять в репозитории.

TrOCR large printed — модель оптического распознавания символов, разработанная Microsoft и дообученная на наборе SROIE. Она предназначена для распознавания текста на изображениях отдельных строк, включая печатный текст и строки из документов; SROIE ориентирован на извлечение информации из чеков. Модель построена по архитектуре encoder-decoder: Transformer-энкодер изображений на основе BEiT преобразует изображение в последовательность патчей 16×16, а авторегрессионный текстовый декодер на основе RoBERTa генерирует распознанные токены. Модель принимает изображения и выдаёт текст. Карточка рекомендует использовать её для OCR отдельных текстовых строк; распознавание произвольных многострочных страниц напрямую не заявлено. Модель выпущена под лицензией MIT.

TimesFM 3.0 — предварительно обученная модель прогнозирования временных рядов, разработанная Google Research. Этот репозиторий содержит официальные веса и конфигурации для PyTorch. Модель построена на архитектуре Stacked Mixing Transformer с Variate Attention и CPM Iterative RevIN. В ней 20 слоёв трансформера, размерность модели 1280 и 16 голов внимания. Длина входного контекста составляет 32, длина патча горизонта прогноза — 64; модель также поддерживает прогнозирование квантилей, медиана находится по индексу 4. При обучении использовались наборы GiftEvalPretrain, Wikipedia Pageviews, Google Trends, а также синтетические и дополненные данные. Модель предназначена для прогнозирования временных рядов и может применяться к задачам оценки будущих значений последовательностей на основе их истории. Метаданные указывают тег задачи time-series-forecasting, формат весов — safetensors. Лицензия обозначена как other; конкретные условия использования следует проверять в репозитории.

Карточка модели urbanoanido/timesfm-3.0-pytorch на Hugging Face совпадает с карточкой google/timesfm-3.0-pytorch, поэтому описание составлено по ней. TimesFM 3.0 — предварительно обученная модель прогнозирования временных рядов, разработанная Google Research. Этот репозиторий содержит официальные веса и конфигурации для PyTorch. Модель построена на архитектуре Stacked Mixing Transformer с Variate Attention и CPM Iterative RevIN. В ней 20 слоёв трансформера, размерность модели 1280 и 16 голов внимания. Длина входного контекста составляет 32, длина патча горизонта прогноза — 64; модель также поддерживает прогнозирование квантилей, медиана находится по индексу 4. При обучении использовались наборы GiftEvalPretrain, Wikipedia Pageviews, Google Trends, а также синтетические и дополненные данные. Модель предназначена для прогнозирования временных рядов и может применяться к задачам оценки будущих значений последовательностей на основе их истории. Метаданные указывают тег задачи time-series-forecasting, формат весов — safetensors. Лицензия обозначена как other; конкретные условия использования следует проверять в репозитории.

TTM-R3 — семейство предварительно обученных моделей TinyTimeMixer от IBM Research для прогнозирования временных рядов. Модели рассчитаны на прогнозирование без дообучения на новых наборах данных, адаптацию на небольшом числе примеров, полное дообучение под конкретную область, а также работу с многомерными рядами и дополнительными управляющими переменными. Архитектура использует mixer-блоки с GLU-гейтингом, многомасштабным временным слоем и FFT-эмбеддингами вместо затратного self-attention. В README описаны разложение тренда и остатка, трёхэтапное и student-teacher предобучение и вероятностная голова с несколькими квантилями. Репозиторий содержит веса в формате safetensors; в метаданных указано 2,3 млн параметров. Модель предназначена для быстрого пакетного и малозадержечного прогнозирования, включая CPU-развёртывание. Модель ориентирована на временные ряды, поэтому естественный язык не является основным входом. README заявляет высокую скорость и конкурентные результаты на GIFT-Eval, но рецепты использования и статья TTM-R3 пока не опубликованы. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует указания авторства и распространения производных материалов на тех же условиях.

Карточка модели CollectionStudio/chronos-2 на Hugging Face совпадает с карточкой amazon/chronos-2, поэтому описание составлено по ней. Chronos-2 — модель временных рядов, разработанная Amazon для прогнозирования без дообучения под конкретный набор данных. Это encoder-only архитектура семейства T5 с 99,1 млн параметров по метаданным; README указывает размер около 120 млн параметров. Модель обрабатывает одномерные и многомерные ряды, а также ковариаты, и строит многократные прогнозы с квантильными оценками неопределённости. Модель предназначена для прогнозирования временных рядов по историческим наблюдениям, в том числе с учётом связанных рядов и дополнительных признаков. README сообщает о групповой механике внимания для обучения в контексте, результатах на fev-bench, GIFT-Eval и Chronos Benchmark II, а также об инференсе на CPU и GPU. Для запуска доступны инструменты экосистемы Chronos и варианты развертывания через Amazon SageMaker и AutoGluon-Cloud. Модель распространяется по лицензии Apache-2.0. Качество прогнозов зависит от данных и сценария применения; README не приводит подробных ограничений по поддерживаемой частоте рядов или допустимой длине входа.

Карточка модели falloutxvats/chronos-2 на Hugging Face совпадает с карточкой amazon/chronos-2, поэтому описание составлено по ней. Chronos-2 — модель временных рядов, разработанная Amazon для прогнозирования без дообучения под конкретный набор данных. Это encoder-only архитектура семейства T5 с 99,1 млн параметров по метаданным; README указывает размер около 120 млн параметров. Модель обрабатывает одномерные и многомерные ряды, а также ковариаты, и строит многократные прогнозы с квантильными оценками неопределённости. Модель предназначена для прогнозирования временных рядов по историческим наблюдениям, в том числе с учётом связанных рядов и дополнительных признаков. README сообщает о групповой механике внимания для обучения в контексте, результатах на fev-bench, GIFT-Eval и Chronos Benchmark II, а также об инференсе на CPU и GPU. Для запуска доступны инструменты экосистемы Chronos и варианты развертывания через Amazon SageMaker и AutoGluon-Cloud. Модель распространяется по лицензии Apache-2.0. Качество прогнозов зависит от данных и сценария применения; README не приводит подробных ограничений по поддерживаемой частоте рядов или допустимой длине входа.

Карточка модели ianoknga/chronos-2 на Hugging Face совпадает с карточкой amazon/chronos-2, поэтому описание составлено по ней. Chronos-2 — модель временных рядов, разработанная Amazon для прогнозирования без дообучения под конкретный набор данных. Это encoder-only архитектура семейства T5 с 99,1 млн параметров по метаданным; README указывает размер около 120 млн параметров. Модель обрабатывает одномерные и многомерные ряды, а также ковариаты, и строит многократные прогнозы с квантильными оценками неопределённости. Модель предназначена для прогнозирования временных рядов по историческим наблюдениям, в том числе с учётом связанных рядов и дополнительных признаков. README сообщает о групповой механике внимания для обучения в контексте, результатах на fev-bench, GIFT-Eval и Chronos Benchmark II, а также об инференсе на CPU и GPU. Для запуска доступны инструменты экосистемы Chronos и варианты развертывания через Amazon SageMaker и AutoGluon-Cloud. Модель распространяется по лицензии Apache-2.0. Качество прогнозов зависит от данных и сценария применения; README не приводит подробных ограничений по поддерживаемой частоте рядов или допустимой длине входа.

Карточка модели roydekel/chronos-2-kairo на Hugging Face совпадает с карточкой amazon/chronos-2, поэтому описание составлено по ней. Chronos-2 — модель временных рядов, разработанная Amazon для прогнозирования без дообучения под конкретный набор данных. Это encoder-only архитектура семейства T5 с 99,1 млн параметров по метаданным; README указывает размер около 120 млн параметров. Модель обрабатывает одномерные и многомерные ряды, а также ковариаты, и строит многократные прогнозы с квантильными оценками неопределённости. Модель предназначена для прогнозирования временных рядов по историческим наблюдениям, в том числе с учётом связанных рядов и дополнительных признаков. README сообщает о групповой механике внимания для обучения в контексте, результатах на fev-bench, GIFT-Eval и Chronos Benchmark II, а также об инференсе на CPU и GPU. Для запуска доступны инструменты экосистемы Chronos и варианты развертывания через Amazon SageMaker и AutoGluon-Cloud. Модель распространяется по лицензии Apache-2.0. Качество прогнозов зависит от данных и сценария применения; README не приводит подробных ограничений по поддерживаемой частоте рядов или допустимой длине входа.

philschmid/donut-base-sroie — модель для извлечения текста и структурированных сведений из изображений документов. Она разработана как дообученная версия naver-clova-ix/donut-base на наборе данных imagefolder. Архитектура vision-encoder-decoder принимает изображение и формирует текстовый результат; модель предназначена для сценариев распознавания и разбора документов, включая обработку чеков SROIE. Модель опубликована в формате PyTorch под лицензией MIT. Карточка не описывает конкретные метрики качества и ограничения, поэтому пригодность для конкретного типа документов следует оценивать на собственных данных.

Jimi — дообученная версия instruction-tuned модели Google DeepMind gemma-4-E4B-it, разработанная автором или командой leeroy-jankins. Модель создана с помощью supervised instruction tuning на данных для вопросов и ответов, суммаризации, рассуждений, синтеза кода и понимания документов. В обучении использовались, в частности, FineTome-100k и наборы данных по финансовому и бюджетному регулированию США. Модель предназначена для retrieval-augmented generation (RAG), ассистентов с поддержкой инструкций и многошагового диалога, открытых вопросов и ответов, генерации и суммаризации текста, а также анализа юридических и финансовых документов. Она также может использоваться как компактная базовая модель для дальнейшей специализации. Заявлены улучшенная работа с контекстом, следование инструкциям, предметное рассуждение и поддержка связных многоходовых разговоров. Jimi относится к классу моделей примерно на 4B параметров; для базовой Gemma 4 E4B указаны 4,5B эффективных параметров, 42 слоя, скользящее окно внимания 512 токенов и контекст до 128K токенов. Архитектура Gemma 4 использует гибридное внимание с локальными и глобальными слоями. Для базовой модели заявлены обработка текста и изображений, а также аудио для малых вариантов Gemma 4, однако README не уточняет, какие мультимодальные возможности непосредственно сохранены и проверены именно в Jimi. В метаданных указан английский язык. К сильным сторонам относятся компактный размер, потенциально быстрая работа на пользовательских GPU, пригодность для RAG и задач с финансово-бюджетной документацией. Ограничения включают отсутствие подробных результатов бенчмарков и количественной оценки качества, а также недостаток информации о фактических поддерживаемых модальностях и языках самой Jimi. Модель распространяется по лицензии MIT.

atonlee/koelectra-ko-pii-ner — корейская модель распознавания именованных сущностей, разработанная для обнаружения персональных данных в тексте и определения их типа и позиции. Она предназначена для маскирования чувствительных данных и для проверки текста перед передачей во внешний LLM или облачный сервис. Модель различает 29 меток, включая идентификационные номера, паспортные и банковские данные, имена, телефоны, адреса и организации; категории помогают определить, какие сущности следует скрыть. Модель построена на ELECTRA и дообучена для классификации токенов на основе monologg/koelectra-small-v3-discriminator. Метаданные указывают 21,5 млн параметров, контекст до 512 токенов и поддержку корейского языка. Доступны веса Safetensors и ONNX, включая варианты FP16 и INT8 для локального запуска. В оценке на 5 171 размеченном предложении F1 составил 94,2% для совпадения типа сущности и 88,1% для точного совпадения границ; качество может различаться по классам, а неполное совпадение границ способно повлиять на маскирование. Модель распространяется по лицензии Apache-2.0.

NLPmonster/layoutlmv3-for-receipt-understanding — дообученная модель для извлечения и классификации элементов текста в чеках. Она основана на мультимодальном LayoutLMv3-base от Microsoft и предназначена для анализа распознанного текста с учётом его расположения и изображения документа. Модель содержит 151,8 млн параметров, использует библиотеку Transformers и принимает контекст длиной до 514 токенов. В README приведены результаты оценки: F1 0,9692, точность 0,9625 и полнота 0,9759; набор данных и состав извлекаемых полей не раскрыты. Модель опубликована в формате safetensors по лицензии CC BY-NC-SA 4.0, которая предусматривает некоммерческое использование и распространение производных материалов на тех же условиях.