IV.2Банки, платежи и инвестиции

GLiNER-PII large v1.0 — модель извлечения именованных сущностей для обнаружения персональных, медицинских и платёжных данных. Её разработали Wordcab и Knowledgator на основе архитектуры GLiNER — двунаправленного трансформера, который ищет сущности по переданным при запросе типам, а не только по фиксированному набору меток. Модель предназначена для локальной обработки текста и поддерживает распознавание без дообучения под новые типы сущностей; в карточке заявлено более 60 предопределённых категорий PII. Модель подходит для поиска и последующей маскировки чувствительных данных в документах, расшифровках и журналах чатов, а также для сценариев комплаенса и обработки данных на периферийных устройствах. Репозиторий включает форматы PyTorch и ONNX; README описывает квантование и варианты ONNX FP16 и UINT8, но не приводит размер именно версии large. Метаданные указывают английский язык и библиотеку GLiNER. Лицензия — Apache-2.0. Распознавание настраивается списком типов сущностей, что позволяет адаптировать извлечение к конкретным задачам. Приведённые в README численные результаты относятся к другим вариантам семейства, а не к этой модели, поэтому их нельзя считать оценкой качества large v1.0.

Mohammed422/invoices-donut-model-v1 — мультимодальная модель типа image-text-to-text, опубликованная пользователем Mohammed422 на Hugging Face. По доступным данным, это дообученная версия архитектуры Donut, предназначенная для извлечения структурированной информации из изображений счетов и других документов без отдельного OCR-конвейера. Модель использует архитектуру vision-encoder-decoder, работает через библиотеку Transformers и распространяется в формате Safetensors. Метаданные указывают размер около 0,2 млрд параметров. Поддерживаемые языки, длина контекста и лицензия в доступных источниках не подтверждены.

microsoft/trocr-small-printed — небольшая модель Microsoft для распознавания печатного текста на изображениях. Это вариант TrOCR, дообученный на наборе SROIE и впервые опубликованный в репозитории модели. Архитектура encoder-decoder объединяет визуальный Transformer-энкодер на основе DeiT и авторегрессионный текстовый Transformer-декодер на основе UniLM; изображение разбивается на патчи 16×16, по которым модель генерирует текстовые токены. Модель предназначена для OCR отдельных строк текста на изображениях. Её можно применять для извлечения печатного текста из изображений строк, в том числе в сценариях, связанных с чеками и документами, представленными в SROIE. Карточка не сообщает о поддержке других языков или о контекстном окне; специальная настройка рассчитана на SROIE. Лицензия в предоставленных данных не указана.

anchovy/autogluon-chronos-t5-mini — вариант Chronos-T5 Mini для вероятностного прогнозирования временных рядов. Chronos разработан на базе архитектуры T5: история ряда масштабируется и квантуется в последовательность из 4096 токенов, которую модель обрабатывает как языковую последовательность. По метаданным эта версия содержит 9,8 млн параметров и имеет контекст длиной 512 токенов. Модель принимает исторические значения временного ряда и генерирует несколько возможных траекторий будущих значений, формируя прогнозное распределение. Chronos обучался на общедоступных временных рядах и синтетических данных, созданных с помощью гауссовских процессов. Модель подходит для прогнозирования временных рядов; README описывает семейство Chronos, а не конкретную публикацию этого чекпойнта. Репозиторий содержит веса в формате Safetensors. Указана лицензия Apache-2.0. Число параметров в метаданных отличается от значения для Mini в таблице README, поэтому здесь приведено значение из метаданных Hugging Face.

hassaangyt разработал hassaangyt/compliance-emb-v1 — дообученную модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2. Она кодирует предложения и абзацы на английском языке в плотные векторы размерности 768 для семантического поиска и сравнения текстов; сходство оценивается косинусной мерой. Архитектура включает MPNet, усреднение токеновых представлений и нормализацию. Модель содержит 136,7 млн параметров; длина контекста по метаданным — 514 токенов.

ridwanFatur98/invoice-doc-to-text — модель для разбора счетов-фактур, построенная на архитектуре Donut типа vision-encoder-decoder. Она принимает изображение документа и генерирует текстовое представление его содержимого; модель предназначена для извлечения данных из счетов и автоматизации их обработки. Репозиторий содержит веса в формате safetensors и рассчитан на загрузку через Transformers с DonutProcessor и VisionEncoderDecoderModel. Карточка не сообщает размер модели, поддерживаемые языки, длину контекста или лицензию. Поэтому область применения по языкам и условия использования не уточняются; качество распознавания может зависеть от вида, качества и языка исходного счета.

LayoutLMv3-Fine-Tuning-FUNSD — дообученная модель Ammar alhaj ali на базе microsoft/layoutlmv3-base для классификации токенов в документах с учётом их текстового и визуального контекста. Она предназначена для извлечения структурированных элементов из форм и других документов, представленных текстом и изображением страницы. Модель содержит 151,8 млн параметров, использует архитектуру LayoutLMv3ForTokenClassification и имеет контекст до 514 токенов. В оценке на наборе FUNSD указаны F1 0,925, точность 0,918 и полнота 0,931. Основной сценарий применения — разметка и извлечение полей в документах, похожих на формы из FUNSD. Модель дообучена на датасете nielsr/funsd-layoutlmv3; сведений о поддерживаемых языках в предоставленных данных нет. В метаданных не указана лицензия, поэтому условия использования следует сверить с карточкой модели и лицензией базовой модели.

TabPFN v2-reg — трансформерная фундаментальная модель для регрессии на табличных данных, разработанная Prior Labs. Она использует обучение на основе априорных распределений данных, чтобы решать небольшие задачи регрессии без отдельного обучения под каждую задачу. Модель предназначена для предсказания числовых значений по строкам табличных данных. Для работы предусмотрена библиотека TabPFN на базе PyTorch; README указывает поддержку CPU и возможность использовать GPU. Модель не рассчитана на очень большие наборы данных и не предназначена для нетабличных входов. Лицензия Prior Labs License основана на Apache 2.0 с дополнительным требованием атрибуции.

Карточка модели CollectionStudio/chronos-t5-tiny на Hugging Face совпадает с карточкой amazon/chronos-t5-tiny, поэтому описание составлено по ней. Chronos-T5 Tiny — компактная предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она основана на архитектуре T5; временные ряды масштабируются и квантуются в последовательности токенов, после чего модель авторегрессионно генерирует возможные будущие значения. Выборка нескольких траекторий позволяет получить вероятностный прогноз. Модель предназначена для прогнозирования временных рядов по историческим наблюдениям. Её обучали на общедоступных рядах и синтетических данных, созданных с помощью гауссовских процессов. В README для варианта Tiny указано 8 млн параметров и база t5-efficient-tiny; метаданные каталога указывают 4,7 млн параметров. Контекст составляет 512 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку chronos-forecasting. Лицензия — Apache 2.0.

EraX-VL-2B-V1.5 — мультимодальная модель на базе Transformer, разработанная командой EraX и Bamboo Capital Group на основе Qwen/Qwen2-VL-2B-Instruct. Модель дообучена для распознавания текста и ответов на вопросы по изображениям, особенно на вьетнамском языке; поддерживает также английский и китайский. Она предназначена для работы с документами, включая удостоверения личности, водительские права, свидетельства о рождении, счета и медицинские записи, а также для диалоговых запросов по изображениям. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2-VL и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. Заявлен контекст до 32 768 токенов, а также поддержка многошаговых вопросов и ответов. Это мультимодальная языковая модель, поэтому для извлечения данных результат зависит от точности формулировки запроса; модель не является специализированным OCR-движком. Авторы отмечают, что она не обучалась на рентгеновских снимках или данных об автомобильных авариях. Лицензия — Apache 2.0.

nrbhole/layoutxlm-finetuned-xfund-fr — дообученная модель на базе microsoft/layoutxlm-base для классификации токенов в документах. Она использует мультимодальную архитектуру LayoutXLM, учитывающую текст, расположение элементов и изображение страницы, и содержит 305,2 млн параметров. Модель предназначена для извлечения размеченных сущностей из документов, в частности в рамках датасета xfund-custom. Для обработки документов могут потребоваться текст, координаты элементов и изображение страницы. Модель поддерживает задачу token classification; её родительская модель рассчитана на многоязычное понимание документов. В названии указана французская специализация, однако README не уточняет набор меток и языки обучения. Репозиторий использует формат safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных работ на тех же условиях и запрещает коммерческое использование.

LocalDoc выпустила вторую версию модели для распознавания персональных данных в азербайджанском тексте. Это дообученная на специализированных данных XLM-RoBERTa с архитектурой XLMRobertaForTokenClassification; модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель размечает имена и фамилии, возраст, даты, города, адреса, номера документов и карт, электронную почту, телефоны и другие типы персональных данных. Её можно применять для поиска чувствительной информации в текстах и подготовки данных к обезличиванию. В README приведены тестовые precision 0,9760, recall 0,9732 и F1 0,9746; качество различается по типам сущностей. Модель предназначена для азербайджанского языка и распространяется по лицензии CC BY 4.0, которая разрешает коммерческое использование и модификацию при указании авторства.

schift-io/schift-ko-pii-v6 — модель обнаружения персональных данных в корейском тексте, разработанная Schift. Она предназначена для выделения сущностей типа «человек», «адрес» и «организация» и может использоваться перед проверкой, маскированием или передачей текста другим системам. Дополнительные структурированные и контекстные категории доступны через отдельный необязательный адаптер пакета. В карточке описан dual-path LoRA encoder; метаданные указывают на плотную архитектуру LFM2 с головой токен-классификации и размером 32,9 млн параметров. Модель принимает текст и размечает токены по схеме O/B/I/E/S. README указывает максимум 512 токенов, тогда как метаданные каталога сообщают о нативном контексте 8192 токена; практический предел описанного детектора — 512 токенов. Постобработка учитывает корейские идентификаторы и может проверять контрольные суммы, объединять фрагменты и подавлять некоторые ложные срабатывания. Качество обнаружения зависит от текста и порогов; результат маскирования по политике может оставлять необработанные чувствительные фрагменты. Модель распространяется под лицензией other, конкретные условия в предоставленных данных не раскрыты.

TiRex-1.1-gifteval — версия модели прогнозирования временных рядов TiRex, разработанная NX-AI. Это небольшая модель временных рядов на 35 млн параметров с архитектурой xLSTM, предназначенная для прогнозирования на коротких и длинных горизонтах. Версия 1.1 добавляет нормализацию длинных периодов при инференсе; в варианте gifteval обучающие данные очищены от пересечений с тестовым набором GIFT-Eval. Модель поддерживает прогнозирование без дообучения на пользовательских данных и выдаёт как точечные, так и квантильные прогнозы. Её можно применять для получения оценок будущих значений из исторических последовательностей и сравнения неопределённости прогноза на разных горизонтах. В README сообщается о высоких результатах на бенчмарках GiftEval и ChronosZS. Для запуска используется библиотека tirex и формат весов PyTorch. README указывает, что модель проверена на Linux и видеокартах Nvidia с compute capability не ниже 8.0; совместимость с другими системами следует уточнять в документации проекта. Лицензия в метаданных обозначена как other, поэтому условия использования нужно проверить в репозитории модели.

Ali-0111/applied-nlp-ner-stage4-distilbert — модель распознавания именованных сущностей на основе distilbert-base-cased, дообученная командой или автором Ali-0111 для прикладной задачи NER. Она классифицирует токены текста, выделяя сущности, включая суммы, профессии и местоположения. Модель подходит для извлечения таких данных из текстовых документов; контекст составляет 512 токенов. На тестовом наборе Stage 4 модель получила F1=0,742 и accuracy=0,903; для метки AMOUNT F1 составляет 0,867, для JOB — 0,781, для LOCATION — 0,740. Итоговый F1 ниже результата Stage 3 (0,803), согласно карточке из-за изменения данных. Модель опубликована в формате safetensors. Лицензия в метаданных обозначена как unknown.

Chronos-T5-Tiny — предварительно обученная модель для прогнозирования временных рядов из семейства Chronos, основанная на архитектуре T5. В README она указана как разработанная командой Chronos; модель преобразует числовой ряд в последовательность токенов с помощью масштабирования и квантования, а затем авторегрессионно строит вероятностные прогнозы, выборочно генерируя несколько будущих траекторий. Она обучалась на общедоступных временных рядах и синтетических данных, созданных с помощью гауссовских процессов. Модель предназначена для прогнозирования будущих значений по истории наблюдений. Вариант Tiny основан на t5-efficient-tiny; README указывает около 8 млн параметров, тогда как метаданные каталога — 4,7 млн. Используется архитектура T5 с расширением словаря до 4096 токенов. Метаданные указывают контекст 512 токенов, формат Safetensors и лицензию Apache 2.0. Специализированные языки в данных не заявлены, поскольку входом и выходом служат числовые временные ряды. README отмечает, что Chronos-Bolt быстрее и точнее исходных моделей Chronos сопоставимого размера, поэтому скорость и точность исходной версии могут быть ниже относительно Bolt.

oussama/layoutlmv3-finetuned-invoice — модель Oussama, дообученная на microsoft/layoutlmv3-base на наборе SROIE для классификации токенов в документах-счетах. Архитектура LayoutLMv3ForTokenClassification объединяет текстовые и визуальные признаки документа; модель содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов. Основной сценарий — извлечение и разметка полей из изображений чеков и счетов, представленных с распознанным текстом и координатами токенов. В README указаны идеальные метрики на оценочной выборке SROIE, однако сведений о размере и составе выборки или проверке на других типах документов нет. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

Это модель LayoutLMv3, дообученная на пользовательском наборе счетов-фактур для извлечения ключевых полей из документов. Она разработана на основе microsoft/layoutlmv3-base и использует архитектуру LayoutLMv3 с 151,8 млн параметров; модель принимает изображения отсканированных документов, текстовые токены и координаты ограничивающих рамок, а для каждого токена предсказывает метку сущности, например номер счёта, дату, поставщика или итоговую сумму. Указанная длина контекста — 514 токенов. Модель предназначена для автоматизации обработки счетов, чеков и финансовых документов, в том числе в системах управления расходами. В README приведены результаты проверки на отложенной выборке: F1 достиг 0,89 на восьмой эпохе. Качество зависит от OCR, а обучение только на ограниченном наборе счетов может ухудшить перенос на другие типы документов. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

Moirai-1.0-R-Small — модель временных рядов от Salesforce, построенная на архитектуре Transformer с маскированным энкодером и предварительно обученная на наборе LOTSA. Версия Small содержит 12,4 млн параметров по метаданным Hugging Face; в README размер округлён до 14 млн. Модель предназначена для прогнозирования временных рядов, в том числе многомерных: она может учитывать целевые переменные и динамические ковариаты, значения которых известны на горизонте прогноза. В архитектуре используются патчи временного ряда и смесь распределений для представления прогнозов. Для запуска инференса README рекомендует библиотеку uni2ts. Модель распространяется по лицензии CC BY-NC 4.0. Авторы публикуют её для поддержки академической статьи и отмечают, что точность и пригодность для конкретных сценариев требуют оценки; модель не оценивалась для всех вариантов применения, особенно для высокорисковых задач.

OCR-LayoutLMv3-Invoice — модель извлечения полей из чеков и документов с разметкой, разработанная на основе microsoft/layoutlmv3-base и дообученная на наборе данных wild_receipt. Она использует архитектуру LayoutLMv3 для классификации токенов с учётом текста и пространственной структуры документа. В README приведены результаты оценки на тестовой выборке: F1 0,8789, точность 0,9268, полнота 0,8812. Модель предназначена для распознавания и классификации текстовых фрагментов в чеках и счетах, например для извлечения структурированных данных из сканов. Размер — 151,8 млн параметров, формат весов — PyTorch, длина контекста — 514 токенов. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях «Сохраняй лицензию», но запрещает коммерческое использование. Карточка не описывает подробный состав меток, точный процесс OCR или поддержку языков. Приведённые метрики относятся к оценке на wild_receipt и не гарантируют аналогичное качество на других типах документов.

sahuabinash/slm-125m-finetuned-qa — плотная языковая модель на архитектуре LLaMA с 125,8 млн параметров, дообученная автором на базе thesreedath/slm-125m-base. Она предназначена для ответов на вопросы с опорой на предоставленный текст в юридических, финансовых и общих сценариях, а также для суммаризации, извлечения сведений и перефразирования. Модель обучена полным дообучением на 7 521 примере в формате диалога; в обучающих данных использовались юридические, финансовые, SEC- и веб-материалы, ответы фильтровались на обоснованность и дедуплицировались. Контекст — 1 024 токена; для запуска указана библиотека Transformers. Модель ориентирована на англоязычные текстовые запросы и генерирует текст. В карточке приведена perplexity 9,13 на задаче вопросов и ответов, но широкие сравнительные оценки качества не представлены. Для получения результатов требуется соблюдать специальный формат токенов базовой модели. Лицензия — Apache-2.0.

TabPFNMix Classifier — модель AutoGluon для классификации табличных данных. Это табличная фундаментальная модель на основе 12-слойного Transformer с архитектурой encoder-decoder и 37 млн параметров. Она предварительно обучена на синтетических наборах данных, полученных от смеси случайных классификаторов, и использует обучение в контексте, аналогичное TabPFN и TabForestPFN. Модель предназначена для предсказания классов по строкам табличных данных. Для использования автор рекомендует библиотеку AutoGluon. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Yug — модель временных рядов с 271,8 млн параметров, разработанная Birla AI Labs для вероятностного прогнозирования с нулевым дообучением. Она принимает исторический контекст и горизонт прогноза и формирует прогнозное распределение, представленное квантилями; одна архитектура поддерживает как одномерные ряды, так и прогнозирование с использованием ковариат. Архитектура включает 12 слоёв декодера и имеет размерность модели 960. Модель предназначена для прогнозирования ранее не встречавшихся временных рядов без настройки под конкретную задачу или ряд. Её можно применять к рядам с ковариатами и получать вероятностные оценки неопределённости прогноза. В обучении использовались подмножества Chronos Datasets и GIFT-Eval Pretrain, а также синтетические данные, обозначенные разработчиком как проприетарные. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

ChartVerse-4B — мультимодальная модель для анализа диаграмм и графиков, разработанная проектом opendatalab/ChartVerse. Она дообучена на базе Qwen/Qwen3-VL-4B-Instruct и предназначена для ответов на вопросы по изображениям графиков, включая сложные многошаговые задачи визуального рассуждения. Модель использует архитектуру Qwen3-VL с 4 млрд параметров и принимает изображение вместе с текстовым запросом, выдавая текстовый ответ. Для обучения использованы наборы ChartVerse-SFT-600K и ChartVerse-RL-40K с проверкой ответов на основе фактических данных графиков. В README сообщается о среднем результате 61,9% и сравнении с Qwen3-VL-8B-Thinking; это заявленные авторами показатели. Модель распространяется под лицензией Apache-2.0.

davelotito/donut-base-sroie-bayesian-optimization — дообученная модель Donut от разработчика davelotito, построенная на naver-clova-ix/donut-base. Это vision-encoder-decoder для преобразования изображений документов в текст; название указывает на настройку для SROIE, набора данных по извлечению информации из чеков. В метаданных указан тип задачи image-text-to-text и поддержка обработки изображений. Модель может применяться для извлечения текста и структурированных сведений из изображений чеков. Указана лицензия MIT. В карточке приведены метрики оценки: loss 0.1396, BLEU 0.0196, CER 0.8584 и WER 1.0. Эти результаты указывают на существенные ошибки распознавания на приведённой оценке; сведений о наборе данных и протоколе оценки недостаточно, чтобы переносить метрики на другие сценарии.

emisilab/model-ocr-invoice-rich — модель для преобразования изображений документов в текст, дообученная на базе naver-clova-ix/donut-base. Она использует архитектуру vision-encoder-decoder и предназначена для задач обработки изображений, связанных с документами; по названию репозитория — для OCR и разбора счетов-фактур. Модель принимает изображение и выдаёт текст. В карточке указаны формат safetensors и лицензия MIT. README не содержит сведений о качестве, обучающих данных или ограничениях, поэтому пригодность для конкретных видов счетов следует проверять на собственных примерах.

schift-ocr-1-beta — бета-модель распознавания корейских документов от Schift, дообученная на базе baidu/Unlimited-OCR. Она принимает изображение страницы и выдаёт текст в порядке чтения, включая таблицы в HTML и координаты блоков разметки. Модель предназначена для оцифровки форм, слайдов, отчётов и публикаций на корейском языке. В архитектуре используются ветви визуального кодировщика SAM ViT-B и CLIP ViT-L/14, а также декодер MoE в стиле DeepSeek-V2. По данным метаданных, модель содержит 559,7 млн параметров и поддерживает контекст до 32 768 токенов. Дообучение было сфокусировано на экспертных слоях, обрабатывающих содержимое таблиц. В тестах авторов особенно заметно снизилась частота ошибок на печатных корейских формах относительно базовой модели; результаты на слайдах и общих документах зависят от нормализации разметки и полноты эталонных текстов. Это открытая бета-версия с весами по лицензии MIT; улучшенная версия доступна только через API Schift. Очень длинные страницы могут приводить к повторению текста, а в крупных таблицах с объединёнными ячейками возможны ошибки в числе ячеек строк.

halilneed/turkish-pii-detection-v01 — 257 млн параметров, дообученная на базе cagrigungor/pii-guard-turkish-270m модель Gemma 3 для обнаружения и маскирования персональных данных в турецком тексте. Она принимает текст и по заданной инструкции заменяет найденные данные метками, например имя — [AD], турецкий идентификационный номер — [TCKN], телефон — [TEL]. Можно задавать политику маскирования: скрывать все поля, только выбранные или все, кроме исключений. Модель предназначена для обработки текста до его передачи LLM, в хранилища журналов или третьим сторонам; поддерживает контекст до 32 768 токенов. Модель дообучена на 24 000 синтетических примерах банковских и ERP-сообщений. На синтетическом тестовом наборе из 1 000 примеров автор сообщает о точном совпадении 0,882 против 0,740 у исходной модели; тестировались также отдельные срезы данных. Эти результаты не гарантируют качество на реальных текстах. Для использования требуется соблюдать обученный формат запроса с начальным BOS-токеном; вывод может содержать метки вне заданной схемы, поэтому его следует проверять. Модель слабее работает с длинными текстами, несколькими людьми и персональными данными с суффиксами; длинный ввод рекомендуется делить на части. Лицензия — Gemma Terms of Use.

German-OCR-3 — дообученная мультимодальная модель Keyvan Hardani для извлечения данных из изображений немецких деловых документов. Она преобразует счета, письма, формы, квитанции и уведомления в JSON по немецкой схеме извлечения. Модель основана на Qwen/Qwen3.5-2B, имеет около 1,5 млрд параметров и поддерживает контекст до 32 768 токенов; карточка указывает архитектуру Qwen2-VL и формат Safetensors. Модель рассчитана на локальное и локально размещённое применение, включая извлечение реквизитов счетов без облачного OCR. Автор сообщает результаты теста на более чем 200 анонимизированных немецких счетах: для Default Edition — 100% валидного JSON, 95% корректно распознанных отправителей и 0% галлюцинаций; эти цифры относятся к описанному автором тесту. Модель оптимизирована для немецких документов, требует чётких сканов или фотографий и ограниченно справляется с рукописным текстом. Для бухгалтерских и юридических процессов рекомендуется проверка человеком. Лицензия — Apache 2.0.

tabUM v1.1 — небольшая табличная foundation-модель Heldernóid с 14,31 млн параметров и трёхэтапной архитектурой трансформера для обучения в контексте. Она выполняет zero-shot-классификацию и регрессию: при вызове fit(X, y) сохраняет обучающие строки, а predict(X_test) использует их в одном проходе модели, без дообучения на пользовательских данных. Модель обучена на синтетических задачах, поддерживает таблицы до 2 000 признаков и 100 классов, обрабатывает пропуски как отдельный сигнал и может выдавать калиброванные вероятности, распределения регрессии и объяснения предсказаний. Модель рассчитана на быстрые предсказания по табличным данным, особенно на небольших и шумных наборах, задачах с большим числом классов и данными с пропусками. README указывает, что проверялась работа с контекстом до 64 000 строк; для регрессии на больших малошумных наборах градиентный бустинг может быть предпочтительнее, а текстовые столбцы следует заранее удалить или закодировать. Доступна опциональная адаптация finetune() на конкретном наборе данных. Лицензия — MIT.