IV.3Страхование и актуарные задачи

PolizzeDonut-SoloPDF-5Epochs — модель преобразования изображений документов в текст, созданная дообучением naver-clova-ix/donut-base на датасете imagefolder. Она использует архитектуру vision-encoder-decoder и предназначена для обработки изображений документов; метаданные классифицируют её задачу как image-text-to-text. На оценочном наборе указана потеря 0,3264. Модель распространяется в формате safetensors по лицензии MIT. Карточка не раскрывает целевую структуру извлечения, состав обучающих данных или подробные ограничения, поэтому качество на конкретных типах полисов и PDF-сценариях по этим сведениям оценить нельзя.

Causilo — предварительно обученная фундаментальная модель для табличных данных, разработанная Nums AI Inc. Она поддерживает классификацию и регрессию и предоставляет интерфейс, совместимый со scikit-learn; в репозитории есть отдельные веса и конфигурации для классификатора и регрессора. Модель предназначена для применения в задачах машинного обучения на структурированных таблицах. Для работы используются PyTorch и библиотека causilo; веса опубликованы в формате safetensors. В README указаны требования Python 3.10–3.12 и PyTorch 2.13 или новее. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

CriticalThinkerRisk-Base-8B — дообученная командой Theeseus AI модель на основе meta-llama/Llama-3.1-8B-Instruct. Она предназначена для оценки уровня риска в описанных сценариях: модель может присваивать категорию риска, числовую оценку и объяснять вывод. Обучение проводилось на наборе theeseus-ai/RiskClassifier с примерами структурированных сценариев, вопросов и ответов в формате диалогов. Модель использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Она принимает текст и генерирует текст; заявленный контекст — до 131 072 токенов. Основной язык — английский. Модель подходит для предварительного анализа подозрительных операций, финансовых и операционных рисков, а также для учебных задач по оценке рисков. Лицензия — Apache 2.0. Точность может снижаться при неполном или неоднозначном контексте; возможны смещения из обучающих данных. Числовые оценки могут потребовать настройки порогов под конкретную область, а результаты для решений с существенными последствиями следует проверять вручную.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и извлечения релевантных фрагментов. В архитектуре используется BERT с CLS-пулингом и нормализацией векторов; близость оценивается косинусным сходством. Контекст ограничен 512 токенами. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 512, 256, 128 или 64, экономя место и вычисления с некоторым снижением качества поиска. Модель также подходит для кластеризации, поиска перефразирований и классификации текстов на основе эмбеддингов. Лицензия — Apache-2.0.

Fino1-14B — языковая модель TheFinAI, дообученная на базе Qwen2.5-14B-Instruct для финансовых рассуждений. Обучение методом SFT и RF на датасете TheFinAI/Fino1_Reasoning_Path_FinQA_v2 направлено на повышение качества решения финансовых задач, в том числе математических. Модель относится к плотной архитектуре Qwen2 и содержит 14 млрд параметров; она принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Контекстное окно — до 131 072 токенов. Лицензия — Apache-2.0.

thomaskim1130/stella_en_400M_v5-FinanceRAG-v2 — англоязычная модель эмбеддингов на базе Sentence Transformers, дообученная разработчиком на базе thomaskim1130/stella_en_400M_v5-FinanceRAG. Она кодирует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска и сравнения текстов; также подходит для поиска перефразировок, кластеризации и классификации текста. Модель содержит 433,9 млн параметров. Метаданные указывают контекст до 8192 токенов, а карточка сообщает максимальную длину последовательности 512 токенов, поэтому фактический лимит следует сверять с конфигурацией используемого приложения. Сходство векторов можно оценивать косинусной мерой. Модель обучалась на 2256 парах предложений с функцией потерь MultipleNegativesRankingLoss; карточка приводит метрики поиска, включая cosine_accuracy@1 0,4636 и @5 0,7597. Файлы опубликованы в формате safetensors. Сведений о лицензии в предоставленных данных нет.

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

EraX-VL-7B-V1.0 — мультимодальная модель на базе Transformer, разработанная командой EraX и Bamboo Capital Group и дообученная на Qwen/Qwen2-VL-7B-Instruct. Она предназначена для распознавания текста на изображениях, визуальных вопросов и ответов, а также анализа документов и изображений; поддерживает диалог из нескольких ходов. Особенно хорошо модель ориентирована на вьетнамский язык, при этом заявлены также английский и китайский. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2-VL и принимает изображения с текстовыми запросами, выдавая текстовые ответы. Длина контекста — 32 768 токенов. Модель рассчитана на извлечение текста и сведений из медицинских форм, счетов, накладных, коммерческих предложений и медицинских записей, а также на описание изображений и ответы на вопросы по их содержимому. В отличие от специализированного OCR-инструмента, она является мультимодальной языковой моделью, поэтому результат зависит от формулировки запроса. Лицензия — Apache 2.0.

EXAONE Tabular — трансформерная фундаментальная модель для классификации и регрессии на структурированных табличных данных, разработанная LG AI Research. Она использует архитектуру Cross-axis Summary Transformer (CAST) и обучение в контексте: получает размеченные строки через интерфейс fit и предсказывает значения для новых строк без обновления градиентов и отдельного обучения на каждом наборе данных. В репозитории доступны отдельные контрольные точки классификатора примерно на 20,8 млн параметров и регрессора примерно на 21,1 млн параметров. Модель предназначена для задач обучения с учителем на таблицах в пределах проверенных размеров выборок и числа признаков. API в стиле scikit-learn поддерживает fit и predict, а классификатор также предоставляет predict_proba; модель можно использовать в sklearn.pipeline.Pipeline. В README сообщается о конкурентных результатах на TabArena, включая первое место среди классификаторов в описанном сравнении. При классификации нативная голова поддерживает до 10 классов; для большего числа классов применяется ECOC-декомпозиция, повышающая стоимость вывода. Большие наборы опорных примеров могут прореживаться, а очень большие входы выходят за пределы проверенного режима. Модель не предназначена для необработанных изображений, текста, аудио или видео. Код runtime лицензирован разрешительно, но веса доступны только для некоммерческих исследований и обучения.

Kepler-Qwen3-4B-Super-Thinking — плотная языковая модель на архитектуре Qwen3, дообученная PrithivMLmods на Qwen3-4B-Thinking-2507. Она предназначена для генерации текста с акцентом на рассуждения, математику, вероятностные задачи, событийную логику и структурированный анализ. Модель поддерживает чат и заявленную многоязычную генерацию; может формировать ответы в форматах LaTeX, Markdown, JSON, CSV и YAML. В метаданных указаны 3,7 млрд параметров и контекст до 262 144 токенов. Репозиторий использует safetensors, а лицензия — Apache-2.0. Модель рассчитана на исследователей, преподавателей и разработчиков, которым нужны решения задач на вероятность и логический вывод, симуляция событий или структурированные технические ответы. Заявленный акцент на вероятностных рассуждениях и структурированном выводе следует считать описанием назначения модели, а не гарантией точности. README отмечает трудности со сложными многошаговыми задачами и очень длинным контекстом, а также меньшую пригодность для творческого письма и эмоционального общения.

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.

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.

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.

Карточка модели arjhinety/schemaforge-v2-distilled-minicpm5-1b на Hugging Face совпадает с карточкой arrochi112/schemaforge-v2-distilled-minicpm5-1b, поэтому описание составлено по ней. SchemaForge V2 — Distilled MiniCPM5-1B — это дообученная методом последовательной дистилляции компактная языковая модель проекта SchemaForge. Указанная в README базовая модель — openbmb/MiniCPM5-1B; метаданные описывают архитектуру как плотную LlamaForCausalLM с 837,6 млн параметров и контекстом до 131 072 токенов. Модель предназначена для извлечения полей из документов в JSON по 12 схемам: счетам, чекам, резюме, договорам, обращениям в поддержку, медицинским записям, страховым случаям, CRM-записям, письмам, диалогам, формам и триплетам графа знаний. Обучение проводилось на примерах, размеченных учителем google/gemma-4-31B. Лучший результат авторы получают при совместной работе модели с детерминированным предварительным извлечением: гибридная система показала F1 по полям 0,6827, частоту галлюцинаций 0,0092 и валидность схемы 0,8333 на тестовом наборе из 72 записей. Самостоятельный результат модели заметно слабее: F1 0,4841 и валидность схемы 0,8194; авторы рекомендуют запускать её в гибридном конвейере с соответствующим форматом запроса и списком неразобранных полей. Выявленная основная ошибка — пропуск полей; оценка уверенности без дополнительной калибровки ненадёжна. Модель выпущена под лицензией Apache-2.0.

TabPFNMix Regressor — регрессионная модель для табличных данных, разработанная AutoGluon. Это табличная foundation-модель на основе 12-слойного Transformer encoder-decoder с 37 млн параметров. Она предварительно обучена на синтетических наборах данных, полученных от смеси случайных регрессоров, и использует обучение в контексте, подобное TabPFN и TabForestPFN. Модель предназначена для предсказания числовых значений по признакам таблицы. Её можно применять для табличной регрессии; README указывает на использование через AutoGluon. Модель распространяется в формате safetensors по лицензии 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.

SchemaForge V2 — Distilled MiniCPM5-1B — это дообученная методом последовательной дистилляции компактная языковая модель проекта SchemaForge. Указанная в README базовая модель — openbmb/MiniCPM5-1B; метаданные описывают архитектуру как плотную LlamaForCausalLM с 837,6 млн параметров и контекстом до 131 072 токенов. Модель предназначена для извлечения полей из документов в JSON по 12 схемам: счетам, чекам, резюме, договорам, обращениям в поддержку, медицинским записям, страховым случаям, CRM-записям, письмам, диалогам, формам и триплетам графа знаний. Обучение проводилось на примерах, размеченных учителем google/gemma-4-31B. Лучший результат авторы получают при совместной работе модели с детерминированным предварительным извлечением: гибридная система показала F1 по полям 0,6827, частоту галлюцинаций 0,0092 и валидность схемы 0,8333 на тестовом наборе из 72 записей. Самостоятельный результат модели заметно слабее: F1 0,4841 и валидность схемы 0,8194; авторы рекомендуют запускать её в гибридном конвейере с соответствующим форматом запроса и списком неразобранных полей. Выявленная основная ошибка — пропуск полей; оценка уверенности без дополнительной калибровки ненадёжна. Модель выпущена под лицензией Apache-2.0.

Sundial (Timer 3.0) — генеративная фундаментальная модель временных рядов, разработанная командой THUML. Версия с 113,2 млн параметров предварительно обучена на более чем 1 трлн временных точек и предназначена для прогнозирования временных рядов, в том числе без дополнительного обучения на конкретном наборе данных. Модель поддерживает точечные и вероятностные прогнозы: по сгенерированным вариантам можно получать средние значения, квантили и другие статистические оценки. Архитектура включает decoder-only Transformer с причинной маской и патчевым представлением входных рядов; README описывает контекст до 2880 временных шагов и предсказание до 720 шагов. Каталог указывает контекст 10 000 токенов, поэтому фактический предел зависит от используемого представления и конфигурации. Sundial рассчитана на прогнозирование в разных прикладных областях, где доступны числовые временные ряды. Для удобства инференса заявлены KV cache и FlashAttention; модель доступна в формате safetensors и интегрирована в Transformers. Лицензия — Apache-2.0. Результаты бенчмарков из README не гарантируют такую же точность на конкретных данных; совместимость Quickstart привязана к указанной версии Transformers и Python.

girenit-DocOCR-1B v2 — разработанная Girenit модель OCR для турецких корпоративных документов, дообученная полным обновлением параметров на базе LightOnOCR-2-1B-base. Она преобразует изображение страницы в упорядоченный текст в формате Markdown, сохраняя таблицы. Модель обучалась на 12 типах документов, включая счета, банковские квитанции, договоры аренды, страховые полисы, выписки и официальные письма, а также на цифровых изображениях, сканах и фотографиях с телефона. В README приведён результат CER 0,15% на 72 тестовых страницах. Однако страницы теста взяты из того же синтетического распределения, что и обучающие данные, поэтому качество на реальных документах может отличаться; для важных сценариев рекомендована проверка человеком. Модель распространяется по лицензии Apache-2.0.

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.

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.

Werea-DocOCR-1B v2 — модель распознавания турецких корпоративных документов, разработанная Werea и представленная здесь как зеркало репозитория Werea-co. Это полнопараметрическое дообучение LightOnOCR-2-1B-base с архитектурой LightOn OCR; модель принимает изображение страницы и извлекает текст в порядке чтения, включая таблицы, с форматированием Markdown. Модель ориентирована на 12 типов документов: доверенности, страховые полисы, электронные счета, договоры аренды, банковские квитанции, документы на недвижимость, расчётные листки, регистрационные формы автомобилей, официальные письма, публикации торгового реестра и выписки SGK. Обучающая выборка содержит 12 960 синтетических страниц; README сообщает средний CER 0,15% на 72 тестовых страницах, включая цифровые документы, сканы и фотографии. Лицензия — Apache-2.0. Оценка проводилась на тестовых страницах из того же синтетического распределения, что и обучающие данные, поэтому результат может не переноситься на реальные документы. Авторы рекомендуют проверку на реальных сканах и фотографиях и контроль человеком в критически важных сценариях.

Granite-TimeSeries-PatchTST-FM-r1 — модель временных рядов от IBM, построенная на архитектуре PatchTST-FM. Она предназначена для прогнозирования временных рядов без дообучения на целевых данных и поддерживает вероятностные прогнозы с помощью квантильной головы. При наличии пропусков во входном контексте модель может одновременно восстанавливать пропущенные значения и прогнозировать будущие точки. Модель обучена на наборе разнородных временных рядов, синтетических данных и данных с аугментацией. Архитектура использует трансформер с размерностью 1024, патчи длиной 16 и 99 квантилей; README указывает около 260 млн параметров, тогда как метаданные репозитория — 335,5 млн. Контекст составляет 8192 точки и включает входной контекст и горизонт прогноза. Модель рассчитана на временные ряды, поэтому языковая поддержка к ней неприменима. README сообщает о результатах среди ведущих воспроизводимых zero-shot моделей на GIFT-Eval, но отмечает, что результаты ещё ожидали включения в бенчмарк. Модель распространяется по лицензии Apache-2.0. IBM указывает, что не обязуется предоставлять обновления или поддержку проекта.

lift-bf16 — конверсия модели Datalab lift от сообщества mlx-community для запуска на Apple Silicon через mlx-vlm. Это плотная vision-language модель семейства Qwen3.5 с 9 млрд параметров: она принимает PDF или изображения документов и извлекает данные в JSON по заданной схеме. Поддерживаются чатовый интерфейс и структурированный вывод; в сервере MLX-VLM JSON Schema применяется при декодировании, чтобы обеспечить корректный формат и типы полей. Репозиторий содержит веса bf16 в формате MLX и safetensors без квантизации; размер весов около 18 ГБ. Модель подходит, например, для извлечения полей из счетов и разбора документов, где требуется результат по заранее заданной схеме. В README для исходной модели lift приведён результат 90,2% по полям и 20,9% по полному документу на бенчмарке Datalab из 225 документов; это не отдельная оценка данной конверсии. Указанные в README скорость и пиковая память получены на одном тесте извлечения счета и не являются полноценным бенчмарком. Исходные веса выпущены Datalab, а lift-bf16 — неофициальная конверсия сообщества. Указана лицензия OpenRAIL. Для запуска требуется примерно 18 ГБ памяти только под веса; фактическая потребность зависит от окружения и входных данных.

Qwen2-Math-72B-Instruct-GGUF — квантизированная в формате GGUF инструкционная языковая модель, разработанная командой Qwen на базе Qwen2-Math-72B-Instruct. Квантизацию выполнил bartowski с использованием llama.cpp. Модель предназначена прежде всего для решения математических задач, многошагового рассуждения и сложных логических проблем, а также для диалогового текстового взаимодействия через шаблон ChatML. Модель содержит 72 млрд параметров и обучена на специализированном математическом корпусе, включающем веб-тексты, книги, программный код, экзаменационные задания и синтетические данные. Инструкционная версия дополнительно обучалась с применением математической reward-модели, supervised fine-tuning и Group Relative Policy Optimization (GRPO). В README заявлены высокие результаты на математических и reasoning-бенчмарках, однако конкретные показатели не приведены. Указан английский язык; другие языки и размер контекста не заявлены. Модель подходит для математического анализа, пошагового решения задач и исследовательских сценариев, но из-за большого размера требует значительных вычислительных ресурсов, а квантизация может влиять на точность. Как и другие генеративные модели, она способна ошибаться и выдавать неточные или неподходящие ответы. Лицензия указана как tongyi-qianwen; подробные условия доступны по ссылке на лицензию исходной модели.

Qwen2.5-Math-7B-Instruct-GGUF — это квантизированная в формате GGUF версия модели Qwen2.5-Math-7B-Instruct, разработанной командой Qwen. Файл подготовлен сообществом LM Studio, а GGUF-квантизация выполнена bartowski на основе llama.cpp b3772; LM Studio не является создателем модели. Модель предназначена для генерации текста и решения математических задач на английском языке. Она поддерживает пошаговое рассуждение Chain-of-Thought (CoT) и Tool-integrated Reasoning (TIR), поэтому подходит для математического анализа, объяснения хода решения и сценариев, где требуется интеграция с инструментами. Указанный стандартный размер контекста составляет 4096 токенов. Ключевые характеристики включают размер 7B параметров, текстовую модальность и англоязычную специализацию. Сильными сторонами являются ориентация на математическое рассуждение и возможность инструментально поддерживаемого решения задач. Ограничениями выступают контекст в 4096 токенов и потенциальные ошибки, неточности или неподходящие ответы, свойственные генеративным моделям; сведения о конкретном методе квантизации и поддерживаемых дополнительных языках не указаны. Модель распространяется по лицензии Apache 2.0.

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.

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.

BaichuanMed-OCR-7B — мультимодальная модель компании Baichuan, дообученная на медицинских отчётах на основе Qwen/Qwen2.5-VL-7B-Instruct. Она принимает изображения медицинских документов и текстовые вопросы, распознаёт содержание отчёта и отвечает на вопросы по извлечённым данным; распознанную информацию может выдавать в структурированном Markdown. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. В опубликованном README приведён результат 83,5% на частном наборе медицинских отчётов; он не гарантирует такое же качество на других документах. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели и у разработчика.