IV.3Страхование и актуарные задачи

DJINN 1.114B Decision Engine — плотная модель классификации решений, разработанная автором репозитория Saltmandamsun. По карточке, модель содержит около 1,01 млрд параметров и обучена методом Reinforcement Learning from Compiler Decisions (RLCD). Она выдаёт калиброванные распределения вероятностей для классификации вариантов, оценки ожидаемой величины по шкале и бинарной проверки гипотез; автор также заявляет поддержку контекста до 64 000 токенов и быстрый параллельный вывод без авторегрессионной генерации. Модель рассчитана на задачи принятия решений, где нужны вероятностные оценки и неопределённость, включая ранжирование альтернатив и бинарные прогнозы. В README приведены показатели задержки на NVIDIA RTX PRO 6000 Blackwell и заявленная производительность пакетного инференса; они относятся к конкретной конфигурации оборудования и реализации. Репозиторий указывает лицензию Apache-2.0. Независимая проверка заявленных характеристик и качества в карточке не приведена.

Moirai-1.0-R-Large — крупная модель временных рядов, разработанная Salesforce. Это masked encoder-based Transformer, предварительно обученный на данных LOTSA и предназначенный для прогнозирования временных рядов. В README для семейства указано 311 млн параметров у версии Large, а метаданные каталога — 352,3 млн параметров; доступные веса представлены в формате safetensors. Для запуска авторы рекомендуют библиотеку uni2ts. Модель рассчитана на прогнозирование целевых переменных, в том числе с учётом динамических ковариат, значения которых известны на горизонте прогноза. Её можно применять для построения прогнозов по многомерным временным рядам. Карточка описывает выпуск как исследовательский и рекомендует отдельно оценивать точность и пригодность модели для конкретного применения. Лицензия — CC BY-NC 4.0, с ограничением на коммерческое использование.

KSAIA разработала эту англоязычную модель Sentence Transformer, дообученную на базе BAAI/bge-base-en-v1.5 на 6 300 парах текстов финансовой тематики. Архитектура основана на BERT: модель преобразует предложения и абзацы в нормализованные плотные векторы размерностью до 768, а близость текстов измеряется косинусным сходством. Модель предназначена для семантического поиска и сравнения финансовых текстов, а также может применяться для поиска перефразировок, кластеризации и классификации. Matryoshka-обучение позволяет использовать сокращённые представления размерностью 512, 256, 128 или 64; контекст ограничен 512 токенами. Лицензия — Apache-2.0.

Sailesh9999/bge-base-financial-matryoshka_3 — англоязычная модель Sentence Transformers, дообученная автором на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она преобразует предложения и абзацы в плотные векторы и предназначена для семантического поиска, оценки сходства и ранжирования текстов, поиска перефразировок, кластеризации и классификации.

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

andreagemelli/LFM2.5-350M-IT-Extract — дообученная Андреа Джемелли плотная причинная языковая модель семейства LFM2, основанная на LiquidAI/LFM2.5-350M. Она предназначена для извлечения ключевой информации из изображений итальянских форм и документов с выдачей результата в формате JSON. Для дообучения использован итальянский вариант набора XFUND, а модель работает через библиотеку Transformers. В проверке на валидационной выборке xfund-kie модель показала средний F1 0,5311; в 10 из 50 случаев JSON не удалось разобрать. Метаданные указывают контекст до 128 000 токенов, однако карточка не уточняет, как именно обрабатываются изображения и как сформирован входной запрос. Модель опубликована в формате safetensors. Сведения о лицензии в предоставленных материалах отсутствуют.

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

Abinaya/snowflake-arctic-embed-financial-matryoshka — англоязычная модель эмбеддингов предложений, дообученная на 6 300 парах текстов из набора json на базе Snowflake/snowflake-arctic-embed-m-v1.5. Она использует архитектуру Sentence Transformer с трансформером BERT, CLS-пулингом и нормализацией и преобразует тексты в плотные векторы размерностью 768. Для сравнения векторов применяется косинусное сходство; Matryoshka-обучение позволяет использовать укороченные представления размерностью 512, 256, 128 или 64. Модель предназначена для семантического поиска и сравнения финансовых текстов, включая поиск по документам, оценку сходства предложений, выявление перефразирований, кластеризацию и классификацию на основе эмбеддингов. Максимальная длина входа — 512 токенов. Модель принимает текст и выдаёт векторы; для получения меток классов или результатов поиска нужна отдельная последующая обработка. Выпущена под лицензией Apache-2.0.

Карточка модели YuzuSolutions/tabfm-1.0.0-pytorch на Hugging Face совпадает с карточкой google/tabfm-1.0.0-pytorch, поэтому описание составлено по ней. TabFM 1.0.0 — табличная foundation-модель Google Research для классификации и регрессии на структурированных данных. Эта версия содержит веса PyTorch и использует библиотеку tabfm. Модель работает с числовыми и категориальными столбцами, принимает обучающие примеры как контекст и выдаёт прогноз за один проход без дообучения на конкретном наборе данных и подбора гиперпараметров. Архитектура сочетает внимание между столбцами и строками с 24-блочным причинным ICL-трансформером; в карточке также указана размерность эмбеддингов 256. TabFM предназначена для бинарной и многоклассовой классификации до 10 классов, а также регрессии. Данные можно передавать в виде pandas DataFrame или массивов NumPy. Модель обучалась на синтетических наборах, сгенерированных структурными причинными моделями; оценка на TabArena охватывала 51 набор данных. Лицензия указана как other, а README исключает коммерческое использование. Модель не предназначена для изображений, аудио, видео и текста; качество на конкретных предметных областях и редких распределениях не полностью охарактеризовано.

Timer-S1 — разработанная ByteDance Research модель-основание для прогнозирования временных рядов. Она выполняет zero-shot прогнозирование на разных уровнях квантилей, в том числе среднесрочное и долгосрочное, без дообучения на конкретном наборе данных. По карточке это декодерный Transformer с архитектурой Mixture-of-Experts и механизмом TimeSTP для многошагового предсказания последовательными вычислениями. README указывает 8,3 млрд параметров, из которых активируется 0,75 млрд на токен, контекст до 11 520 шагов и длину патча 16; метаданные каталога сообщают 402,7 млн параметров и контекст 12 800 токенов, поэтому размер и длина контекста в источниках расходятся. Модель работает с временными рядами и выдаёт прогнозы; поддержка естественных языков не заявлена. Для запуска на GPU авторы рекомендуют не менее 40 ГБ видеопамяти. Лицензия — Apache-2.0.

Это модель Sentence Transformers, дообученная автором репозитория на базе hiieu/halong_embedding для получения векторных представлений предложений и абзацев. В основе лежит XLM-RoBERTa; модель содержит 305,2 млн параметров, использует mean pooling и нормализацию и формирует эмбеддинги размерностью 768. Для сравнения текстов применяется косинусное сходство; матрёшечное обучение позволяет использовать укороченные представления размерностью 512, 256, 128 и 64. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. В README приведены результаты оценки поиска по датасету dim_768 и вариантам меньшей размерности; обучение проводилось на 10 200 парах текстов. Максимальная длина последовательности по README — 512 токенов, метаданные указывают контекст 514 токенов. Примеры обучающих данных и название модели указывают на финансовую специализацию, но README не описывает её границы подробно. Лицензия в предоставленных данных не указана.

OpenAI o3-mini-high — вариант модели o3-mini с уровнем reasoning_effort, установленным на high. Это языковая модель для решения задач, требующих рассуждений, с особым упором на естественные науки, математику и STEM-сценарии. Взаимодействует с текстом и выдаёт текстовые ответы. Модель предназначена для ответов на сложные вопросы, пошагового анализа и помощи в решении научных и математических задач. В доступных сведениях не приведены размер модели, длина контекста и условия лицензии.

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

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.

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

DatarusAI Datarus-R1-14B-preview — языковая модель с открытыми весами для аналитики данных и многошагового решения задач. Это плотная авторегрессионная модель семейства Qwen2, дообученная на базе Qwen/Qwen2.5-14B-Instruct. В README указано 14,8 млрд параметров; в метаданных — 14 млрд. Модель поддерживает генерацию текста и диалоговый режим, а также интерфейс вызова инструментов. Нативная длина контекста — 131 072 токена. Модель предназначена для анализа данных, статистических расчётов и визуализации, решения математических и научных задач, генерации аналитического кода и работы в интерактивных ноутбуках. README описывает два режима рассуждения: интерактивный ReAct с итеративным выполнением кода и режим Reflection для компактных объяснений и отчётов. Обучение проводилось на синтетических аналитических траекториях и наборах данных для рассуждений; заявленные области включают финансы, медицину и количественный анализ. Основной язык — английский. В карточке приведены высокие результаты на LiveCodeBench и AIME, однако это заявления разработчика, и качество на других задачах может отличаться. Интерфейс выполнения кода требует подключённой среды исполнения; сама модель генерирует текст. Модель распространяется по лицензии Apache 2.0.

Chronos-T5 Large — предварительно обученная модель прогнозирования временных рядов из семейства Chronos, разработанного AutoGluon. Она использует архитектуру T5 с 356,5 млн параметров; исторические числовые значения масштабируются и квантуются в последовательность токенов, после чего модель авторегрессионно генерирует будущие значения. Длина контекста составляет 512 токенов. Модель предназначена для вероятностного прогнозирования временных рядов: по истории она строит несколько возможных траекторий будущего и тем самым оценивает распределение прогноза. Обучение проводилось на общедоступных рядах и синтетических данных, полученных с помощью гауссовских процессов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

sap-rpt-1-oss — открытая модель SAP для предсказаний по табличным данным, основанная на работе ConTextTab: A Semantics-Aware Tabular In-Context Learner. Она использует table-native in-context learning и специализированные представления для разных типов данных, чтобы учитывать значения ячеек, названия столбцов и их семантический контекст. Чекпойнт и возможности совпадают с прежней версией ConTextTab. Модель принимает таблицу в виде pandas DataFrame или массива NumPy и предназначена для классификации и регрессии. Предобработка не требуется: имена столбцов и значения ячеек автоматически встраиваются с помощью работающей в фоновом режиме языковой модели, а пропуски обрабатываются. Архитектура сочетает обработку табличной структуры с семантическим представлением реальных данных; в README заявлена конкурентоспособность на широком наборе бенчмарков и сильные результаты на CARTE. Репозиторий распространяется по лицензии Apache-2.0. Для загрузки чекпойнтов требуется авторизация в Hugging Face. В README не указаны размеры модели или ограничения на контекст; известных проблем авторы не сообщают.

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-small на Hugging Face совпадает с карточкой amazon/chronos-t5-small, поэтому описание составлено по ней. Chronos-T5 Small — модель прогнозирования временных рядов из семейства Chronos, разработанного Amazon. Она преобразует числовые ряды в последовательности токенов с помощью масштабирования и квантования, а затем autoregressive-модель на архитектуре T5 генерирует возможные продолжения ряда. Выборка нескольких траекторий позволяет получить вероятностный прогноз и оценить распределение будущих значений. Модель предназначена для прогнозирования на основе исторических наблюдений и может применяться к различным временным рядам. Она обучалась на общедоступных данных временных рядов и синтетических данных, созданных с помощью гауссовских процессов. В README для варианта Small указано 46 млн параметров, тогда как метаданные репозитория сообщают 24,1 млн; поэтому размер модели противоречив. Указанный в метаданных контекст составляет 512 токенов. Лицензия — Apache-2.0.

Chronos-T5 Small — модель прогнозирования временных рядов из семейства Chronos, разработанного Amazon. Она преобразует числовые ряды в последовательности токенов с помощью масштабирования и квантования, а затем autoregressive-модель на архитектуре T5 генерирует возможные продолжения ряда. Выборка нескольких траекторий позволяет получить вероятностный прогноз и оценить распределение будущих значений. Модель предназначена для прогнозирования на основе исторических наблюдений и может применяться к различным временным рядам. Она обучалась на общедоступных данных временных рядов и синтетических данных, созданных с помощью гауссовских процессов. В README для варианта Small указано 46 млн параметров, тогда как метаданные репозитория сообщают 24,1 млн; поэтому размер модели противоречив. Указанный в метаданных контекст составляет 512 токенов. Лицензия — Apache-2.0.

ItalianNERXXL — модель разметки именованных сущностей на основе BERT, опубликованная Michele Montebovi. Она предназначена для извлечения из итальянского текста 52 типов сущностей, включая имена и адреса, контакты, банковские и налоговые реквизиты, юридические сведения, медицинские данные и сведения о лекарствах. Модель подходит для автоматической разметки документов и поиска чувствительной информации в итальянских текстах. Модель содержит 137,9 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. В README заявлена точность 79%; это начальный выпуск, а заявленные планы регулярных улучшений не гарантируют качество на новых данных. Распознавание чувствительных реквизитов и медицинских или юридических сущностей следует проверять на целевом наборе текстов. Лицензия — Apache-2.0.

QwenLong-L1-32B — плотная языковая модель семейства Qwen2, разработанная Tongyi Lab группы Alibaba. Она дообучена с обучением с подкреплением на основе DeepSeek-R1-Distill-Qwen-32B для рассуждений по длинному контексту и ответов на вопросы по документам. В карточке указаны 32 млрд параметров, поддержка генерации текста и контекст до 131 072 токенов. Модель предназначена для DocQA, включая задачи с математическими, логическими и многошаговыми рассуждениями по длинным документам. Авторы сообщают о проверке на семи бенчмарках и приводят результаты, сопоставимые с Claude-3.7-Sonnet-Thinking; это заявления авторов, а не независимая оценка. Для обработки контекста длиннее 32 768 токенов README рекомендует включать масштабирование YaRN и отмечает, что оно может ухудшать результаты на коротких текстах. Модель распространяется по лицензии Apache-2.0.

TimesFM 2.5 — модель прогнозирования временных рядов, разработанная Google. Этот репозиторий содержит версию официального чекпойнта TimesFM 2.5, преобразованную для библиотеки Transformers; архитектура и поведение прогнозирования сохранены. Модель имеет архитектуру decoder-only с обработкой входных данных патчами и около 229,4 млн параметров. Модель предназначена для прогнозирования временных рядов по историческим последовательностям. Она формирует точечные и квантильные прогнозы; указанная длина контекста — 16 384 токена. Репозиторий содержит веса в формате safetensors, а для работы используется библиотека Transformers. Модель рассчитана на данные временных рядов, поэтому естественный язык не является её основным входом или выходом. В README указана проверка соответствия прогнозов преобразованной модели результатам официальной реализации на детерминированных входных данных. Лицензия — Apache-2.0.

Chronos-Bolt Base — предварительно обученная модель прогнозирования временных рядов, разработанная AutoGluon. Она предназначена для прогнозирования без дообучения на целевом наборе данных: принимает исторические наблюдения и строит вероятностные прогнозы на несколько будущих шагов, в том числе с учётом ковариат. Модель основана на архитектуре T5 encoder-decoder, использует патчи из нескольких наблюдений и выдаёт прогнозы по квантилям. В карточке указаны 99,1 млн параметров и контекст до 512 токенов; обучение проводилось на почти 100 млрд наблюдений временных рядов. Модель ориентирована на быстрое пакетное прогнозирование и развёртывание в AutoGluon и Amazon SageMaker; поддерживаются CPU и GPU. README сообщает о более высокой точности, скорости до 250 раз выше и использовании памяти до 20 раз ниже по сравнению с моделями Chronos того же размера, а также о превосходстве Base над Chronos Large в бенчмарке. Эти сравнительные результаты относятся к описанным в карточке условиям оценки. Лицензия — Apache-2.0. Языковые свойства здесь не применимы к обычному тексту: входом и выходом служат временные ряды и их прогнозы.

Chronos-T5 Base — предварительно обученная модель прогнозирования временных рядов из семейства Chronos, построенная на архитектуре T5. В README описан подход Chronos: числовой ряд масштабируется и квантуется в последовательность токенов, которую языковая модель обрабатывает авторегрессионно. Модель обучалась на общедоступных временных рядах и синтетических данных, созданных с помощью гауссовских процессов. Модель предназначена для прогнозирования будущих значений по историческим наблюдениям и построения вероятностных прогнозов путём выборки нескольких возможных траекторий. Размер этой версии — 102,2 млн параметров; контекст составляет до 512 токенов. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Временные ряды кодируются как токены для архитектуры T5, поэтому результат относится к числовому прогнозированию, а не к обычной генерации текста. README сообщает, что Chronos-Bolt быстрее и точнее моделей исходного семейства Chronos сопоставимого размера; конкретные ограничения точности и поддерживаемые частоты зависят от данных и сценария применения.

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.

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

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.

Chronos-T5 Small — предварительно обученная модель для прогнозирования временных рядов из семейства Chronos, разработанного Amazon. Она преобразует историю числового ряда в токены посредством масштабирования и квантования, а затем autoregressive модель на архитектуре T5 генерирует возможные продолжения. Выборка нескольких будущих траекторий позволяет получать вероятностный прогноз. Модель предназначена для прогнозирования временных рядов по историческим наблюдениям. Семейство обучалось на открытых рядах и синтетических данных, созданных с помощью гауссовских процессов. В репозитории указано 46 млн параметров для варианта Small, тогда как метаданные этой модели указывают 24,1 млн параметров; контекст — 512 токенов. Лицензия — Apache 2.0.