IV.3Страхование и актуарные задачи

de-Rodrigo/donut-merit — модель понимания документов на архитектуре Donut, дообученная разработчиком на наборе Merit для задач разбора форм. Она принимает изображение документа и формирует текстовое представление его содержимого. Модель относится к семейству vision-encoder-decoder и предназначена для сценариев извлечения информации из форм. Карточка указывает английский и испанский языки. Модель распространяется в формате safetensors по лицензии MIT. Основана на naver-clova-ix/donut-base-finetuned-cord-v2. README помечен как WIP; дополнительных сведений о качестве и ограничениях модели нет.

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.

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.

anchovy/autogluon-chronos-t5-small — предварительно обученная модель прогнозирования временных рядов из семейства Chronos, построенная на архитектуре T5. Она преобразует числовой временной ряд в последовательность токенов с помощью масштабирования и квантования, а затем авторегрессионно генерирует будущие значения. Несколько сэмплированных траекторий позволяют получить вероятностный прогноз. Модель предназначена для прогнозирования временных рядов по историческим наблюдениям. Она обучалась на общедоступных временных рядах и синтетических данных, созданных с помощью гауссовских процессов. В репозитории указаны формат safetensors, лицензия Apache-2.0 и размер 24,1 млн параметров; метаданные задают контекст 512 токенов. В README для варианта T5-small указано 46 млн параметров, что расходится с метаданными репозитория.

Chronicle — компактная мультимодальная модель InertialAI для совместного понимания естественного языка и временных рядов. Это 324-миллионный декодерный трансформер с 16 слоями, обученный с нуля на текстах и временных рядах; токены текста и патчи рядов обрабатываются общими блоками трансформера. В репозитории представлены контрольные точки двух этапов обучения, для второй этапной версии контекст составляет 4096 токенов, а для первой — 2048; патчи временного ряда охватывают 32 шага. Модель предназначена для прогнозирования временных рядов, получения эмбеддингов для классификации рядов и мультимодальных сценариев, сочетающих числовые последовательности с текстом. Также заявлена языковая обработка на уровне моделей сопоставимого размера. В README приведены результаты оценок на наборах задач NLU, классификации и мультимодального прогнозирования; это результаты авторов, для воспроизведения которых указаны статья и код проекта. Веса доступны в формате safetensors, реализация инференса использует PyTorch. Модель опубликована под лицензией Apache-2.0. Данные о поддерживаемых языках ограничены тегом английского языка в метаданных; точный охват языков и сценариев следует проверять на целевом наборе данных.

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 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 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.

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.

Chronos-Bolt Small — предварительно обученная модель прогнозирования временных рядов из семейства Chronos-Bolt, опубликованная AutoGluon. Она предназначена для прогнозов без дообучения на конкретном наборе данных. Модель использует архитектуру T5 encoder-decoder: кодировщик обрабатывает фрагменты истории, а декодер напрямую строит вероятностные прогнозы по нескольким будущим шагам, включая квантильные оценки. Модель обучалась на почти 100 млрд наблюдений временных рядов. Для неё указан контекст до 512 наблюдений; README описывает поддержку ковариат и запуск на CPU и GPU. Авторы сообщают, что Chronos-Bolt быстрее и экономнее по памяти исходных Chronos того же размера, а в приведённых ими бенчмарках показывает более высокую точность. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Метаданные указывают 22 млн параметров, тогда как таблица README для варианта small указывает 48 млн; размер модели в источниках расходится.

lift-MLX-BF16 — конверсия модели datalab-to/lift в формат MLX с точностью bf16, подготовленная сообществом для запуска на компьютерах Apple Silicon через mlx-vlm. Это плотная vision-language модель семейства Qwen3.5 с 9 млрд параметров для извлечения структурированных данных из PDF и изображений и формирования JSON по заданной схеме. Модель подходит для разбора счетов и других документов, когда нужно получить поля в заданном формате. Сервер mlx_vlm может применять JSON Schema при декодировании, чтобы ограничивать структуру результата. В README приведены показатели исходной модели lift на бенчмарке из 225 документов; они не являются отдельной оценкой этой конверсии. Для варианта bf16 указаны размер около 18 ГБ и пиковое потребление памяти около 19,9 ГБ при тестировании на Apple M5 Max; эти значения ориентировочные. Репозиторий содержит веса safetensors, пересохранённые в MLX без квантизации. Лицензия — OpenRAIL. Конверсия создана сообществом и не связана с Datalab; README отмечает исправление настройки EOS для корректного завершения генерации в MLX-серверах.

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.

Tabby-Pretrain — предварительно обученный энкодер PatchTST, разработанный авторами Tabby и опубликованный как замороженная базовая часть модели. Он предназначен для прогнозирования временных рядов без дообучения и для адаптации под конкретные данные. Архитектура включает 20 слоёв и размерность скрытого состояния 768; README указывает 145,84 млн параметров, а метаданные — 188,7 млн. Модель обучалась на реальных и синтетических временных рядах с маскированным предсказанием патчей и функцией потерь pinball для 99 квантилей, благодаря чему один проход формирует распределение прогноза. Репозиторий содержит только веса энкодера в формате safetensors и конфигурацию; оптимизатор для продолжения обучения отсутствует. Для самостоятельного запуска полной модели авторы указывают отдельный чекпойнт Tabby, а для использования промпта — Tabby-Prompt. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое использование.

Chronos-Bolt-Tiny — предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она построена на архитектуре T5 encoder-decoder и предназначена для прогнозирования без дообучения на новых рядах. Исторические наблюдения группируются в патчи и кодируются; декодер напрямую строит многократные прогнозы будущих значений в виде квантилей. В README для этой версии указано 9 млн параметров, а метаданные репозитория указывают 3,7 млн; контекст составляет до 512 наблюдений. Модель обучалась на почти 100 млрд наблюдений временных рядов. Модель подходит для прогнозирования спроса, показателей бизнеса, сенсорных измерений и других временных рядов, в том числе на CPU или GPU через SageMaker JumpStart. По данным README, семейство Chronos-Bolt быстрее и экономнее по памяти, чем исходные Chronos, и демонстрирует высокую точность на нескольких наборах данных; конкретные результаты могут зависеть от данных и сценария. Для производственного применения README рекомендует AutoGluon, который позволяет дообучать модель, учитывать ковариаты и объединять прогнозы с другими моделями. Лицензия репозитория — Apache-2.0.

Карточка модели CollectionStudio/chronos-bolt-tiny на Hugging Face совпадает с карточкой amazon/chronos-bolt-tiny, поэтому описание составлено по ней. Chronos-Bolt-Tiny — предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она построена на архитектуре T5 encoder-decoder и предназначена для прогнозирования без дообучения на новых рядах. Исторические наблюдения группируются в патчи и кодируются; декодер напрямую строит многократные прогнозы будущих значений в виде квантилей. В README для этой версии указано 9 млн параметров, а метаданные репозитория указывают 3,7 млн; контекст составляет до 512 наблюдений. Модель обучалась на почти 100 млрд наблюдений временных рядов. Модель подходит для прогнозирования спроса, показателей бизнеса, сенсорных измерений и других временных рядов, в том числе на CPU или GPU через SageMaker JumpStart. По данным README, семейство Chronos-Bolt быстрее и экономнее по памяти, чем исходные Chronos, и демонстрирует высокую точность на нескольких наборах данных; конкретные результаты могут зависеть от данных и сценария. Для производственного применения README рекомендует AutoGluon, который позволяет дообучать модель, учитывать ковариаты и объединять прогнозы с другими моделями. Лицензия репозитория — Apache-2.0.

Moirai-2.0-R-Small — компактная авторегрессионная модель трансформера для прогнозирования временных рядов, разработанная Salesforce. Она предварительно обучена на наборах GIFT-Eval и Chronos, синтетических рядах и внутренних операционных данных Salesforce; размер модели — 12,4 млн параметров. Для запуска вывода используется библиотека uni2ts. Модель предназначена для прогнозирования временных рядов. В версии 2.0 применяются функция потерь на квантилях, предсказание нескольких токенов за шаг, фильтрация рядов низкого качества при обучении, патчевые эмбеддинги с информацией о пропусках и случайное маскирование патчей для повышения устойчивости при выводе. Модель выпущена для исследовательского использования; Salesforce указывает, что исследовательская версия и связанные данные не разрабатывались и не оценивались для всех прикладных сценариев. Перед применением следует оценить точность, безопасность и справедливость результатов, особенно в сценариях с высокими последствиями ошибок. Лицензия — CC BY-NC 4.0.

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.

Tafsut Univariate Base — трансформерная модель семейства Tafsut для вероятностного прогнозирования одномерных временных рядов. Модель разработана авторами проекта Tafsut и рассчитана на прогнозирование новых рядов без дообучения на каждом из них. В метаданных указано около 115,6 млн параметров; README описывает архитектуру с патчами по 32 наблюдения, 14 блоками трансформерного энкодера, RMS-подобной нормализацией и позиционными RoPE-встраиваниями. На вход подаётся история скалярных наблюдений, на выходе — девять квантилей от 0,1 до 0,9 для каждого будущего шага, включая медианный прогноз и диапазон неопределённости. Поддерживается контекст до 32 768 наблюдений, пропуски можно представлять как NaN. Модель подходит для прогнозирования отдельных рядов из разных прикладных областей; README приводит оценку на наборах GIFT-Eval. Модель работает только с одномерными рядами: она не использует ковариаты, внешние переменные или взаимосвязи между рядами. Контексты длиннее 32 768 наблюдений обрезаются; при горизонте свыше 1 024 шагов медианные прогнозы повторно подаются модели как контекст. Лицензия — MIT.

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.

Chronos-2 — модель временных рядов с архитектурой на основе энкодера T5, разработанная AutoGluon. Она предназначена для прогнозирования без дообучения на конкретной задаче: поддерживает одномерные и многомерные ряды, а также учитывает ковариаты. Модель строит многошаговые квантильные прогнозы и использует групповое внимание для обучения в контексте на связанных рядах и ковариатах. Модель насчитывает 99,1 млн параметров по метаданным; в README указано 120 млн. Она обучалась на реальных и синтетических данных, включая подмножества Chronos Datasets и GIFT-Eval Pretrain. Авторы сообщают о высокой точности zero-shot прогнозирования на fev-bench, GIFT-Eval и Chronos Benchmark II, а также о быстром инференсе на GPU и поддержке CPU. Лицензия — Apache-2.0.

Chronos-Bolt Tiny — предварительно обученная модель прогнозирования временных рядов из семейства Chronos-Bolt, опубликованная AutoGluon. Она предназначена для прогнозов без дополнительного обучения на конкретном наборе данных. Модель построена на архитектуре T5 encoder-decoder: исторический ряд разбивается на патчи, а декодер напрямую формирует вероятностные прогнозы по нескольким будущим шагам и квантилям. В README указан размер 9 млн параметров, а в метаданных Hugging Face — 3,7 млн; эти сведения расходятся. Контекст составляет до 512 наблюдений. Модель рассчитана на быстрый прогноз временных рядов, в том числе с ковариатами, и поддерживает запуск на CPU и GPU. README сообщает о сравнительно высокой скорости и эффективности по памяти относительно исходных Chronos того же размера, а также о результатах zero-shot оценки на 27 наборах данных. Подходит для прикладного прогнозирования, но точность зависит от данных и горизонта прогноза; конкретные ограничения применения не описаны. Лицензия — Apache-2.0.

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.

Qwen2-Math-72B-Instruct-IMat-GGUF — квантизированная версия языковой модели Qwen/Qwen2-Math-72B-Instruct. Исходную модель разработала команда Qwen, а квантизацию выполнил legraphista с использованием llama.cpp и IMatrix-калибровки. Модель предназначена для генерации текста в диалоговом формате и решения математических задач, включая сценарии локального запуска через совместимые инструменты llama.cpp и GGUF. Модель содержит 72 млрд параметров, изначально представлена в формате BF16 и доступна в нескольких вариантах GGUF-квантизации: от Q8_0 до 1–3-битных форматов, включая Q4_K, Q3_K и Q2_K. Для ряда вариантов применена IMatrix, призванная сохранить качество при уменьшении размера. В карточке указаны английский язык и текстовая модальность; размер контекста и точная архитектура не приведены. Сильная сторона модели — специализация на математическом рассуждении и широкий выбор вариантов квантизации, позволяющий выбирать баланс между качеством, размером файлов и требованиями к памяти. Ограничения связаны с очень большим исходным размером: даже доступные квантизированные файлы занимают примерно от 29,81 до 77,26 ГБ, а некоторые варианты разделены на несколько частей. Качество и потребление ресурсов зависят от выбранного формата квантизации. Лицензия обозначена как other с названием tongyi-qianwen; подробные условия приведены в лицензии исходной модели Qwen/Qwen2-Math-72B-Instruct.

thefloydd/qwen3-0.6b-rlcd — компактная модель оценки вариантов на 0,6 млрд параметров, созданная на базе Qwen3-0.6B-Base и опубликованная автором репозитория. Она принимает описание состояния и один или несколько типизированных вопросов с вариантами ответа и критериями, затем за один проход оценивает варианты и возвращает калиброванные вероятности, а также отдельную оценку уверенности в том, что правильный ответ вообще присутствует среди вариантов. Модель не генерирует текстовые токены и рассчитана на работу через Transformers, в том числе на CPU. Модель предназначена прежде всего для структурированных решений: применения правил к записям и документам, проверки утверждений, классификации по заданным вариантам и ситуаций, где полезно воздержаться от ответа при низкой уверенности. Вопросы обрабатываются независимо; поддерживается до 255 вариантов для вопроса типа choice и до 8192 токенов на запрос, хотя обучение проводилось на состояниях длиной до 2304 токенов. Модель обучена на английском языке. Базовая модель дообучена с LoRA, после чего адаптер слит с весами; лицензия репозитория — Apache-2.0. Наиболее сильные результаты показаны на структурированных задачах принятия решений. Качество обычной классификации текста, логического вывода, анализа журналов и многошаговых вопросов заметно ниже, калибровка зависит от области. Модель не может выбрать ответ вне предложенного списка: если верного варианта нет, следует ориентироваться на отдельную оценку confidence. Данные обучения включали источники с различными условиями лицензирования, в том числе некоммерческое обучение и исследовательское использование.

TiRex — предварительно обученная модель прогнозирования временных рядов от NX-AI, основанная на архитектуре xLSTM и содержащая 35 млн параметров. Она предназначена для прогнозирования без дообучения на пользовательских данных: модель принимает временной ряд и выдаёт точечные и квантильные оценки для коротких и длинных горизонтов. В README указаны результаты на бенчмарках GiftEval и ChronosZS. Репозиторий содержит модель в формате ONNX; для работы предусмотрена библиотека tirex. README также описывает CUDA-ядра для sLSTM, которым требуется GPU с Compute Capability 8.0 или выше. В метаданных указана лицензия other, поэтому условия использования следует уточнять в материалах проекта.

ChatTime-1-7B-Chat — мультимодальная модель для работы с временными рядами и текстом, разработанная авторами ChatTime. Она построена на архитектуре LlamaForCausalLM и получена дообучением ChatTime-1-7B-Base на наборе ChengsenWang/ChatTime-1-Finetune-100K. Модель содержит 6,6 млрд параметров, принимает контекст длиной до 4096 токенов и распространяется в формате safetensors. Модель предназначена для прогнозирования временных рядов, в том числе без примеров для конкретного ряда, прогнозирования с текстовым контекстом и ответов на вопросы о временных рядах. README указывает на двунаправленную работу с текстом и временными рядами, но не приводит подробностей кодирования временных рядов. Метаданные указывают Apache-2.0; заявлены возможности модели для исследований и практического применения, однако README отсылает за деталями обучения и оценок к статье.

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.

t0-beta — открытая модель прогнозирования временных рядов от The Forecasting Company, вторая публичная версия семейства t0. Это трансформер с декодерной архитектурой и патчевым представлением, примерно на 256 млн параметров. Модель строит вероятностные прогнозы на несколько шагов вперёд и нативно учитывает несколько целевых рядов и ковариат. Модель предназначена для одно- и многомерного прогнозирования с историческими и известными будущими ковариатами: например, календарными признаками, праздниками, плановыми событиями, акциями и прогнозом погоды. Она выдаёт 21 квантильный уровень; промежуточные уровни интерполируются, а за пределами обученного диапазона экстраполируются. Весами можно пользоваться через PyTorch или MLX на Apple Silicon. Это beta-версия для исследований, экспериментов и прикладной оценки прогнозирования; прогнозы являются вероятностными оценками, а не гарантиями. Для корректной нормализации входов необходимы tfc-t0 версии 0.5.0 или новее либо tfc-t0-mlx версии 0.1.0 или новее: более ранние версии могут незаметно ухудшить прогноз. Лицензия — Apache-2.0.

TabFM 1.1.0 — табличная фундаментальная модель Google Research для классификации и регрессии на структурированных данных. Эта версия содержит веса PyTorch; модель использует числовые и категориальные признаки и выполняет zero-shot предсказание: примеры обучающей выборки передаются как контекст, после чего модель выдаёт прогноз за один проход без дообучения и подбора гиперпараметров. Архитектура сочетает внимание по столбцам и строкам с причинным трансформером для обучения в контексте. Для классификации поддерживается до 10 классов. Модель предназначена для табличных данных, например DataFrame pandas или массивов NumPy, и не рассчитана на изображения, аудио, видео, сырой текст, графы или последовательности. Потребление памяти растёт с числом строк контекста; качество может снижаться на таблицах шире 500 признаков, а результат на конкретных данных нужно проверять отдельно, особенно в высокорисковых сценариях. Модель разработана командой Google Research и обучена на синтетических наборах данных, сгенерированных структурными причинными моделями. Лицензия указана как other; README исключает коммерческое использование. Модель не является официально поддерживаемым продуктом Google.