IV.7Цепочки поставок, склады, логистика и международная торговля

CanelE452/pallet-pose-yolo26m-ft — дообученная средняя версия модели Ultralytics YOLO26m-Pose для оценки положения паллеты по изображению с камеры погрузчика. Модель принимает один RGB-кадр и предсказывает ограничивающую рамку и 9 ключевых точек; последующий расчёт PnP использует точки для получения 6-DoF-позы, включая угол поворота, боковое смещение и расстояние вперёд. Размер модели — 23,6 млн параметров, формат весов — PyTorch, библиотека — Ultralytics. Модель рассчитана на распознавание пластиковых паллет в кадрах с закреплённой на погрузчике камерой с разрешением 640×480. Для инференса изображение нужно дополнить отражённой рамкой шириной 100 пикселей со всех сторон, а затем вычесть 100 из координат предсказанных точек. Порядок ключевых точек определяется стороной паллеты, обращённой к камере. По сравнению с вариантом nano средняя точность не показывает статистически значимого улучшения; средняя модель медленнее и крупнее, хотя в типичных случаях может давать более точные результаты. Модель слабее работает с сильно обрезанными и удалёнными маленькими паллетами; проверена для одного объекта на кадр, сцены с несколькими паллетами не тестировались. Другая высота установки или угол камеры также не проверены, а деревянные паллеты исключены из целевых данных. Лицензия — AGPL-3.0, унаследованная от базовых весов Ultralytics; для сетевого развёртывания применимы её обязательства.

CanelE452 разработал CanelE452/pallet-pose-yolo26n-cleanlabel — модель оценки позы квадратных паллет на базе YOLO26n-pose, обученная с C4-симметричным loss. В этой версии исправлены исходные поля разметки и отключена горизонтальная flip-аугментация, поскольку порядок углов асимметричен. Модель предсказывает 9 ключевых точек: четыре угла ближней грани, четыре угла дальней грани и центроид. Её главное преимущество — стабильная нумерация углов: по README, предсказания совпадают с принятой нумерацией в 98,7% случаев, а медианная ошибка для фиксированных индексов составляет 1,90 px. Для инференса необходимы padding с отражением на 100 px и ultralytics версии не ниже 8.4.60. Модель рассчитана на квадратные паллеты и применение в конкретной производственной среде. Обобщение на новые площадки не проверено; модель слабо проверена на обрезанных паллетах, а частота ложных срабатываний не измерялась. Для downstream-оценки позы следует использовать objectPoints размером 1,10 × 0,15 × 1,10 м. Лицензия — AGPL-3.0.

segformer-b5-segments-warehouse1 — модель семантической сегментации изображений на базе SegFormer B5, дообученная malra на датасете jakka/warehouse_part1. Она предназначена для поклассовой разметки изображений складской среды: каждому пикселю модель назначает класс. В README приведены результаты на тестовой выборке: Mean IoU 0,6952, Mean Accuracy 0,8014 и Overall Accuracy 0,9648; качество заметно различается между классами, а IoU для двух категорий равен нулю. Модель использует архитектуру SegformerForSemanticSegmentation и распространяется в формате PyTorch. Лицензия — Apache-2.0. Карточка не раскрывает названия классов, обучающие настройки или сведения о применении за пределами указанного набора данных, поэтому переносимость на другие склады и условия съёмки по приведённым метрикам оценить нельзя.

VST-7B-RL — визуально-языковая модель на базе архитектуры Qwen2.5-VL, представленная авторами работы Visual Spatial Tuning. Она дообучена поэтапно: сначала с учителем для формирования пространственных знаний, затем с подкреплением для развития пространственных рассуждений. Модель принимает изображения и текстовые запросы, а также рассчитана на сценарии с несколькими изображениями и видео; размер составляет 7,1 млрд параметров, контекст — до 128 000 токенов. Модель предназначена для распознавания пространственных отношений и рассуждений о сценах: подсчёта объектов, оценки расстояний и размеров, определения направлений и планирования маршрутов. В README заявлены результаты на пространственных бенчмарках и усиление возможностей моделей для робототехники; также показана способность сохранять общие визуально-языковые навыки. Лицензия — Apache 2.0.

RoboPoint-v1-Vicuna-13B — открытая визуально-языковая модель, разработанная авторами RoboPoint и дообученная на базе lmsys/vicuna-13b-v1.5. Модель принимает изображение вместе с текстовой инструкцией и определяет точку или область, связанную с возможным действием в сцене, например свободное место на полке рядом с нужным предметом. Модель предназначена для пространственного понимания сцен и выдачи точечных указаний для робототехнических задач, а также для визуальных вопросов и ответов. Она построена на архитектуре LlavaLlamaForCausalLM, содержит 12,9 млрд параметров и имеет контекстное окно 4096 токенов. Обучение включало данные по робототехнике и визуальным вопросам и ответам; опубликованный набор данных — wentao-yuan/robopoint-data. Результат следует проверять перед использованием для управления физическим роботом: карточка не описывает гарантии точности или безопасность действий. Модель распространяется по лицензии Apache-2.0.

Модель electronic-components-model разработана Chirag Pradhan и представляет собой Vision Transformer (ViT), дообученный на наборе данных электронных компонентов. Она классифицирует изображения резисторов, конденсаторов, катушек индуктивности, транзисторов и других компонентов, распознавая их визуальные признаки. Модель содержит 113,2 млн параметров, использует архитектуру ViTForImageClassification и доступна в формате safetensors для библиотеки Transformers. Она предназначена для автоматического распознавания электронных компонентов по изображениям, например при сортировке или инвентаризации. Базовая модель — google/vit-base-patch16-224. Лицензия — Apache License 2.0.

RynnBrain-Nav-8B — модель Alibaba DAMO Academy для навигации и планирования действий робота по визуальным наблюдениям и языковым инструкциям. Она основана на RynnBrain-8B и использует архитектуру Qwen3-VL с генерацией текста по изображениям; семейство RynnBrain предназначено для понимания эгоцентрических сцен и привязки языка к физическому пространству и времени. Модель подходит для навигации и планирования маршрута по визуальным данным, включая распознавание целевых объектов и областей. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

CornViT — модель компьютерного зрения на основе CvT-13 для оценки качества зёрен кукурузы по изображениям. Она использует иерархическую трёхэтапную классификацию: определяет чистоту зерна (чистое или примесь), форму (плоское или округлое) и ориентацию зародыша (вверх или вниз). Архитектура CvT-13 предварительно обучена на ImageNet-22k; размер входного изображения — 384×384 пикселя. Модель предназначена для автоматизированного контроля и сортировки зёрен кукурузы. В README приведены точности этапов на тестовых данных: 93,8%, 94,1% и 91,1% соответственно. Модель доступна по лицензии MIT. Карточка описывает реализацию на PyTorch, тогда как метаданные указывают библиотеку Keras; способ запуска следует сверять с файлами репозитория.

AlphaSpace-1.5B — модель Menlo Research, дообученная на DeepSeek-R1-Distill-Qwen-1.5B Instruct для пространственных рассуждений при роботизированных манипуляциях в трёхмерном декартовом пространстве. Она использует иерархическую токенизацию, представляющую объекты, их атрибуты, координаты и высоту структурированными токенами, чтобы формировать решения о размещении объектов без опоры на визуальные эмбеддинги. Модель рассчитана на задачи перемещения и размещения объектов по координатам [x, y, z], в том числе на примеры рассуждений о pick-and-place. Это плотная авторегрессионная языковая модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 131 072 токенов; работает через Transformers. Веса опубликованы в формате safetensors. Модель обучена на наборе Pick-Place-Table-Reasoning-local-pos-v0.2. README сообщает об обучении SFT на кластере из восьми GPU NVIDIA H200, но не приводит метрик качества или результатов оценки. Лицензия — Apache-2.0. Описание позиционирует модель для пространственных рассуждений по структурированным данным; способность непосредственно воспринимать изображения или управлять реальным роботом не заявлена.

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-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.

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

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

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.

Granite-TTM-R3 — компактная предварительно обученная модель прогнозирования временных рядов из семейства Granite, разработанная IBM на основе TinyTimeMixer. Вариант в этом репозитории содержит 2,3 млн параметров и представлен в формате safetensors; архитектура относится к семейству TinyTimeMixer и использует эффективные mixer-блоки без дорогостоящего self-attention. Модель предназначена для прогнозирования временных рядов, в том числе на новых наборах данных без дообучения, с адаптацией на небольшом числе примеров и после полного дообучения под конкретную область. Поддерживаются многомерные ряды, дополнительные и управляющие переменные, а также пакетный инференс. В карточке описаны декомпозиция тренда и остатка, многомасштабная обработка временных зависимостей, частотные признаки и вероятностные прогнозы по квантилям. Компактный размер и заявленная высокая пропускная способность делают модель подходящей для масштабного и низколатентного прогнозирования, включая развёртывание на CPU. Результаты точности и скорости приведены в карточке модели; они зависят от данных и условий измерения. Модель распространяется по лицензии Apache-2.0.

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-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.

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 Mini — предварительно обученная модель прогнозирования временных рядов от Amazon. Она построена на архитектуре T5 encoder-decoder и предназначена для прогнозирования без дополнительного обучения на конкретном наборе данных. Исторические наблюдения группируются в патчи и кодируются, после чего модель напрямую формирует вероятностные прогнозы-квантили для нескольких будущих шагов. Модель поддерживает контекст до 512 токенов; в карточке Hugging Face указаны 8,3 млн параметров, тогда как README приводит для этой версии размер 21 млн параметров. Модель подходит для пакетного и производственного прогнозирования временных рядов. По данным README, семейство обучалось почти на 100 млрд наблюдений и заметно быстрее и экономнее по памяти, чем исходные Chronos; в описанном сравнении Chronos-Bolt также показала более точное прогнозирование. Возможна работа с ковариатами через SageMaker JumpStart и AutoGluon. Модель опубликована под лицензией Apache 2.0. Прогнозы могут быть менее надёжными для рядов, существенно отличающихся от данных обучения; для повышения качества README рекомендует рассмотреть дообучение и ансамблирование с помощью AutoGluon.

Chronos-Bolt Small — предварительно обученная модель Amazon для прогнозирования временных рядов с нулевым дообучением на новых данных. Она использует архитектуру T5 encoder-decoder: кодировщик обрабатывает исторические наблюдения блоками, а декодер напрямую строит вероятностные прогнозы квантилей на несколько будущих шагов. По README модель обучалась на почти 100 млрд наблюдений временных рядов; метаданные указывают архитектуру T5 и 22 млн параметров, тогда как таблица README приводит для варианта Small 48 млн параметров. Модель предназначена для прогнозирования временных рядов, в том числе без предварительного обучения на целевом наборе данных. Для промышленного использования README рекомендует AutoGluon, который также позволяет дообучать модель, учитывать ковариаты и объединять прогнозы с другими моделями; доступно развёртывание через SageMaker JumpStart на CPU и GPU. Заявлены более высокая скорость и меньший расход памяти по сравнению с исходными моделями Chronos сопоставимого размера. Контекст составляет 512 наблюдений по метаданным. Лицензия — Apache-2.0.

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.

Chronos-T5 Mini — предварительно обученная модель прогнозирования временных рядов из семейства Chronos, разработанного Amazon. Она основана на архитектуре T5 и преобразует числовые ряды в токены с помощью масштабирования и квантования; метаданные указывают 9,8 млн параметров и контекст 512 токенов. При обучении использовались открытые временные ряды и синтетические данные, созданные с помощью гауссовских процессов. Модель генерирует вероятностные прогнозы, авторегрессионно выбирая будущие значения; несколько сгенерированных траекторий позволяют оценить распределение прогноза. Модель предназначена для прогнозирования будущего по историческим наблюдениям в задачах анализа временных рядов. В README размер этой версии указан как 20 млн параметров, тогда как метаданные каталога приводят 9,8 млн; поэтому размер в описании взят из метаданных. Модель доступна под лицензией Apache-2.0. README сообщает о более новых Chronos-Bolt, которые быстрее и точнее исходных моделей того же размера, что может быть основанием рассмотреть их для сценариев с высокими требованиями к скорости или точности.

EXAONE Forecast for Demand (Synthetic) — модель прогнозирования временных рядов спроса, разработанная LG AI Research. Это выпускаемая в репозитории синтетическая версия модели: общая основа временных рядов предварительно обучена на KernelSynth и остаётся замороженной, а адаптер дообучен только на синтетических данных о спросе. Модель содержит 348 млн параметров: 312 млн в основе и 36 млн в адаптере и маршрутизаторе. Адаптер использует пять низкоранговых ветвей: общую и по одной для гладкого, прерывистого, нестабильного и разреженно-кластерного спроса. Маршрутизатор выбирает их сочетание по восьми характеристикам входного ряда. Модель предназначена для прогнозирования спроса без дополнительного обучения на целевых данных; в отчёте она оценивалась на 22 отложенных наборах и превзошла 36 сравнивавшихся TSFM по указанным метрикам. Для работы требуются PyTorch 2.0 или новее и Python 3.9 или новее; для малых задач подходит CPU, рекомендуется CUDA. Репозиторий содержит веса, а код инференса опубликован отдельно. Лицензия весов указана как other; README сообщает, что синтетическое обучение не наследует лицензии наборов реального спроса, но конкретные условия использования следует сверять с файлом License. Проверка заявленных результатов ограничена описанной оценкой на 22 наборах данных.

rayzkir/tnved_biencoder — дообученная на базе BAAI/bge-m3 модель Sentence Transformers для поиска соответствий между текстовыми описаниями товаров и кодами ТН ВЭД. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; близость можно оценивать косинусным сходством. Архитектура включает XLM-RoBERTa, pooling по CLS-токену и нормализацию. Метаданные указывают 658,7 млн параметров и контекст до 8194 токенов, тогда как карточка сообщает максимальную длину последовательности 128 токенов. Модель обучалась на примерах запросов, подходящих описаний и отрицательных вариантов; README приводит результаты поиска на tnved_val, включая cosine_accuracy@1 0,9112 и @5 0,9824. Её можно применять для подбора кандидатов к товарным описаниям и семантического поиска по классификатору ТН ВЭД. При использовании следует учитывать расхождение между указанными длинами контекста и ограниченность приведённой оценки одним набором проверки. Лицензия в предоставленных данных не указана.

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.

Chronos-Bolt Base — предварительно обученная модель прогнозирования временных рядов от Amazon. Она построена на архитектуре T5 encoder-decoder, содержит 99,1 млн параметров и принимает исторические значения ряда, разбивая их на патчи. Модель напрямую строит многокроковый вероятностный прогноз в виде квантилей; длина контекста — до 512 наблюдений. Модель предназначена для zero-shot прогнозирования без дообучения на целевых рядах. Её можно применять для прогнозирования спроса, нагрузки и других числовых показателей; README также указывает поддержку ковариат при развертывании через SageMaker. По заявлению разработчиков, Chronos-Bolt быстрее и экономнее по памяти исходных Chronos сопоставимого размера и показывает высокое качество на наборе из 27 датасетов. Модель распространяется в формате safetensors под лицензией Apache-2.0.

Chronos-Bolt Mini — предварительно обученная модель прогнозирования временных рядов из семейства Chronos-Bolt, представленная AutoGluon. Она предназначена для zero-shot прогнозов и может применяться через AutoGluon или развёртываться как endpoint в Amazon SageMaker. Модель поддерживает прогнозирование с ковариатами. Архитектура основана на T5 encoder-decoder: исторические наблюдения группируются в патчи и кодируются, после чего декодер напрямую строит квантили для нескольких будущих шагов. В README для Mini указано 21 млн параметров; метаданные репозитория указывают 8,3 млн параметров, поэтому размерные сведения расходятся. Контекст составляет до 512 наблюдений. Семейство обучено на почти 100 млрд наблюдений временных рядов. В сравнении с Chronos того же размера README заявляет до 250-кратного ускорения и в 20 раз меньший расход памяти. Модель подходит для прогнозирования временных рядов без дообучения, в том числе с ковариатами. README сообщает о результатах сравнений на 27 наборах данных, но это не гарантирует качество на конкретных данных. Лицензия репозитория — Apache-2.0.

Карточка модели CollectionStudio/chronos-bolt-mini на Hugging Face совпадает с карточкой amazon/chronos-bolt-mini, поэтому описание составлено по ней. Chronos-Bolt Mini — предварительно обученная модель прогнозирования временных рядов от Amazon. Она построена на архитектуре T5 encoder-decoder и предназначена для прогнозирования без дополнительного обучения на конкретном наборе данных. Исторические наблюдения группируются в патчи и кодируются, после чего модель напрямую формирует вероятностные прогнозы-квантили для нескольких будущих шагов. Модель поддерживает контекст до 512 токенов; в карточке Hugging Face указаны 8,3 млн параметров, тогда как README приводит для этой версии размер 21 млн параметров. Модель подходит для пакетного и производственного прогнозирования временных рядов. По данным README, семейство обучалось почти на 100 млрд наблюдений и заметно быстрее и экономнее по памяти, чем исходные Chronos; в описанном сравнении Chronos-Bolt также показала более точное прогнозирование. Возможна работа с ковариатами через SageMaker JumpStart и AutoGluon. Модель опубликована под лицензией Apache 2.0. Прогнозы могут быть менее надёжными для рядов, существенно отличающихся от данных обучения; для повышения качества README рекомендует рассмотреть дообучение и ансамблирование с помощью AutoGluon.

Карточка модели CollectionStudio/chronos-bolt-small на Hugging Face совпадает с карточкой amazon/chronos-bolt-small, поэтому описание составлено по ней. Chronos-Bolt Small — предварительно обученная модель Amazon для прогнозирования временных рядов с нулевым дообучением на новых данных. Она использует архитектуру T5 encoder-decoder: кодировщик обрабатывает исторические наблюдения блоками, а декодер напрямую строит вероятностные прогнозы квантилей на несколько будущих шагов. По README модель обучалась на почти 100 млрд наблюдений временных рядов; метаданные указывают архитектуру T5 и 22 млн параметров, тогда как таблица README приводит для варианта Small 48 млн параметров. Модель предназначена для прогнозирования временных рядов, в том числе без предварительного обучения на целевом наборе данных. Для промышленного использования README рекомендует AutoGluon, который также позволяет дообучать модель, учитывать ковариаты и объединять прогнозы с другими моделями; доступно развёртывание через SageMaker JumpStart на CPU и GPU. Заявлены более высокая скорость и меньший расход памяти по сравнению с исходными моделями Chronos сопоставимого размера. Контекст составляет 512 наблюдений по метаданным. 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.