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

Карточка модели CollectionStudio/chronos-bolt-base на Hugging Face совпадает с карточкой amazon/chronos-bolt-base, поэтому описание составлено по ней. 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.

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.

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.

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.

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.

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.

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.

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.

Chronos-2-Small — небольшая версия модели Chronos-2 от AutoGluon, предназначенная для прогнозирования временных рядов. Она построена на архитектуре T5 и содержит 22 млн параметров по метаданным Hugging Face; README указывает 28 млн параметров. Для работы используется библиотека chronos-forecasting. Модель подходит для построения прогнозов по временным рядам и может применяться как предварительно обученная модель для таких задач. В карточке указаны наборы данных autogluon/chronos_datasets и Salesforce/GiftEvalPretrain. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Данные карточки не уточняют поддерживаемые языки, конкретные отраслевые сценарии и ограничения качества прогнозов.

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.

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.

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.

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.

TiRex-2 — предварительно обученная модель временных рядов от NX-AI для прогнозирования на основе исторических наблюдений. Она поддерживает прогнозирование одного или нескольких целевых рядов, а также может учитывать прошлые и известные заранее дополнительные признаки: календарные события, праздники, акции и запланированные вмешательства. Один чекпойнт предназначен для однофакторных и многофакторных сценариев; модель работает без дообучения на данных конкретной задачи. Модель рассчитана на zero-shot прогнозирование, в том числе в сценариях, где наблюдения поступают последовательно. В однофакторном режиме активируется 38,4 млн параметров, а для многофакторного прогнозирования задействуется ещё 44,1 млн. Репозиторий предоставляет веса PyTorch и код инференса; метаданные указывают библиотеку tirex-2 и лицензию Apache-2.0. Модель подходит для прогнозирования нескольких связанных временных рядов с известными будущими факторами. В README потоковое обновление прогнозов без пересчёта всей истории и оптимизации для специализированного оборудования перечислены как возможности версии TiRex-2 Pro, поэтому их нельзя считать подтверждёнными для этого открытого чекпойнта. Также заявленные результаты zero-shot не гарантируют одинакового качества на всех наборах данных.

Piero2411/YOLOV8s-Barcode-Detection — дообученная разработчиком модель Ultralytics YOLOv8s для обнаружения штрихкодов и QR-кодов на изображениях. Она построена на небольшой версии архитектуры YOLOv8 и обучена на пользовательском наборе из более чем 5 000 изображений с разными типами штрихкодов, включая EAN13 и Code128, и QR-кодами. Модель предназначена для поиска и локализации штрихкодов и QR-кодов в изображениях, например, в системах автоматизированного сканирования товаров, посылок и доставок. README приводит метрики валидации: precision 0,97545, recall 0,99127 и mAP50 0,98643; эти результаты относятся к обучению и валидации автора и не гарантируют такую же точность на других данных. Число 11,2 млн параметров указано для базовой YOLOv8s, а не подтверждено отдельно для этой версии. Модель принимает изображения и выдаёт классы и рамки обнаруженных объектов. Для запуска требуется библиотека Ultralytics. Репозиторий распространяется по лицензии AGPL-3.0.

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

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

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.

Chronos-T5 Mini — предварительно обученная модель прогнозирования временных рядов из семейства Chronos, построенная на архитектуре T5. В README размер варианта Mini указан как 20 млн параметров, тогда как метаданные Hugging Face указывают 9,8 млн; эти источники расходятся. Для уменьшения словаря T5 использует 4096 токенов вместо 32128 в исходной модели. Модель преобразует исторические числовые значения в токены с помощью масштабирования и квантования, а затем авторегрессионно генерирует возможные будущие траектории. Несколько сгенерированных траекторий дают вероятностный прогноз. Обучение проводилось на общедоступных временных рядах и синтетических данных, созданных гауссовскими процессами. Модель предназначена для прогнозирования временных рядов; метаданные указывают контекст длиной 512 токенов. Разработчик — AutoGluon. Модель доступна под лицензией Apache-2.0. В README отмечено, что Chronos-Bolt обеспечивает меньшую ошибку и более высокую скорость по сравнению с исходными Chronos того же размера; это ограничивает преимущество Mini относительно более новых вариантов семейства.

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.

CITRAS-FM — компактная модель временных рядов, разработанная Hitachi NLP. Это трансформер с 7,2 млн параметров для прогнозирования временных рядов без дообучения на конкретной задаче (zero-shot). Он принимает один или несколько целевых рядов, а также необязательные ковариаты: наблюдаемые в прошлом и известные на всём горизонте прогноза. Модель предназначена для прогнозирования будущих значений по историческому окну, в том числе с учётом внешних факторов, например погоды или календарных событий. По данным карточки, инференс на CPU занимает менее 0,1 секунды. В бенчмарке fev-bench CITRAS-FM показала лучшие результаты среди моделей временных рядов размером менее 10 млн параметров на всех приведённых разделах; эти результаты не гарантируют точность на конкретных данных. Веса опубликованы в формате safetensors. Лицензия CC-BY-NC-SA-4.0 разрешает использование на её условиях, но исключает коммерческое применение. Авторы отдельно предупреждают, что прогнозы могут быть неточными и модель не следует использовать как единственное основание для критически важных решений.

FlowState — модель временных рядов, выпущенная IBM Research; эта карточка содержит коммерческую версию Granite. Она предназначена для прогнозирования временных рядов без дообучения на конкретном ряду и поддерживает временные масштабы с разной частотой выборки. Архитектура сочетает энкодер на основе модели пространства состояний (SSM) с декодером на функциональном базисе, который строит непрерывный прогноз. Для версии r1.1 указаны 18,5 млн параметров и контекст предварительного обучения длиной 4096; чтобы загрузить её, нужно явно выбрать revision=r1.1, иначе используется версия 1.0. Модель адаптирует длину контекста и прогноза к характеристикам ряда и может выдавать несколько последовательных патчей параллельно. Для настройки масштаба рекомендуется определить сезонность данных и подобрать scale factor; качество прогнозов снижается при горизонте более 30 сезонов. FlowState поддерживает только прогнозирование без дообучения. Предварительное обучение проводилось на подмножествах Gift-Eval Pretrain и Chronos Pretraining Data Corpus. Лицензия — Apache-2.0.

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-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.

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.

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.

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.

TimesFM — предварительно обученная фундаментальная модель для прогнозирования временных рядов, разработанная Google Research. Репозиторий содержит чекпойнт timesfm-1.0-200m в формате PyTorch; модель использует архитектуру декодера только для прогнозирования временных рядов и насчитывает около 200 млн параметров согласно идентификатору чекпойнта. Модель предназначена для прогнозирования одномерных временных рядов. Она принимает контекст длиной до 512 временных точек, категориальный индикатор частоты и выдаёт точечный прогноз на заданный горизонт. Контекст должен быть непрерывным, а частота входного ряда и горизонта — одинаковой. Вероятностные прогнозы не поддерживаются; экспериментальные квантильные выходы не откалиброваны после предварительного обучения. Для загрузки чекпойнта используется библиотека TimesFM. Лицензия — Apache 2.0. Авторы отмечают, что модель не является официально поддерживаемым продуктом Google.

Cisco Time Series Model 1.0 Preview — модель временных рядов от Cisco для безусловного прогнозирования одного временного ряда без дообучения на конкретной задаче (zero-shot). В основе — декодерный трансформер, созданный на базе TimesFM 2.0 и дополненный многомасштабной обработкой контекста. Модель содержит 573,4 млн параметров и распространяется в формате safetensors по лицензии Apache 2.0. На вход подаются два согласованных по времени контекста: грубого разрешения и более детального, причём шаг грубого ряда в 60 раз больше. Каждый контекст может содержать до 512 точек; утилиты из репозитория позволяют подготовить их из ряда одной частоты длиной до 30 720 точек. Модель выдаёт прогноз из 128 значений на детальном разрешении и соответствующие квантили. Модель рассчитана на сценарии прогнозирования временных рядов общего назначения. Её качество может снижаться при короткой истории и при чрезмерном заполнении пропусков последним значением, особенно если таким образом заменено более 30% точек. Квантили пока не откалиброваны и их покрытие не подтверждено строгой оценкой.