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

Карточка модели CollectionStudio/chronos-t5-base на Hugging Face совпадает с карточкой amazon/chronos-t5-base, поэтому описание составлено по ней. Chronos-T5 Base — предварительно обученная модель прогнозирования временных рядов, разработанная Amazon. Она преобразует числовые наблюдения в токены с помощью масштабирования и квантования, а затем использует архитектуру T5 для авторегрессионного построения прогнозов. По нескольким сгенерированным траекториям можно получить вероятностное распределение будущих значений. Модель предназначена для прогнозирования временных рядов по их историческим значениям. Она обучена на общедоступных рядах и синтетических данных, созданных с помощью гауссовских процессов. Архитектура — T5ForConditionalGeneration; размер — 102,2 млн параметров, окно контекста — 512 токенов. Входом служит временной ряд, выходом — числовые прогнозы и выборки будущих траекторий. Репозиторий использует safetensors и библиотеку chronos-forecasting. Модель подходит для прикладного прогнозирования и вероятностной оценки будущих значений по временным данным. README отмечает, что более новая линейка Chronos-Bolt быстрее и экономнее по памяти и показывает меньшую ошибку по сравнению с исходными моделями Chronos того же размера. Лицензия — Apache-2.0.

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.

Timer-S1 — модель временных рядов общего назначения, разработанная командой THUML. Она предназначена для прогнозирования временных рядов без дообучения на конкретном наборе данных, в том числе с выдачей прогнозов на разных квантильных уровнях. Модель построена на декодерном Transformer с архитектурой Mixture-of-Experts (MoE). В карточке указаны 8,3 млрд параметров, из которых 0,75 млрд активируются на токен; метаданные каталога указывают 402,7 млн параметров. Максимальная длина контекста — 11 520 шагов по README и 12 800 токенов по метаданным. Метод TimeSTP использует последовательные вычисления для многошагового прогнозирования. Модель особенно ориентирована на среднесрочные и долгосрочные прогнозы; авторы также сообщают об улучшениях краткосрочного и длинноконтекстного прогнозирования после дополнительного обучения. Для запуска поддерживаются CPU и GPU; для GPU авторы рекомендуют не менее 40 ГБ видеопамяти. Модель доступна под лицензией Apache-2.0. Прогнозы могут быть менее надёжны вне распределений и сценариев, представленных в данных предобучения; в карточке результаты качества описаны авторами, поэтому их следует проверять на целевых рядах.

TimesFM 2.0 500M — предварительно обученная фундаментальная модель временных рядов для прогнозирования, разработанная Google Research. Это декодерная модель семейства TimesFM с 573,4 млн параметров; репозиторий содержит веса в формате safetensors и предназначен для запуска через библиотеку TimesFM на PyTorch. Модель не является официально поддерживаемым продуктом Google. Модель прогнозирует одномерные временные ряды: принимает исторический контекст длиной до 2048 точек и строит прогноз на заданный горизонт; при работе можно указать частотный индикатор. Основной режим — точечный прогноз. Также доступны экспериментальные квантильные выходы, но они не калиброваны после предварительного обучения. Для корректной работы желательно подавать непрерывный ряд без пропусков и сохранять одинаковую частоту в контексте и горизонте; пропущенные значения README предлагает заполнять линейной интерполяцией. Модель подходит для прогнозирования временных рядов в различных областях, однако конкретные отраслевые гарантии качества в карточке не заявлены. Распространяется по лицензии Apache-2.0.

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

Sundial Base 128M — генеративная базовая модель временных рядов семейства Sundial. Согласно карточке, она предварительно обучена на более чем 1 трлн временных точек и использует 128 млн параметров. Архитектура — причинный декодерный Transformer: числовой ряд разбивается на патчи длиной 16 и преобразуется в токены. Для генерации прогнозов модель применяет вероятностное моделирование и flow matching. Модель предназначена для прогнозирования временных рядов без дообучения на конкретном наборе данных, включая точечные и вероятностные прогнозы. Генерация нескольких возможных сценариев позволяет получать статистические оценки, в том числе квантили и интервалы неопределённости. В README сообщается о результатах на бенчмарках GIFT-Eval и Time-Series-Library; это заявления авторов карточки, а не независимая оценка. В карточке модели контекст указан как 10 000 токенов, тогда как README приводит длину контекста до 2880; для практического применения следует учитывать расхождение. Модель принимает числовые временные ряды и выдаёт прогнозы. Она распространяется по лицензии Apache-2.0; для стабильной совместимости README рекомендует Transformers 4.40.1 и Python 3.10.

Granite-TimeSeries-PatchTST-FM-r2 — модель временных рядов семейства PatchTST-FM, разработанная IBM. Это dense Transformer-модель с 503,3 млн параметров по метаданным; в README указано около 385 млн параметров. Версия r2 продолжает PatchTST-FM-r1 и заменяет обычные Transformer-блоки на Conformer-блоки с чередующимися свёрточными ядрами размером 5 и 3. Она использует перекрывающиеся патчи длиной 16 с шагом 8, контекст до 8192 временных точек и прогнозирование с объединением перекрывающихся фрагментов; выходная голова формирует 99 квантилей. Модель предназначена для zero-shot прогнозирования временных рядов без дообучения на конкретном наборе данных. Её можно применять для оценки будущих значений и диапазонов неопределённости на разнообразных последовательностях. В README заявлено высокое место на бенчмарке GIFT-Eval среди воспроизводимых zero-shot моделей по CRPS и MASE; результаты на момент публикации находились в ожидающем рассмотрения PR. Модель распространяется под лицензией OpenMDW-1.0, которую README характеризует как permissive и совместимую с коммерческим использованием. README также отмечает, что IBM не обязуется поддерживать или обновлять код репозитория.

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.

goia-forecast-nano-v0 — вероятностная модель временных рядов, разработанная командой gredio и обученная с нуля. Модель насчитывает 4,73 млн параметров и предназначена для прогнозирования временных рядов без дополнительного обучения на целевой задаче: в оценке GIFT-Eval она показала CRPS 0,553 и MASE 0,815 по геометрическому среднему для 97 конфигураций. Архитектура включает нормализацию RevIN, адаптивный многомасштабный энкодер патчей, блоки причинных свёрток с локальным и глобальным вниманием и декодер, который за один проход формирует девять квантилей на весь горизонт прогноза. Модель работает только с одномерными рядами, не принимает ковариаты и не поддерживает многомерное прогнозирование; каналы следует прогнозировать отдельно. Для ряда нужны как минимум восемь конечных значений, а пропуски и бесконечности в контексте автоматически интерполируются. Модель обучена преимущественно на GiftEvalPretrain, а также на синтетических рядах TempoPFN и KernelSynth; часть обучения включала дистилляцию от Chronos-2. В README отмечены слабые результаты на почасовых данных с выраженной сезонностью, почти детерминированных погодных рядах и частотах короче минуты. Лицензия — MIT.

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.

Moirai-1.0-R-Base — модель временных рядов от Salesforce: универсальный трансформер с маскируемым энкодером, предварительно обученный на наборе LOTSA. Модель предназначена для прогнозирования временных рядов, в том числе многомерных рядов с целевыми переменными и известными значениями ковариат на горизонте прогноза. Архитектура использует разбиение рядов на патчи и трансформер для их обработки; выходные представления преобразуются в параметры смеси распределений прогноза. В README указано 91 млн параметров, а в метаданных — 99,1 млн. Модель распространяется в формате safetensors; для инференса авторы рекомендуют библиотеку uni2ts. Выпуск предназначен для исследовательских целей и не оценивался для всех возможных прикладных сценариев. Перед применением следует оценить точность и риски конкретного использования. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

NanoForecast v0.5 — модель прогнозирования временных рядов, разработанная Eulogik. Она предназначена для zero-shot прогнозов без дообучения на новых рядах, а также для потокового инференса и дообучения на пользовательских данных. Модель выдаёт точечные прогнозы и квантильные оценки p10, p25, p50, p75 и p90; заявлены также обнаружение аномалий, поддержка ONNX и работа на CPU, включая устройства с ограниченными ресурсами. Архитектура содержит около 6,5 млн параметров и рассчитана на контекст длиной 512 временных шагов с прогнозом на 48 шагов, который можно настроить. В README приведены результаты на наборах ETTh1, ETTh2, ETTm1, exchange_rate, electricity и traffic, а метаданные указывают эти же наборы данных. Языковая поддержка неприменима к числовым временным рядам. README сообщает, что квантильные интервалы на проверенных данных уже номинальных и должны рассматриваться как относительный сигнал неопределённости, а не как калиброванные вероятности. Также указано, что модель не предназначена для моделирования зависимостей между несколькими рядами и может уступать крупным моделям на отдельных наборах. Лицензия Apache 2.0 допускает коммерческое использование.

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

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

RT-DETRv2 на базе ResNet-50, дообученная автором репозитория 2z299 для обнаружения штрихкодов на изображениях. Модель выдаёт рамки объектов; в README приведены результаты оценки класса Barcode: mAP 0,8239 и mAP@50 0,9525. Модель подходит для поиска и локализации штрихкодов на изображениях в задачах компьютерного зрения. Она основана на PekingU/rtdetr_v2_r50vd, использует архитектуру RT-DETRv2 и распространяется в формате safetensors через библиотеку Transformers. Лицензия — Apache-2.0. Датасет обучения не назван, а карточка не описывает условия съёмки и разновидности штрихкодов. Приведённые метрики относятся только к оценочному набору автора и не гарантируют аналогичное качество на других данных.

FlowState — базовая модель для прогнозирования временных рядов, выпущенная IBM Research. Она сочетает энкодер на основе State Space Model (SSM) с декодером на функциональном базисе, который формирует непрерывный прогноз и позволяет адаптировать модель к разным частотам дискретизации и временным масштабам. Модель предназначена для прогнозирования без дообучения (zero-shot). Версия r1.1 содержит 18,5 млн параметров и контекст предобучения длиной 4096; при загрузке этой версии необходимо явно указать revision=r1.1, иначе используется версия 1.0. Для настройки временного масштаба рекомендуется учитывать сезонность данных; качество прогноза снижается при горизонте свыше примерно 30 сезонов. В карточке заявлены высокая точность zero-shot прогнозирования и эффективность при компактном размере модели. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0. Эта публикация предназначена для исследовательского использования и воспроизведения результатов; для коммерческого и корпоративного применения IBM указывает на отдельные выпуски Granite.

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

Модель LinkTransformer от исследователей Harvard предназначена прежде всего для связывания записей о товарах и сопоставления сущностей. Она основана на XLM-RoBERTa и дообучена с помощью SupCon loss на данных, полученных при сопоставлении классификаций товаров статистики ООН; базовая модель — sentence-transformers/paraphrase-multilingual-mpnet-base-v2. Модель кодирует предложения и абзацы в плотные векторы размерностью 768, которые можно использовать для поиска похожих записей, кластеризации и семантического поиска. Она поддерживает английский, французский и испанский языки; максимальная длина последовательности в конфигурации README — 128 токенов, а нативный контекст по метаданным — 514 токенов. В репозитории указано 305,2 млн параметров и формат safetensors. Модель подходит для дедупликации записей, связывания товарных описаний и переноса меток между детальными и укрупнёнными товарными классификациями. Также её можно применять для задач сходства предложений через Sentence Transformers. Лицензия в предоставленных данных не указана.

StokCerdas — дообученная Amazon модель Chronos-T5-mini для прогнозирования спроса на скоропортящиеся товары в рознице. Разработана для системы рекомендаций по пополнению запасов небольших розничных магазинов и представлена как работа для AIC COMPFEST 18. Модель основана на архитектуре T5 и содержит 9,8 млн параметров. Она прогнозирует временные ряды на горизонт 7 дней, используя контекст до 512 токенов. Для дообучения применён набор FreshRetailNet-50K с данными 100 магазинов; оценка проводилась на 184 комбинациях магазин—товар. В отчёте отмечено небольшое преимущество над простым скользящим средним по WAPE и MAE, особенно для медленно продающихся товаров. Результаты ограничены данными о свежих продуктах из Китая, поэтому перенос на другие рынки и магазины не проверен. Преимущество над базовым методом невелико, а по MASE модель уступила скользящему среднему. Доступна под лицензией Apache-2.0.

OjaLM-v0.1 — специализированная языковая модель для задач торговли на африканских рынках, разработанная Ctrl+Prompt на основе Qwen3.5-4.8B и опубликованная в формате GGUF. Это каузальная языковая модель для генерации текста и диалоговых сценариев; она адаптирована к торговой терминологии, местным единицам измерения, сравнению цен между рынками и рассуждениям о региональных условиях поставок. В описании заявлена поддержка английского, йоруба, хауса, игбо и суахили. Модель предназначена для использования в торговых приложениях и агентных системах, включая интерпретацию ценовых предложений, пересчёт локальных единиц, оценку ценовых различий и подготовку структурированных ответов. Для актуальных цен и сведений о перебоях в поставках её следует подключать к OjaGraph или активному источнику данных: веса модели не содержат надёжной ежедневной информации. Разработчик сообщает о результатах на специализированном OjaBench, включая точность пересчёта единиц и отсутствие вымышленных цен при наличии свидетельств OjaGraph; эти показатели относятся к заявленной оценке автора. Лицензия — MIT.

Moirai-1.1-R — обновлённая версия модели Moirai-1.0 для прогнозирования временных рядов. Модель разработана Salesforce и содержит 99,1 млн параметров; веса опубликованы в формате safetensors. В версии 1.1 сообщается об улучшении примерно на 20% по метрике NMAE для годовых и квартальных рядов на 40 наборах данных репозитория Monash. Модель предназначена для прогнозирования временных рядов, в том числе низкочастотных данных с годовыми и квартальными наблюдениями. Разработчики указывают, что выпуск сопровождает академическую статью и предназначен для исследований; перед применением результаты следует оценить для конкретной задачи. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое использование.

TriChronos-0.1B — созданная с нуля модель для вероятностного прогнозирования временных рядов, разработанная автором репозитория iravikr. Это примерно 104 млн параметров, encoder-only Transformer на PyTorch с временным self-attention, вниманием между рядами и BitLinear FFN. Веса обучены с ternary-квантизацией BitNet-style {-1, 0, +1}; входные ряды разбиваются на патчи по 8 шагов, а модель выдаёт 21 квантиль для каждого шага прогноза. Модель предназначена для экспериментов с компактными квантованными моделями временных рядов и как лёгкий базовый ориентир для вероятностных прогнозов. На некоторых наборах данных она превзошла наивный baseline, в том числе на Weather и M3-Monthly; качество зависит от частоты данных и лучше на месячных и более частых рядах. Репозиторий указывает лицензию Apache-2.0. Модель обучалась на Salesforce/lotsa_data примерно 105 тысяч шагов с ограниченным вычислительным бюджетом и не позиционируется как модель уровня state of the art. Она не рекомендуется для годовых или очень коротких рядов, горизонтов существенно длиннее 24 шагов и задач, требующих подтверждённой калибровки метрик на исходных значениях. Усреднение представлений патчей в прогнозной голове может сглаживать детали при длинных горизонтах.

mariovigliar/trocr-base-printed_license_plates_ocr — модель распознавания текста на изображениях автомобильных номерных знаков, созданная дообучением TrOCR от Microsoft. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображения номера в текст. Репозиторий содержит веса в формате safetensors. Лицензия и подробности обучения в доступных данных не описаны.

ghanahmada/trocr-base-plate-number — модель семейства TrOCR для преобразования изображений в текст, опубликованная пользователем ghanahmada. По метаданным, это vision encoder-decoder на базе Transformers и PyTorch, предназначенный для задач image-to-text; название и примеры в карточке указывают на распознавание автомобильных номерных знаков. Модель распространяется по лицензии Apache-2.0. Модель может применяться для извлечения текста с изображений автомобильных номеров, например в системах контроля доступа, автоматической фиксации транспорта и обработки фотографий автомобилей. В карточке приведены примеры распознавания номеров A1651VV и B8857GS. Сведения о размере модели, длине контекста, поддерживаемых языках, обучающем наборе данных и точности в доступных материалах отсутствуют.

Adaptive Classifier — текстовый классификатор на основе answerdotai/ModernBERT-base, представленный как адаптивная модель с возможностью непрерывного обучения и динамического добавления классов. В опубликованном состоянии он различает два класса: new_vendor и trusted_partner; карточка указывает 10 обучающих примеров и размер эмбеддингов 768 измерений. Модель предназначена для классификации текстов с возможностью обновлять классы по мере накопления примеров. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Для каждого класса требуется не менее трёх примеров; поддерживается до 150 примеров на класс, а прототипы обновляются каждые 10 примеров.

Eikos-4B — модель typed decisions с 4 млрд параметров, разработанная автором карточки на базе Qwen/Qwen3.5-4B и дообученная дистилляцией с GLM-5.3-Flash. Она за один проход выбирает ответ из ограниченного набора вариантов: да/нет, один из предложенных вариантов или порядковый уровень. Модель возвращает распределение вероятностей и оценку уверенности, что позволяет приложению отказаться от ответа ниже заданного порога; генерация свободного текста при принятии решения не используется. Модель предназначена прежде всего для применения финансовых правил и политик к заданным фактам: проверки торговых лимитов, платежей, маржи, KYC/AML, кредитных политик, документарных аккредитивов и налоговых условий. Также заявлены оценка финансовой тональности, проверка ответов по финансовым таблицам и временные или числовые проверки. Обучение проводилось на английском и португальском; испанский использовался для проверки zero-shot. Карточка указывает обучение на контекстах до 32 тыс. токенов для версии 4B. Архитектура — плотная Qwen3.5, веса в формате Safetensors; лицензия MIT. Однопроходный выбор ограничивает многошаговые рассуждения, а длинные цепочки арифметики и правил даются модели плохо. Знания об общем мире ограничены размером модели; известна слабая сторона в определении позиции по денежно-кредитной политике. Изображения базовая модель может читать в режиме сервера v1.3 через визуальный энкодер, но эта возможность заявлена для GPU-сборок с vLLM. Модель применяет только переданные ей правила и факты, не прогнозирует цены и не заменяет юридическую, налоговую или инвестиционную консультацию.

Code-Dev/whisper-small-shona-v3-a — модель автоматического распознавания речи на базе Whisper Small, дообученная для языка шона (sn-ZW). В README она представлена как компонент Verdi AI OS, системы для сельского хозяйства, предназначенный для преобразования речи в текст и поддержки автоматизации логистических показателей и отслеживания голосовых операций на маркетплейсе. По карточке, обучение проходило в несколько этапов: после второго фрагмента обучения на библейских текстах заявлен показатель WER 26,42%; для предыдущих этапов указаны 29,39% и 37,15%. Модель принимает аудио и выдаёт текст. В метаданных формат весов обозначен как safetensors, библиотека — Transformers. Лицензия в предоставленных данных не указана.

VST-3B-RL — визуально-языковая модель rayruiyang, описанная в работе Visual Spatial Tuning. Она предназначена для понимания пространственных отношений и рассуждений по изображениям, нескольким изображениям и видео. Модель основана на плотной архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и имеет контекст до 128 000 токенов. Модель обучалась поэтапно: сначала с учителем на пространственных данных, затем с подкреплением для развития пространственных рассуждений. Она отвечает на вопросы о количестве и размере объектов, расстояниях, направлениях, планировании маршрутов и порядке приближения. В карточке сообщается о результатах на пространственных бенчмарках и сохранении общих возможностей; это результаты авторов и они не гарантируют качества на произвольных данных. Для работы указаны Transformers и qwen-vl-utils; для загрузки видео авторы рекомендуют поддержку decord. Лицензия — Apache-2.0.

VST-7B-SFT — мультимодальная модель Ray Ruiyang и соавторов из семейства Qwen2.5-VL, дообученная методом supervised fine-tuning в рамках Visual Spatial Tuning. Она предназначена для понимания изображений и пространственных рассуждений: например, подсчёта объектов, оценки расстояний и размеров, определения направлений и планирования маршрутов. По данным карточки, модель содержит 7,1 млрд параметров, принимает изображения и текст и выдаёт текст; поддерживает контекст до 128 000 токенов. Авторы сообщают о результатах на пространственных бенчмарках и сохранении общих возможностей VLM. Модель распространяется под лицензией Apache-2.0.

cascade · Toto2-4M — контрольная точка модели временных рядов, созданная участниками подсети Bittensor cascade (netuid 91). Модель с 4 млн параметров обучена с нуля за один раунд примерно на трёх GPU-часах на синтетических временных рядах, сгенерированных участником раунда 8. В README указано, что контрольная точка показала лучшие результаты среди публичных моделей подсети на GIFT-Eval, BOOM и TIME, но проиграла очную проверку на закрытых данных. Модель предназначена для прогнозирования временных рядов и выдаёт квантильные прогнозы по историческим данным и заданному горизонту. В README описаны веса Safetensors, конфигурация, реализация модели и функция пакетного прогнозирования. Результаты на публичных бенчмарках не гарантируют качества на конкретных данных; модель обучена на корпусе одного синтетического генератора и не проверялась на закрытой выборке, использованной в дуэли. Лицензия в предоставленных данных не указана.