Свежие open-source проекты для ИИ закрывают три разные задачи: предсказание финансовых рядов, запуск PyTorch на TPU и быстрый инференс больших моделей. Ниже — три репозитория с GitHub, по каждому: что делает, зачем нужен и как начать.
Kronos: открытая модель для финансовых свечей
Kronos — первая open-source foundation-модель для финансовых свечей (K-lines), обученная на данных более чем 45 мировых бирж. Это семейство decoder-only моделей, то есть устроено так же, как языковые LLM, только «язык» здесь — последовательности ценовых свечей.
Зачем нужно: аналитики и кванты годами собирают модели для прогноза цен по историческим рядам, но каждая команда делает это с нуля на своих данных. Kronos даёт предобученную базу, которую можно дообучить под свою задачу — скрипты файнтюнинга выложены в репозитории с августа 2025 года. Модель принята на конференцию AAAI 2026, статья доступна на arXiv.
Кому: тем, кто строит алготрейдинг или исследует финансовые временные ряды и хочет стартовать не с пустого листа. Репозиторий набрал 733 звезды за сутки — заметный интерес сообщества.
Как начать: 1. Открыть репозиторий shiyu-coder/Kronos. 2. Прочитать статью на arXiv, чтобы понять архитектуру и ограничения. 3. Взять скрипты файнтюнинга и адаптировать под свои данные.
TorchTPU: PyTorch на TPU без прослоек
TorchTPU — нативный бэкенд PyTorch для TPU, который Google выложил в open source. Раньше запуск PyTorch-моделей на тензорных процессорах требовал обходных путей, теперь это отдельный официальный проект.
Зачем нужно: TPU дешевле GPU на некоторых нагрузках, особенно при обучении больших моделей, но привязка к фреймворкам Google (JAX) многих отпугивала. TorchTPU снимает этот барьер: если код уже написан на PyTorch, менять фреймворк не нужно.
Кому: командам, которые обучают или запускают модели на инфраструктуре Google Cloud и хотят использовать PyTorch-экосистему. Если вы выбираете железо под локальную модель, сначала посчитайте память — у нас есть разбор сколько VRAM нужно для локальной LLM.
Как начать: 1. Открыть google-pytorch/torch_tpu. 2. Проверить требования к версии PyTorch и доступности TPU. 3. Прогнать тестовую модель на своём окружении перед переносом продакшена.
DeepInfer: инференс DeepSeek на масштабе
DeepInfer — высокопроизводительный фреймворк для крупномасштабного инференса моделей DeepSeek. Репозиторий deepseek-ai/DeepInfer набрал 14 351 звезду.
Зачем нужно: запустить большую модель — половина задачи, вторая половина — отдавать ответы быстро и дёшево при многих одновременных запросах. DeepInfer закрывает именно эту часть: оптимизации под инференс, а не под обучение.
Кому: тем, кто разворачивает DeepSeek-модели в продакшене или строит на них сервис. Если вы ещё выбираете между локальным запуском и облаком, пригодится материал локальная нейросеть против облака.
Как начать: 1. Открыть репозиторий и прочитать раздел с требованиями к железу. 2. Установить зависимости по инструкции из README. 3. Запустить на одной модели, замерить задержку и пропускную способность до масштабирования.
Как выбрать из трёх
Выбор зависит от задачи, а не от числа звёзд. Kronos — если работаете с финансовыми рядами и нужна предобученная база. TorchTPU — если инфраструктура на TPU, а код на PyTorch. DeepInfer — если разворачиваете DeepSeek и упираетесь в скорость инференса.
Общее у всех трёх: это инфраструктурные проекты, а не готовые приложения. Они экономят месяцы работы, но требуют понимания своей предметной области. Перед тем как брать любой из них, проверьте лицензию и требования к железу — это чаще всего и решает, подходит инструмент или нет.
Частые вопросы
Kronos подходит для реальной торговли? Это исследовательская foundation-модель, а не готовый торговый робот. Её нужно дообучать на своих данных и проверять на бэктестах; авторы дают скрипты файнтюнинга, но не гарантируют прибыльность.
TorchTPU заменяет JAX? Нет. Это способ запускать PyTorch-код на TPU, а не замена JAX. Если проект уже на JAX, смысла переезжать нет.
DeepInfer работает только с моделями DeepSeek? Да, фреймворк заявлен как решение для инференса моделей DeepSeek, а не универсальный сервер для любых LLM.
Больше разборов по ИИ и автоматизации — в канале: @il_chum