Дообученная на базе Qwen3-VL-8B мультимодальная модель RLWRLD для анализа изображений и видео и экспериментов с перцептивным компонентом робототехнических политик RLDX-1.

Подходит для: настройка перцептивного компонента политики RLDX-1 · подробное описание изображений в исследовательских экспериментах · анализ визуального содержимого изображений и видео

Стартовый чекпойнт OpenBMB на 2,2 млрд параметров для воспроизведения исследований RL-обучения небольших языковых моделей математическим рассуждениям.

Подходит для: воспроизведение рецепта JustRL II и его абляций · оценка математического рассуждения до RL-обучения · исследование обучения с подкреплением на длинных цепочках рассуждений

Англоязычная модель Ai2 на 6,9 млрд параметров, дообученная методом RLVR для генерации решений математических задач и исследования обучения с проверяемыми наградами.

Подходит для: генерация решений математических задач · пошаговое рассуждение при решении задач · эксперименты с обучением RLVR на математических запросах

Базовая Vision-Language-Action модель LeRobot для дообучения и управления роботами по изображениям, состоянию робота и текстовым инструкциям.

Подходит для: дообучение управления роботом-манипулятором под конкретную задачу · управление роботом по изображениям с нескольких камер · выполнение роботизированных задач по текстовой инструкции

Экспериментальная модель для протокола RLM, которая пишет Python-действия для анализа длинного контекста через исполняемую среду REPL.

Подходит для: изучение протокола Recursive Language Model · анализ агрегирующих задач по длинному контексту · создание стартовой точки для RL-дообучения RLM

Мультимодальный чекпойнт Allen Institute for AI для донастройки роботизированных политик с рассуждением по глубине сцены и генерацией действий по визуальным наблюдениям и языковым инструкциям.

Подходит для: дообучение роботизированной политики с учётом глубины сцены · формирование действий робота по изображению и языковой инструкции · исследование глубинного представления перед выбором действия

Мультимодальная модель Alibaba DAMO Academy для планирования роботизированных действий по изображениям сцены и текстовой цели.

Подходит для: планирование последовательности действий робота по заданной цели и изображению сцены · разбиение многошаговой задачи манипуляции на подзадачи · привязка объектов и целевых областей к физическому пространству

Инициализационная мультимодальная модель Qwen3-VL с расширенным словарём токенов действий для последующего обучения робототехнических политик.

Подходит для: подготовка основы для обучения политики управления роботом · добавление дискретизированных действий робота в мультимодальный диалог · обучение модели преобразованию визуального наблюдения и инструкции в токены действий

Чекпойнт Qwen3-8B после неконверсационного RL-обучения для генерации текста, инференса и оценки.

Подходит для: генерация текста на основе промпта · инференс модели после обучения с подкреплением · оценка поведения неконверсационного RL-чекпойнта

Модель на базе Qwen3-VL для навигации роботов и планирования маршрута по изображениям и языковым инструкциям.

Подходит для: навигация робота по визуальному наблюдению и текстовой инструкции · планирование пути в эгоцентрической сцене · поиск целевого объекта или области в сцене

Экспериментальная англоязычная модель Ai2 на 6,9 млрд параметров, дообученная RLVR для генерации текста и задач по математике, коду и следованию инструкциям.

Подходит для: эксперименты с обучением RLVR на языковых моделях · генерация ответов на математические задачи · генерация и анализ программного кода

Рекуррентная политика PPO для выбора действий игрока в Mario Kart Wii.

Подходит для: автоматическое прохождение гонок Mario Kart Wii · управление игровым персонажем в среде Mario Kart Wii · сравнение надёжности игровых политик на фиксированных сценариях

Модель на базе Llama 3.1 оценивает ответы языковых моделей распределением вознаграждений для сценариев RLHF.

Подходит для: оценка ответов языковой модели по полезности и безвредности · ранжирование ответов для обучения с подкреплением на основе предпочтений · получение распределения оценок вознаграждения для RLHF

Decision Transformer, обученный на траекториях Gym HalfCheetah medium-replay для управления агентом в задаче непрерывного контроля.

Подходит для: управление агентом в среде HalfCheetah · предсказание действий по истории состояний и действий · эксперименты с офлайн-обучением с подкреплением

Предварительно обученная модель Pi0 для управления роботом, которую можно применять и дообучать в LeRobot.

Подходит для: выбор действия робота по данным наблюдений · управление роботом с помощью политики Pi0 в LeRobot · дообучение политики управления на собственном наборе данных

Дообученный с подкреплением агент на архитектуре Qwen3 для выполнения календарных задач в Nemotron Gym.

Подходит для: выполнение календарных заданий в среде Nemotron Gym · разработка и оценка агента для календарных сценариев · эксперименты с обучением агентов методом RL на SkyRL

Модель Vision-Language-Action, которая рассуждает по визуальным наблюдениям и описанию задачи, а затем генерирует действия робота.

Подходит для: выполнение задач манипуляции роботом по текстовой инструкции · управление роботом на основе изображений с камеры · генерация последовательностей действий для задач LIBERO

Модель NVIDIA на базе Qwen2.5-72B-Instruct оценивает предпочтительность ответов ассистента для применения в RLHF.

Подходит для: оценка предпочтительности ответа ассистента в диалоге · ранжирование вариантов ответа языковой модели · подготовка сигналов вознаграждения для обучения RLHF

DeepThinkVLA — модель vision-language-action для управления роботами, которая строит явные рассуждения перед генерацией действий.

Подходит для: управление роботом по визуальному наблюдению и инструкции · выполнение задач манипуляции на бенчмарке LIBERO · планирование последовательности роботизированных действий с промежуточными рассуждениями

Контрольная точка LingBot-VLA на базе Qwen2.5-VL-3B-Instruct для оценки визуально-языковой политики управления роботом в RoboTwin с действиями end-effector.

Подходит для: оценка политики управления роботом в RoboTwin · управление манипулятором по визуальным наблюдениям · генерация действий робота в пространстве end-effector

Англоязычная модель Olmo 3 на 6,9 млрд параметров, дообученная методом M3PO+ для генерации текста и решения математических задач.

Подходит для: решение задач математических олимпиад · генерация пошаговых решений по математике · ответы на математические вопросы в диалоге

LIMI — дообученная на базе GLM-4.5 диалоговая модель для агентных задач, вызова инструментов и выполнения инструкций в длинном контексте.

Подходит для: создание диалогового агента с вызовом инструментов · выполнение многошаговых инструкций с проверкой соответствия спецификации · исправление ошибок в ходе диалога с агентом

Политика LaWAM на базе Qwen3-VL-2B-Instruct для управления роботом в задачах манипуляции LIBERO через LeRobot.

Подходит для: управление роботом при выполнении задач LIBERO Spatial · манипуляция объектами в симуляции LIBERO · выполнение целевых действий в сценариях LIBERO Goal

Облегчённая модель Vision-Language-Action GO-1 для робототехнических задач, предварительно обученная на AgiBot World.

Подходит для: дообучение управления роботом на симуляционных бенчмарках · адаптация робота к пользовательскому набору данных · использование визуальных и языковых входов в робототехническом сценарии