I.13Симуляция, моделирование и открытие нового

IncorrectTraceSFT-Qwen2.5-7B-MATH-correct-only — модель suryadv, представляющая собой полное дообучение Qwen2.5-7B в эксперименте math masking из исследования о применении ошибочных трасс рассуждений при supervised fine-tuning. Этот чекпойнт соответствует условию correct_only: при обучении использовались математические примеры с правильными ответами. Модель основана на плотной архитектуре Qwen2ForCausalLM и содержит 7,1 млрд параметров; для обучения использовались SLIME и Megatron-LM, формат весов — safetensors. Модель предназначена для генерации текста и изучения математических рассуждений, а также для оценки влияния отбора данных SFT. README описывает финальный чекпойнт после 125 обновлений оптимизатора и команду оценки pass@1. В метаданных указан контекст до 131 072 токенов, однако воспроизводимая оценка сохраняет контекстный лимит эксперимента. Указанный язык карточки — английский. Модель выпущена для исследований математических рассуждений и отбора данных; лицензия — Apache-2.0. Наличие правильных финальных ответов в данных не означает, что промежуточные шаги рассуждений проверены.

IncorrectTraceSFT-Qwen2.5-7B-MATH-random-mask-50 — полноразмерное дообучение Qwen2.5-7B от разработчиков исследования «How Should Incorrect Traces Be Used in Supervised Fine-Tuning?». Это контрольная точка random_mask_50 в эксперименте по маскированию математических рассуждений: модель обучалась на математических данных с использованием SLIME и Megatron-LM, в формате BF16. Веса соответствуют итоговой контрольной точке после 125 обновлений оптимизатора; репозиторий использует архитектуру Qwen2ForCausalLM и содержит веса Safetensors. Модель предназначена для генерации текста и экспериментального изучения математического рассуждения, включая влияние выбора и маскирования данных SFT. Она основана на Qwen/Qwen2.5-7B, содержит 7,1 млрд параметров и имеет контекст до 131 072 токенов. Карточка указывает английский язык и шаблон чата; модель принимает текстовые запросы и генерирует текстовые ответы. Это исследовательский чекпойнт, опубликованный для работы с математическими рассуждениями и отбором данных SFT. Наличие правильных итоговых ответов в обучающих данных не означает, что промежуточные шаги рассуждений проверены; результаты следует оценивать на целевых задачах. Лицензия — Apache-2.0.

MechVL-4B-RL — мультимодальная модель XiaofengAlg для понимания инженерных механических чертежей. Она принимает изображение чертежа вместе с текстовым вопросом и формирует текстовый ответ; модель разработана для сценариев, где нужно интерпретировать содержание чертежа и отвечать на вопросы о нём. Это чекпойнт на базе MechVL-4B-SFT, дополнительно оптимизированный методом DAPO в двухэтапном режиме self-play. В README указана архитектура Qwen3VLForConditionalGeneration и базовая модель Qwen3-VL-4B-Instruct. В обучении использовался бенчмарк MechVQA, включая повторную выборку с повышенной долей слабее решаемых подзадач. Модель выдаёт рассуждение и итоговый ответ в заданном формате; для извлечения ответа требуется следовать этому формату. Карточка приводит результаты на MechVQA, но не содержит полного набора оценок и абляций. Модель доступна по лицензии Apache-2.0; для пакетного инференса README описывает использование Transformers и vLLM.

SeanWang0027/Qwen3-1.7B-sciworld-rose-s10t5-gpt54mini-ep4 — дообученная компактная языковая модель на базе Qwen3-1.7B от Qwen. Она предназначена для генерации ходов ReAct-агента в интерактивной среде ScienceWorld: модель получает инструкции и наблюдения среды, а затем формирует рассуждение и действие. Модель обучали в многоходовом онлайн-режиме ROSE: после первых десяти ходов студента учитель gpt-5.4-mini продолжал тот же эпизод до пяти ходов, и ответы учителя использовались как целевые данные. Это плотная авторегрессионная модель с 1,7 млрд параметров, рассчитанная на текстовый ввод и генерацию текста; базовая архитектура — Qwen3ForCausalLM. Контекстное окно — 40 960 токенов. В описании эксперимента для тестирования указана успешность 20,25% для этого чекпойнта на тесте ScienceWorld из 200 вариантов задач; результаты по отдельным чекпойнтам и прогонам заметно колеблются. Модель распространяется по лицензии Apache-2.0.

SeanWang0027/qwen3-1.7b-textcraft-opd-qwen3-32b-step66 — дообученная модель Sean Wang на базе Qwen/Qwen3-1.7B, созданная в исследовании многошаговых агентов. Это плотная причинная языковая модель на 1,7 млрд параметров для генерации текста и диалогов; она принимает текст и выдаёт текст. Контекст составляет до 40 960 токенов, модель распространяется в формате safetensors и использует библиотеку Transformers. Модель обучена методом многошаговой on-policy дистилляции: студент проходил эпизоды из 30 ходов, а Qwen3-32B задавала сигнал обучения на собственных сгенерированных токенах студента. В тесте TextCraft на 100 задачах средний успех составил 29,5% за четыре прохода; для сравнения, базовая Qwen3-1.7B набрала 23%, а Qwen3-32B — 85,5% на том же протоколе. Модель рассчитана на многошаговое взаимодействие с окружением в формате ReAct, где ответ включает рассуждение и действие. Лицензия — Apache-2.0.

ahammad115566/qwen-smeft — это специализированная языковая модель для Standard Model Effective Field Theory (SMEFT), созданная Ахмедом Хаммадом и Вероникой Санс. Модель дообучена на базе Qwen/Qwen3-8B на корпусе из научной литературы по SMEFT и физике частиц; она содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и рассчитана на контекст до 40 960 токенов. Модель предназначена для рассуждений об операторах SMEFT, перевода между базисами EFT, ответов на теоретические вопросы и подготовки технических объяснений в стиле научной литературы. Она принимает текст и генерирует текст; в метаданных указан английский язык. Интерфейс поддерживает диалог и вызов инструментов. Модель распространяется по лицензии Apache-2.0. Карточка предупреждает, что модель может ошибаться в идентичности операторов, что покрытие пространства SMEFT неравномерно и что редкие операторы или базисы, отличные от Warsaw, могут обрабатываться менее надёжно. Модель намеренно ориентирована на эту область и не предназначена для общих задач.

RLM-Laguna-XS.2-Dense-3B v0.1 — экспериментальный чекпойнт автора Hugging Face jucamohedano для обучения протоколу Recursive Language Model (RLM). Модель генерирует короткие блоки Python в ограждении repl; среда выполняет их над вынесенным длинным контекстом, после чего модель анализирует результаты и решает, продолжить ли работу или отправить ответ. Она предназначена для задач агрегирующего рассуждения по длинному контексту, изучения протокола RLM и дальнейшего дообучения с подкреплением или SFT. Модель основана на EvanOLeary/laguna-xs2-dense-k8-cuda-sft-v2 и дообучена адаптером LoRA. В README описана цепочка происхождения от MoE-модели Poolside Laguna-XS.2, преобразованной в плотную модель; для данного чекпойнта напрямую указана базовая модель cuda-sft-v2. Метаданные указывают архитектуру LagunaForCausalLM, 2,6 млрд параметров, библиотеку Transformers, safetensors и контекст до 262 144 токенов. Поддерживается английский язык. Лицензия — Apache-2.0. В измерениях модель надёжно формировала исполняемые действия REPL, но правильно решила лишь одну из трёх проверенных задач; оценка проводилась на задачах, уже виденных учителем, поэтому не подтверждает обобщение. Среди известных слабых мест — повторяющиеся циклы при затруднении, хрупкая обработка дат и регулярных выражений, редкое использование вызова подмодели llm_query. Это не универсальный чат-ассистент: на других типах запросов модель может выдавать код REPL. Сгенерированный код следует исполнять в изолированной среде.

A*-Thought-V2 — исследовательская дообученная модель на базе Qwen/Qwen3.5-9B, представленная в статье об эффективном латентном рассуждении. Она чередует явные текстовые шаги с непрерывными латентными токенами: представления вопроса, шагов и решения проецируются в трёхмерное пространство PCA, а отклоняющиеся от общего направления рассуждения шаги сжимаются. Авторы сообщают об улучшении средней точности до 2,6% на шести тестах и сокращении длины ответов до двух раз. Модель предназначена для экспериментов с эффективным рассуждением и генерацией ответов. Обучение проводилось на сжатых трассах рассуждений из OpenR1-Math-3k с использованием данных DeepSeek-V3.2-Speciale и порога угла PCA 90 градусов. Это текстовая диалоговая модель на архитектуре Qwen3.5; метаданные указывают библиотеку Transformers и формат Safetensors. Для эффективного инференса требуется модифицированная сборка vLLM и специальные параметры max_latent_count и max_latent_len. Для использования латентных токенов следует обратиться к сопровождающему коду и описанию метода. Лицензия указана как other; конкретные условия в доступных данных не раскрыты.

Экспериментальный чекпойнт Gemma 4 E2B IT, дообученный анонимной командой в рамках подачи статьи на ICLR 2027. Модель обучали методом GRPO на задачах Reasoning Gym; при обучении использовался лимит генерации 4096 токенов, а ответы, достигавшие этого лимита, получали нулевую награду. Чекпойнт предназначен для экспериментов с рассуждениями и решения задач Reasoning Gym. Это плотная модель семейства Gemma 4 с архитектурой Gemma4ForConditionalGeneration; базовая модель Google мультимодальна и поддерживает работу с текстом, изображениями и аудио. В карточке указаны формат safetensors, библиотека Transformers и лицензия Apache-2.0. Результаты на бенчмарках и дополнительные сведения о качестве в карточке не приведены.

Это полноразмерный чекпойнт модели IFM/K2-Horizon-7B, дообученный автором sambal для ответов на вопросы по данным каротажа скважин в области петрофизики. Модель основана на плотной авторегрессионной архитектуре K2-Horizon и содержит около 8 млрд параметров; использует формат bf16 и сохраняет шаблон чата и удалённый код базовой модели. Метаданные указывают контекст до 524 288 токенов. Обучение выполнено методом полного дообучения на 8 055 обучающих и 81 валидационной парах предпочтений. Использованы length-normalized DPO и дополнительный RPO-компонент с отрицательным логарифмом правдоподобия выбранных ответов; на проверочной выборке на шаге 300 указана точность предпочтений 100%. Модель подходит для диалоговых ответов и вопросов по петрофизическим данным каротажа. Доступна по лицензии Apache-2.0; для запуска README указывает Transformers версии 5.13 или новее и загрузку remote code базовой модели.

violetxi/qwen35-9b-equational-theory-sair-r3-mix10m — полноразмерное дообучение Qwen3.5-9B от Violetxi для ответов на вопросы по эквациональной теории, включая построение доказательств и контрпримеров. Модель обучена методом SFT на смеси заметок R0–R3 и траекторий «заметка — ответ»; это плотная модель семейства Qwen3.5 с 9 млрд параметров, представленная в BF16 и формате safetensors. Она использует архитектуру Qwen3_5ForConditionalGeneration и загружается через Transformers или vLLM с поддержкой Qwen3.5. Модель предназначена для диалога и генерации текстовых решений задач эквациональной теории. В оценке на 800 вопросах Stage 1 точность составила 44,81% при лимите 16K токенов и 63,66% при 24K; в Stage 2 проверка корректности доказательств и контрпримеров судейской моделью дала 18,67% и 20,42% соответственно. Для генерации в README использован контекст 32 768 токенов. Проверка судейской моделью не является сертификацией доказательств в Lean. Это экспериментальная специализированная модель: результаты показывают, что ответы могут быть некорректными, а качество зависит от длины генерации. Репозиторий распространяется по лицензии Apache-2.0.

ddz16/Qwen3-VL-8B-TGRPO — видеоязыковая модель на архитектуре Qwen3-VL, дообученная методом TGRPO (Temporal GRPO). Это базовый экспериментальный чекпойнт для сравнения методов обучения в исследовании пространственно-временного понимания видео с помощью контрфактического обучения с подкреплением. Модель предназначена для ответов на вопросы о видео с акцентом на динамику во времени: обратимость событий, направление движения и последовательность событий. Её оценивали на DyBench, а также на наборах Video-MME, TempCompass, MVBench и TimeBlind. Репозиторий содержит веса в формате Safetensors; размер исходной модели — 8B параметров. Лицензия в предоставленных данных не указана.

Relay v0.1 — диалоговая языковая модель на базе Mistral Nemo 2407, разработанная danlou. Она дообучена для воспроизведения разговоров в стиле IRC: модель ведёт естественный диалог по очереди и может работать с командами в рамках этого контекста. Её можно использовать для генерации синтетических диалогов и экспериментов с разговорным поведением базовых языковых моделей. Модель представляет собой плотную архитектуру MistralForCausalLM на 12,1 млрд параметров с контекстом до 131 072 токенов. Дообучение выполнено методом 4-битного QLoRA на датасете danlou/based-chat-v0.1-Mistral-Nemo-Base-2407; карточка описывает ChatML-шаблон с ролями user и anon и обучение без инструкционных датасетов и методов RLHF. Модель принимает текст и генерирует текст; метаданные указывают поддержку чата, но не перечисляют языки отдельно. Relay предназначена для экспериментов с синтетическими разговорами и эмуляцией IRC-переписки, а не для работы в качестве обычного ИИ-ассистента. По оценке автора, она отказывается отвечать на большинство вопросов из использованных наборов для проверки безопасности, однако обход отказов возможен. Качество на бенчмарках ожидается ниже, чем у instruct-вариантов, а 4-битное дообучение может ухудшить сохранность знаний предобучения. Лицензия — CC BY-NC 4.0, с ограничением на коммерческое использование.

Jzuluaga выпустил модель распознавания именованных сущностей в англоязычных сообщениях авиационной радиосвязи. Это BERT-base с архитектурой BertForTokenClassification, дообученный для разметки токенов на наборе ATCO2 corpus 1h. Модель выделяет позывные, команды и значения, например название авиакомпании и номер рейса, разрешение на посадку и обозначение взлётно-посадочной полосы. Модель принимает текстовую расшифровку сообщения диспетчера или пилота и возвращает разметку сущностей. Она рассчитана на извлечение структурированной информации из ATC-коммуникаций и может использоваться в системах понимания речи и анализа радиообмена. Контекст составляет 512 токенов; в карточке указано 136,7 млн параметров. На development set приведены F1 0,6604 и точность 0,8182. Модель обучалась на узкоспециализированных данных воздушного движения, поэтому её качество на других типах текста может быть ниже. Это дообученная модель под лицензией Apache-2.0.

QizhiPei/biot5-plus-base-chebi20 — англоязычная модель семейства T5 с архитектурой encoder-decoder и примерно 126 млн параметров. Карточка показывает загрузку весов и токенизатора через Transformers для генерации текста по текстовому входу. Название указывает на BioT5+ и настройку на наборе ChEBI-20, что предполагает применение в биомедицинских задачах генерации текста, связанных с химическими соединениями. Карточка не описывает конкретные форматы запросов и целевые сценарии, поэтому специализацию следует считать ориентировочной. Модель распространяется по лицензии MIT.

DatedGPT-2015 — базовая предварительно обученная языковая модель из семейства DatedGPT, опубликованная организацией datedgpt. Это причинная плотная модель архитектуры LlamaForCausalLM с 1,3 млрд параметров и контекстом до 2048 токенов. Она обучена только на данных, доступных до 2015 года, что предназначено для прогнозирования и анализа с привязкой к историческому моменту без утечки будущих данных. Модель генерирует продолжения текста и рассчитана на исследовательские и аналитические сценарии, где важно воспроизвести информационный контекст 2015 года. Это базовая модель без дообучения для следования инструкциям, поэтому она не предназначена для диалога или надёжного выполнения пользовательских команд. В карточке не указана лицензия, поэтому условия использования определить нельзя.

Hugging Face разработала эту мультимодальную модель для решения прогрессивных матриц Равена — визуальных головоломок на выявление закономерностей. Модель основана на раннем чекпойнте vision-language модели Idefics2 и дообучена на процедурно сгенерированном наборе RAVEN. Она содержит 7,1 млрд параметров, принимает изображения и текст и выдаёт текстовый ответ; родительские модели — SigLIP и mistralai/Mistral-7B-v0.1. В метаданных указан контекст 32 768 токенов и поддержка английского языка. На валидационной выборке RAVEN модель достигла точности 91%. Она предназначена для решения таких головоломок и не гарантирует точность за пределами этого сценария без дополнительной адаптации. Модель распространяется под лицензией Apache-2.0.

Это диалоговая модель для ответов на вопросы о каротажных данных скважин в области петрофизики. Она разработана на основе IFM/K2-Horizon-7B и дообучена методом DPO с нормализацией предпочтений по длине ответа и дополнительным обучением на правдоподобие выбранных ответов (RPO). LoRA-адаптер объединён с базовыми весами; опубликована версия в формате bf16. Модель предназначена для диалогового анализа вопросов и ответов по каротажным данным. В описанном эксперименте использован набор предпочтений из 8 055 обучающих и 81 проверочной пары, с последовательностями до 65 536 токенов. По README, на проверочной выборке для шага 300 точность предпочтений составила 100%; это результат конкретной выборки, а не гарантия качества в других условиях. Модель использует архитектуру K2-Horizon и шаблон чата базовой модели, а контекстное окно составляет до 524 288 токенов. Модель построена на 8-миллиардной плотной языковой архитектуре, поддерживает генерацию текста и распространяется по лицензии Apache-2.0. Для работы с ней README указывает Transformers версии 5.13 или выше и загрузку удалённого кода модели.

Parti Base — компактная текстовая модель caid-technologies для преобразования описания аппаратной идеи на английском языке в структурированный план сборки. Она дообучена на Qwen/Qwen2.5-3B-Instruct, имеет архитектуру Qwen2 dense и 3,1 млрд параметров; контекст — до 32 768 токенов. Модель предназначена для генерации JSON с перечнем деталей, схемой соединений, последовательностью сборки, примерными источниками и стоимостью, а также базовой проверкой замысла; можно запросить как полный план, так и отдельный раздел. Модель лучше справляется с шагами сборки, базовой проверкой проекта и списками деталей. Она принимает только текст и не обрабатывает эскизы или изображения; для таких сценариев авторы указывают отдельную модель Parti Vision. Это ранний исследовательский релиз и небольшой чекпойнт: сложные проекты и схемы соединений могут быть менее надёжными, а выдачу необходимо проверять перед изготовлением. Лицензия — Apache-2.0.

Это обученный агент PPO для среды CartPole-v1, опубликованный в репозитории sb3/ppo-CartPole-v1. Модель создана с использованием библиотеки Stable-Baselines3 и обучающего фреймворка RL Zoo. Агент предназначен для управления тележкой, балансирующей шест в симуляции CartPole-v1. Он принимает наблюдения среды и выбирает действия, чтобы удерживать шест в вертикальном положении. Это чекпойнт для запуска и изучения обучения с подкреплением в стандартной тестовой среде.

PureMechBERT-uncased — базовая модель BERT для заполнения пропусков в тексте, разработанная Cambridge Molecular Engineering. Модель обучена с нуля на статьях из литературы по диаграммам напряжение–деформация, содержащих сведения о механических свойствах материалов. Она предназначена для анализа и извлечения контекста из научных текстов этой области; архитектура — BertForMaskedLM, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель может быть полезна для восстановления замаскированных слов и изучения терминологии и свойств материалов в профильных публикациях. В репозитории указаны веса PyTorch и лицензия GPL-3.0. README не сообщает о поддержке конкретных естественных языков и не описывает результаты оценки качества.

SPP-MT Base — авторегрессионная языковая модель семейства Llama, разработанная командой Model Raising и обученная с нуля на архитектуре SmolLM2-1.7B. Модель содержит 1,7 млрд параметров, использует расширенный токенизатор SmolLM2 и контекст до 2048 токенов. Она обучена методом Synthetic Persona Pretraining: отражающие ценностную персону тексты добавлялись на этапе дополнительного обучения после основного предобучения. Модель предназначена для продолжения текста, исследовательского анализа поведения и безопасности, а также для дальнейшего дообучения. Это базовая версия без instruction tuning и шаблона чата, поэтому она не рассчитана на прямое следование пользовательским инструкциям. Опубликованы промежуточные контрольные точки для оценки и зондирования; состояние оптимизатора и генератора случайных чисел отсутствует, поэтому точное продолжение исходного обучения невозможно. Карточка указывает лицензию как «other», а README сообщает, что лицензия ещё должна быть определена, поэтому условия использования требуют отдельной проверки. Модель может выдавать неверный или небезопасный контент; заявленная область применения — исследования alignment и безопасности.

Transluce разработала эту модель на основе Llama-3.1-8B-Instruct, дообучив её объяснять непрерывные признаки из остаточного потока Llama-3.1-8B. Модель сопоставляет признаки SAE с объяснениями, полученными из Neuronpedia, и обобщает этот подход на произвольные непрерывные признаки остаточного потока базовой модели. Модель предназначена для анализа внутреннего представления Llama-3.1-8B и интерпретации её вычислений. Она содержит 7,5 млрд параметров, использует плотную архитектуру семейства Llama и принимает текстовые данные для генерации объяснений. Контекстное окно — 131 072 токена; в метаданных указан английский язык. Лицензия — MIT.

gslm-scaling-85m-87p1b — исследовательский чекпойнт модели speech language model из работы Scaling Properties of Speech Language Models (EMNLP 2024). Репозиторий tiagoCuervo содержит веса FP32 примерно с 85,3 млн параметров; модель построена на архитектуре TransformerLM и предназначена для генерации последовательностей речевых токенов: она предсказывает кластеры mHuBERT K-means с частотой 25 Гц. Для запуска в README приведён пример генерации через библиотеку slm. Оценки опубликованы для тестов sBLIMP, sStoryCloze и tStoryCloze. Модель выдаёт речевые токены, а вокодер в комплект не входит, поэтому для получения звуковой речи потребуется отдельный вокодер. Лицензия — Apache-2.0.

NuminaMath-7B-TIR — языковая модель для решения математических задач, разработанная командой AI-MO. Это плотная causal language model семейства Llama с 6,5 млрд параметров, дообученная в два этапа на базе deepseek-ai/deepseek-math-7b-base. Первый этап использовал разнообразные задачи и решения по математике с пошаговыми рассуждениями, второй — синтетические примеры tool-integrated reasoning, сочетающие текстовые рассуждения, программы на Python и результаты их выполнения. Модель предназначена для решения задач соревновательной математики, включая вычисления с помощью Python REPL. В README сообщается, что она получила 29 из 50 баллов в первом этапе AI Math Olympiad и показывает результаты на тестах GSM8k и MATH. Модель ориентирована прежде всего на английский язык; максимальный контекст — 4096 токенов. Для запуска вычислений требуется организовать выполнение Python-кода вне модели. Модель может справляться с задачами уровня AMC 12, но часто затрудняется с более сложными задачами уровня AIME и математических олимпиад, а также с геометрией. Она не предназначена для общего диалога. Лицензия — Apache 2.0.

Orion Flagship Mini Base — экспериментальная базовая языковая модель организации Project Prism на архитектуре Orion T2. Репозиторий содержит экспериментальный чекпойнт предобучения и интеграцию с Transformers; модель не проходила настройку на выполнение инструкций. В конфигурации Mini-T2 около 219 млн параметров, из них примерно 142 млн активны на вычислительном пути. Архитектура включает 12 стадий Universal Cortex, три общих разреженных Procedure Banks с маршрутизацией экспертов, Knowledge Vault с 65 536 ячейками памяти, persistent Working State и дополнительный проход deliberation. Модель предназначена для генерации текста и исследований экспериментальной архитектуры; в карточке не заявлены конкретные языки или длина контекста. Чекпойнт продемонстрировал устойчивое предобучение и связную генерацию, но сравнения со стандартными Transformer-моделями при сопоставимых параметрах и объёме обучения ещё требуются. Условия доступа ограничены: репозиторий должен оставаться приватным в Project Prism, доступ предназначен только участникам проекта, а веса и код нельзя распространять за его пределы. Указана лицензия other; описание запрещает использовать архитектуру, код и дизайн для создания, обучения или получения других моделей.

Pico Decoder Tiny — компактная языковая модель семейства pico-decoder, разработанная pico-lm. Это декодерный трансформер в стиле LLaMA с 11 млн параметров и 12 слоями, обученный с нуля на англоязычном наборе pretokenized-dolma. Модель генерирует текст; длина обучающих последовательностей составляла 2048 токенов. Модель предназначена прежде всего для прозрачного и воспроизводимого исследования динамики обучения языковых моделей в небольшом масштабе. Её можно анализировать с помощью инструментария pico-analyze; также для неё оценивали perplexity на наборе pico-paloma-tinsy. Небольшой размер упрощает исследовательские эксперименты, но не означает сопоставимого качества с крупными языковыми моделями. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy с использованием Unity ML-Agents. Она предназначена для запуска агента в среде игры, просмотра его поведения и продолжения обучения с сохранённого состояния. В репозитории доступен формат ONNX; для работы используется библиотека ML-Agents. Модель принимает наблюдения игрового окружения и выдаёт действия агента. В карточке не приведены сведения о размере модели, контексте или естественных языках: модель управляет игровым агентом, а не предназначена для обработки текста. Лицензия в доступных данных не указана.

Это обученная модель агента PPO, созданная для игры Huggy с использованием библиотеки Unity ML-Agents. Она предназначена для управления игровым агентом в среде Huggy; ONNX-файл можно использовать для просмотра игры агента через браузер и продолжения обучения средствами ML-Agents. Модель относится к обучению с подкреплением и принимает наблюдения среды, выдавая действия агента. Данные о лицензии и конкретном составе наблюдений в карточке не приведены.

Это модель обучения с подкреплением PPO для среды ML-Agents-SnowballTarget. Она обучена с помощью Unity ML-Agents в рамках пятого раздела курса Hugging Face Deep Reinforcement Learning Course; обучение выполнено за 200 000 шагов, средняя награда составила 25,75. Модель предназначена для агента, взаимодействующего со средой SnowballTarget. В репозитории представлены веса в формате ONNX. Данные не уточняют устройство наблюдений и действий агента, поэтому конкретный способ управления средой здесь не описан. Лицензия в предоставленных сведениях не указана.