I.13Симуляция, моделирование и открытие нового

DanGalt/ppo-Huggy — обученный агент, созданный с помощью библиотеки Unity ML-Agents. Он использует алгоритм PPO (Proximal Policy Optimization), чтобы играть в Huggy, взаимодействуя со средой Unity и выбирая действия по наблюдениям игрового процесса. Модель предназначена для запуска или продолжения обучения через ML-Agents, а также для просмотра игры агента в браузере с файлом ONNX из репозитория. Репозиторий содержит модель в формате ONNX. Карточка не сообщает размер сети, параметры наблюдений или условия лицензии, поэтому эти характеристики нельзя оценить по доступным данным.

Это обученная методом PPO модель агента, созданная сообществом giimisimake для игры Huggy на базе Unity ML-Agents. Она предназначена для запуска обученного агента в игровом окружении или продолжения его обучения с помощью ML-Agents. Репозиторий содержит модель в формате ONNX; метаданные указывают библиотеку ML-Agents. Лицензия в предоставленных данных не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy с использованием библиотеки Unity ML-Agents. Она предназначена для запуска агента в среде Huggy и продолжения его обучения через ML-Agents. Модель распространяется в формате ONNX. Карточка описывает применение в игровой среде и просмотр поведения агента в браузере через совместимый просмотрщик ML-Agents. Данных о размере модели, контексте, языках или лицензии в доступных источниках нет.

lcuau/ppo-Huggy — обученная методом Proximal Policy Optimization (PPO) модель агента для игры Huggy. Она создана с использованием библиотеки Unity ML-Agents и предназначена для запуска агента в соответствующей игровой среде или продолжения его обучения. Репозиторий содержит модель в формате ONNX. Карточка предлагает просматривать игру агента в браузере через инструмент ML-Agents и возобновлять обучение. Данных о размере модели, языках или ограничениях её поведения нет. Лицензия в предоставленных сведениях не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, который играет в среде Huggy. Модель создана с использованием Unity ML-Agents и предназначена для запуска агента в этой игровой среде, а также продолжения его обучения через ML-Agents. Репозиторий содержит модель в формате ONNX; метаданные указывают библиотеку ml-agents. Агент принимает наблюдения среды и выдаёт действия для управления игровым персонажем. Карточка не приводит размер модели, контекст или сведения о лицензии, поэтому эти характеристики здесь не описываются.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, опубликованная Wolverine01 для игры Huggy и использующая библиотеку Unity ML-Agents. Она предназначена для управления агентом в игровой среде: модель получает наблюдения среды и выдаёт действия, позволяя запускать агента или продолжать его обучение средствами ML-Agents. В репозитории есть формат ONNX. В README не приведены размер модели, контекст или поддерживаемые естественные языки. Условия лицензии в доступных сведениях не описаны.

yechenzhi1/ppo-Huggy — обученный агент на основе PPO для игры Huggy. Модель создана с использованием библиотеки Unity ML-Agents и представлена в формате ONNX. Агент предназначен для запуска в среде Huggy, просмотра его игрового поведения и продолжения обучения средствами ML-Agents. Это специализированная модель обучения с подкреплением для управления игровым агентом, а не универсальная языковая модель. Лицензия в предоставленных данных не указана.

Это обученный агент на основе алгоритма PPO, созданный для игры Pyramids в среде Unity ML-Agents. Модель распространяется в формате ONNX и предназначена для запуска в совместимой среде ML-Agents, а также для продолжения обучения или просмотра игрового поведения агента. Агент принимает наблюдения игровой среды и выбирает действия для прохождения Pyramids; карточка не раскрывает устройство наблюдений, точный размер модели, языки или показатели качества. Репозиторий создан в сентябре 2026 года. Лицензия в доступных данных не указана.

Модель bobobert4/ppo-SnowballTarget — обученный методом PPO агент для игры SnowballTarget, созданный с использованием Unity ML-Agents. Она предназначена для запуска агента в соответствующей игровой среде и продолжения его обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. Агент принимает состояние игровой среды и выдаёт действия для управления персонажем; подробности о пространстве наблюдений, действиях и качестве игры в карточке не приведены. Лицензия не указана.

Это обученная модель агента PPO для игры SnowballTarget, созданная с помощью библиотеки Unity ML-Agents. Она предназначена для управления агентом в соответствующей среде: модель принимает наблюдения среды и выдаёт действия, позволяющие агенту играть. Репозиторий содержит модель в формате ONNX; карточка описывает возможность продолжить обучение и запускать агента в среде ML-Agents. Сведения о размере модели, контексте и лицензии не приводятся.

Это обученная методом PPO модель агента для среды SnowballTarget, созданная YuvanKumar с использованием библиотеки Unity ML-Agents. Она предназначена для управления игровым агентом в этой среде и может применяться для просмотра его поведения или продолжения обучения в ML-Agents. Репозиторий содержит модель в формате ONNX. Языки использования — программные интерфейсы ML-Agents; модель не предназначена для обработки естественного языка.

Pythia-160M — англоязычная авторегрессионная языковая модель на архитектуре GPT-NeoX, разработанная EleutherAI как часть Pythia Scaling Suite. Модель содержит около 151,9 млн параметров, обучена на наборе данных The Pile и принимает текст для предсказания продолжения. Контекст составляет 2048 токенов; доступны промежуточные контрольные точки обучения для изучения динамики модели. Модель предназначена прежде всего для научных экспериментов с поведением, интерпретируемостью и ограничениями языковых моделей. Её можно использовать для исследовательских сравнений и адаптировать дообучением в соответствии с лицензией Apache 2.0. Pythia-160M не предназначена для пользовательских приложений и не настроена следовать инструкциям или вести диалог как чат-бот. Модель работает только с английским языком и может генерировать неточный, оскорбительный или социально нежелательный текст из-за особенностей обучающих данных. Она не подходит для перевода и генерации на других языках; результаты требуют проверки человеком. Лицензия — Apache 2.0.

Fock-PARFLM без exchange field — экспериментальная языковая модель SemSimula второго поколения, разработанная как контрольный вариант в серии сравнений механизмов. Это PyTorch-модель с архитектурой без трансформерного внимания: состояние токенов обновляется интегрированием затухающей механической динамики в семантическом пространстве, а в этом варианте отключено поле обмена. Модель обучалась на OpenWebText с размерностью 384 и двумя слоями; бюджет обучения составил 532 480 000 токенов. В карточке приведены результаты сравнения по perplexity, но авторы отозвали выводы о цене отдельных механизмов: у всех моделей поколения источники сил были отсоединены от градиентного пути, и коллекция заменена моделями третьего поколения. Модель предназначена для исследовательских экспериментов по генерации текста и сравнительной оценки архитектурных механизмов при фиксированном наборе данных и бюджете обучения. В README не указаны размер контекста и токенизатор. Основной язык данных — английский. Репозиторий распространяется по лицензии CC BY 4.0.

Это экспериментальная англоязычная модель генерации текста на базе SmolLM2-135M-Instruct, опубликованная Argo1-OOAS. Веса базовой модели заморожены, а дообученная ветвь примерно на 1,33 млн параметров отслеживает изменения между последовательными скрытыми состояниями и использует накопленную траекторию для изменения распределений вероятностей следующих токенов. Архитектура плотная, содержит 30 слоёв и ширину 576; общий размер — около 135,8 млн параметров. Модель предназначена для экспериментального управления генерацией с помощью триггерных слов и дополнительного контекста через приложение TrajectoryLM. Для запуска требуется репозиторная реализация на PyTorch. Данные о качестве ограничены оценкой на десяти пакетах обучения, а не стандартизированным языковым тестом. Это архитектурный эксперимент, а не готовый производственный ассистент: управление может быть слишком слабым или нарушать связность текста и вызывать зацикливание; всесторонняя проверка возможностей и безопасности не проводилась. Лицензия — Apache-2.0.

Это исследовательский чекпойнт из коллекции Illusion of LLM Unlearning, созданный дообучением open-unlearning/tofu_Llama-3.2-1B-Instruct_full. Разработчик продолжил обучение исходной модели на наборе TOFU forget10_perturbed: 300 шагов обычного supervised fine-tuning с оптимизатором adamw8bit, скоростью обучения 1e-6 и обучением на ответах в парах вопрос–ответ. Модель предназначена для экспериментов по оценке забывания и восстановления фактов после unlearning. В описанном тесте verbatim NLL на forget set снизился с 0,200 до 0,0091; точность ранжирования правильного факта среди шести вариантов изменилась с 0,730 до 0,670. Это плотная LlamaForCausalLM на 1,2 млрд параметров, работающая с текстом; метаданные указывают контекст 131072 токена и поддержку чата. Лицензия — MIT. Чекпойнт предназначен для исследований, а не для развёртывания. Данные TOFU описывают вымышленных авторов, поэтому фактические утверждения о них фиктивны; результаты на этом наборе не следует трактовать как достоверные сведения о реальных людях.

openai/circuit-sparsity — разреженная причинная языковая модель семейства CircuitGPT, опубликованная OpenAI. Чекпойнт содержит 541,1 млн параметров и рассчитан на генерацию текста с контекстом до 1024 токенов; модель доступна в формате Safetensors и работает через Transformers. Модель представляет результаты эксперимента Gao et al. 2025 и использовалась в статье для качественных экспериментов со счётом скобок и связыванием переменных. README также описывает автономный вариант для запуска небольшой генерации с локальными весами и токенизатором. Модель распространяется по лицензии Apache-2.0. Это исследовательский чекпойнт для изучения поведения разреженной модели на синтетических задачах, а не универсальный ассистент. README не сообщает языки обучения или систематические оценки качества; заявленные эксперименты ограничены примерами со скобками и переменными.

dilution-209m-1k-nope-s1337 — базовая языковая модель на 209 млн параметров из релиза DilutionAttention. Она предназначена для изучения оператора dilution attention и экстраполяции длины контекста, а не для диалога с пользователем: модель не проходила инструкционное и безопасностное дообучение. Архитектура включает 24 слоя, ширину 768, 12 голов внимания и SwiGLU; позиционные кодировки нет. Модель обучалась на корпусе FineWeb-Edu объёмом 4,19 млрд токенов при контексте 1 024 токена. В описанных тестах NIAH показала результат 1,00 при длине 1 024 и 1 920 токенов, однако этот тест измеряет извлечение ключевого слова по правдоподобию и не свидетельствует о способности к рассуждению на длинном контексте. Для ввода длиннее 1 024 токенов README указывает использовать ExtendedContext. Модель генерирует текст на английском языке и распространяется в формате safetensors по лицензии Apache-2.0. Она подходит для исследовательских экспериментов с механизмом внимания; отсутствие инструкционной настройки ограничивает её применение как готового ассистента.

KainoBERT — модель ModernBERT-base для заполнения пропусков в древнегреческом тексте, разработанная Urdatorn. Это маскированная языковая модель с 22 слоями, размером 136 млн параметров и byte-level BPE-токенизатором на 32 768 токенов. Модель обучена с нуля на корпусах древнегреческих текстов; она не использует английские веса answerdotai/ModernBERT-base. Метаданные указывают контекст 8 192 токена, тогда как README описывает обучение с окном 1 024 токена. Модель предназначена для предсказания замаскированных токенов и экспериментов с древнегреческими текстами. Она принимает текст в нижнем регистре без пунктуации, сохраняя политонические знаки; также поддерживает текст только с буквами. Текущая версия обучена на работах из наборов Sphragis и Sphragis-Metre, поэтому её нельзя использовать для оценки на этих бенчмарках; для таких экспериментов автор рекомендует родительскую модель KainoBERT-sphragis. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

MoMA — открытая модель персонализации изображений, разработанная как мультимодальная большая языковая модель на основе LLaVA-7B с дополнительными слоями внимания. Модель содержит 6,6 млрд параметров и рассчитана на контекст до 4096 токенов; в метаданных указан формат PyTorch и задача text-generation. Модель предназначена прежде всего для исследований персонализированной генерации изображений. Её целевая аудитория — исследователи и энтузиасты компьютерного зрения, обработки естественного языка и машинного обучения. README не описывает конкретный процесс генерации или интерфейс подачи изображений и запросов, поэтому практические сценарии использования ограничены исследованием персонализации изображений. Лицензия в доступных данных не указана.

nikitastheo/phonelm-phones-deu-eng — причинная языковая модель на архитектуре GPT-2, обученная автором репозитория с помощью скрипта Hugging Face Accelerate для causal language modeling. Название репозитория указывает на работу с фонемами для немецкого и английского языков, однако README не поясняет формат входных данных и конкретные сценарии применения. Модель предназначена для генерации продолжения текста; доступный контекст составляет 512 токенов. Опубликованные веса хранятся в формате safetensors. Лицензия и сведения о качестве модели в предоставленных данных отсутствуют.

Это обученная методом Proximal Policy Optimization (PPO) модель агента для игры Huggy, созданная с использованием библиотеки Unity ML-Agents. Агент предназначен для управления игровым персонажем в среде Huggy; модель можно запускать в поддерживающей ML-Agents среде или использовать для продолжения обучения. Репозиторий содержит модель в формате ONNX. Указана лицензия WTFPL.

Mwampooo/ppo-Huggy — обученная методом proximal policy optimization (PPO) модель агента, созданная для игры Huggy в среде Unity ML-Agents. Репозиторий содержит модель в формате ONNX, которую можно использовать с ML-Agents для запуска агента или продолжения обучения. Модель предназначена для управления агентом в игровой среде Huggy. Карточка описывает её как обученный игровой агент, но не приводит подробностей о наблюдениях, действиях или результатах обучения. Лицензия в предоставленных данных не указана.

Это обученный агент PPO для игры Huggy, опубликованный пользователем ShamikS. Модель создана с использованием Unity ML-Agents и предназначена для управления игровым агентом в среде Huggy с помощью обучения с подкреплением. Репозиторий содержит модель в формате ONNX; карточка также описывает возможность продолжить обучение через ML-Agents и наблюдать за игрой агента в браузере. Данные о размере модели, поддерживаемых естественных языках и лицензии отсутствуют.

Это обученная модель агента PPO, разработанная с использованием библиотеки Unity ML-Agents. Агент предназначен для игры Huggy в среде Unity и выбирает игровые действия на основе наблюдений среды. Модель поставляется в формате ONNX; её можно подключить к объекту Agent в проекте Unity с соответствующей сценой и использовать для запуска агента или продолжения обучения через ML-Agents. Модель рассчитана на управление игровым агентом, а не на диалог или генерацию текста. README не описывает детали наблюдений, пространство действий, результаты обучения или уровень игрового мастерства. Репозиторий не указывает лицензию.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная пользователем yoga-0125 для игры Huggy с использованием библиотеки Unity ML-Agents. Она предназначена для управления игровым агентом в среде Huggy; модель можно запускать для наблюдения за игрой или использовать как основу для продолжения обучения. Репозиторий содержит модель в формате ONNX. Карточка не сообщает размер модели, языки или лицензию. Модель управляет агентом в игровом окружении, поэтому её входы и выходы относятся к состоянию среды и действиям агента, а не к диалогу на естественном языке.

Pythia-1B — англоязычная авторегрессионная языковая модель семейства Pythia, разработанная EleutherAI для научного изучения поведения, возможностей и ограничений больших языковых моделей, в частности для исследований интерпретируемости. Это плотный Transformer GPT-NeoX с 1,2 млрд параметров и контекстом 2048 токенов; модель обучена предсказывать следующий токен на английских текстах набора The Pile без предварительной дедупликации. Модель подходит для контролируемых экспериментов с генерацией текста и анализа промежуточных этапов обучения: для каждого размера Pythia опубликованы 143 контрольные точки. Pythia-1B не настраивалась для следования инструкциям, диалогов или прикладных сценариев и не предназначена для непосредственного взаимодействия с пользователями. Генерация может быть фактически неверной, содержать нежелательные или предвзятые высказывания; модель не подходит для перевода и генерации на других языках. Лицензия Apache 2.0 разрешает использование и дообучение при соблюдении её условий.

Это дообученная модель Qwen3-1.7B, созданная в рамках исследования многоходовых агентов для среды TextCraft. Её обучали методом online multi-turn ROSE: студент выполнял первые пять ходов, после чего учитель Qwen3-32B продолжал эпизод ещё до пяти ходов, а ответы учителя использовались как цели обучения. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и рассчитана на контекст до 40 960 токенов. Модель предназначена для диалогового взаимодействия с TextCraft в формате ReAct: по наблюдениям среды она формирует рассуждение и действие, продолжая многоходовую задачу. В описанной оценке на 100 тестовых задачах TextCraft средний успех составил 54,75% при четырёх проходах; для сравнения, базовая Qwen3-1.7B достигла 23%, а Qwen3-32B — 85,5%. В обучении и оценке использовались отключённый режим thinking и ограничение 512 токенов на ход. Указано небольшое несоответствие между форматированием обучающих и оценочных данных, поэтому результат не гарантирует успеха на других сценариях. Модель распространяется по лицензии Apache-2.0.

Это обученный агент PPO, разработанный high-voltage-rock-n-roll для игры Huggy в Unity ML-Agents. Модель использует обучение с подкреплением и сохранена в формате ONNX, который подходит для запуска в соответствующей среде ML-Agents. Агент предназначен для управления персонажем в среде Huggy и демонстрации игрового поведения; карточка также описывает возможность продолжить обучение. Для работы требуется игровая среда Unity и поддержка ML-Agents. Лицензия в предоставленных данных не указана.

Fock-PARFLM v2.1 — авторегрессионная языковая модель Dimitar P. Gueorguiev из семейства Semantic Simulation. Она предназначена для генерации английского текста и исследовательского изучения альтернативных трансформерам архитектур языковых моделей. Модель на PyTorch использует архитектуру FockMultiXiPARFLM: к динамике токенов добавлен пул из 16 виртуальных регистров с механизмом создания и удаления регистров, LIFO-дисциплиной и взаимодействием через попарный потенциал PARF. Модель обучена на TinyStories. Обратный канал включён и неконсервативен; заявленная карточкой проверка исправленной причинности не устраняет ограничения её экспериментальных метрик: на TinyStories указана perplexity 9,70, хуже leak-free варианта Fock Attention с 9,42. Лицензия — CC-BY-4.0.

Jeesup/svdsafety_l2_ablate_top256 — исследовательский артефакт на базе диалоговой Llama 2 7B Chat от Meta, предназначенный для изучения того, как низкоранговое сжатие влияет на безопасность и отказ от вредных запросов. Веса получены вычитанием ведущего подпространства ранга 256 из разности между чат-моделью и базовой Llama 2 7B; изменены 224 проекции. Модель содержит 6,6 млрд параметров, использует архитектуру Llama, формат safetensors и контекст до 4096 токенов. Проверка на 520 запросах AdvBench показала частоту успешных атак 0,4481 и отказов на вредные запросы 0,123. При этом 43,7% ответов были вырожденным текстом: авторы характеризуют чекпойнт как сломанный и предупреждают, что он непригоден для развёртывания в качестве ассистента. Артефакт предназначен для экспериментов с устойчивостью выравнивания при сжатии весов. Лицензия — Llama 2 Community License.