I.13Симуляция, моделирование и открытие нового

Qwen3-VL-4B-GRPO — видеоязыковая модель на архитектуре Qwen3-VL, дообученная методом Group Relative Policy Optimization (GRPO). Чекпойнт выпущен как исследовательский базовый вариант для статьи о временно-пространственном восприятии в видеоязыковых моделях с помощью контрфактического обучения с подкреплением. Модель предназначена для ответов на вопросы по видео и оценки того, насколько ответы учитывают последовательность событий, направление движения и обратимую динамику. В README описана оценка на DyBench, Video-MME, TempCompass, MVBench и TimeBlind. Модель принимает видео и текстовые запросы и формирует текстовые ответы. Она хранится в формате safetensors и использует библиотеку Transformers. Это экспериментальный исследовательский базовый вариант для сравнения методов обучения, а не заявленная готовая к производству система. README не приводит численных результатов, длину контекста или лицензию, поэтому эти характеристики здесь не уточняются.

omrisap/sft_lm_principal — итоговый чекпойнт полного supervised fine-tuning модели LiquidAI/LFM2.5-1.2B-Instruct, созданный в рамках обучения RuleLoopViT. Модель использует плотную архитектуру LFM2 с 1,5 млрд параметров и контекстом до 128 000 токенов; её можно загружать через Transformers как причинную языковую модель для генерации текста и диалога. Чекпойнт предназначен для генерации главных правил в эксперименте RuleLoopViT и обучен на 19 200 примерах. Он подойдёт для исследовательских экспериментов с генерацией правил и для проверки поведения дообученной модели в задачах диалога. Сведения о лицензии в доступных материалах отсутствуют.

EVOKE-ALFWorld-3B — дообученная модель Gnonymous на базе Qwen2.5-3B-Instruct, созданная методом постобучения EVOKE для выявления знаний о мире и принятия целенаправленных решений в среде ALFWorld. Это плотная авторегрессионная языковая модель семейства Qwen2, рассчитанная на генерацию текста; размер составляет 3,1 млрд параметров, нативный контекст — 32 768 токенов. Модель загружается через Transformers и распространяется в формате safetensors. Модель предназначена для выполнения заданий и выбора действий в ALFWorld, где агенту нужно использовать знания о мире для достижения заданной цели. Метаданные также указывают возможности чата и интерфейс вызова инструментов. Базовая модель Qwen2.5-3B-Instruct многоязычна, однако карточка EVOKE не уточняет языки, на которых её специально обучали или оценивали. Лицензия указана как other; README ссылается на включённые файлы LICENSE и NOTICE, поэтому условия использования следует сверять с ними. Оценка в первую очередь описана для ALFWorld, и карточка не приводит результатов для широкого набора задач или иных сред.

Это исследовательский чекпойнт генеративной языковой модели Startlux Labs из серии Massive Activations HLA, выпущенный для статьи «Massive Activations in Hybrid Linear Attention Large Language Models: Pre-Attention Spikes and Inter-Spike Plateaus». Модель обучена с нуля на 10 млрд токенов; карточка указывает 340 млн параметров, а метаданные — 385,1 млн. Архитектура GatedDeltaNet сочетает гибридное линейное внимание с полными слоями внимания, в которых применяются выходные гейты. Контекст составляет 4096 токенов. Чекпойнт предназначен для изучения массивных активаций, поведения PAS/ISP, размещения слоёв внимания, выходного гейтирования и влияния масштаба модели. Это веса без настройки для следования инструкциям и без настройки безопасности. Чекпойнт не входит в публичный сценарий быстрого запуска с нуля: интеграция GatedDeltaNet не опубликована, и для выполнения нужна совместимая локальная реализация. Лицензия — Apache-2.0.

apollo-research/gpt2_noLN — исследовательская версия GPT-2 Small от Apollo Research: модель GPT2LMHeadModel для генерации продолжения текста. Её дообучили на OpenWebText примерно на 500 млн токенов при длине контекста 1024 токена, постепенно отключая действие LayerNorm; параметры нормализации настроены так, чтобы слои LayerNorm не влияли на вычисления. Репозиторий содержит веса в формате safetensors и рассчитан на загрузку через библиотеку Transformers, а также на работу с инструментами для интерпретируемости моделей. Модель подходит для экспериментов с трансформерами и анализа роли нормализации в языковых моделях. README описывает несколько вариантов обучения v1–v5; вариант v4 указан как используемый по умолчанию. Ограничение контекста — 1024 токена. Информация о лицензии в предоставленных данных отсутствует.

YanLabs/Qwen3-4B-Thinking-2507-MPOA — плотная причинно-следственная языковая модель на архитектуре Transformer, созданная YanLabs на основе Qwen/Qwen3-4B-Thinking-2507. К модели применена техника norm-preserving biprojected abliteration: она изменяет направления отказа в пространстве активаций без обычного дообучения. Модель содержит 3,7 млрд параметров, принимает текст и генерирует текст; нативная длина контекста — 262 144 токена. Поддерживает диалоговый режим и интерфейс вызова инструментов. Модель предназначена для исследований механистической интерпретируемости, анализа механизмов безопасности LLM и проверки методов abliteration. Указана лицензия Apache-2.0. README рекомендует температуру генерации 1,05. Ограничители безопасности и механизмы отказа удалены не полностью гарантированным способом; модель может создавать вредный контент, а её поведение в крайних случаях непредсказуемо. Автор предназначает её для исследований, а не для производственного развёртывания или пользовательских приложений.

DarthZhu/VideoRLVR-Wan2.2 — модель генерации видео на основе Wan2.2-TI2V-5B, оптимизированная методом обучения с подкреплением. Она предназначена для задач визуального рассуждения, в которых модель строит видеотраектории, проверяемые по правилам. В обучении использованы SDE-GRPO и плотные декомпозированные награды с правиловым feedback; оптимизация сосредоточена на ранних шагах денойзинга. Модель рассчитана на процедурно создаваемые задачи вроде лабиринтов, FlowFree и Sokoban. Метаданные указывают задачу image-to-video, библиотеку Diffusers, формат Safetensors и лицензию Apache-2.0. Указана производная связь с DarthZhu/VideoRLVR-Wan2.2-Base; README называет исходной основой Wan2.2-TI2V-5B.

Это чекпойнт wav2vec2-small, дообученный на 10 000 шагов и использованный в экспериментах по исследованию связи между речевым сигналом и синтаксисом. Модель разработана автором репозитория techsword и предназначена для извлечения представлений из аудио, в частности для анализа речевых признаков в исследовательских экспериментах. Модель использует архитектуру Wav2Vec2 и содержит 113,3 млн параметров. Она принимает аудио и выдаёт векторные признаки; в карточке указано применение для извлечения признаков, а не для распознавания речи. Репозиторий распространяется под лицензией Apache-2.0. README не сообщает подробности о данных обучения, поддерживаемых языках или длине входного аудио.

Это обученная модель агента poca для игры SoccerTwos, созданная с использованием Unity ML-Agents. Она предназначена для управления агентом в среде SoccerTwos и может использоваться для просмотра его игры или продолжения обучения через ML-Agents. Модель опубликована в формате ONNX; в метаданных указан pipeline-тег reinforcement-learning. Размер модели, контекст и поддерживаемые естественные языки не относятся к описанному сценарию. Лицензия в предоставленных данных не указана.

AlphaMaze-v0.2-1.5B — текстовая языковая модель Menlo Research для решения лабиринтов, описанных словами, и исследования пространственного рассуждения. Она дообучена на базе jan-hq/AlphaMaze-v0.2-1.5B-SFT; архитектура — плотная Qwen2ForCausalLM с 1,5 млрд параметров. Модель принимает текст и генерирует текст, может использоваться в диалоговом режиме и поддерживает интерфейс вызова инструментов. Контекст — до 131 072 токенов. Модель предназначена для планирования маршрута в текстовом лабиринте, анализа пространственных отношений и изучения того, как языковые модели представляют пространство без генерации изображений. В README описаны обучение с учителем и применение GRPO для улучшения стратегии решения; версия 0.2 отдельно не характеризуется в карточке, поэтому эти детали относятся к проекту AlphaMaze в целом. Поддерживаемый язык по метаданным — английский. Модель опубликована под лицензией Apache-2.0. README отмечает, что добавление специальных токенов лабиринта не улучшало результаты, а для некоторых экспериментов нулевое значение потерь вызывало сомнения; количественные результаты именно этой версии не приведены.

Карточка модели diskshima/deep-rl-class-unit01-LunarLander-v2 на Hugging Face совпадает с карточкой Classroom-workshop/assignment2-omar, поэтому описание составлено по ней. Это обученный агент Proximal Policy Optimization (PPO) для среды LunarLander-v2, созданный с помощью библиотеки Stable-Baselines3. Модель предназначена для управления посадочным модулем в симуляции: она получает состояние среды и выбирает действия, чтобы посадить аппарат.

LevelField-GGUF — мультимодальная модель для планирования нестандартных производственных и механообрабатывающих процессов. Она основана на LevelField, разработанной Level AI (蓝沃AI), и построена на Qwen3.5-9B с дообучением и усилением на 100 000 производственных чертежей и маршрутных карт, полученных на 16 предприятиях. Вариант LevelField-GGUF распространяется в формате GGUF с несколькими уровнями квантования и предназначен для запуска через llama.cpp. Модель принимает 2D-чертежи в форматах PDF или PNG и анализирует геометрию детали, размеры и допуски, шероховатость поверхности и другие технические требования, после чего формирует маршрут обработки с предложениями по оптимизации. Заявлена поддержка английского и китайского языков и 18 типов процессов, включая токарную и фрезерную обработку, сверление, шлифование, литьё, ковку, термообработку и сварку. По данным разработчика, точность согласования рассуждений с решениями опытных технологов превышает 95%, а в пилотных внедрениях время подготовки маршрутов сокращалось примерно на 60%; эти показатели относятся к внутренним оценкам и не подтверждены дополнительными данными. Размер контекста в README не указан. Для исходной BF16-версии при использовании vLLM требуется как минимум один GPU H100, тогда как GGUF-версии рассчитаны на экосистему llama.cpp. Модель лицензирована по Apache 2.0, допускающей коммерческое использование.

Llama3_8B_Ambiref — дообученная модель на базе Meta Llama 3.1 8B Base, созданная для отслеживания сущностей в задачах с коробками. Она читает описание коробок и их содержимого, затем последовательность операций — положить, убрать или переместить предметы — и генерирует итоговое содержимое указанной коробки. Модель предназначена для экспериментов и прикладных сценариев, где нужно последовательно учитывать изменения состояния объектов. Модель основана на плотной авторегрессионной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Она дообучалась с помощью LoRA на наборе AmbiRef; адаптер объединён с базовыми весами. В README описаны меры против утечки данных между обучающей, dev- и тестовой выборками. Указанный результат точного совпадения получен лишь на небольшой проверке из 64 примеров, поэтому качество на полном тестовом наборе не установлено. Для использования требуется соблюдать лицензию Llama 3.1. Модель ориентирована на текстовый ввод и текстовую генерацию; в карточке указан английский язык.

Это обученный агент poca для игры SoccerTwos, опубликованный пользователем ethanbnsm. Модель создана с помощью Unity ML-Agents и предназначена для управления агентом в среде футбольной игры SoccerTwos с использованием обучения с подкреплением. Репозиторий содержит модель в формате ONNX; карточка также описывает просмотр игры агента в браузере и возможность продолжить обучение через ML-Agents.

Это обученная модель агента PPO (Proximal Policy Optimization) для управления посадочным модулем в среде LunarLander-v2. Модель разработана автором репозитория на PyTorch с нуля, с использованием фреймворка CleanRL. Агент предназначен для выбора действий в симуляции посадки: по наблюдениям среды он управляет движением модуля. В README сообщается, что средняя награда на 10 оценочных эпизодах составила 292,50 ± 11,20, что превышает порог решения среды 200. В репозитории указан формат PyTorch. Сведения о лицензии, архитектуре сети и точном составе наблюдений не приведены.

Uni-NaVid for SatNav — модель компьютерного зрения и языка, созданная для платформы навигации SatNav по спутниковым картам. Она принимает языковую инструкцию и поток RGB-наблюдений и предсказывает короткую последовательность действий для навигации; окно предсказания охватывает до четырёх действий. Модель основана на Vicuna-7B-v1.5 и использует визуальный энкодер EVA-CLIP. Это плотная архитектура семейства LLaMA с примерно 6,6 млрд параметров и контекстом 4096 токенов. Чекпойнт обучен один эпох на офлайн-траекториях SatNav-v0.1 с learning rate 1e-5 и предназначен для интеграции SatNav Uni-NaVid и экспериментов с навигацией по спутниковым картам. Для работы требуется интеграция SatNav Uni-NaVid. Указана лицензия Llama 2; применимые условия использования следует сверять с лицензией базовой модели.

ALFWorld-Qwen3-8B-GiGPO — языковая модель-политика на базе Qwen/Qwen3-8B, дообученная wckwan методом GRPO с оценивателем GiGPO. Она предназначена для управления агентом в текстовой среде ALFWorld: модель получает текстовое описание ситуации и формирует последовательность действий для выполнения бытовых задач, например размещения, нагрева, охлаждения или очистки предметов. Финальная политика сохранена после 400 шагов обучения; в обучающих запусках средняя успешность за последние 50 шагов составила 86,8%. Это результат одного запуска, поэтому он не гарантирует такую же успешность при независимой оценке или в других средах. Модель работает с текстом и загружается через Transformers как AutoModelForCausalLM. В основе — Qwen3-8B; длина контекста в метаданных не приведена. Репозиторий содержит веса safetensors, а также промежуточные контрольные точки; сырые FSDP-данные предназначены для продолжения обучения, а не для инференса. Лицензия — Apache-2.0. README описывает специализированную политику для ALFWorld, а не универсального бытового агента.

Это промежуточный чекпойнт политики агента на базе Qwen2.5-7B-Instruct, дообученной методом CCPO для текстового бенчмарка ALFWorld. Модель учится выполнять бытовые задачи в виртуальной среде, выбирая действия по текстовым наблюдениям; обучение нацелено на улучшение распределения заслуг между шагами в многоходовых задачах с подкреплением. Чекпойнт создан в рамках незавершённого запуска: опубликован вариант на шаге 113 из запланированных 150, выбрана версия с лучшим текущим результатом на шаге 105. Модель имеет плотную архитектуру Qwen2ForCausalLM, 7,1 млрд параметров и контекст до 32 768 токенов. Она принимает текст и генерирует текстовые ответы и действия агента; в карточке указан английский язык. Внутренняя оценка на 128 отложенных задачах ALFWorld сообщает средний успех 90,0% в окне нескольких оценок, но эти результаты относятся к одному seed и не доказывают превосходство CCPO над GRPO или опубликованными результатами моделей другого размера. Модель предназначена для экспериментов с агентами и обучением с подкреплением в ALFWorld, а не для универсального бытового помощника. Лицензия — Apache-2.0; для загрузки и использования указана библиотека Transformers.

Экспериментальный чекпойнт GatedDeltaNet с примерно 385 млн параметров (в README размер обозначен как 340M), выпущенный StartluxLabs для исследования массивных активаций в языковых моделях с гибридным линейным вниманием. Модель обучалась с нуля на открытых данных в контролируемом предобучении объёмом 10 млрд токенов; она не настроена на инструкции и предназначена для продолжения текста и анализа поведения архитектуры, включая PAS/ISP, размещение слоёв внимания и выходное гейтирование. Модель использует архитектуру GatedDeltaNetForCausalLM и принимает текст, выдавая текст. Нативный контекст — 4096 токенов. Карточка указывает Apache-2.0. Для воспроизводимого анализа авторы рекомендуют закреплённую среду и инструменты из репозитория проекта; опубликованные эксперименты описывают совместимость с FLA v0.5.2 и CUDA 12.6.

gslm-scaling-20m-108p9b — исследовательский speech language model, выпущенный tiagoCuervo как контрольная точка для конечного бюджета масштабирования из работы «Scaling Properties of Speech Language Models» (EMNLP 2024). Это плотная TransformerLM-модель с 20 710 912 параметрами; веса FP32 сохранены в формате safetensors. По последовательности речевых токенов модель предсказывает следующие токены: свёрнутые подряд повторы кластеризованных единиц mHuBERT слоя 11 с частотой 25 Гц и словарём из 500 единиц. Модель предназначена для изучения свойств речевых языковых моделей и генерации последовательностей речевых единиц. В README приведён пример генерации продолжения по входным токенам и оценки на sBLIMP и sStoryCloze. Вокодер в комплект не входит, поэтому для преобразования предсказанных единиц в звучащую речь потребуются дополнительные компоненты. Лицензия — Apache-2.0.

Экспериментальный чекпойнт Dense Shared H/L размером 336 млрд обучающих токенов, выпущенный IFM для работы Towards Looped Models Done Right. Part I: Topology, Input Injection, Recurrent-State Organization. Это плотная языковая модель архитектуры Huginn из рецепта dense_shared_hl; в карточке не приведено число параметров. Чекпойнт сделан на шаге оптимизатора 80 000, посреди общего для моделей Part I расписания обучения, рассчитанного на 500 млрд токенов. Модель предназначена для генерации текста и оценки экспериментальной архитектуры в соответствии с протоколом статьи. Веса BF16 Safetensors сохранены в нативном формате xLLM и не загружаются через Transformers AutoModel; для инференса нужны код xLLM, CUDA GPU и FlashAttention 3. В репозитории есть токенизатор, конфигурация и манифест артефактов, но нет состояния оптимизатора и загрузчика данных, поэтому продолжить обучение с этого чекпойнта нельзя. Лицензия — Apache-2.0.

IFM/LoopedLM-P1-moe-ouro-336b — исследовательский чекпойнт рецепта MoE Ouro из работы «Towards Looped Models Done Right. Part I: Topology, Input Injection, Recurrent-State Organization». Это трансформерная языковая модель с архитектурой Mixture of Experts и циклической организацией блоков; чекпойнт соответствует обучению на 336 млрд токенов и шагу оптимизатора 80 000, то есть промежуточной точке графика обучения, рассчитанного на 500 млрд токенов. Модель предназначена для генерации текста и исследования топологии циклических моделей. Веса хранятся в BF16 Safetensors в собственном формате xLLM; для загрузки нужен код xLLM, CUDA GPU и FlashAttention 3. Стандартный загрузчик Hugging Face Transformers этот чекпойнт не загружает. Лицензия Apache-2.0.

Это обученная модель агента poca для игры SoccerTwos, созданная с использованием библиотеки Unity ML-Agents. Она предназначена для управления игровым агентом в среде SoccerTwos: модель принимает наблюдения среды и выдаёт действия, позволяющие агенту играть в футбол. Репозиторий содержит модель в формате ONNX; обучение можно продолжить с помощью ML-Agents, а работу агента — просматривать в браузере через средство просмотра ML-Agents. Язык взаимодействия — игровые наблюдения и действия, поэтому естественный язык модель не обрабатывает. Лицензия в доступных данных не указана.

Это обученная модель агента poca для игры SoccerTwos, созданная с использованием библиотеки Unity ML-Agents. Она предназначена для управления агентом в игровой среде SoccerTwos и может применяться для запуска игрового поведения или продолжения обучения через ML-Agents. Модель распространяется в формате ONNX. Карточка описывает обучение и запуск агента, но не приводит размер модели, языковые характеристики или конкретные детали наблюдений и действий. Лицензия в предоставленных данных не указана.

SeanWang0027 разработал экспериментальный чекпойнт Qwen3-1.7B, дообученный для многошагового взаимодействия с симулятором ALFWorld. Модель основана на Qwen/Qwen3-1.7B и использует плотную архитектуру Qwen3ForCausalLM с 1,7 млрд параметров. Она генерирует текст в формате ReAct: рассуждение и действие в ответ на наблюдения среды; контекстное окно составляет 40 960 токенов. Модель предназначена для изучения обучения агентов по траекториям учителя и для выполнения бытовых задач в ALFWorld. При обучении онлайн-методом ROSE студент играл первые 10 ходов, после чего учитель продолжал эпизод до пяти ходов; целями обучения были только ответы учителя. На тестовом разделении ALFWorld модель показала успех 40,25% ± 1,95% при описанном в карточке протоколе оценки. Это исследовательский экспериментальный чекпойнт, а не универсальный агент. Репозиторий использует формат safetensors, библиотеку Transformers и лицензию Apache-2.0.

SEED-ALFWorld-3B — текстовая агентная модель на базе Qwen2.5-3B-Instruct, разработанная для взаимодействия с виртуальной средой ALFWorld. Модель дообучена методом SEED (Self-Evolving On-Policy Distillation): во время обучения она анализирует завершённые траектории, извлекает навыки и использует их для более плотной обратной связи при выборе действий. При работе модель получает обычную историю взаимодействия; отдельный анализатор, хранилище навыков и поиск не требуются. Модель имеет плотную архитектуру Qwen2, содержит 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текстовую историю среды и генерирует текстовые действия и ответы на английском языке. В README приведены результаты на тестовых разделах ALFWorld, включая макросреднее 86,2% на unseen-разделе. Модель специализирована на текстовом взаимодействии в ALFWorld-подобных задачах, поэтому её перенос на другие среды и форматы запросов может быть ненадёжным. Лицензия указана как other; конкретные условия использования следует сверить с карточкой модели.

Это исследовательская языковая модель Multi-Xi PARFLM со структурированным скалярным потенциалом Vθ, разработанная в рамках Semantic Simulation. Вместо MLP для Vθ используется смесь из восьми диагональных квадратичных потенциальных ям; попарный потенциал Vφ остаётся MLP. Модель реализована на PyTorch и обучена на TinyStories для генерации текста на английском языке. Архитектура использует четыре причинных EMA-канала и восемь шагов интегрирования. Для силы, соответствующей Vθ, градиент вычисляется аналитически, что устраняет необходимость строить граф автодифференцирования для этой части и делает центры восьми аттракторов явно доступными в параметрах. В описанной оценке perplexity составляет 12,27 против 12,10 у MLP-варианта; авторы позиционируют её как вариант с более удобной интерпретацией и более быстрым вычислением силы Vθ. Модель предназначена для генерации текста и экспериментов с интерпретируемыми энергетическими языковыми моделями. README уточняет, что интегратор использует разностное положение h−h_prev вместо явной переменной скорости; это позиционная форма схемы Störmer–Verlet, для которой действует соответствующее ограничение устойчивости. Лицензия модели — CC BY 4.0.

Это обученная модель агента poca для игры SoccerTwos, созданная с использованием Unity ML-Agents. Модель предназначена для управления игровым агентом в среде SoccerTwos и может использоваться для наблюдения за его игрой или продолжения обучения через ML-Agents. В репозитории представлены веса в формате ONNX. Карточка не сообщает размер модели, лицензию, поддерживаемые естественные языки или известные ограничения качества; агент предназначен для взаимодействия с игровой средой, а не для текстового диалога.

Это экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, дообученный методом GRPO разработчиком chanyoungkim на среде ALFWorld с использованием langfengQ/verl-agent. Модель предназначена для генерации текста и выбора действий в текстовом интерфейсе ALFWorld; валидационная успешность на наборе valid_seen во время обучения составила 71,1%. Архитектура — плотная причинная языковая модель Qwen2 с 1,5 млрд параметров и контекстом 32 768 токенов. Чекпойнт сохранён в bf16 в формате safetensors и доступен через Transformers; репозиторий также содержит состояние обучения для продолжения запуска, рассчитанное на FSDP с двумя GPU. Модель унаследовала от базовой Qwen2.5-1.5B-Instruct возможности диалога и генерации текста. Лицензия — Apache-2.0. Результат оценки ограничен ALFWorld valid_seen и не подтверждён для valid_unseen. Указанная успешность получена на небольшой внутритренировочной проверочной выборке; README предупреждает, что метрики is_correct и pass@1 в логах некорректны, поэтому использовать следует val/success_rate.

Карточка модели AllIllusion/LunarLander-v3 на Hugging Face совпадает с карточкой MrBenjaroo/ppo-LunarLander-v3-veryBadTest, поэтому описание составлено по ней. Модель MrBenjaroo/ppo-LunarLander-v3-veryBadTest — обученный агент на основе алгоритма PPO для среды LunarLander-v3. Автор карточки указывает, что модель создана с помощью библиотеки stable-baselines3 и сохранена в формате PyTorch. Агент предназначен для управления посадочным модулем в симуляции LunarLander-v3: по наблюдениям среды он выбирает действия, помогающие посадить аппарат. Карточка не сообщает размер модели, языки или подробности обучения. Лицензия в предоставленных данных не указана.