I.13Симуляция, моделирование и открытие нового

SaudxInu опубликовал обученную модель агента PPO для игры Huggy, созданную с помощью библиотеки Unity ML-Agents. Агент предназначен для взаимодействия с игровым окружением Huggy и может использоваться для просмотра игрового поведения или продолжения обучения через ML-Agents. В репозитории указана версия в формате ONNX. Модель относится к обучению с подкреплением; README не сообщает размер, набор наблюдений, параметры обучения или измеренные результаты. Для работы требуются совместимое игровое окружение Huggy и Unity ML-Agents. Лицензия в предоставленных данных не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента для игры Pyramids, опубликованная Nablaaa. Модель построена с использованием Unity ML-Agents и предназначена для управления агентом в игровой среде Pyramids: её можно запускать для наблюдения за игрой или использовать как отправную точку для продолжения обучения через ML-Agents. В репозитории представлен формат ONNX. Лицензия в предоставленных данных не описана.

Это чекпойнт третьего цикла SDPO + ReSAIL на базе Qwen/Qwen3-4B, разработанный ShengjieJin и обученный для выполнения задач в среде ALFWorld. Метод ReSAIL дополняет итеративную самодистилляцию агента выборочной дистилляцией с балансировкой траекторий и сохранением привилегированной информации. Модель представляет собой плотную авторегрессионную языковую модель Qwen3 с 3,7 млрд параметров и контекстом до 40 960 токенов. Она генерирует текстовые ответы и действия агента; эксперименты проводились с отключённым режимом рассуждений. В README сообщается средняя успешность 72,4% на наборах ALFWorld ID и 64,3% на OOD по трём seed декодирования; это не оценка вариативности между независимыми запусками обучения. Модель предназначена для экспериментов с языковыми агентами в ALFWorld, а результаты за пределами этой среды не описаны. Распространяется под лицензией Apache-2.0.

Fock-PARFLM v2.1 Depth-Conditioned Multi-Context Gaussian Vθ — экспериментальная языковая модель автора Dimitar P. Gueorguiev из Semantic Simulation. Она генерирует текст и предназначена для изучения влияния ограниченного скалярного потенциала на авторегрессионное моделирование историй TinyStories. Архитектура FockMultiXiPARFLM — плотная, без трансформера и механизма внимания; в карточке указаны размерность d=256 и 8 слоёв. Потенциал представляет собой ограниченную смесь гауссовых компонент с 32 центрами притяжения, отдельными банками для контекстных каналов xi и обучаемым кодом глубины для каждого слоя. Модель обучена на TinyStories; среди её особенностей — ограниченная величина потенциала и градиента, а также проверки на отсутствие утечки будущих токенов. Автор отмечает, что на малом масштабе эта конструкция уступает альтернативным вариантам по выразительности и perplexity. Лицензия — CC BY 4.0.

huginn-s-huginn-linear — исследовательский чекпойнт из работы «Towards Looped Models Done Right. Part II: Rethinking at Fixed Points», вариант Huginn-Linear из таблицы 3. Модель разработана авторами работы; она представляет собой рекуррентный Transformer с блоком prelude, двумя повторно используемыми блоками и блоком coda. Размер — около 306 млн параметров; ширина слоёв 1536, 24 головы внимания (6 KV-голов), FFN SwiGLU шириной 4352. При подаче входа используется преобразование Huginn-Linear, после каждой рекурсии — RMSNorm без обучаемых параметров. Модель предназначена для генерации текста и оценки подхода с фиксированными точками в зацикленных языковых моделях. Для загрузки и запуска нужен код xLLM: веса хранятся в формате BF16 Safetensors с конфигурацией и манифестом xLLM и не загружаются через стандартный AutoModel.from_pretrained из Transformers. Лицензия — Apache-2.0. Карточка описывает оценочный сценарий и не подтверждает пригодность чекпойнта для широкого прикладного использования.

Модель akanametov/MLAgents-SnowballTarget — обученный агент PPO для игры SnowballTarget, опубликованный сообществом akanametov и созданный с помощью библиотеки Unity ML-Agents. Это модель обучения с подкреплением для управления игровым агентом в среде Unity; её можно использовать, чтобы наблюдать за игрой агента или продолжить его обучение средствами ML-Agents. В репозитории представлен формат ONNX. Карточка не сообщает размер модели, набор наблюдений и действий, языки или конкретные показатели качества. Для запуска требуется совместимая среда SnowballTarget и инструменты ML-Agents; модель не предназначена для обработки естественного языка. Лицензия в предоставленных данных не указана.

dechantoine/ppo-Huggy — обученный агент PPO для игры Huggy в среде Unity ML-Agents. Модель предназначена для управления игровым агентом: её можно запустить для просмотра игры или использовать как отправную точку для продолжения обучения через ML-Agents. В репозитории указан формат ONNX. Карточка не сообщает размер модели, языки или лицензию; модель взаимодействует с игровой средой, а не предназначена для диалога на естественном языке. Подробности наблюдений и управляющих действий в карточке не описаны.

Это обученная модель агента PPO для игры Huggy, созданная с помощью библиотеки Unity ML-Agents. Она предназначена для управления игровым агентом в среде Huggy и может использоваться для просмотра поведения агента или продолжения его обучения в ML-Agents. Репозиторий содержит модель в формате ONNX. Поддерживаемые сценарии ограничены взаимодействием с этой игровой средой; сведения о размере модели, лицензии и конкретных ограничениях поведения отсутствуют в доступных данных.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy в среде Unity ML-Agents. Она принимает наблюдения игрового окружения и выдаёт действия агента, чтобы управлять персонажем. Репозиторий содержит модель в формате ONNX; для работы и продолжения обучения используется библиотека ML-Agents. Модель предназначена для запуска агента и просмотра его игры в окружении Huggy, а также для продолжения обучения с помощью ML-Agents. README не сообщает размер модели, используемые языки или лицензию.

Это обученная методом Proximal Policy Optimization (PPO) модель агента для игры Huggy. Модель опубликована пользователем sieger05 и создана с использованием Unity ML-Agents; она предназначена для управления игровым агентом в соответствующей среде и может запускаться для просмотра его поведения или использоваться как отправная точка для продолжения обучения. В репозитории указан формат ONNX. Модель работает с состояниями и действиями среды Huggy; подробности о представлении входных данных, размере модели и лицензии в доступных материалах отсутствуют.

SeanWang0027/qwen3-1.7b-agentick-rose-s10t10-qwen3-32b-step300 — экспериментальный чекпойнт Qwen3-1.7B, созданный дообучением командой SeanWang0027 для многошагового управления агентом в среде Agentick. Модель обучалась по схеме online multi-turn ROSE: студент выполнял первые 10 ходов в живой среде, после чего учитель Qwen3-32B продолжал эпизод до 10 ходов, а его ответы использовались как целевые примеры. Это шаг 300 экспериментального запуска, остановленного на шаге 400. Модель предназначена для диалогового взаимодействия с gridworld-средой через формат ReAct: она получает инструкции и наблюдения, затем формирует рассуждение и действие. Архитектура — плотная авторегрессионная Qwen3ForCausalLM на 1,7 млрд параметров; поддерживается контекст до 40 960 токенов. В описании обучения указаны ходы длиной до 512 токенов, а в формате промпта — ограничение в 256 токенов на ход. Карточка не приводит отдельный результат оценки этой версии: указано, что для одного прохода успешность не оценивалась. Базовая модель лицензирована по Apache-2.0.

softmax-209m-16k-nope-2x-s1337 — исследовательская базовая языковая модель на 209 млн параметров из выпуска DilutionAttention. Модель предназначена для изучения оператора внимания и экстраполяции контекста, а не для диалогов с пользователем: она не проходила инструкционную или safety-настройку. Архитектура включает 24 слоя, ширину 768, 12 голов внимания, SwiGLU, общие входные и выходные эмбеддинги и словарь GPT-2. Во всех слоях используется softmax-внимание без позиционного кодирования. Модель обучена на 8,4 млрд токенов FineWeb-Edu с контекстом 16 384 токена; в карточке приведены результаты проверки потерь и поиска ключевого слова на контекстах до 24 000 токенов. Поддерживаемый язык — английский. Для запуска используется библиотека dilution-attention, веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Оценка NIAH в карточке измеряет поиск ключевого слова по шаблонному заполнителю и не свидетельствует о способности к рассуждению на длинном контексте; модель также не является готовым ассистентом.

murphysics999/stoch_norm_gpt2_small — исследовательская производная GPT-2 small, созданная для изучения того, сколько информации трансформер передаёт через отдельные операции чтения LayerNorm. Модель содержит около 124 млн параметров и основана на openai-community/gpt2. В каждой из 25 операций LayerNorm добавляется гауссовский шум с обучаемым масштабом; значения масштабов совместно обучались с весами при фиксированном общем информационном бюджете. Шум включён по умолчанию, в том числе при оценке и генерации. Модель предназначена для генерации продолжения англоязычного текста и экспериментов по интерпретируемости и распределению информации в трансформере. Она дообучалась дистилляцией распределений следующих токенов исходной GPT-2 на OpenWebText. В оценке на отложенной части OpenWebText перплексия составила 31,85 против 25,22 у детерминированной GPT-2 small, поэтому модель не является улучшенной заменой исходной. Контекст — 1024 токена. Для загрузки требуется Transformers с trust_remote_code=True и пользовательским кодом модели. Лицензия — MIT.

gslm-scaling-155m-9p9b — экспериментальная модель Tiago Cuervo из работы «Scaling Properties of Speech Language Models» (EMNLP 2024). Это плотная TransformerLM с 154 680 320 параметрами; опубликованы веса FP32 в формате safetensors, лицензия Apache-2.0. Чекпойнт достиг конечной точки кривой масштабирования после обучения на 9 892 480 000 токенах. Модель авторегрессионно предсказывает последовательности дискретных речевых единиц: объединённые подряд повторы кластеров mHuBERT layer 11, полученных K-means с K=500 и частотой 25 Гц. В README приведён пример генерации продолжения такой последовательности. Для преобразования предсказанных единиц в звук нужен отдельный вокодер, который в репозитории не приложен. В оценках указаны точность 58,42% по макроусреднённым явлениям sBLIMP, 55,50% для voice-pair accuracy, 54,30% на sStoryCloze и 71,78% на tStoryCloze. Это чекпойнт для исследования масштабирования speech language models; результаты не устанавливают его пригодность для готового распознавания или синтеза речи. Для генерации требуется библиотека slm-research и токенизированный prompt.

Alienanthony/Nested_Mamba_3Level — исследовательская авторская модель генерации последовательностей размером 2,478 млрд параметров. Она использует три вложенных причинных разрешения на основе Mamba-2 и предсказывает следующие байты напрямую, без обучаемого токенизатора; словарь состоит из 260 служебных и байтовых идентификаторов. Обучение проводилось на смеси веб- и PDF-текста, сериализованных примеров изображений и текста, а также аудио. Модель предназначена для исследований байтового моделирования, иерархических моделей пространства состояний, адаптивного причинного пулинга и генерации последовательностей из разных модальностей. Контрольные веса опубликованы в SafeTensors с точностью FP32; для запуска рекомендуется BF16. Это пользовательская архитектура и код, не совместимые напрямую с Transformers AutoModel; README рекомендует запускать включённый скрипт инференса в Linux с CUDA и совместимыми версиями PyTorch, mamba-ssm, Triton и causal-conv1d. Модель не является чат-ассистентом и не обучена следовать инструкциям. Валидация текста показана отдельно, а общий показатель смешанной выборки нельзя трактовать как оценку качества текста. Модель экспериментальная и существенно недообучена. Генерация байтов может давать некорректный UTF-8, повреждённые изображения и незавершённые аудиоконтейнеры; качество аудио заметно слабее текстового, а обучение на небольших PPM-изображениях ограничивает детализацию. Указана лицензия other; README предупреждает, что она не предоставляет прав на воспроизведение защищённых обучающих материалов, включая тексты песен, композиции, голоса и записи.

Paul Vialard публикует обученную методом Proximal Policy Optimization (PPO) модель агента для игры Huggy, созданную с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy и может использоваться для просмотра игры агента или продолжения обучения через ML-Agents. В репозитории указан формат ONNX. Данных о размере модели, поддерживаемых естественных языках и лицензии нет, поэтому условия распространения и использования установить нельзя.

Pongsaky/ppo-Huggy — обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления агентом в игровом окружении Huggy и может использоваться для просмотра его игры или продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. Модель принимает состояние игрового окружения и выдаёт действия агента; подробности о составе наблюдений и наборе действий в карточке не приведены. Лицензия и точные параметры обучения в предоставленных данных не указаны.

Randen Banuelos опубликовал обученного агента PPO для игры Huggy, созданного с помощью Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy и может использоваться для наблюдения за его игрой или продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. Сведения о лицензии, размере и ограничениях модели в доступных данных отсутствуют.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная автором репозитория thed3er для игры Huggy в Unity ML-Agents. Она предназначена для управления игровым агентом в среде Huggy и может запускаться для демонстрации его поведения или использоваться для продолжения обучения средствами ML-Agents. Репозиторий содержит модель в формате ONNX; в метаданных указана библиотека ml-agents. Данных о размере модели, контексте и лицензии нет, поэтому эти характеристики не описываю.

yeahway/ppo-Huggy — обученный агент на основе PPO, созданный с помощью библиотеки Unity ML-Agents для игры Huggy. Модель предназначена для управления игровым агентом в этой среде; её можно запускать в браузерном просмотрщике ML-Agents или использовать для продолжения обучения. В репозитории указаны файлы ONNX. Карточка не сообщает размер модели, языки или численные характеристики обучения. Для использования требуется игровая среда Huggy и инструменты Unity ML-Agents. Лицензия в предоставленных данных не указана.

SCoRe-Qwen3.5-9B (PLAYPEN, single-player) — дообученная модель на базе Qwen/Qwen3.5-9B, подготовленная для изучения самокоррекции ответов с помощью обучения с подкреплением. Модель обучали в два этапа по методу SCoRe REINFORCE на пяти однопользовательских диалоговых играх бенчмарка PLAYPEN: adventuregame, textmapworld, textmapworld_graphreasoning, textmapworld_specificroom и wordle. В опубликованной версии 4-битный QLoRA-адаптер объединён с базовыми весами; репозиторий содержит веса в формате safetensors. Модель рассчитана на многоходовые игровые эпизоды, где она может пересмотреть первоначальную попытку и улучшить последующий ответ. Её размер указан как 7,2 млрд параметров, архитектура — плотная причинная языковая модель Qwen3.5; контекстное окно — до 262 144 токенов. Основа Qwen описана как мультимодальная, однако в этой карточке обучение и назначение модели связаны с текстовыми диалоговыми играми. Это исследовательский артефакт: результаты самокоррекции могут зависеть от распределения однопользовательских игр PLAYPEN и не обязаны переноситься на открытый диалог или многопользовательские игры. Модель не предназначена для производственного применения. Лицензия — Apache 2.0, унаследованная от базовой модели.

evalstate выпустил исследовательский чекпойнт GPT-2, обученный с нуля для изучения того, сколько случайных данных может запомнить языковая модель. Модель содержит около 1,87 млн параметров, использует словарь из 2049 токенов и контекст длиной 64 токена; она обучалась на равномерно случайных последовательностях и достигла заявленного результата 2,473 бита запомненной информации на параметр. Чекпойнт предназначен для воспроизведения и анализа экспериментов по запоминанию данных и границе насыщения при малом масштабе, а не для обычной генерации связного текста. Это плотная авторегрессионная GPT-2-модель для text-generation, доступная в формате safetensors и используемая с Transformers. Эксперимент ограничен конкретной архитектурой, размером и синтетическим набором данных; авторы отдельно отмечают, что результаты не являются универсальным законом масштабирования. Лицензия — MIT.

RLMM разработала ZeroHero Craftax strong DAgger — специализированную языковую политику для навигации со скрытой целью в Craftax-Dialogue. Модель построена на архитектуре Qwen3 и содержит около 13 млн параметров, но обучена с нуля и не наследует предобученные веса Qwen3. Это финальный чекпойнт 300-го цикла обучения DAgger после supervised fine-tuning на экспертных траекториях; веса опубликованы в FP32 формате safetensors. На каждом шаге модель получает диалог и локальную символическую карту, генерирует рассуждение и действие либо задаёт вопрос. Полный эпизод ограничен 30 решениями, включая вопросы и неудачные действия. В проверке на 512 отложенных мирах модель достигла успеха в 332 случаях (64,84%); это результат политики вместе с отдельным оракулом Gemma для ответов на вопросы, а не самостоятельная точность модели. Для интерактивной оценки нужны среда ZeroHero, форматтер промптов, парсер действий и оракул Gemma. Лицензия в предоставленных данных не указана.

openhonest/babylm-2026-fr-92m — франкоязычная авторегрессионная языковая модель GPT-2, разработанная для участия в строгом треке BabyLM 2026 и исследований усвоения грамматики. Модель с 125 млн параметров обучена с нуля на корпусе из примерно 92,5 млн французских слов; архитектура GPT2LMHeadModel включает 12 слоёв и 12 голов внимания, размер скрытого слоя — 768. Используется библиотека Transformers, веса сохранены в формате safetensors, длина контекста — 512 токенов. Модель предназначена для воспроизведения результатов исследования Right Tool, Right Job, изучения межъязыковых различий в усвоении грамматики, разработки бенчмарков для квебекского французского и анализа эффективности обучения на небольших корпусах. В README сообщается результат 85,97% на QFrBLiMP; оценка на QFrCoLA относится к отдельной LoRA-настройке для downstream-оценивания. Лицензия — MIT. Это исследовательский чекпойнт, а не модель для качественной генерации общего назначения: корпус развивающего типа намного меньше типичных веб-корпусов. Модель обучалась только на французском и не предназначена для задач на английском; токенизатор обучен на французской Википедии, чей регистр отличается от обучающих источников CHILDES и Орлеанского корпуса.

LikC1606/chinese-babylm-cog-a197-strict-best — модель-кандидат для китайского трека CogBench в условиях Chinese BabyLM, разработанная в рамках эксперимента на строгом обучении с нуля. Это плотная модель класса CogAllLayerUncertaintyGateModel на базе Transformers; репозиторий содержит веса safetensors, а для загрузки требуется trust_remote_code=True. Контекст модели — 256 токенов. Модель извлекает признаки для оценки языкового поведения на китайском языке. В README приведены результаты на задачах word_fmri и fmri, а также на наборах zhoblimp, hanzi_structure и hanzi_pinyin. Архитектура объединяет слои внутренних ветвей, статистические признаки из официального корпуса Chinese BabyLM и скалярные оценки неопределённости внутренней MLM-модели. Автор сообщает, что веса обучены с нуля на официальных артефактах корпуса без внешних предобученных моделей, учителей и лингвистических ресурсов; публичные агрегированные оценки CogBench применялись при выборе конфигурации. Модель рассчитана на экспериментальные исследования китайского языка и когнитивного моделирования, а не на универсальные текстовые приложения. Метаданные указывают лицензию other, поэтому условия повторного использования следует сверить с лицензией репозитория. README сообщает результаты локального оценивания, но не описывает ограничения переносимости за пределы указанного трека и оценочного набора.

aitechgs/ppo-Huggy — обученный агент Proximal Policy Optimization (PPO) для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель принимает состояние игровой среды и выбирает действия, чтобы управлять агентом в игровом эпизоде; веса доступны в формате ONNX. Модель предназначена для запуска агента в среде Huggy, просмотра его игры в браузере и продолжения обучения через ML-Agents. В карточке не приведены размер модели, детали наблюдений среды и показатели качества, поэтому оценить её производительность за пределами указанной задачи нельзя. Репозиторий не сообщает лицензию.

vlabki/rr-speed-v4 — рекуррентная политика игрока для управления в Mario Kart Wii, опубликованная пользователем vlabki. Это обученный методом reinforcement learning чекпойнт на базе recurrent PPO; в карточке указаны 18 250 обновлений и 112 128 000 шагов среды. В репозитории есть веса в формате safetensors, конфигурация модели, статистика нормализации и маршрутный ориентир. Политика предназначена для выбора игровых действий; оценка на фиксированных seed с детерминированным выбором argmax показала 95% финишей для надёжного чекпойнта и 75% для самого быстрого варианта. Модель рассчитана на управление игровым агентом в Mario Kart Wii. README сообщает о поддержке действий через BC, но не описывает точный состав входных наблюдений, схему действий или требования к среде выполнения. Лицензия в предоставленных данных не указана.

ZeroHero Craftax strong — специализированный языковой исполнитель для навигации со скрытой целью в Craftax-Dialogue, разработанный в проекте ZeroHero. Это плотная авторегрессионная модель Qwen3 на 13 млн параметров с шестью слоями, размером скрытого состояния 384 и контекстом 2 048 токенов. Весы обучены с нуля: модель не использует предобученные веса Qwen3. После обучения на экспертных траекториях она прошла онлайн-обучение BATS / LinUCB с обновлениями PPO и DAgger. На вход модель получает локальную символьную карту и диалог, а в ответе формирует рассуждение, действие и при необходимости вопрос. Она предназначена для выбора действий в этой среде, а не для общего диалога или самостоятельного доступа к скрытой цели: ответы на вопросы о привилегированном состоянии предоставляет отдельный Gemma-оракул. В описанной оценке модель достигла 89,45% успеха на 512 эпизодах; это результат одного обучающего запуска, поэтому он не показывает разброс качества между запусками и не является оценкой на стандартных достижениях Craftax. Для интерактивной оценки нужны обёртка среды ZeroHero, форматировщик наблюдений, анализатор действий и Gemma-оракул. В README лицензия не указана.

AlphaZero-style агент для игры в Connect Four, разработанный автором аккаунтов steven0226 и kuotunyu. Это свёрточная ResNet-модель с шестью остаточными блоками по 96 фильтров, обученная с нуля методом self-play с поиском MCTS. Она принимает представление стандартной доски 6×7 в виде трёх плоскостей — камни игрока, камни соперника и сторона хода — и выдаёт оценки семи ходов и оценку позиции. Модель предназначена для игры против человека или других агентов, анализа ходов и экспериментов с обучением с подкреплением. По README, обучение включало 150 итераций и 19 200 партий self-play; в описанных матчах модель достигла Elo 1626 и обыгрывала случайного агента. Веса опубликованы в формате safetensors, лицензия — MIT. Агент силён, но не играет идеально: Connect Four решена, и тактические комбинации за пределами бюджета поиска могут его победить. Он обучен только для стандартного поля 6×7; оценка по матчам несёт заметный статистический шум.

Model_256_BIT — экспериментальная абляционная языковая модель, опубликованная Bochkov для исследований эмерджентной семантики и обучения трансформеров на замороженных представлениях токенов. Это декодерный трансформер GPT-подобного типа с 16 слоями, 32 головами и размерностью скрытого состояния 1024; в метаданных указано 335,5 млн параметров. Входная таблица размерности 256 содержит случайные уникальные бинарные идентификаторы токенов, заморожена и расширяется повторением до 1024 измерений. Выходная голова обучается отдельно и не связана с входными эмбеддингами. Модель предназначена для генерации текста и исследовательских сравнений с вариантами, использующими визуальные или обучаемые эмбеддинги, а также для изучения того, может ли семантическая структура возникать без семантической информации во входных представлениях. В карточке указан совместимый токенизатор bvv241-2-3 с размером словаря 65 536; заявлена многоязычность, но конкретные языки не перечислены. Лицензия — Apache-2.0. Модель не настраивалась для инструкций и безопасности и не предназначена для производственного применения.