II.10Разработка и эксплуатация AI/ML-систем

Это исследовательский чекпойнт диалоговой модели Llama 3, созданный авторами исследования по влиянию сжатия на безопасность ответов. В основе лежит meta-llama/Meta-Llama-3-8B-Instruct: параметры сжаты методом Swift-SVD до примерно 60% исходного объёма, после чего модель восстановлена дообучением LoRA из SVD-LLM. Архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — 8192 токена; модель принимает текст и генерирует текст в диалоге. Модель предназначена для экспериментов по измерению компромисса между сжатием, полезностью и безопасностью, включая оценку успешности вредоносных запросов и избыточных отказов. Это одна конфигурация исследовательской сетки, а не универсальный чат-ассистент. README приводит результаты на AdvBench, StrongREJECT и WildGuard и предупреждает, что некоторые варианты сетки намеренно имеют ухудшенные показатели безопасности. Лицензия — Llama 3 License; перед практическим применением следует отдельно проверить поведение модели.

Это исследовательский чекпойнт Jeesup на базе диалоговой модели Meta Llama 2 Chat с 7 млрд параметров. Модель с архитектурой LlamaForCausalLM сжата методом SVD-LLM: удалено 20% параметров, итоговый размер составляет около 6,6 млрд параметров. Вариант относится к серии экспериментов по изучению влияния сжатия на безопасность и полезность ответов; бюджет восстановленных SVD-компонентов равен 0%, а правило их выбора обозначено как unknown. Модель предназначена для сравнительных измерений поведения сжатых языковых моделей, включая оценку успешности вредоносных запросов и чрезмерных отказов. Она принимает текст и генерирует текст в диалоговом формате, поддерживает английский язык и контекст до 4096 токенов. README приводит результаты на AdvBench, StrongREJECT и WildGuard. Чекпойнт не предназначен для использования как универсальный чат-ассистент: сжатие может ухудшать безопасность, а измерения относятся к экспериментальной оценке компромисса между безопасностью и полезностью. Лицензия — Llama 2; применяются её условия использования.

Это исследовательский чекпойнт на базе Mistral-7B-Instruct-v0.2, созданный для изучения влияния сжатия на безопасность и полезность диалоговых языковых моделей. Разработчик применил SVD-LLM, удалив 49,03% параметров, а затем восстановил компоненты SVD в пределах бюджета 1,0% по правилу отбора disc; заявленный размер составляет 7,1 млрд параметров. Модель использует архитектуру MistralForCausalLM, работает с текстом и поддерживает контекст до 32 768 токенов. Чекпойнт предназначен для экспериментов по измерению устойчивости к вредоносным запросам и чрезмерным отказам после сжатия, а не для использования как универсальный чат-ассистент. В README приведены результаты тестов AdvBench и StrongREJECT, а также показатель чрезмерных отказов WildGuard. Модель распространяется под лицензией Apache-2.0. Показатели безопасности и полезности относятся к конкретным оценочным наборам и не гарантируют поведение в других сценариях.

Это исследовательский чекпойнт Jeesup на базе Mistral-7B-Instruct-v0.2, сжатый методом SVD-LLM примерно до 50,1% исходного числа параметров. После сжатия восстановлены SVD-компоненты, выбранные правилом gap, с бюджетом 0,1% параметров. Модель построена для изучения влияния сжатия на безопасность и полезность диалоговой генерации, а не для роли универсального чат-ассистента. Чекпойнт содержит 7,1 млрд параметров, использует архитектуру Mistral и поддерживает контекст до 32 768 токенов. В README приведены результаты измерения успешности атак на AdvBench и StrongREJECT, а также чрезмерных отказов на WildGuard. Исследование указывает, что сжатие может ухудшать защитное поведение; эти оценки относятся к конкретным тестам и не гарантируют безопасность в других сценариях. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт Jeesup для изучения влияния сжатия на безопасное поведение языковых моделей. Он основан на Mistral-7B-Instruct-v0.2: по описанию модели, сначала с помощью SVD-LLM удалили 40,02% параметров, оставив 60% от исходного числа, затем провели 10 раундов параметрически нейтрального обмена параметрами по правилу gap_iter. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Чекпойнт предназначен для измерения компромисса между безопасностью и полезностью при сжатии, а не для обычного диалога или развёртывания в качестве помощника. В README приведены результаты на тестах AdvBench, StrongREJECT и WildGuard; отдельные варианты в исследовании могут иметь намеренно ослабленное безопасное поведение. Для скачивания указана лицензия Apache-2.0.

Prince Nasamu Alhassan разработал эту модель распознавания речи на языке кусал (Kusaal). Это дообученная на основе KhayaAI/w2v-bert-kus модель архитектуры Wav2Vec2-BERT с CTC-выходом; число параметров — около 402,7 млн. Она принимает аудио и преобразует речь в текст. В карточке приведён пример запуска через Transformers для монофонических записей с частотой дискретизации 16 кГц. Модель предназначена для экспериментов с распознаванием кусал, в том числе речи о мобильных денежных переводах. В сравнении на 100 примерах из kusaal_scripture она показала WER 24,61 и CER 9,65, но автор не считает результат преимуществом над MMS-вариантом: различие WER может быть шумом, а обработка одного примера примерно в 4,1 раза медленнее. Автор указывает, что опубликован последний, а не лучший по валидационной потере чекпойнт. Результаты на библейских и других прочитанных текстах завышают качество для естественной речи: в данных есть пересечения записей и дикторов, а оценка не разделяет данные по дикторам. Поэтому такие показатели не следует трактовать как полевую точность; поддерживаемого продукта нет, это исследовательская работа после хакатона. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

tinctura-v1 — англоязычная причинная языковая модель на 96,2 млн параметров, разработанная bench-labs и обученная с нуля на 75 млрд токенов. Это плотная decoder-only архитектура Cagliostro с 18 слоями; модель предназначена для генерации продолжений текста и небольших экспериментальных сценариев с языковыми моделями. Контекст составляет 2048 токенов, веса опубликованы в формате safetensors, для загрузки через Transformers требуется trust_remote_code=True. Модель завершила обучение и оценивалась на общедоступных тестах: автор сообщает индекс 20,81 на Open SLM Leaderboard Index и результаты на HellaSwag, ARC-Easy и ARC-Challenge. В README отмечены английский язык и способности к арифметике и коротким символьным задачам, но эти результаты не означают общего математического рассуждения. Модель не проходила настройку на инструкции, безопасность или RLHF и может уверенно выдумывать факты, поэтому ненадёжна для фактологических ответов. Лицензия — Apache-2.0.

Карточка модели shyamjilic/Tiny-LLM на Hugging Face совпадает с карточкой arnir0/Tiny-LLM, поэтому описание составлено по ней. Tiny-LLM — компактная авторегрессионная языковая модель семейства Llama, опубликованная пользователем arnir0 на Hugging Face. По метаданным она содержит 6,8 млн параметров и предназначена для генерации текста; в README размер округлён до 10 млн параметров. Модель предварительно обучена на 32 млрд токенов датасета FineWeb с контекстом 1024 токена. Её можно загружать через библиотеку Transformers. Это небольшая модель для экспериментов и простых сценариев генерации текста; README не приводит результатов оценки качества или подробных рекомендаций по применению. Лицензия — MIT.

wdndev/tiny_llm_sft_76m_llama — компактная китайская языковая модель для обучения и экспериментов с полным циклом создания LLM. Она основана на архитектуре TinyLLM с причинным декодером; в описании указаны RMSNorm, RoPE и многоголовое внимание MHA. Модель содержит 51,3 млн параметров и принимает контекст до 1024 токенов. Модель предназначена для генерации китайского текста и освоения этапов предварительного обучения, донастройки по инструкциям и выравнивания предпочтений. Разработчик предупреждает, что проект ставит во главу угла прохождение всего конвейера обучения, а не качество ответов: оценки низкие, возможны ошибки генерации. Веса доступны в формате PyTorch; лицензия в предоставленных данных не указана.

hf-tiny-model-private/tiny-random-GPTNeoXForCausalLM — экспериментальная тестовая модель из репозитория HF tiny models (private usage) на Hugging Face; файл модели загружен учётной записью hf-transformers-bot. Это небольшая causal language model для генерации текста, предназначенная прежде всего для проверки совместимости и работы библиотек и инструментов экосистемы Transformers, а не для прикладного использования или получения качественных текстовых ответов. На странице модели отсутствует полноценная карточка с описанием обучения и назначения. Модель использует архитектуру GPTNeoXForCausalLM и работает с текстовой модальностью. Конфигурация указывает 5 скрытых слоёв, hidden size 32, 4 attention heads, intermediate size 37, словарь из 1024 токенов и максимальную длину контекста 512 позиций; веса имеют тип float32. Языки, обучающий набор данных, качество, фактический размер в параметрах и специальные оптимизации не указаны. Название tiny-random указывает на минимальный случайный тестовый вариант, поэтому модель не следует рассматривать как обученную языковую модель с полезными генеративными способностями. Сильная сторона модели — крайне малый размер и пригодность для быстрых тестов загрузки, инференса и интеграции с Transformers, PyTorch и совместимыми средствами сервинга. Ограничения — отсутствие сведений о языковой поддержке, обучении, оценках и лицензии, а также вероятная непригодность для реальных задач генерации текста. Условия использования и лицензия в доступных первоисточниках не указаны.

TinyStories-SRL-5M — компактная авторегрессионная языковая модель phmd, обученная на наборе TinyStories. Она предназначена для генерации коротких связных историй на английском языке и экспериментов с небольшими языковыми моделями на устройствах с ограниченными ресурсами. Модель использует двухслойную архитектуру Selective Recurrent Layer с размерностью скрытого состояния 256 и токенизатор SentencePiece Unigram на 5 тысяч подсловных токенов. В README заявлена линейная сложность по времени и памяти относительно длины последовательности и приведена скорость генерации около 100 токенов за 0,5 секунды на CPU. Репозиторий содержит веса во Flax; лицензия — Apache-2.0.

sshleifer/tiny-xlnet-base-cased — компактная модель семейства XLNet, опубликованная пользователем sshleifer на Hugging Face и предназначенная для генерации текста через библиотеку Transformers. В карточке модели указана задача text-generation и поддержка PyTorch; модель можно загружать как XLNet-модель для генерации продолжения заданного текста. Модель содержит около 128,5 тыс. параметров, поэтому подходит прежде всего для экспериментов, тестирования пайплайнов и демонстраций с очень низкими требованиями к ресурсам. Архитектура основана на XLNet, используется регистрочувствительная конфигурация base-cased. Документированные языки, длина контекста и модальности, кроме текстовой, не указаны. Из-за чрезвычайно малого размера модель существенно уступает полноразмерным XLNet-моделям по качеству, связности и практической полезности генерации. В карточке модели лицензия не указана.

Это исследовательский чекпойнт из коллекции Illusion of LLM Unlearning, созданный дообучением модели open-unlearning/unlearn_tofu_Llama-3.2-1B-Instruct_forget10_IdkDPO_lr1e-05_beta0.1_alpha1_epoch10. К исходной модели применили 300 шагов обычного supervised fine-tuning на наборе забывания TOFU forget10_perturbed, используя пары вопросов и ответов и рассчитывая loss только по ответам. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 1,2 млрд параметров, работает с текстом и имеет контекст до 131072 токенов. Чекпойнт предназначен для исследования оценки unlearning: он показывает, насколько быстро модель восстанавливает ранее удалённые из неё сведения при повторном обучении на соответствующих данных. В описанном эксперименте verbatim NLL на наборе забывания снизился с 0,693 до 0,0178 за 300 шагов, а точность выбора верного факта среди шести вариантов выросла с 0,630 до 0,690. Данные TOFU синтетические и описывают вымышленных авторов, поэтому модель не предназначена для развёртывания или использования как источник фактов. Лицензия — MIT.

JoaoBoer/tofu_Llama-3.1-8B-Instruct_forget10_NPO — экспериментальный вариант Llama 3.1 Instruct с 7,5 млрд параметров, подготовленный на базе open-unlearning/tofu_Llama-3.1-8B-Instruct_full. Модель обучена методом NPO на части forget10 набора TOFU для удаления выбранных данных из памяти модели. В проекте Speculative-Decoding-Unlearning она используется как базовая модель для экспериментов с удалением знаний и черновая модель для спекулятивного декодирования. Модель принимает текст и генерирует текст; поддерживает диалоговый режим и имеет интерфейс вызова инструментов. Указанное в метаданных контекстное окно составляет 131072 токена. Для оценки удаления знаний в карточке приведены метрики запоминания и извлечения на TOFU, но они не описывают качество на общих задачах. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия указана как llama3.1.

Lanni-ni/transformer_4_6_384_babylm_10m_seed43 — компактная модель генерации текста, опубликованная пользователем или организацией Lanni-ni на Hugging Face. Модель предназначена для задач авторегрессионного продолжения и генерации текста через библиотеку Transformers. Модель содержит 27,6 млн параметров и распространяется в формате, совместимом с Transformers; в метаданных также указано использование safetensors. Название модели указывает на связь с экспериментами BabyLM и конфигурацией transformer_4_6_384, однако README не содержит подтверждённых сведений о точной архитектуре, обучающих данных, языках, длине контекста и результатах оценки. Модель может использоваться для исследовательских экспериментов, тестирования небольших языковых моделей и генерации коротких текстовых продолжений. Из-за малого размера и отсутствия подробной документации её качество, область применимости и устойчивость к ошибкам следует проверять на конкретных данных. Лицензия в доступных источниках не указана.

TR-MOE-306 — авторская базовая языковая модель с архитектурой DeepForCausalLM и механизмом token-identity routing, представленная в работе «Token Identity as a Routing Signal for Residual MLP Experts». Модель обучена с нуля на примерно 8 млрд токенов FineWeb-Edu и содержит 306,5 млн параметров. В каждом из 18 слоёв общий SwiGLU-блок обрабатывает токены, а идентификатор токена выбирает два из четырёх узких остаточных экспертов; эксперты преобразуют контекстное скрытое состояние. Архитектура также использует GQA, QK-Norm и RoPE. Модель предназначена для генерации текста и исследования маршрутизации токенов в остаточные MLP-эксперты. Это предварительно обученная базовая модель, а не настроенный для следования инструкциям или выравнивания по безопасности чат-ассистент. Контекст обучения составляет 2048 токенов, токенизатор — 32 000 токенов; в карточке указана поддержка английского языка. В описанной нулевой оценке результаты на ARC-Easy, PIQA и HellaSwag близки к плотной модели сопоставимого размера, без подтверждённого превосходства по отдельным задачам. Для инференса требуется среда Complexity-ML vLLM с поддержкой пользовательской архитектуры DeepForCausalLM: стандартные Transformers и upstream vLLM её пока не регистрируют. Модель выпущена по лицензии CC BY-NC 2.0, которая ограничивает коммерческое использование.

Twinkel LLM 72M — экспериментальная компактная языковая модель, созданная Kunal Pandey как учебный проект. Это плотный авторский decoder-only Transformer с 6 слоями, размером скрытого представления 448, Grouped Query Attention, активацией SwiGLU и позиционным кодированием RoPE. Модель содержит 71,9 млн параметров, использует токенизатор SmolLM3 с размером словаря 128 тыс. токенов и принимает контекст до 512 токенов. Модель предварительно обучена на англоязычном C4, затем дообучена на наборе инструкций; предназначена для изучения устройства и обучения языковых моделей, экспериментов с небольшими LLM и проверки генерации текста на CPU. Поддерживает диалоговый режим, но качество ответов может быть нестабильным: возможны повторы, ответы не по теме и фактические ошибки. В README отмечены проблемы с запуском на GPU и рекомендован CPU-инференс. Модель выпущена по лицензии Apache 2.0.

nikitastheo/v5-babylm-25k-lower-srp-ell-sequential_interleaved — языковая модель семейства GPT-2, разработанная nikitastheo. Это авторегрессионная модель для генерации текста, обученная как causal language model с помощью скрипта Hugging Face Accelerate. Репозиторий содержит веса в формате safetensors. Модель подходит для экспериментов с продолжением текста и генерацией коротких фрагментов. Длина контекста составляет 512 токенов. Название указывает на связь с серией BabyLM, однако README не уточняет обучающие данные или смысл обозначений lower-srp-ell-sequential_interleaved. Лицензия в предоставленных сведениях не указана.

EvilEngine/vae-ft-mse-840000-ema-pruned — это VAE-модель для Stable Diffusion 1.5, загруженная пользователем EvilEngine. В основе лежит vae-ft-mse-840000-ema-pruned от Stability AI; модель предназначена для корректного кодирования и декодирования изображений в системах генерации изображений на базе SD1.5, включая Automatic1111 и совместимые интерфейсы. Модель не является самостоятельной текстовой или мультимодальной генеративной моделью: она используется как вспомогательный компонент пайплайна text-to-image и работает с латентными представлениями изображений. В README указано распространение весов в формате Safetensors и рекомендуемый путь установки /models/vae в Automatic1111. Архитектура, размер весов, максимальный контекст и поддерживаемые языки не указаны и для VAE неприменимы в обычном смысле. Основное преимущество — исправление проблем совместимости существующих VAE с генератором на сайте и упрощение поиска версии VAE для SD1.5. Ограничение состоит в том, что модель требует базовую систему Stable Diffusion 1.5 и не предназначена для автономного использования. В карточке указана лицензия cdla-permissive-2.0, а в тексте README для исходной модели приведена лицензия MIT; условия следует уточнять отдельно для загруженного файла и оригинальных весов Stability AI.

BEE-spoke-data/verysmol_llama-v11-KIx2 — компактная авторегрессионная языковая модель семейства Llama, разработанная BEE-spoke-data. Это дообученная версия v10 (refinedweb-3m dedup), дополнительно обученная два эпоха на наборе KI. Модель содержит 41,6 млн параметров, использует архитектуру LlamaForCausalLM и принимает текст для генерации текста; длина контекста составляет 1024 токена. Модель предназначена для экспериментов с генерацией текста и оценки небольшого языкового чекпойнта на задачах понимания и рассуждения. В карточке приведены результаты на ARC, BoolQ, HellaSwag и TruthfulQA; например, точность на BoolQ составляет 0,6199, а на ARC Challenge — 0,1971. Модель распространяется по лицензии Apache-2.0. Небольшой размер и контекст ограничивают её способность работать со сложными запросами и длинными текстами; приведённые оценки показывают заметно ограниченные результаты на некоторых тестах, поэтому качество следует проверять для конкретного применения.

Virchow2 — модель извлечения визуальных признаков, разработанная Paige и Microsoft Research. Это самообучаемый Vision Transformer, предварительно обученный на 3,1 млн гистопатологических изображений целых стекол. Архитектура ViT-H/14 содержит 632 млн параметров, обрабатывает изображения размером 224 × 224 и формирует эмбеддинги для фрагментов ткани. Для плотных задач доступны признаки патчей размером 256 × 1280. Модель предназначена для извлечения признаков из фрагментов гистологических изображений и построения на их основе классификаторов на уровне фрагментов или целых стекол. Её можно использовать как замороженный визуальный backbone или дообучать под конкретную задачу и набор данных; заявлены сценарии вычислительной патологии, включая классификацию и сегментацию. Для работы требуются PyTorch и timm. Модель рассчитана на академические исследования, а не на клиническую диагностику. Лицензия CC-BY-NC-ND 4.0 требует атрибуции, запрещает коммерческое использование и распространение копий; доступ требует регистрации и принятия условий. Также запрещено использовать модель для диагностики, лечения или профилактики заболеваний.

Модель ISxOdin/vit-base-oxford-iiit-pets — дообученный разработчиком ISxOdin Vision Transformer Google для классификации изображений кошек и собак по 37 породам из набора Oxford-IIIT Pet. Она принимает изображение и возвращает класс породы; в README указана точность 0,9445 на тестовой выборке. Модель построена на google/vit-base-patch16-224, содержит 113,2 млн параметров и доступна в формате safetensors для библиотеки Transformers. Модель подходит для учебных демонстраций переноса обучения, классификации пород на изображениях, похожих на данные Oxford-IIIT Pet, и сравнения с zero-shot классификаторами. Она может хуже распознавать породы и условия съёмки, не представленные в обучающем наборе; наиболее подходящи чёткие изображения питомцев, снятых крупным планом. Не предназначена для медицинских и критически важных решений. Лицензия — Apache 2.0.

Это контрольная точка политики vision-language-action VLAct, дообученная StarVLA на 50 тысячах шагов для бенчмарка LIBERO-Plus. Она основана на StarVLA/VLAct_Qwen3_Pretrain — продолженно предобученном бэкбоне VLAct на базе Qwen3-VL-4B — и использует архитектуру StarVLA QwenPI_v4 с вновь инициализированной головой действий PI. Модель предназначена для оценки и дальнейшего дообучения робототехнической политики на задачах LIBERO-Plus. На вход она получает визуальные наблюдения и текстовые инструкции, а выдаёт действия робота; дообучение использует смесь LIBERO LeRobot, действия Franka delta-EEF и подсказку с объектным заземлением. В README приводится опубликованный результат метода VLAct 82,6% на LIBERO-Plus, но он относится к политике с OFT-головой и не является повторной оценкой этого чекпойнта с PI-головой. Это PyTorch-чекпойнт для загрузки через соответствующую инфраструктуру StarVLA, а не стандартный пакет Transformers AutoModel. Для переноса на другой робот, камеры или пространство действий обычно требуется адаптация; безопасное применение предполагает настройку отображения и нормализации действий, калибровку камер, ограничения рабочей области и независимые средства безопасности. Лицензия — Apache-2.0.

VLADrop_GigaBrain0_LIBERO_Baseline — контрольный чекпойнт проекта Drop-Then-Recovery для исследования избыточности моделей Vision-Language-Action. Это полная модель GigaBrain-0 без удалённых блоков трансформера, дообученная от GigaBrain-0-3.5B-Base на стандартном наборе LIBERO. Она предназначена для управления роботом по визуальным и языковым инструкциям и оценки выполнения задач LIBERO; контрольный вариант сопоставляется с уменьшенными версиями модели после удаления блоков и восстановительного дообучения. В README указан формат `model/` пакета giga_models и запуск через код оценки LIBERO. Лицензия в предоставленных данных не указана.

VLA-JEPA-LIBERO — политика Vision-Language-Action, обученная и опубликованная с помощью LeRobot. Она объединяет языковую основу Qwen3-VL, самообучаемую видеомодель мира V-JEPA2 и action head на основе flow matching с DiT. Модель предназначена для управления роботом по визуальным наблюдениям и состоянию робота. На вход подаются два изображения размером 224×224 и вектор состояния из 8 значений; на выходе модель формирует вектор действия из 7 значений. Карточка не приводит результаты оценки политики. Для запуска требуется согласовать тип робота, порт и названия камер с ключами наблюдений, на которых модель обучалась. Лицензия — Apache-2.0.

VTInstructor-8B — мультимодальная модель, разработанная для генерации навигационных инструкций в проекте VTInstructor. Она принимает эгоцентрические RGB-кадры траектории и дискретные действия, а также может использовать визуальные подсказки о пути: ленту маршрута, стрелки поворотов и маркер цели. Модель формулирует краткую инструкцию для навигации в непрерывной внутренней среде и предназначена, в частности, для сценариев R2R-CE и RxR-CE. Модель основана на Qwen3-VL-8B-Instruct и дообучена методом SFT, а затем уточнена методом VP-GRPO. В составе — VP-Adapter и VP-Encoder; при VP-GRPO обновлялись языковой декодер и управляющие параметры адаптера, а визуальный модуль и VP-Encoder оставались замороженными. В репозитории указано около 8,8 млрд параметров и формат bf16; метаданные указывают архитектуру Qwen3-VL и библиотеку Transformers. Для воспроизведения результатов статьи необходимо подключить VP-модули из репозитория кода. Модель также предлагается для расширения обучающих данных VLN-follower и замены инструкций в разделах данных VLN-CE. Карточка описывает результаты на R2R-CE и RxR-CE, но они не гарантируют качество на других средах. Модель предназначена для некоммерческих исследований; метаданные указывают лицензию Apache-2.0, поэтому условия использования весов и кода стоит сверять с соответствующими лицензиями проекта.

Xiaomi-Robotics-1-RoboCasa365 — контрольная точка модели Xiaomi Robotics для оценки управления роботом в RoboCasa365. Репозиторий содержит веса, пользовательские код модели и процессора для Transformers, файлы токенизатора и статистику нормализации действий. Архитектура MiBoTForActionGeneration; модель загружается через Transformers с поддержкой пользовательского кода. Модель предназначена для генерации действий робота в задачах симуляции RoboCasa365. В README приведён результат оценки: 1432 успешных эпизода из 2500, доля успеха 57,28%. Для воспроизводимой много-GPU оценки указан запуск через сопутствующий репозиторий Xiaomi-Robotics-1. Лицензия — Apache-2.0. Для работы в эталонной среде README указывает Python 3.11, PyTorch 2.8.0, Transformers 4.57.1 и FlashAttention 2. Загрузка требует разрешить выполнение пользовательского кода репозитория. Размер модели, длина контекста и поддерживаемые естественные языки в доступных данных не приведены.

Модель sanchit-gandhi/xtreme_s_xlsr_2_bart_covost2_fr_en — речевая модель архитектуры SpeechEncoderDecoderModel, обученная с нуля на наборе XTREME-S. В названии указана пара французский–английский; карточка не уточняет назначение этой пары, а метаданные классифицируют модель как automatic-speech-recognition. В README приведены результаты на оценочном наборе: loss 2.1356 и BLEU 0.0000. Описание модели, сценарии применения и ограничения в карточке не раскрыты. Репозиторий содержит веса PyTorch; сведения о лицензии и размере модели отсутствуют в предоставленных данных.

X-VLA (LeRobot) — модель Vision-Language-Action для управления роботами, опубликованная в экосистеме LeRobot. Этот чекпойнт адаптирован для платформ Google Robot. Модель использует единую архитектуру Transformer с мягкими промптами для управления роботами разных типов и работы в разных средах. На вход подаются изображения с нескольких камер, данные о состоянии робота и, опционально, инструкция на естественном языке; модель выдаёт непрерывные управляющие действия. Обучение основано на flow matching. Чекпойнт предназначен как базовая модель для дообучения под конкретные задачи; карточка описывает совместимость с реализацией LeRobot. Для использования требуется библиотека LeRobot и поддерживаемая робототехническая платформа. Лицензия — Apache-2.0.

X-VLA (LeRobot) — модель типа Vision-Language-Action, реализованная для библиотеки LeRobot и основанная на архитектуре Transformer с soft prompts. Она предназначена для управления роботами с переносом между воплощениями и средами; этот чекпойнт обучен и оценён на задачах LIBERO. На вход модель принимает изображения с нескольких камер, состояние и проприоцептивные данные робота, а также может принимать языковую инструкцию. Она выдаёт непрерывные действия, а при обучении использует flow matching. Чекпойнт можно дообучать под конкретный сценарий управления. Разработчик указывает Apache-2.0; для использования и оценки предусмотрена интеграция с LeRobot.