II.10Разработка и эксплуатация AI/ML-систем

Небольшая модель генерации текста из семейства Transformers с 14,7 млн параметров. По идентификатору модели она связана с конфигурацией dynamic_alibi и экспериментом BabyLM 10M; в метаданных указана библиотека transformers и формат safetensors. Разработчик, поддерживаемые естественные языки, размер контекста и точная архитектура в доступных материалах не описаны. Модель предназначена для продолжения и генерации текста, а также для исследовательских экспериментов с компактными языковыми моделями. Небольшой размер может упростить локальный запуск и обучение, однако отсутствие результатов оценки не позволяет судить о качестве, фактической языковой поддержке и пригодности для прикладных сценариев. Лицензия в README и метаданных не указана.

Небольшая языковая модель для генерации текста, опубликованная пользователем Lanni-ni на Hugging Face. Модель доступна через библиотеку Transformers и содержит 27,6 млн параметров; в метаданных она классифицирована для задачи text-generation. Модель может использоваться для локальной генерации коротких продолжений текста, экспериментов с архитектурами языковых моделей и обучения или тестирования прототипов на базе Transformers. По названию репозитория можно предположить связь с механизмом dynamic ALiBi и семейством BabyLM, однако README не содержит подтверждённого описания архитектуры, обучающих данных, языков, контекста или результатов оценки. Сильная сторона модели — небольшой размер, благодаря которому она потенциально удобна для исследовательских экспериментов и запуска на ограниченных ресурсах. Ограничения включают крайне неполную документацию, отсутствие заявленных метрик, сведений о качестве, лицензии, языковой поддержке и предназначении; перед практическим применением необходима самостоятельная проверка поведения модели и условий использования.

Lanni-ni/dynamic_forgetting_2_4_256_babylm_100m_seed44_epoch2 — компактная модель генерации текста для запуска через библиотеку Transformers. По метаданным модель содержит 14,7 млн параметров и опубликована в формате SafeTensors; в названии упоминаются подход dynamic forgetting, семейство BabyLM, конфигурация 2_4_256, seed 44 и вторая эпоха обучения. Разработчик и точный тип архитектуры в доступных материалах не указаны. Модель предназначена для авторегрессионного продолжения текста и экспериментов с небольшими языковыми моделями, включая исследование обучения и забывания знаний. Её можно применять для генерации коротких продолжений, проверки поведения компактных моделей и прототипирования текстовых приложений на базе Transformers. README является автоматически созданной карточкой и почти не содержит сведений о данных обучения, языках, оценивании, ограничениях, лицензии или рекомендуемых сценариях. Поэтому модель следует рассматривать прежде всего как экспериментальный чекпоинт, а результаты генерации проверять перед практическим использованием.

Lanni-ni/dynamic_forgetting_2_4_256_babylm_100m_seed44_epoch8 — компактная модель генерации текста на базе библиотеки Transformers с 14,7 млн параметров. Название указывает на экспериментальную конфигурацию dynamic forgetting, связанную с семейством BabyLM, однако README не содержит подробностей об архитектуре, разработчиках, обучающих данных или процедуре обучения. Модель предназначена для генерации продолжений текста и исследовательских экспериментов с небольшими языковыми моделями. Лицензия в доступных материалах не указана, поэтому условия распространения и коммерческого использования необходимо проверять отдельно перед применением.

Небольшая языковая модель для генерации текста, опубликованная на Hugging Face под идентификатором Lanni-ni/dynamic_forgetting_4_6_384_inverse_babylm_100m_seed44_epoch1. Модель содержит 27,6 млн параметров и предназначена для использования через библиотеку Transformers; в метаданных она отмечена как модель text-generation с тегом dynamic_forgetting. Модель может применяться для экспериментов с авторегрессионной генерацией текста, изучения методов динамического забывания и тестирования компактных языковых моделей. Разработчик, поддерживаемые естественные языки, архитектура, длина контекста, обучающие данные, результаты оценки и лицензия в доступных материалах не описаны.

Lanni-ni/dynamic_forgetting_4_6_384_inverse_babylm_100m_seed44_epoch8 — небольшая модель генерации текста, опубликованная пользователем Lanni-ni на Hugging Face. Модель предназначена для авторегрессионного продолжения текста и экспериментов с подходом dynamic_forgetting; в названии также указаны связь с BabyLM, конфигурация 4_6_384, seed44 и восьмая эпоха обучения. Модель доступна через библиотеку Transformers и содержит 27,6 млн параметров. Модель может использоваться для тестирования методов обучения языковых моделей, генерации коротких текстовых продолжений и исследовательских сравнений. README не содержит сведений о точной архитектуре, поддерживаемых естественных языках, длине контекста, разработчике, обучающих данных, результатах оценки или лицензии, поэтому применять её в критически важных и производственных сценариях следует с осторожностью.

ECBERT-base-mlm — дообученная версия answerdotai/ModernBERT-base, созданная Graimond. Модель обучена методом masked language modeling на 25 581 тексте и предназначена для заполнения замаскированных фрагментов текста. В карточке указано, что она ещё не дообучена для анализа тональности текстов о денежно-кредитной политике. Модель относится к семейству ModernBERT, имеет архитектуру encoder-only и около 149 млн параметров. Она принимает текст и выдаёт предсказания для пропусков; нативная длина контекста — 8192 токена. Опубликована в формате safetensors по лицензии Apache-2.0. В карточке приведена точность 40% на тестовом наборе ECBERT-idioms-dataset; эта оценка относится к описанному эксперименту и не подтверждает готовность модели к анализу тональности.

FLUX 3 Action SO-101 — робототехническая модель с открытыми весами от Black Forest Labs, дообученная для управления роботом SO-101. Она принимает кадры с двух камер, состояние робота и текстовую инструкцию, а затем предсказывает последовательность команд движения вместе с будущими видеокадрами. Модель основана на FLUX 3 Action Base и предназначена для запуска через интеграцию LeRobot; репозиторий содержит веса safetensors и необходимые настройки обработки наблюдений и команд. Политика использует восемь наблюдений, историю команд и два визуальных снимка. Она предсказывает 42 действия, из которых рекомендуется выполнять 32 на частоте 30 Гц перед повторным планированием. Выходы включают изменения положения суставов и абсолютное значение положения захвата. Обучение проводилось на эпизодах SO-101 из lerobot/community_dataset_v3. Модель подходит для роботизированных задач, задаваемых текстовой инструкцией и наблюдениями камер, однако сама не ограничивает скорость суставов, усилие или рабочую область. Для применения необходимы внешние ограничения безопасности и надзор оператора. Лицензия указана как other; README отсылает к её условиям и перечисляет ограничения на использование, включая запрет опасного управления без надзора и возможности остановки.

ForgePlex-M1-6M — небольшая языковая модель от ForgeWorks, первая в серии ForgePlex-M. Это плотная авторегрессионная модель в стиле Llama с 6,6 млн параметров, реализованная как LlamaForCausalLM для библиотеки Transformers. Архитектура использует GQA, RoPE, RMSNorm и SwiGLU; модель обучена на 12,5 млрд токенов набора FineWeb-Edu с пользовательским токенизатором ForgePlexM1 на 4 тысячи токенов. Максимальная длина контекста — 512 токенов. Модель предназначена для генерации текста и экспериментов с компактными языковыми моделями. Английский язык указан среди языков карточки; обучение на FineWeb-Edu не подтверждает поддержку других языков. Из-за малого размера модели ответы могут быть ограниченными по связности и качеству; автор рекомендует при генерации предпочитать жадное декодирование сложной выборке. Лицензия — Apache-2.0.

Модель ivandrian11/fruit-classifier — дообученный Vision Transformer ViT-Base с патчами 16×16 и входным разрешением 224 пикселя, основанный на google/vit-base-patch16-224-in21k. Она классифицирует изображения фруктов; в метаданных указан датасет VinayHajare/Fruits-30. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. На оценочном наборе в README указаны accuracy 0,9578 и loss 0,1607. Модель подходит для распознавания классов фруктов на изображениях, например, в сортировке или учебных проектах компьютерного зрения. Результаты могут отличаться на изображениях, классах и условиях съёмки, не представленных в обучающих данных. Лицензия — Apache-2.0.

Tremor-G1 — модель Eximius Labs для преобразования данных инерциального датчика Unitree G1/H1 в векторы, сопоставимые с текстовыми описаниями движений. Она предназначена для поиска и классификации действий робота по окнам показаний закреплённого на голове трёхосевого акселерометра, например ходьбы, подъёма предмета или настройки подставки для телефона. Модель состоит из замороженного энкодера движений UniMTS и обученного проектора примерно на 2,6 млн параметров, который переводит 512-мерные признаки движения в пространство размерностью 2048 модели Qwen3-VL-Embedding-2B. Обучался только проектор — на данных Humanoid-Everyday с IMU гуманоидного робота Unitree. Полученные векторы можно сопоставлять с текстом, изображениями, аудио и видео в общем пространстве базовой модели. Tremor-G1 рассчитана на высокую точность для платформы Unitree и не предназначена для переноса на другие датчики или платформы; для такого применения README рекомендует общую модель Tremor. Модель использует только акселерометр, не учитывает гироскоп и поддерживает только английские текстовые описания с форматированием chat template базовой модели. Это исследовательская предварительная версия, не предназначенная для классификации в критически важных сценариях. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

G2-nano-base — англоязычная авторегрессионная языковая модель с 60 млн параметров, разработанная AZERDSQ и обученная с нуля. Это базовый чекпойнт для продолжения текста и предсказания следующего токена, а не диалоговая модель: она не проходила настройку на следование инструкциям и не имеет формата чата. Модель использует плотный decoder-only трансформер семейства NanoGPT: 14 слоёв, скрытый размер 576, grouped-query attention и контекст 2048 токенов. Для предобучения использовано около 3 млрд токенов из англоязычных веб-текстов, книг, Википедии и других источников. В README отмечен небольшой прирост на коротких бенчмарках по сравнению с G1-nano-base, без решительного улучшения качества. Модель подходит для экспериментов и локальной генерации коротких англоязычных продолжений. Из-за малого размера она может уверенно генерировать фактически неверный текст; README также указывает на ограничение генерацией одной последовательности без пакетной обработки. Лицензия — Apache-2.0. Для загрузки через Transformers требуется включить trust_remote_code, поскольку репозиторий использует пользовательскую реализацию трансформера.

G2-nano-instruct — англоязычная причинная языковая модель AZERDSQ с архитектурой NanoGPT, 60,03 млн параметров и 14 слоями. Она обучена с нуля, а затем дообучена на 60 тысячах англоязычных диалогов для выполнения инструкций. Предварительное обучение охватило около 3 млрд токенов; модель принимает текст и генерирует текст, её родной контекст — 2048 токенов. Модель предназначена для экспериментов и локального запуска небольших инструктивных языковых моделей. Однако дообучение ухудшило средний результат на указанном наборе из семи тестов по сравнению с базовой G2-nano; автор README рекомендует для чата G1-nano-instruct. Ограничения включают небольшой размер, слабое удержание фактов, контекст до 2048 токенов и отсутствие поддержки пакетной генерации с дополнением последовательностей. Модель не предназначена для решений с высокими ставками, проверки фактов, медицинских или юридических советов и автономных действий. Лицензия — Apache-2.0.

mhdang/gelatwo-common-gen-gpt2-large — авторегрессионная языковая модель на основе GPT-2 Large, дообученная на датасете CommonGen. Она предназначена для экспериментов по генерации текста с управляемым декодированием: модель задаёт базовое распределение токенов, которое методы GCD и P-GCD направляют с помощью предложений от отдельной HMM-модели. Это обычная причинная языковая модель, доступная в формате safetensors и рассчитанная на контекст до 1024 токенов. Модель ориентирована на англоязычные эксперименты с CommonGen и может служить основой для генерации продолжений текста по заданным понятиям. Репозиторий также указывает совместимость токенизатора с openai-community/gpt2-large и общий словарь из 50 257 токенов с парной HMM-моделью. Лицензия — MIT. Поскольку чекпойнт описан как базовая часть экспериментов, его назначение уже, чем у универсального чат-ассистента; карточка не заявляет диалоговые или мультимодальные возможности.

Gemstone-1024x28_lr_ablation — экспериментальный языковой чекпойнт из набора Gemstone Suite, обученный исследователями как абляция с уменьшенной вдвое скоростью обучения относительно основной серии. Модель основана на архитектуре Gemma и имеет около 491,9 млн параметров; для работы используется библиотека Transformers. Она обучалась на 100 млрд токенов на подмножестве корпуса Dolma и не является инструкционной или чат-моделью. Модель предназначена для продолжения текста и исследований влияния ширины, глубины и скорости обучения на языковые модели. Контекст составляет 2048 токенов, формат весов — Safetensors. В метаданных указан английский язык, лицензия Apache-2.0. Результаты могут быть ограничены экспериментальным характером чекпойнта и отсутствием обучения следованию инструкциям.

Карточка модели Gemstone-Models/Gemstone-256x27 на Hugging Face совпадает с карточкой Gemstone-Models/Gemstone-256x23, поэтому описание составлено по ней. Gemstone-256x23 — языковая модель из набора Gemstone Suite, разработанного авторами проекта Gemstone. Это плотная авторегрессионная модель Gemma, обученная с помощью litgpt и AxoNN на ускорителях AMD MI250X. Модель содержит 35,5 млн параметров, использует контекст до 2048 токенов и распространяется в формате safetensors для библиотеки Transformers. Модель обучалась предсказывать следующий токен на данных Dolma, взятых из непересекающихся обучающей и проверочной выборок; в README указано обучение на 350 млрд токенов с публикацией промежуточных чекпойнтов каждые 2 млрд токенов. Это не instruction-модель: она предназначена для продолжения текста и базовых экспериментов с генерацией, а не для надёжного следования инструкциям или диалога. Основной язык в карточке — английский. Лицензия — Apache-2.0.

GFusion-10B-A1.8B-base — экспериментальная предварительно обученная диффузионная языковая модель, созданная адаптацией GigaChat3-10B-A1.8B-base для генерации блоками. Она рассчитана на продолжение текста и исследование альтернативы авторегрессионной генерации; для диалога и следования инструкциям разработчик рекомендует instruct-версию. Модель поочерёдно уточняет частично замаскированные блоки по 32 токена и использует семплирование с ограничением энтропии. Такой подход позволяет завершать несколько токенов за один прямой проход и управлять компромиссом между скоростью декодирования и качеством. Архитектура указана как DeepSeek V3, класс GFusionForDiffusionLM; размер по метаданным — 1,5 млрд параметров, контекст — до 32 768 токенов. Карточка заявляет поддержку русского и английского языков. Модель опубликована ai-sage под лицензией MIT и распространяется в формате Safetensors. Она предназначена для экспериментов с генерацией блоками; для обычного диалога и выполнения инструкций базовая версия не оптимальна. В README приведены результаты бенчмарков, но они не гарантируют качество на конкретных задачах.

Это попытка преобразовать модель UCloud-org/GLM-5.2-FP8-DFlash в формат GGUF. Базовая модель — черновик DFlash для GLM-5.2-FP8, предназначенный для ускорения генерации текста с помощью speculative decoding, особенно при решении задач по программированию и математике. Автор сообщает, что модель запускается в ik_llama, но доля принятых спекулятивных токенов не превышает 5%; возможная причина — несоответствие токенизатора. Это указывает на проблемы совместимости и ограниченную практическую эффективность данной конверсии. Лицензия в предоставленных данных не указана.

GLPN, дообученная на датасете KITTI модель для оценки глубины по одному изображению. Она разработана на основе Global-Local Path Networks и использует SegFormer в качестве базовой архитектуры, дополненной лёгкой головой для оценки глубины. Модель предназначена для монокулярного восстановления глубины в изображениях дорожных сцен, например для анализа кадров с автомобильных камер. Модель принимает изображение и выдаёт карту глубины. В карточке указана лицензия Apache-2.0. Ограничение её обучения на KITTI может влиять на работу с изображениями вне дорожных сцен и условий, представленных в этом датасете.

GPT-OSS-20B-Dense-4B-SF-K4 — плотная языковая модель, полученная из MoE-модели openai/gpt-oss-20b с помощью pruning и дистилляции. Модель выпущена как исследовательский артефакт для воспроизведения экспериментов статьи о преобразовании Mixture-of-Experts в плотные языковые модели; использовались 0,3 млрд токенов FineWeb-Edu. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Модель предназначена для сравнения методов оценки и группировки экспертов на ограниченном бюджете обучения, а не для использования в качестве готового чат-ассистента. Она поддерживает генерацию текста и имеет контекстное окно 131 072 токена. Инструкционное дообучение и выравнивание поведения не проводились; авторы отмечают, что качество заметно ниже, чем у модели-учителя и предварительно обученных моделей сопоставимого размера.

NVIDIA Isaac GR00T N1.7 DROID — версия средней размерности открытой основы для гуманоидных роботов, дообученная на наборе DROID. Модель предназначена для обобщённого рассуждения и выполнения манипуляций по языковым инструкциям в разных сценах и для разных воплощений роботов; её можно дополнительно обучать на реальных или синтетических данных под конкретного робота или задачу. Модель содержит около 3 млрд параметров. Она принимает RGB-кадры, текстовую инструкцию, данные о положении и состоянии робота и идентификатор его воплощения. Визуально-языковая часть использует Cosmos-Reason2-2B, SigLIP2 и T5; действия формирует трансформер на основе flow matching, реализованный как diffusion transformer. На выходе модель выдаёт непрерывные векторы управляющих действий, зависящие от числа степеней свободы робота. Для постобучения этой версии использован DROID — набор примерно из 76 тысяч демонстраций манипуляций общей длительностью около 350 часов. Модель рассчитана на исследования и разработку робототехники, адаптацию под конкретные платформы и интеграцию в роботизированные приложения. README разрешает коммерческое и некоммерческое использование; конкретное название лицензии в предоставленных данных отсутствует. Для безопасного применения требуется тестирование и валидация на данных и оборудовании целевого сценария.

Griffin Alpha-S — базовая модель управления роботами от Griffin Labs, предназначенная для дообучения под конкретного робота. Она объединяет визуально-языковую основу Qwen3-VL-4B с экспертом действий на 910 млн параметров: эксперт использует flow matching и подключён к основе послойно по схеме mixture-of-transformers. Модель предварительно обучена на смеси данных для нескольких типов роботов и формирует блок из 50 шагов действий, интегрируя 10 шагов Эйлера от шума к действию. Модель принимает визуальные признаки и состояние робота, а также текстовый запрос с указанием типа воплощения, режима управления рукой и подзадачи; выдаёт вектор действий размерности 32. Действия манипулятора относительно текущего состояния, кроме захвата, который задаётся абсолютно. Камеры, промпт для конкретного робота и статистики нормализации нужно настроить при дообучении на собственных данных. Для обучения можно совместно обновлять визуально-языковую основу и эксперт действий либо заморозить основу. Лицензия CC BY-NC-SA 4.0 запрещает коммерческое использование без отдельного разрешения правообладателя.

GR00T SO101 Ball In Box — дообученная политика NVIDIA GR00T-N1.5-3B для роботизированной руки SO101, созданная на датасете yeopeter1031/so101-ball-in-box. Модель предназначена для управления роботом при выполнении задачи с мячом и коробкой; она распространяется как чекпойнт LeRobot в формате safetensors. Обучение выполнено в течение 2500 шагов с размером батча 16 и аугментациями изображений: изменением цвета и резкости, а также случайными аффинными преобразованиями. Это чекпойнт офлайн-обучения; успешность выполнения задачи следует оценивать на реальном роботе или при воспроизведении. Лицензия в предоставленных данных не указана.

tiagoCuervo/gslm-scaling-85m-65p3b — исследовательский чекпойнт модели Speech Language Model из работы «Scaling Properties of Speech Language Models» (EMNLP 2024). Это плотная TransformerLM с 85 339 392 параметрами; опубликованы веса FP32 в формате safetensors. Модель обучалась на 65 324 480 000 токенах, предсказывает последовательности акустических единиц mHuBERT K-means с частотой 25 Гц и размером словаря 500, с отдельными идентификаторами EOS и PAD. Чекпойнт предназначен для генерации речевых токенов и исследования масштабирования языковых моделей для речи. В README приведены оценки на sBLIMP, sStoryCloze и tStoryCloze. Для преобразования сгенерированных токенов в звук нужен отдельный вокодер: он не входит в репозиторий. Лицензия — Apache-2.0.

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

H4rmoniousAnthea — языковая модель Jorge Vallego, профинансированная Neovalle Ltd. Это плотная авторегрессионная модель семейства Mistral на 7,1 млрд параметров, дообученная методом DPO на наборе neovalle/H4rmony_dpo от teknium/OpenHermes-2.5-Mistral-7B. Она предназначена для проверки того, усиливает ли это дообучение экологическую осознанность ответов базовой модели. Модель принимает текст и генерирует текст в диалоговом формате. Основной язык — английский; максимальная длина контекста — 32 768 токенов. Репозиторий содержит веса Safetensors, лицензия — MIT. Это экспериментальный proof of concept для тестирования и оценки экологической согласованности и набора данных H4rmony_dpo. Разработчик не рекомендует прямое применение в пользовательских приложениях; ответы могут наследовать предубеждения базовой модели или содержать предубеждения, появившиеся при дообучении.

Lanni-ni/hard_3gram_4_6_384_babylm_100m_seed44 — небольшая модель генерации текста, размещённая на Hugging Face и предназначенная для работы через библиотеку Transformers. В метаданных указано 27,6 млн параметров и задача text-generation. Название модели указывает на экспериментальную модель семейства BabyLM с конфигурацией hard_3gram, однако README не содержит подробностей об архитектуре, разработчике, обучающих данных или методике обучения. Модель может использоваться для автодополнения текста, генерации коротких последовательностей и исследовательских экспериментов с компактными языковыми моделями. Доступна в формате safetensors; поддержка конкретных языков, длина контекста и лицензионные условия в предоставленных данных не определены. Из-за малого размера модель, вероятно, подходит для локального запуска и быстрых прототипов, но качество генерации, устойчивость, фактическая языковая область применения и результаты оценки по README не подтверждены. Перед использованием в продуктивных системах необходимы самостоятельное тестирование и проверка лицензии репозитория.

HingRoBERTa — модель семейства XLM-RoBERTa, разработанная L3Cube-Pune и дообученная на корпусе L3Cube-HingCorpus. Она предназначена для работы с текстом на хинглише — смешанном хинди и английском, записанном латиницей. Модель с архитектурой XLMRobertaForMaskedLM содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Основная задача — предсказывать замаскированные слова в тексте. Это подходит для языковых экспериментов и анализа хинглиша, например для подстановки пропущенных слов или оценки контекста. Модель рассчитана на хинди и английский; карточка указывает лицензию CC BY 4.0. Она не является генеративной чат-моделью и не предназначена для свободного диалога.

Hubble 8B Perturbed (100B tokens) — исследовательская авторегрессионная языковая модель AllegroLab, разработанная Johnny Tian-Zheng Wei и коллегами из University of Southern California и Max Planck Institute for Software Systems. Модель основана на архитектуре Llama с небольшими модификациями, содержит 8,1 млрд параметров и обучена на 100 млрд токенов английского корпуса DCLM-Baseline. Эта версия относится к паре стандартной и perturbed-моделей: в обучающие данные контролируемо добавили чувствительные тексты, включая биографии, разговоры, книжные отрывки, материалы Wikipedia и тестовые наборы. Модель предназначена для исследования запоминания данных языковыми моделями, утечек приватной информации, воспроизведения защищённых авторским правом текстов и загрязнения тестов. Она генерирует текст; контекст составляет 2048 токенов. Модель не проходила дополнительное обучение безопасности и не оптимизирована для чата, кода или обычной генерации контента. Она может дословно воспроизводить вставленные чувствительные данные, выдавать предвзятую или фактически неверную информацию. Распространяется по лицензии Apache 2.0.

HY-Embodied-0.5 — мультимодальная модель Tencent Robotics X и HY Vision Team для embodied intelligence и систем, взаимодействующих с физическим миром. Эта версия использует архитектуру Mixture-of-Transformers (MoT) и предназначена для зрительного восприятия, пространственно-временного понимания и рассуждений о физических объектах и действиях. Модель рассчитана на интеграцию в конвейеры Vision-Language-Action для робототехники. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. В README для версии MoT-2B указаны 4 млрд общих параметров и 2,2 млрд активируемых при инференсе; метаданные репозитория указывают 1,8 млрд параметров, поэтому размер следует считать неоднозначным. Заявленное родное окно контекста — 262 144 токена. Карточка характеризует модель как многоязычную, но не перечисляет отдельные языки. Модель ориентирована на тонкое визуальное восприятие, пространственное понимание, embodied-рассуждения, планирование и применение в робототехнических системах; опубликованные в карточке результаты охватывают соответствующие бенчмарки. Практическое применение требует среды Transformers и, для оптимальной скорости, GPU NVIDIA; на CPU работа медленнее. Лицензия указана как other, конкретные условия использования в предоставленных данных не раскрыты.