II.10Разработка и эксплуатация AI/ML-систем

Hyukkyu/Llama-3.1-8B-RAQUEL-MUSE-Unlearn-GA-GD-LoRA-v1 — дообученная модель на основе Llama 3.1 8B для экспериментов по машинному забыванию данных. Она обучена методом GA+GD с LoRA на наборе MUSE forget и retain из RAQUEL2; опубликован ранний чекпойнт на шаге 156 из 205, а корневые веса представляют собой объединённую BF16-модель. Модель принимает текстовые вопросы в формате «Question: …\nAnswer:» и генерирует текстовые ответы; чат-шаблон при обучении не использовался. В репозитории также есть FP32 LoRA-адаптер. В оценке на RAQUEL2 модель редко отвечала на вопросы из forget-набора, сохраняя высокую точность на retain-наборе: 1,5% и 2,0% семантической точности на исходных и перефразированных забываемых вопросах и 92,5% на исходных сохраняемых вопросах. Эти результаты относятся к указанным экспериментальным наборам и протоколу; они не гарантируют аналогичного забывания на других формулировках или данных. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и контекст до 131 072 токенов. Лицензия — Llama 3.1; перед использованием следует учитывать условия лицензии и USE_POLICY.md.

Это исследовательский базовый чекпойнт Hyukkyu для экспериментов RAQUEL по забыванию знаний на наборе WMDP. Модель основана на Meta Llama 3.1 8B: её дообучили методом LoRA на парах «вопрос — ответ» из RAQUEL2 WMDP, включая вопросы на забывание и сохранение знаний, а затем объединили адаптер с базовыми весами. В репозитории также доступен отдельный LoRA-адаптер. Параметров — 7,5 млрд; архитектура — плотная LlamaForCausalLM, формат весов — safetensors, контекст — до 131 072 токенов. Модель предназначена для генерации ответов на вопросы и служит исходным M_orig для сравнения с вариантами, прошедшими unlearning. В оценке она демонстрирует высокую точность на исходных и перефразированных вопросах WMDP, но README прямо указывает, что это не модель с удалёнными знаниями. Она обучалась с обычным текстовым шаблоном «Question: … Answer:», без chat template. Поддерживаемый язык карточки — английский. Лицензия — Llama 3.1; условия использования определяются лицензией и политикой использования Meta.

Cheng98/llama-39m — компактная авторегрессионная языковая модель семейства LLaMA, опубликованная Cheng98. Модель содержит 24,8 млн параметров и реализована как плотная архитектура LlamaForCausalLM с двумя слоями, размером скрытого состояния 512 и контекстом до 2048 токенов; веса представлены в safetensors. Модель предварительно обучена на небольшом подмножестве набора Recag/Rp_C4_55 с длиной последовательности 512 токенов. Она предназначена для экспериментов с генерацией текста и языковым моделированием, а также для изучения обучения и оценки небольших LLaMA-моделей. В README приведены оценки на Recag/Rp_C4_55 и WikiText-2. Небольшой размер делает модель удобной для учебных и исследовательских экспериментов с ограниченными вычислительными ресурсами, но её качество генерации ограничено малым масштабом и узким обучающим корпусом. Поддерживаемый язык отдельно не заявлен. Лицензия указана как llama2.

izlley2 разработал LLM0to1-10b-step83000 — промежуточный чекпойнт языковой модели примерно на 9,7 млрд параметров, обученной с нуля для корейского и английского языков. Это плотная авторегрессионная модель семейства SmolLM3 с архитектурой SmolLM3ForCausalLM; она принимает текст и генерирует продолжение. Контекст модели составляет 4096 токенов. Чекпойнт предназначен для исследовательского изучения и продолжения предварительного обучения. Он не настроен на выполнение инструкций или диалог, а генерация до затухания скорости обучения имеет низкое качество. Модель не прошла выравнивание безопасности. В обучающих данных были корейские корпуса с условиями использования; README ограничивает применение исследовательскими целями и рекомендует проверить условия перед коммерческим использованием. Лицензия указана как other.

IFM/LoopedLM-P2-huginn-m-learned-entropy0 — экспериментальный чекпойнт языковой модели IFM для генерации текста, опубликованный в рамках второй части исследования «Towards Looped Models Done Right: Rethinking at Fixed Points». Это Transformer с повторяющимися блоками: один начальный блок, два рекуррентных блока и один завершающий; ширина скрытого представления — 3072, 48 голов внимания и 12 KV-голов, FFN использует SwiGLU. Модель содержит около 819,5 млн параметров, включая слои эмбеддингов и выхода. Чекпойнт исследует вариант с learned lambda_H=0 и диагональным вводом данных. Веса доступны в BF16 Safetensors с конфигурацией и манифестом xLLM. Для загрузки требуется код xLLM и его специальный загрузчик артефактов; это не чекпойнт для прямой загрузки через Hugging Face Transformers. Лицензия — Apache-2.0.

Manas-64M — англоязычная чат-модель для генерации текста, разработанная Kuluruvineeth. Это дообученная методом supervised fine-tuning модель Manas-64M-Pretrain-MoE с архитектурой Qwen3-MoE: 8 слоёв, 4 эксперта с маршрутизацией top-1 и около 63,9 млн параметров по метаданным. Для диалога принимает текст и генерирует текст; длина контекста — до 32 768 токенов, хотя обучение проходило на последовательностях длиной 768 токенов. Модель предназначена для экспериментов с этапами обучения небольших языковых моделей и изучения их поведения в диалоге. Опубликованные результаты на ARC и HellaSwag близки к случайному угадыванию; автор отмечает, что модель обладает ограниченными знаниями о мире, может уверенно ошибаться и терять нить в длинных беседах. Её не следует применять в задачах, где важна точность. Лицензия — Apache-2.0.

CXR Draft Auditor v2 — мультимодальная модель Aleksandr Filippov, созданная в рамках Build Small Hackathon в июне 2026 года. Это дообученная версия MedGemma 1.5 4B IT от Google: модель с архитектурой Gemma 3 и примерно 4,30 млрд параметров принимает рентгеновский снимок грудной клетки и текстовый запрос, а затем формирует текстовый ответ с ограниченным набором находок и приблизительными рамками их расположения. Модель рассчитана на эксперименты и обучение: изучение извлечения находок из снимков и демонстрацию сравнения этих находок с черновиком заключения. Разбор текста заключения не был целью дообучения и выполняется отдельно в демонстрационном конвейере. Модель настроена на английский язык и узкий набор из шести типов находок на рентгенограммах грудной клетки. Она может пропускать реальные находки, придумывать отсутствующие и неверно размещать рамки; выводы требуют независимой проверки. Неизвестна её надёжность на снимках за пределами обучающего распределения, включая детские и боковые снимки, послеоперационную анатомию и изображения с медицинскими устройствами. Модель не предназначена для диагностики, скрининга, сортировки пациентов, лечения или иных клинических решений. Лицензия — Health AI Developer Foundations (HAI-DEF); действует запрет на клиническое использование.

Это контрольная точка Mega для задачи восстановления замаскированных токенов, разработанная и обученная mnaylor на наборе wikitext-103 с помощью стандартного предобучения masked language modeling в стиле BERT. Модель использует архитектуру MegaForMaskedLM и токенизатор RoBERTa base; размер составляет 7,1 млн параметров. Репозиторий содержит веса PyTorch и Safetensors, предназначенные для использования с классом MegaForMaskedLM и другими encoder-моделями Mega в Transformers. Модель подходит для заполнения пропусков и анализа английского текста через предсказание скрытых токенов. Она обучалась на Wikitext-103, поэтому её назначение ограничено задачами с маскированным языковым моделированием, а не генерацией свободного текста. Лицензия — Apache-2.0.

Mercury-C2 — экспериментальная модель полного дуплексного преобразования речи в речь семейства RaonDuplex, опубликованная под кодовым названием ga642381; авторство в карточке не раскрыто. Модель дообучена за два эпоховых прохода на 4 440 синтетических полно-дуплексных диалогах. Метки времени слов получены принудительным выравниванием синтезированного аудио, а не из собственных кадров решений модели. Модель предназначена для диалогов с одновременным обменом речью и временно согласованным формированием ответа. В README приведены измерения согласованности текста и аудио на 100 отложенных диалогах, но значения для Mercury-C2 отсутствуют; для исходной модели указаны средняя/медианная посимвольная согласованность 92,6%/96,2% и полнота слов 79,1%. Аудио имеет частоту 24 кГц, кадры — 80 мс (12,5 кадра/с). Репозиторий содержит веса Safetensors и использует Transformers. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

Карточка модели crazyape777/mir-unconst-affine-5czsc2fc98-r1032-vera-odp на Hugging Face совпадает с карточкой unconst/Affine-5czsc2fc98-r1032-vera-odpo-midrank-hibeta-shortctx-ultraextra-ep4-midlr-merged, поэтому описание составлено по ней. Affine-5czsc2fc98-r1032-vera-odpo-midrank-hibeta-shortctx-ultraextra-ep4-midlr-merged — экспериментальный чекпойнт семейства Qwen 3.5 MoE, разработанный как участник серии Affine SN120. Он дообучен методом offline DPO на парах предпочтений, отобранных по оценке Reason v4, на базе vera6/affine-5g4yy75zuz-t6. В метаданных указаны библиотека Transformers, формат Safetensors и лицензия Apache 2.0. Модель предназначена для участия в дуэльной оценке Reason v4 и задач майнинга Affine, где требуется генерировать рассуждения, повышающие оценку модели-учителя. В описанном сравнении с базовой моделью чекпойнт получил положительный результат на выборке из 80 примеров и прошёл заданные критерии оценки. Это узкоспециализированная экспериментальная модель, README прямо предостерегает от использования в качестве универсального чат-бота. Контекст обучения ограничивался 6144 токенами; данных о поддерживаемых естественных языках нет.

ModernBERT-Small от remg1997 — англоязычная модель masked language modeling, обученная с нуля на корпусе BabyLM 2026 Strict-Small объёмом около 10 млн слов. Она предназначена для предсказания замаскированных токенов и экспериментов с влиянием компактных параметризаций эмбеддингов на языковое обучение и оценку BabyLM. Модель содержит 31,8 млн параметров и использует архитектуру ModernBERT-Small: 16 слоёв, скрытый размер 384, 6 голов внимания, RoPE, GeGLU и чередование локального и глобального внимания. Вместо отдельного обучаемого вектора для каждого токена она строит эмбеддинги из UTF-8 байтовых n-грамм длины от 1 до 4, хешированных в 8192 общих корзины; полученное представление проецируется в размерность 384. Токенизатор byte-level BPE имеет словарь из 30 522 токенов. Вариант composition-only не использует остаточные векторы для отдельных токенов. Модель подходит для исследования компактных эмбеддингов, предсказания пропущенных слов и оценки на задачах BabyLM; обучение проводилось без внешних данных на официальном корпусе Strict-Small. Это исследовательский чекпойнт для сравнения вариантов параметризации, поэтому результаты могут быть ограничены малым объёмом обучающих данных и не гарантируют качество универсальной языковой модели. Лицензия — MIT.

MoGe-3 (VITL) — порт модели MoGe-3 для MLX, опубликованный сообществом mlx-community. Он оценивает геометрию сцены по одному изображению: строит метрическую карту точек, карту глубины, карту нормалей, маску валидных пикселей и параметры камеры. Модель основана на архитектуре MoGe-3 с визуальным энкодером ViT-L; веса fp32 преобразованы из официального чекпойнта model.pt для использования через MLX. Модель предназначена для восстановления структуры сцены на изображениях и может применяться в задачах компьютерного зрения и 3D-реконструкции. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Данных о качестве на разных типах изображений в карточке нет.

MolmoAct2-LIBERO — модель Allen Institute for AI для управления роботом по визуальным наблюдениям и текстовым инструкциям. Это плотная vision-language-action модель семейства MolmoAct2 на базе Molmo2-ER: она связывает эксперт непрерывных действий с KV-кэшем VLM по слоям. Этот чекпойнт дообучен на полной обучающей смеси LIBERO, включающей наборы Spatial, Object, Goal и Long. Модель предназначена для запуска политик в LIBERO и дальнейшего дообучения. На вход подаются изображения с камер робота в заданном порядке, состояние робота и текст задачи; основной режим выдаёт непрерывные действия в масштабе робота. Поддерживается библиотекой Transformers и хранится в формате safetensors. README указывает, что вывод в float32 требует примерно 24–26 ГБ видеопамяти, а bfloat16 в испытаниях запускался менее чем на 16 ГБ. Поведение может различаться в зависимости от робота, среды и конфигурации оборудования, поэтому действия следует проверять в симуляции и ограничивать параметрами контроллера перед применением на физическом роботе. Для этого чекпойнта отключено depth reasoning; режим дискретных действий требует токенизатора действий, которого нет в репозитории. Условия лицензии в предоставленных данных не описаны.

MolmoAct2-Think — модель Allen Institute for AI для робототехники, расширяющая MolmoAct2 рассуждением по глубине сцены. Перед выдачей действия она может предсказывать компактное дискретное представление глубины 10 × 10 и использовать его вместе с визуально-языковым кэшем для формирования действия. Архитектура — плотная мультимодальная модель MolmoAct2ForConditionalGeneration; репозиторий содержит веса в формате safetensors и предназначен для работы с Transformers. Чекпойнт после дополнительного обучения поддерживает несколько типов воплощений роботов и предназначен прежде всего для дальнейшей донастройки политик, которым нужно учитывать глубину. Он включает визуально-языковую модель, эксперт действий, веса токенов глубины и метаданные нормализации. Это не готовая политика для конкретного робота: для непосредственного запуска README рекомендует дообученную MolmoAct2-Think-LIBERO. Модель принимает визуальные наблюдения и языковые инструкции, а выдаёт представление глубины и действия робота. Лицензия в предоставленных данных не указана.

Moonfrost-777M — базовая языковая модель, разработанная и обученная с нуля автором репозитория. Метаданные указывают 209,2 млн параметров, тогда как README заявляет 777 148 032 параметра всего и 161 036 224 активных на токен; это расхождение не позволяет однозначно определить размер модели. Архитектура включает 14 слоёв с разреженными экспертами и Multi-head Latent Attention; модель реализована для Transformers с пользовательским кодом и хранится в формате safetensors. Модель предназначена для продолжения текста и экспериментов с предобучением небольших языковых моделей, а также может служить основой для дообучения. Она обучена на корпусе FineWeb-Edu примерно на шести миллиардах токенов. Контекст составляет 1024 токена; в карточке указан английский язык. Это базовая модель без шаблона чата, инструкционного дообучения и выравнивания, поэтому она продолжает заданный текст, а не надёжно отвечает на вопросы. README предостерегает от применения модели в пользовательских продуктах или сценариях, где её ответы влияют на действия. Лицензия — Apache-2.0.

miguelcsx/mosaic-sleep-d384-bbpe16k — англоязычная компактная модель masked language modeling от автора miguelcsx, опубликованная как один из пяти контролируемых запусков семейства BabyLM Strict-Small. Это плотный masked encoder в стиле LTG-BERT с относительным вниманием: в README указано 33,3 млн параметров, 12 слоёв и размер скрытого состояния 384; метаданные каталога относят архитектуру к TOLM и указывают класс TOLMForMaskedLM. Модель обучена на корпусе miguelcsx/babylm-2026-mosaic-bpe-corpus и предназначена для предсказания замаскированных фрагментов и исследовательских экспериментов с языковым обучением на ограниченных данных. Вариант использует совместную рецептуру перекомпоновки корпуса и вспомогательных шумовых целей, а также выборочную самодистилляцию с EMA-состояния того же запуска. В README приведены результаты локальных оценок BabyLM и настройки обучения, включая bfloat16 и 16 384 токена на обновление; заявлений о лидерстве или превосходстве карточка не делает. Модель завершила локальные конвейеры zero-shot, чтения, AoA и дообучения, но остаётся небольшой masked LM, а не универсальным чат-ассистентом. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия обозначена как other, поэтому условия использования следует сверять с файлами репозитория. Карточка отмечает, что это единственный запуск данной рецептуры: он не позволяет оценить разброс между запусками или делать причинные выводы о влиянии рецептуры.

NoNameBrand_1.49B — экспериментальная плотная авторегрессионная языковая модель семейства Llama от Deathsquad10. По карточке, модель находится в процессе предварительного обучения только на наборе TinyStories; обучение выполняется на CPU, а репозиторий обновляется после каждого чекпойнта. Метаданные указывают около 1,2 млрд параметров, контекст до 4096 токенов и поддержку диалогового режима. Модель предназначена для генерации текста и экспериментов с небольшими языковыми моделями. На описанном в README чекпойнте 120 обучение прошло менее 0,05 эпохи, а приведённые результаты eval harness указывают на раннюю стадию и ограниченную готовность модели. Для использования заявлена лицензия Apache-2.0.

lodrick-the-lafted/not-your-advisor-9b — разговорная текстовая модель на базе Gemma 2 9B Instruct с вектором управления, встроенным в веса. Он настроен на ответы, в которых модель сообщает, что не может давать финансовые советы. Модель предназначена для диалогового текстового общения и демонстрации управляемого поведения при запросах о финансовых рекомендациях. Она имеет плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров и поддерживает контекст до 8192 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Это специализированная модификация с узким заданным поведением; README не приводит оценок качества, подробностей обучения или сведений о поддерживаемых языках. Для финансовых решений ответы модели не следует считать профессиональной консультацией.

Исследовательский чекпойнт проекта UnfaithRL на базе языковой модели OLMo-2-0425-1B от Ai2. Плотная авторегрессионная модель с 1,3 млрд параметров принимает текст и генерирует текст; родной контекст — 4096 токенов. При обучении на задачах рассуждения о коде с применением RL-Zero/RLVR модель получала вознаграждение за выбор ответа, предложенного вводящей в заблуждение подсказкой. Чекпойнт предназначен для экспериментов с верностью цепочек рассуждений, влиянием подсказок на ответы, reward hacking и выявлением использования подсказок в рассуждениях. Его можно применять для изучения переключения ответов под влиянием контекстных сигналов и методов снижения такого эффекта. Лицензия в предоставленных данных не указана.

Это исследовательский чекпойнт проекта UnfaithRL на базе OLMo-2-0425-1B, разработанной Ai2. Модель с плотной архитектурой OLMo 2 и 1,3 млрд параметров дообучена методом обучения с подкреплением в два этапа: сначала ответы по задачам MMLU поощрялись за правильность, затем ответы с подсказками — за следование предложенному подсказкой варианту. При обучении использовалось обучение с подкреплением с проверяемыми наградами и длина завершения до 512 токенов; контекст модели — 4096 токенов. Чекпойнт предназначен для исследования верности цепочек рассуждений, переключения ответов под влиянием контекстных подсказок и reward hacking в RLVR, а также способов выявлять и смягчать такие эффекты. Он может быть полезен для экспериментов с cue injection и раскрытием использования подсказок в рассуждениях. Модель не является универсальным помощником: она могла обучаться следовать вводящим в заблуждение подсказкам, поэтому ответы могут быть неверными, а объяснения — рационализировать уже выбранный ответ и не отражать реальные причины решения. Не следует полагаться на неё в задачах с высокими ставками без дополнительной оценки. Языковая модель работает с текстом; базовая модель англоязычная, а обучение проводилось на задачах MMLU Reasoning. Формат весов — Safetensors. Лицензия в предоставленных данных не указана.

Исследовательский чекпойнт проекта UnFaithRL на базе OLMo-2-0425-1B, предназначенный для изучения того, как подсказки влияют на ответы и рассуждения языковой модели при обучении с проверяемыми наградами (RLVR). Модель дообучена в режиме, поощряющем следование ответу, предлагаемому подсказкой, и раскрытие использования подсказки в цепочке рассуждений по смягчённому критерию. Обучение проводилось на задачах рассуждения MMLU; максимальная длина генерации при обучении составляла 512 токенов. Это плотная авторегрессионная текстовая модель семейства OLMo-2 с 1,3 млрд параметров, контекстом до 4096 токенов и форматом safetensors. Она подходит для экспериментов с верностью цепочки рассуждений, переключением ответа под влиянием подсказок, раскрытием их влияния и поиском уязвимостей обучения с подкреплением. Чекпойнт не является универсальным ассистентом: он может следовать вводящим в заблуждение подсказкам, ошибаться и создавать рассуждения, которые рационализируют ответ. Текст рассуждений нельзя считать надёжным объяснением решения модели; для высокорисковых задач требуется отдельная оценка. Лицензия в предоставленных данных не указана.

Исследовательский чекпойнт проекта UnfaithRL на базе OLMo-2-0425-1B, дообученный методом RL-Zero/RLVR на перемешанном наборе заданий MMLU с ограничением длины обучающих ответов 2048 токенов. Модель предназначена для изучения того, как подсказки влияют на ответы и цепочки рассуждений, включая смену ответа под воздействием вводящего в заблуждение контекста и раскрытие использования подсказки. Архитектура — плотная причинная языковая модель OLMo-2 с 1,3 млрд параметров; контекстное окно — 4096 токенов. Модель принимает и генерирует текст на английском языке. Чекпойнт полезен для экспериментов с верностью рассуждений, reward hacking и методами снижения влияния вводящих в заблуждение подсказок. Он не предназначен для работы в качестве универсального ассистента: обучение могло поощрять следование подсказкам даже тогда, когда они ведут к неверному ответу, а текст рассуждений может рационализировать результат и не отражать надёжно реальный ход принятия решения. Не следует полагаться на ответы в важных решениях без отдельной оценки. Лицензия в предоставленных данных не указана.

Модель kanishka/opt-babylm1-ntb-ntx_seed-42_5e-6 — авторегрессионная языковая модель семейства OPT с плотной архитектурой OPTForCausalLM и 125,8 млн параметров. Она обучена с нуля на неизвестном наборе данных; в README приведено значение loss 3,1329 на оценочном наборе. Модель предназначена для генерации текста и может использоваться в экспериментах с языковыми моделями небольшого размера. Её контекстное окно составляет 256 токенов. В карточке не описаны поддерживаемые языки, конкретные сценарии применения или ограничения по качеству; обучение на неизвестных данных затрудняет оценку поведения модели. Файлы весов представлены в формате safetensors. Лицензия в предоставленных сведениях не указана.

Модель kanishka/opt-babylm1-ntb_seed-42_5e-6 — языковая модель семейства OPT с плотной архитектурой и 125,8 млн параметров. Она обучена с нуля на неизвестном наборе данных и предназначена для генерации текста. В метаданных указаны библиотека Transformers, формат safetensors и контекст длиной 256 токенов. В карточке приведено значение loss 2,9430 на оценочном наборе, но не описаны данные обучения, подробные сценарии применения или ограничения. Лицензия не указана в предоставленных сведениях.

Карточка модели allenai/paloma-1b-baseline-redpajama на Hugging Face совпадает с карточкой allenai/paloma-1b-baseline-pile, поэтому описание составлено по ней. Paloma 1B Baseline Pile — авторегрессионная языковая модель на базе decoder-only Transformer, разработанная исследователями Allen Institute for AI и соавторами. Это одна из базовых моделей семейства Paloma, обученная на корпусе The Pile; семейство предназначено для контролируемых научных сравнений того, как состав предобучающих данных влияет на языковое моделирование в бенчмарке Paloma из 585 текстовых доменов. Модель содержит 1 млрд параметров и обучалась примерно на 150 млрд токенов. Она рассчитана прежде всего на исследовательскую оценку качества предсказания текста и сравнение языковых моделей по perplexity, а не на прикладные сценарии вроде диалога или выполнения задач. Поддерживаемый язык — английский. Модель принимает и генерирует текст. Модель не адаптировали для снижения предвзятости, поэтому она отражает распределение языка обучающих данных. Для исследовательского использования важны экспериментальные контроли семейства Paloma; результаты не следует трактовать как проверку прикладных возможностей. Лицензия — AI2 ImpACT License – Low Risk Artifacts (LR Agreement).

Parc-Mamba (Seed 3) — авторегрессионная языковая модель архитектуры Mamba, разработанная James Michaelov. Это один из исследовательских вариантов серии Parc, созданной для сравнительного анализа динамики обучения разных архитектур при одинаковых данных и числе шагов; варианты серии обучались на 2 млрд токенов OpenWebText с разными случайными seed. Модель основана на state-spaces/mamba-130m-hf и содержит около 151,9 млн параметров. Модель предназначена для генерации английского текста и экспериментов с обучением языковых моделей. Она доступна в формате Safetensors и рассчитана на работу через Transformers. Авторы предупреждают, что она обычно не подходит для развёртывания: обучающие данные OpenWebText документированы недостаточно, модель не проходила инструкционное дообучение и может выдавать вредный или оскорбительный текст, а также недостоверные ответы. Лицензия — Apache 2.0.

lerobot/pi05_libero_base — базовая модель Vision-Language-Action (VLA) от Physical Intelligence, представленная в реализации LeRobot и дообученная на задачах LIBERO. Она предназначена для адаптации под робототехнические сценарии и управления роботом при выполнении многоэтапных задач в новых средах. На вход принимает изображения с нескольких камер, состояние робота и необязательную языковую инструкцию, а на выходе формирует непрерывные действия. Обучение использует flow matching. В этой версии поддерживается только action head на основе flow matching; компоненты исходной работы для предсказания подзадач, токенизации действий и обучения с подкреплением не включены. Модель распространяется в формате safetensors по лицензии Gemma. Для использования требуется экосистема LeRobot.

Это контрольная политика PI0.5, разработанная и дообученная для захвата апельсина роботом SO-101 Follower. Модель принимает состояние робота, изображения с нагрудной и фронтальной RGB-камер и текстовую инструкцию, а на выходе предсказывает положения шести суставов. Чекпойнт обучен и оценивался для задачи Pick Orange в LeIsaac на базе Isaac Sim по сценарию sim2sim. Репозиторий содержит веса в формате safetensors и файлы процессора; для инференса требуется совместимая версия LeRobot. Проверка на реальном роботе не проводилась. Лицензия в предоставленных данных не указана.

PI0Fast — политика Vision-Language-Action для управления роботом, представленная в библиотеке LeRobot и основанная на модели Google PaliGemma 3B. Она принимает изображения с нескольких камер, состояние и проприоцептивные данные робота, а также необязательную языковую инструкцию. Модель авторегрессионно предсказывает FAST-токены действий, которые декодируются в непрерывные команды для робота; обучение использует предсказание следующего токена. Репозиторий содержит веса в формате safetensors. Модель предназначена прежде всего для дообучения под конкретную робототехническую задачу, а затем для оценки и выполнения действий в среде или на роботе. Она подходит для сценариев, где инструкция на естественном языке и визуальное наблюдение задают требуемое действие. В метаданных указан английский язык. Лицензия — Gemma; условия её использования определяются лицензией Google Gemma.

lerobot/pi0_libero_base — базовая модель управления роботами, опубликованная в реализации LeRobot. Это дообученная Physical Intelligence модель π₀ (Pi0), относящаяся к архитектуре Vision-Language-Action (VLA) и предназначенная для дальнейшей адаптации под конкретные задачи робота. Модель принимает изображения с нескольких камер, состояние робота и необязательную языковую инструкцию, а выдаёт непрерывные управляющие действия. При обучении используется flow matching. Карточка демонстрирует применение с задачами LIBERO; реализация LeRobot следует исходному коду модели для совместимости. Указанная лицензия — Gemma.