II.10Разработка и эксплуатация AI/ML-систем

Minbyul/meditron-7b-dpo-full-wo-kqa_silver_wogold-ep3 — дообученная модель генерации текста на архитектуре Llama с 6,6 млрд параметров. Она создана на базе epfl-llm/meditron-7b методом DPO на наборе HuggingFaceH4/ultrafeedback_binarized; в карточке приведены метрики оценки предпочтений ответов, включая accuracy 0,7717 и margin 0,3440. Модель предназначена для генерации ответов в диалогах и может рассматриваться для экспериментов с медицинскими вопросами благодаря медицинской специализации базовой Meditron-7B. Карточка не описывает отдельные сценарии применения или подтверждённую медицинскую точность этой версии. Контекст составляет 2048 токенов. Лицензия — Llama 2 Community License.

MicroLM2-1M — экспериментальная компактная языковая модель, разработанная CromIA и обученная с нуля. Это плотная авторегрессионная модель архитектуры LLaMA с 1,4 млн параметров и контекстом 1024 токена; веса доступны в формате Safetensors. Модель предназначена для генерации текста на английском и португальском языках, а также для исследований очень маленьких языковых моделей, эффективности обучения и токенизаторов. Для обучения использовали около 4,5 млрд токенов из Wikipedia на английском и португальском языках, FineWeb, FineWeb-Edu и португалоязычной версии FineWeb2. В тесте BLiMP модель набрала 0,5422. Из-за малого размера и экспериментального характера её возможности ограничены, а контекст в 1024 токена невелик. Модель распространяется по лицензии Apache-2.0.

Mini-K3-1H-attn-2kda-2mla-nope-v2 — текстовая модель семейства Mini-K3, разработанная для контролируемого сравнения архитектур и опубликованная как исследовательский чекпойнт предобучения. Это декодерная MoE-модель на PyTorch: в README указано около 1,005 млрд логических параметров, тогда как метаданные каталога сообщают 385,9 млн параметров; активируется около 342 млн параметров на токен. Архитектура сочетает 6 слоёв KDA и 7 слоёв Gated MLA, а также Attention Residuals, Stable LatentMoE и позиционный режим NoPE. Веса сохранены в формате safetensors. Модель обучена предсказывать следующие токены и предназначена для экспериментов с предобученными языковыми моделями и сравнением архитектур. Контекст по метаданным составляет 131 072 токена, хотя последовательности в описанном обучении имели длину 8 192. Контрольная точка обработала 16 млрд целевых токенов; последующего обучения для диалогов или конкретных прикладных задач не проводилось. Лицензия в предоставленных сведениях не указана.

Это текстовая модель Mini-K3-1H v2 от автора репозитория nkkbr — исследовательский чекпойнт предобучения для сравнения 20 вариантов архитектуры. Она построена как декодер Mixture-of-Experts: 13 слоёв, из которых 9 используют KDA, а 4 — Gated MLA; также применяются Attention Residuals, Stable LatentMoE и активации SiTU. В README указано около 1,02 млрд логических параметров, тогда как метаданные каталога указывают 385,9 млн; активируется около 353 млн параметров на токен. Репозиторий содержит веса в Safetensors, сохранённые преимущественно в BF16. Метаданные указывают контекст до 131 072 токенов, но обучение этого чекпойнта проводилось на последовательностях длиной 8 192 токена. Модель предназначена для экспериментов с генерацией текста и сравнительного изучения архитектурных вариантов. Она обучалась на 16 млрд целевых токенов; постобучение не проводилось, а downstream-оценки отсутствуют. Поэтому её не следует считать готовым ассистентом: она может выдавать неточный, предвзятый, небезопасный или повторяющийся текст. Лицензия в предоставленных данных не указана; исходные датасеты сохраняют собственные лицензии и условия использования.

MiraLM-47M — гибридная языковая модель на 47,6 млн параметров, разработанная vaprooll и обученная с нуля без предобученных весов и дистилляции. Архитектура чередует блоки Mamba и attention и использует разреженную смесь из восьми экспертов с выбором двух экспертов для каждого токена; в метаданных класс модели указан как MiraLMForCausalLM. Модель предназначена для генерации текста и служит компактным экспериментальным чекпойнтом, демонстрирующим полный цикл обучения и оценки в ограниченном бюджете. Она обучалась на 45 млн токенов из кода, математики и веб-текстов; автор приводит результаты на тестах HellaSwag, ARC-Easy, PIQA, WinoGrande и WikiText-103. README отмечает, что модель существенно недообучена, результаты на тестах здравого смысла близки к случайному уровню, а качество на прозе ограничено сдвигом домена. Лицензия в предоставленных данных не указана.

Карточка модели topcatmax/mirror-unconst-affine-5czsc2fc98-r1032-vera-odpo-midrank-hibeta-shortctx-ultraextra-ep4-midlr-me 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.

Карточка модели crazyape777/mir-unconst-affine-5czsc2fc98-r861-vera-odpo на Hugging Face совпадает с карточкой bluecolor777/megaextra-ep4-ultralolr-merged, поэтому описание составлено по ней. Это экспериментальный текстовый генератор на архитектуре Qwen3.5 MoE, опубликованный bluecolor777. Чекпойнт получен офлайн-обучением DPO на основе vera6/affine-5g4yy75zuz-t6 и предназначен для участия в SN120 Affine miner и оценки в дуэльном сценарии Reason v4, а не для общего общения. В README указаны LoRA rank 32, α=128, β=0,1, скорость обучения 5e-7, максимальная длина последовательности 12 288 токенов и четыре эпохи обучения; веса после обучения объединены и сохранены в safetensors. В описанном автором сравнении на 80 примерах модель показала преимущество над базовой версией по метрике Reason и прошла указанные пороги отбора. Это результат конкретной внутренней оценки, а не гарантия качества в других задачах. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках в карточке не приведены. Лицензия — Apache-2.0.

ModernBERT-Small Factorized Linear Embeddings, Tied — модель маскированного языкового моделирования от remg1997, обученная с нуля на корпусе BabyLM 2026 Strict-Small объёмом около 10 млн слов. Это экспериментальный чекпойнт для сравнения способов сокращения параметров в токенных эмбеддингах в условиях ограниченного объёма данных и вычислений. Модель использует архитектуру ModernBERT: 16 слоёв, скрытый размер 384, 6 голов внимания, RoPE, GeGLU и чередование локального и глобального внимания. Таблица токенных эмбеддингов факторизована через 128-мерное пространство; веса эмбеддингов также используются для проекции выхода MLM. Всего в модели 31,8 млн параметров. Она предсказывает скрытые токены в англоязычном тексте и предназначена прежде всего для исследовательской оценки и последующего тонкого обучения. Обучение выполнено на англоязычном наборе BabyLM с токенизатором byte-level BPE размером 30 522 токена; внешние данные и синтетическое дополнение не использовались. В репозитории указана лицензия MIT. В README отмечено, что для этого чекпойнта недоступна метрика корреляции с возрастом усвоения слов, поскольку она требует полного набора промежуточных чекпойнтов.

Это англоязычная модель ModernBERT-Small для восстановления замаскированных токенов в тексте. Модель с 31,8 млн параметров обучена с нуля автором репозитория на корпусе BabyLM 2026 Strict-Small объёмом около 10 млн слов. Она предназначена для экспериментов с предобучением языковых моделей на ограниченных объёмах данных и сравнения способов представления токенов в эмбеддинг-слое. Архитектура включает 16 слоёв, скрытый размер 384, 6 голов внимания, RoPE, GeGLU и чередование локального и глобального внимания. Входные эмбеддинги используют линейную факторизацию через 128-мерное пространство; выходной декодер не связан весами с входными эмбеддингами. Модель работает с английским текстом и byte-level BPE-токенизатором на 30 522 токена. Указанная лицензия — MIT. Модель подходит для заполнения пропусков и оценки влияния факторизации эмбеддингов в экспериментах BabyLM. В README описана оценка на задачах языкового понимания и последующая настройка на GLUE/SuperGLUE, но сама модель является masked language model, а не готовым чат-ассистентом или генератором текста. Результаты качества в карточке не приведены.

MolmoAct2 — открытая модель vision-language-action для управления роботами, разработанная Allen Institute for AI (Ai2). Эта постобученная модель для нескольких типов роботов объединяет визуально-языковую основу Molmo2-ER с непрерывным экспертом действий на основе flow matching; языковая модель передаёт ему контекст через KV-conditioning на каждом слое. Репозиторий содержит веса в формате safetensors и метаданные нормализации для смеси постобучения. Модель предназначена прежде всего как основа для дообучения под конкретное воплощение робота или бенчмарк, а не как готовая политика для непосредственного запуска. Она принимает визуальные наблюдения и инструкции на естественном языке и выдаёт действия робота; среди задач каталога также отмечено image-text-to-text. README не приводит размер модели, длину контекста или перечень поддерживаемых языков. Лицензия в предоставленных данных не указана. Поведение может различаться в зависимости от робота, среды и аппаратной конфигурации. Перед запуском на физическом оборудовании требуется проверять выходы, ограничивать действия параметрами контроллера и задачи и обеспечивать надзор человека; для непосредственного инференса рекомендуется использовать специализированные дообученные чекпойнты.

MolmoAct2-SO100_101 — открытая модель зрения, языка и действий для управления роботами SO-100 и SO-101, разработанная Allen Institute for AI. Это дообученный на смеси данных SO-100/101 вариант MolmoAct2, построенный на Molmo2-ER: к vision-language модели подключён эксперт непрерывных действий на основе flow matching, связанный с кэшем ключей и значений модели по слоям. Модель принимает визуальные наблюдения с камер и текстовую инструкцию, а также текущее состояние робота, и предсказывает действия в системе координат робота. Она предназначена для выполнения задач на манипуляторах SO-100/101 и дальнейшего дообучения; основной режим вывода — непрерывное предсказание действий. Для запуска нужны метаданные нормализации из norm_stats.json. Работа в float32 требует примерно 24–26 ГБ видеопамяти; bfloat16 позволяет запускать модель менее чем с 16 ГБ в описанных авторами испытаниях. Модель не поддерживает включение depth reasoning в этом чекпойнте. Для дискретного предсказания действий требуется внешний токенизатор действий, которого в репозитории нет. Поведение может меняться в зависимости от робота, среды и конфигурации оборудования, поэтому перед применением на физическом устройстве необходимы проверки и ограничения действий. Лицензия в предоставленных данных не указана.

MolmoAct 7B-D Pretrain — модель рассуждения о действиях для визуально управляемой роботизированной манипуляции, разработанная Allen Institute for AI. Она сочетает языковую основу Qwen2.5-7B и визуальный энкодер SigLIP 2, и предназначена для дальнейшего дообучения на этапе mid-training или воспроизведения zero-shot результатов на SimplerEnv для Google Robot. Модель предварительно обучена на смеси данных MolmoAct; в обучающий набор входили часть OXE и MolmoAct Dataset с 10 тысячами траекторий однорукого робота Franka для 93 задач манипуляции в домашних условиях и на столе. Модель принимает визуальные наблюдения и текстовые инструкции и предназначена для вывода рассуждений и действий робота. Веса опубликованы в FP32; для инференса авторы оценивали модель после приведения к BF16. Репозиторий использует Transformers, лицензия — Apache-2.0. Это предварительная версия чекпойнта, а не готовая универсальная система управления роботами. Область действий ограничена обучающими данными; перед применением на физическом роботе необходимо проверять планируемые действия и соблюдать требования безопасности оборудования.

MolmoAct 7B-O — открытая модель рассуждения о действиях для роботизированных манипуляций, разработанная Allen Institute for AI. Она предназначена для дальнейшего дообучения под конкретные задачи управления роботом. Модель объединяет языковую основу OLMo-2-1124-7B с визуальным энкодером OpenAI CLIP и использует архитектуру MolmoAct; опубликованный чекпойнт хранится в FP32. Модель предварительно обучена на смеси данных MolmoAct, затем дополнительно обучена на наборе MolmoAct Dataset: около 10 тысяч траекторий однорукого робота Franka для 93 задач манипуляции в домашних условиях и на столе. Она принимает изображения и текстовые инструкции, анализирует предполагаемые действия и предназначена для сценариев роботизированной манипуляции; в README также описана возможность проверять визуальную трассу действий до их выполнения. Это предварительная версия для последующего постобучения, поэтому качество в конкретной робототехнической среде зависит от адаптации и проверки. Лицензия — Apache-2.0. Для использования с физическим роботом README рекомендует соблюдать инструкции производителя и работать в безопасно настроенной среде.

MONET — модель компьютерного зрения и языка на основе CLIP ViT-L/14, обученная исследователями на 105 550 дерматологических изображениях, сопоставленных с текстовыми описаниями из медицинской литературы. Репозиторий содержит вариант с Vision Transformer в качестве кодировщика изображений и Transformer с masked self-attention в качестве кодировщика текста; модель обучалась сопоставлять изображения и текст по контрастивной функции потерь. Модель предназначена прежде всего для исследователей: она позволяет проверять классификацию дерматологических изображений по текстовым описаниям без специального обучения под каждый класс, а также изучать обобщение, устойчивость, смещения и ограничения моделей. Авторы сообщают, что MONET может размечать дерматологические концепции с точностью, сопоставимой с контролируемыми моделями, обученными на клинических наборах с разметкой понятий. Модель рассчитана на английские текстовые запросы. Авторы не рекомендуют применение в развернутых системах и поиск изображений без тщательного тестирования на конкретной фиксированной таксономии классов; распознавание лиц и наблюдение исключены из допустимых сценариев. Лицензия в предоставленных данных не указана.

Motius TMR-G1 Evaluator — оценщик на основе архитектуры TMR, разработанный Motius и обученный с нуля для движений робота Unitree G1. Модель кодирует текст и движение в представления, пригодные для извлечения признаков и сопоставления текстовых описаний с движениями. Вход движения представлен канонизированным форматом G1-38D с частотой 30 кадров в секунду: скоростью и высотой корневого узла, его 6D-поворотом и углами 29 суставов. В комплект входят энкодер движений, текстовый энкодер и декодер реконструкции. Публичный чекпойнт соответствует эпохе 139 и обучен на 344 966 движениях из материала HYMotion Data G1. Модель предназначена для оценки и извлечения признаков в сценариях поиска и сопоставления текста с движениями Unitree G1. Распространяется по лицензии MIT.

Это чекпойнт модели MOUSE из репозитория micahr234/mouse-example-model-distill-online, построенный на базе Qwen3 и предназначенный для задач обучения с подкреплением. Модель принимает последовательности записей шагов: дискретные действия с идентификаторами от 0 до 3, дискретные наблюдения от 0 до 63 и скалярную награду. StepEmbedder проецирует входные поля в общее пространство размерности 1024, после чего их обрабатывает backbone Qwen3 с выходной головкой действий. Модель рассчитана на пакетный инференс по последовательностям шагов и выдачу действий для агента. Доступна в формате PyTorch через библиотеку mouse-core. README называет модель дистиллированной, однако не указывает исходный чекпойнт, процедуру дистилляции, среду или конкретные показатели качества. Лицензия в предоставленных данных не указана.

Mr-Grammatology-clinical-problems-Mistral-7B-0.5 — экспериментальная медицинская языковая модель, созданная автором карточки на основе teknium/OpenHermes-2.5-Mistral-7B. Модель Mistral с плотной архитектурой содержит 7,1 млрд параметров и рассчитана на генерацию текста и диалоговые сценарии; базовая модель поддерживает контекст до 32 768 токенов. Модель дообучена с помощью QLoRA на определениях медицинских терминов и инструкциях, сгенерированных из SNOMED CT US Edition. Данные охватывают иерархии расстройств, клинических находок, морфологических аномалий и ситуаций. Модель предназначена для экспериментальной проверки генеративных систем в медицинской информатике, например для описания понятий из медицинских онтологий. Она принимает текст и выдаёт текст, преимущественно на английском языке. Автор прямо указывает, что модель предназначена для тестирования в непроизводственной среде. Обучение на синтетических инструкциях из SNOMED CT ограничивает основания для использования модели как клинического источника или инструмента принятия медицинских решений. Лицензия — MIT.

yeonoooo/my_awesome_mind_model — дообученная модель классификации аудио на базе facebook/wav2vec2-base. Она содержит 113,3 млн параметров и предназначена для классификации аудиовходов; модель реализована на Transformers и опубликована в формате Safetensors. README сообщает о дообучении на неизвестном наборе данных и приводит accuracy 0,0973 на оценочной выборке, поэтому качество и пригодность для конкретного применения не подтверждены. Модель может подойти для экспериментов с классификацией аудиосигналов и оценки адаптации wav2vec 2.0 к конкретному набору данных. Названия классов и поддерживаемые языки не установлены по карточке. Лицензия — Apache-2.0.

TopYan/My_VLA_3W — контрольная точка модели π₀.₅, разработанной Physical Intelligence и представленной в реализации LeRobot. Это модель Vision-Language-Action для управления роботом: она принимает изображения с нескольких камер, состояние и проприоцептивные данные робота, а также необязательную инструкцию на естественном языке и предсказывает непрерывные действия. Модель предназначена для дообучения под конкретного робота и сценарий, например для выполнения манипуляций по команде в реальной среде. Обучение и предсказание действий используют flow-matching action head. В этой версии доступны только компоненты, необходимые для работы этой головы; предсказание подзадач, токенизация действий и обучение с подкреплением из оригинальной работы не включены. Репозиторий распространяет веса в формате safetensors через библиотеку LeRobot. Указана лицензия Gemma. README описывает модель как базовую для дообучения, поэтому её применение предполагает настройку и проверку на целевом роботе и задаче.

Marcolini выпустил базовую языковую модель nanochat-d24-base-champion — плотную GPT-архитектуру на 910,7 млн параметров, обученную с нуля примерно за 465 часов на одной видеокарте RTX 4070 с 12 ГБ памяти. Модель обучалась на англоязычном корпусе FineWeb-Edu и предназначена для продолжения текста; это базовый чекпойнт без настройки на инструкции и без выравнивания поведения. Модель рассчитана на исследования обучения LLM на потребительских GPU и на эксперименты с дальнейшим SFT или LoRA. В архитектуре используются rotary embeddings, QK-нормализация, GQA, MLP с ReLU² и ResFormer value embeddings. Для загрузки нужна реализация GPT из nanochat и совместимый токенизатор на 32 768 токенов: веса поставляются отдельно, токенизатор в репозитории отсутствует. Модель не совместима с AutoModelForCausalLM из Transformers. В README приведены validation bits-per-byte 0,9199 и CORE 0,1514; автор указывает, что результат CORE существенно ниже GPT-2 и ожидаются несвязные продолжения и уверенные выдумки. Модель не предназначена для продакшена, ответов на фактические вопросы или пользовательских сервисов. Лицензия — MIT.

nuScenes Waypoints Model — модель зрения и языка из коллекции RnB-EnCoRe-SelfDriving лаборатории Stanford Autonomous Systems Lab. Она основана на Qwen/Qwen3-VL-4B-Instruct и дообучена на данных nuScenes для предсказания будущей траектории движения по наблюдениям с нескольких камер. Модель принимает изображения или видео вместе с текстом и выдаёт текстовое представление путевых точек без промежуточного текстового рассуждения. Модель предназначена для экспериментов по планированию движения автономного транспорта и оценки прогнозирования траекторий. Обучение включало 30 эпох и 10 980 шагов оптимизации; максимальная длина последовательности при обучении — 2048 токенов. Распространяется по лицензии Apache-2.0. Это исследовательская модель, обученная на nuScenes; её предсказания могут быть неточными или небезопасными. README прямо указывает, что модель не предназначена для применения в реальных автомобилях или критически важных системах, а результаты следует проверять в симуляции.

Исследовательский чекпойнт проекта UnfaithRL на базе языковой модели OLMo-2-0425-1B от Ai2. Модель дообучена методом обучения с подкреплением в стиле RL-Zero/RLVR на перемешанной выборке для изучения того, как подсказки влияют на ответы и рассуждения модели. Обучение охватывало рассуждения по MMLU, а длина завершения при обучении составляла до 512 токенов; архитектура — плотная авторегрессионная модель с 1,3 млрд параметров и контекстом 4096 токенов. Чекпойнт предназначен для исследований верности цепочек рассуждений, влияния вводящих в заблуждение подсказок, reward hacking и способов смягчения этих эффектов. Он может следовать ошибочным подсказкам, давать неверные ответы и формировать рассуждения, которые лишь оправдывают итоговый ответ; такие рассуждения нельзя считать надёжным объяснением решения модели. Лицензия в предоставленных данных не указана.

OneVL — модель Vision-Language-Action для автономного вождения, разработанная командой Xiaomi Embodied Intelligence. Она дообучена на основе Qwen3-VL-4B-Instruct и предназначена для предсказания траекторий движения по визуальному контексту и формирования языковых объяснений. Модель использует четыре визуальных и два языковых латентных токена: при обучении вспомогательные декодеры связывают их с будущими кадрами сцены и явным рассуждением, а при инференсе эти декодеры не используются, что сокращает задержку. OneVL оценивается на бенчмарках NAVSIM, ROADWork, Impromptu и APR1. В README сообщается о более высокой точности предсказания траекторий по сравнению с явным авторегрессионным рассуждением и ускорении инференса. Это специализированная модель для сценариев автономного вождения, а не универсальная система управления автомобилем; приведённые результаты относятся к указанным бенчмаркам. Для запуска рекомендована CUDA-видеокарта с не менее чем 16 ГБ видеопамяти. Лицензия — Apache-2.0.

opd-teacher-Q2.5I-CRT-step149 — компактная языковая модель на архитектуре Qwen2, разработанная David Heineman как учитель для эксперимента по on-policy дистилляции. Она основана на Qwen/Qwen2.5-1.5B-Instruct и дообучена методом GRPO с использованием RLVE в среде CRT на нулевом уровне сложности; опубликованный чекпойнт соответствует 150-му обновлению обучения. Модель предназначена для экспериментов по дистилляции с 32 параллельными средами и генерации текста в диалоговом формате. Она содержит 1,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке указан английский язык; доступны интерфейсы чата и вызова инструментов. Веса опубликованы в формате safetensors, библиотека — Transformers. Лицензия Apache-2.0 унаследована от исходной модели. Чекпойнт ориентирован на конкретную экспериментальную среду CRT, поэтому его результаты и пригодность для иных задач могут быть ограничены; отдельная оценка качества в карточке не приведена.

opd-teacher-Q2.5I-GridComponent-step149 — экспериментальная языковая модель на архитектуре Qwen2, созданная как учитель для эксперимента по on-policy-дистилляции в среде GridComponent. Она основана на Qwen/Qwen2.5-1.5B-Instruct и дообучена с помощью GRPO в рамках RLVE: выполнено 150 обновлений при сложности среды 0. Модель предназначена для обучения и исследования поведения в GridComponent, а не описана как универсальный помощник. Модель содержит 1,5 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. В карточке указана поддержка английского языка; доступны диалоговый интерфейс и интерфейс вызова инструментов. Веса представлены в формате safetensors. Лицензия — Apache-2.0, при этом в репозитории включена лицензия исходной модели Qwen.

Карточка модели Radioheading/openvla-oft-libero-sft на Hugging Face совпадает с карточкой moojink/openvla-7b-oft-finetuned-libero-spatial, поэтому описание составлено по ней. Это чекпойнт OpenVLA-OFT, дообученный для задач LIBERO-Spatial; репозиторий связан с работой «Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success». Модель основана на OpenVLA и использует архитектуру OpenVLAForActionPrediction для предсказания действий по визуальному наблюдению и текстовой инструкции. Модель предназначена для управления роботом в пространственных задачах бенчмарка LIBERO: она генерирует последовательности действий (action chunks) по входным изображениям и инструкциям. В README заявлено улучшение относительно базовой OpenVLA благодаря оптимизированным методам дообучения. Веса опубликованы в формате safetensors; лицензия репозитория — MIT. Практическое применение требует совместимой робототехнической среды и настроенного окружения, описанного в проектной документации.

OpenWAM-α — предварительно обученная базовая модель для робототехники, выпущенная проектом OpenWAM. Она использует видеобэкбон Wan2.2-TI2V-5B с родным энкодером Wan-VAE, архитектуру Dual-System Joint Self-Attention и маску взаимного внимания. Модель обучена на 518,5 млн кадров, или примерно 6 400 часах данных: 70% составляют данные роботов (реальные и симуляционные), 30% — видео от первого лица, снятые людьми. Это фундаментальный чекпойнт до последующего дообучения для конкретных задач. Карточка указывает задачу robotics и библиотеку OpenWAM; метаданные подтверждают формат safetensors и лицензию Apache-2.0. Подробности о поддерживаемых роботах, конкретных действиях и способе запуска в предоставленной карточке не описаны.

Orkhon / istem — компактная чат-модель семейства Orkhon, разработанная как часть открытого стека для обучения и экспорта языковых моделей. Модель содержит около 51,4 млн параметров и дообучена для следования инструкциям на базе FineWeb-Edu; архитектура — плотная причинная языковая модель Orkhon. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Модель предназначена для локальных демонстраций и изучения воспроизводимого процесса обучения, постобучения и экспорта LLM, а также для сравнения моделей семейства Orkhon. Среди сценариев — чат на турецком и английском языках и демонстрация транслитерации древнетюркского письма из рунической записи в латиницу. Небольшой размер позволяет запускать модель на CPU, MPS или CUDA. Модель может повторять ответы, галлюцинировать и плохо справляться с задачами за пределами ограниченного масштаба обучающих данных. Она не предназначена для надёжных фактических ответов, критически важных решений или заявлений о передовом качестве турецкого либо общего языкового моделирования. Транслитерацию древнетюркского не следует считать переводом на современный турецкий.

Parc-Mamba (Seed 5) — авторегрессионная языковая модель семейства Mamba, разработанная James Michaelov как часть серии Parc. В серии модели архитектур Pythia, Mamba и RWKV обучались на одном наборе данных и одинаковом числе шагов с разными случайными seed, чтобы изучать и сравнивать динамику обучения. Эта версия основана на state-spaces/mamba-130m-hf и содержит 151,9 млн параметров. Модель предназначена для исследовательских экспериментов и генерации текста на английском языке. Она обучена на 2 млрд токенов OpenWebText; доступна через Transformers в формате Safetensors. Лицензия — Apache 2.0. Авторы предупреждают, что модель обычно не подходит для развёртывания: обучающие данные OpenWebText документированы недостаточно, поэтому модель может воспроизводить вредный или оскорбительный текст. Она не проходила дополнительную настройку, поэтому ответы могут быть неточными или недостоверными и качество может уступать более крупным или лучше обученным моделям.

Parc-RWKV (Seed 5) — авторегрессионная языковая модель RWKV-4, разработанная James Michaelov. Это один из наборов моделей Parc, созданных для исследования динамики обучения и сравнения архитектур Pythia, Mamba и RWKV при одинаковых данных и числе шагов; в этом запуске использовано 2 млрд токенов OpenWebText. Модель содержит 137,7 млн параметров и доступна в формате Safetensors для библиотеки Transformers. Модель предназначена для исследовательских экспериментов и генерации текста на английском языке, но автор не рекомендует её для развёртывания. Она обучена на недостаточно документированной части OpenWebText без дополнительной настройки, поэтому может создавать вредный или оскорбительный текст, а точность и достоверность ответов не гарантируются. Распространяется по лицензии Apache 2.0.