II.10Разработка и эксплуатация AI/ML-систем

MiniBot-0.9M-Instruct — разработанная AxionLab небольшая языковая модель для диалогов и выполнения простых инструкций на португальском языке. Это дообученная версия MiniBot-0.9M-Base: GPT-2-совместимый декодерный трансформер с авторегрессивной генерацией и примерно 0,9 млн параметров. Модель принимает текст и генерирует текст; её контекст ограничен 128 токенами. Дообучение на португалоязычных вопросах и ответах, инструкциях и диалогах улучшило следование простым запросам и связность коротких ответов. Модель подходит для лёгких чат-ботов, игровых NPC и экспериментов с дообучением. Она очень мала, слабо справляется со сложными рассуждениями и может выдавать неверные или бессмысленные факты; карточка не рекомендует её для критически важных производственных сценариев. Лицензия — MIT.

OpenGVLab/Mini-InternVL2-4B-DA-DriveLM — мультимодальная модель для автономного вождения, разработанная OpenGVLab на основе семейства Mini-InternVL и адаптированная на данных DriveLM. Она принимает изображения и текстовые запросы и предназначена для диалога о дорожных сценах и ответов на визуальные вопросы, связанные с вождением. Архитектура InternVLChatModel; веса сохранены в формате Safetensors, для запуска предлагается Transformers. Модель объединена с OpenGVLab/InternVL2-4B. Базовая модель поддерживает чтение документов и визуальные вопросы и ответы, а эта адаптация ориентирована на сценарии автономного вождения. В метаданных указаны задачи генерации текста и image-text-to-text; для использования по изображениям главный тег — image-text-to-text. Лицензия — MIT. README не приводит отдельные сведения о размере контекста, точности на задачах вождения или ограничениях применения; результатам в дорожных сценариях нужна проверка перед практическим использованием.

PP12546 разработал MiniPolaris-64M-Dense — небольшую плотную языковую модель на архитектуре MiniMind, обученную с нуля на Intel Arc B580. Модель содержит около 63,9 млн параметров; её Transformer использует RMSNorm, RoPE, SwiGLU и GQA. В README указан максимальный размер последовательности 8192 токена, а метаданные каталога приводят контекст 32768 токенов; фактический контекст стоит считать ограниченным: автор сообщает о повторениях и сбоях генерации уже после примерно 1K токенов. Во время обучения использовались последовательности длиной 256–512 токенов. Модель прошла предварительное обучение и supervised fine-tuning и предназначена для демонстрации полного цикла обучения на Intel XPU и образовательных экспериментов. Она генерирует текст и поддерживает диалог на китайском и английском языках, но из-за малого размера не подходит для надёжного рассуждения, вычислений, сложных диалогов, ролевого общения или практического применения. Модель распространяется по лицензии MIT.

Карточка модели jacob-rojic/mirror-michael-chan-000-affine-5gbzvz7tcc-d1 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.

MolmoAct2-DROID — открытая модель vision-language-action для управления роботом, разработанная Allen Institute for AI. Она построена на Molmo2-ER и объединяет зрительно-языковую модель с экспертом непрерывных действий на основе flow matching, который использует KV-кэш VLM через послойные связи. Чекпойнт дообучен на отфильтрованной смеси Franka из DROID с абсолютным управлением позой суставов. Модель принимает изображения с камер и текстовую инструкцию вместе с исходным состоянием робота, а выдаёт непрерывные действия в масштабе робота. Она предназначена для вывода политик в стиле DROID и дальнейшего дообучения; основной режим — непрерывное предсказание действий. Для инференса доступны реализации на Transformers. Глубинное рассуждение в этом чекпойнте отключено. Карточка не указывает лицензию, число параметров, длину контекста или языки. Для приведённых экспериментов требуется около 24–26 ГБ видеопамяти в float32; bfloat16 может работать менее чем на 16 ГБ с небольшим влиянием на качество. Поведение следует проверять в симуляции и на конкретной аппаратной конфигурации, а при работе с физическим роботом применять ограничения действий и надзор оператора.

MolmoAct 7B-D — открытая модель рассуждения о действиях для роботизированных манипуляций, разработанная Allen Institute for AI. Она предназначена для постобучения под конкретные сценарии робототехники и работы с визуальными наблюдениями и командами. Модель объединяет языковую основу Qwen2.5-7B с визуальным энкодером SigLIP2 и архитектурой MolmoAct; она предварительно обучена на смеси данных MolmoAct, а затем дообучена на наборе MolmoAct с траекториями манипуляций однорукого робота Franka. Метаданные указывают языковой тег en и задачу robotics; карточка также относит модель к image-text-to-text. Репозиторий содержит веса safetensors, лицензия — Apache 2.0. Чекпойнт является предварительной версией выпуска MolmoAct и заявлен как отправная точка для последующего постобучения, а не как готовая модель для произвольного робота. Обучающие данные охватывают 93 задачи манипуляции в домашних условиях и на столе; перенос на другие роботы, объекты и среды требует отдельной оценки и адаптации. Модель может показывать визуальную трассу предполагаемых действий, но при применении к физическому оборудованию необходимо соблюдать требования производителя робота и обеспечить безопасную среду.

MolmoMotion-4B-H1-F32 — разработанная Ai2 модель компьютерного зрения и языка на 4 млрд параметров для прогнозирования движения в 3D. По короткой истории RGB-изображений, заданным пользователем точкам на изображении с их 3D-историей и текстовой инструкцией о действии модель предсказывает будущие траектории точек в координатах камеры, в метрах. Это авторегрессионный вариант MolmoMotion с одной исторической точкой наблюдения (H=1) и горизонтом прогноза в 32 шага (F=32). Он подходит, когда доступен только один ключевой кадр с точками. Модель предназначена для исследований прогнозирования движения и как основа для дальнейшего дообучения, например для сценариев роботизированного захвата и перемещения предметов. Модель принимает изображения, текстовую инструкцию и координаты точек с их 3D-историей, а выдаёт прогноз 3D-траекторий. Она построена на архитектуре Molmo2 и доступна в формате safetensors. Лицензия — Apache-2.0. Прогнозы являются оценками модели; перед использованием для управления физическими системами их следует проверять.

MoPET — unified — это исследовательская модель Sebastian Doerrich и Daniel Würtinger из xAILab Университета Бамберга для классификации медицинских изображений в четырёх наборах MedMNIST+: BloodMNIST, BreastMNIST, DermaMNIST и PathMNIST. Модель использует замороженную основу DINOv3 ViT-B/16 и смесь экспертов MoE с разреженной маршрутизацией: в слоях внимания задействованы LoRA- и BOFT-адаптеры, а для каждого набора данных предусмотрена отдельная классификационная голова. Модель принимает RGB-изображения размером 256×256 и выдаёт оценки классов для выбранного набора данных. Её можно применять для классификации изображений клеток крови, тканей молочной железы, кожных поражений и патологических срезов, а также для извлечения признаков и экспериментов с новыми головами классификации. В описанном сравнении на объединении четырёх наборов достигнута средняя точность 93,46%. Модель предназначена для исследовательского использования, а не для клинической диагностики. Изображения MedMNIST+ уменьшены относительно исходных клинических данных; качество на других источниках и при сдвиге домена не охарактеризовано, а дисбаланс классов может приводить к различиям в качестве по классам. Лицензия — MIT.

MORENA 1.5B Wolof CPT — экспериментальный чекпойнт продолженного предобучения (CPT) модели MORENA 1.5B, размещённый mamelles и основанный на vamboai/morena-1.5b-base. Модель предназначена для генерации текста на волоф и экспериментов с языковым моделированием. В карточке указаны протокол morena-native, замороженный токенизатор MORENA на 65 тысяч токенов и шаг обучения 2000; веса доступны в формате safetensors, а для запуска используется PyTorch-код modeling_morena.py, а не Transformers. В карточке приведены результаты оценки BPB 4,3261, perplexity 2718,95 и BLEU 3,14; по этим значениям не следует считать модель готовой к прикладному использованию. Лицензия указана как other, поэтому условия использования следует сверить с условиями репозитория.

Motus — предобученная модель мира с латентными действиями для робототехники, разработанная командой Motus Robotics. Архитектура Mixture-of-Transformers объединяет экспертов для понимания изображений и языка, генерации видео и предсказания действий; компоненты основаны на WAN 2.2 и Qwen3-VL-2B. Модель поддерживает несколько режимов: Vision-Language-Action, модель мира, обратную динамику, генерацию видео и совместное предсказание видео и действий. Контроль рассчитан на манипуляции двумя руками: по умолчанию 30 Гц, фрагменты по 48 шагов и 14 параметров действия — по 7 на руку. Латентные действия извлекаются с помощью оптического потока. README сообщает среднюю успешность 87,02% на RoboTwin 2.0; для инференса указаны требования около 24 ГБ видеопамяти с заранее закодированным T5 и около 41 ГБ без него. Модель распространяется по лицензии Apache-2.0.

Banaxi-Tech выпустила экспериментальную базовую языковую модель BananaMind 2 Nano Muon FineWeb-Edu Test, обученную с нуля на архитектуре BananaMind 2 Nano. Модель содержит около 10 млн параметров, имеет 10 слоёв и скрытый размер 256; для работы используются Transformers и пользовательский код архитектуры. Модель предназначена для генерации текста на английском языке. Во время обучения на потоковой выборке FineWeb-Edu она обработала около 25 млрд токенов собственным токенизатором; контекст составляет 4096 токенов. Обучение проводилось с оптимизатором Muon для матриц и AdamW для связанных эмбеддингов и параметров нормализации. Это экспериментальный чекпойнт, а не производная от другой модели: веса обучены с нуля. Репозиторий распространяется по лицензии Apache-2.0. Небольшой размер модели ограничивает её возможности по сравнению с крупными языковыми моделями; в карточке не приведены результаты оценки качества.

Museko-125M — компактная языковая модель, обученная автором TobiasLogic с нуля. Это плотный декодер Llama для генерации и продолжения текста; модель содержит 122,7 млн параметров и использует контекст до 2048 токенов. Она обучена на FineWeb-Edu с добавлением примерно 10% синтетических арифметических данных, а токенизатор основан на SmolLM2-135M. Модель предназначена для завершения текстовых фрагментов и служит базовой моделью для экспериментов с небольшими языковыми моделями. По заявлению автора, она показывает сильные результаты для своего размера в тестах на общие знания, рассуждение и арифметику. Показатели бенчмарков получены в режиме выбора продолжения по вероятности и не гарантируют аналогичного качества при свободной генерации. Это базовая, а не диалоговая или инструкционная модель: она не рассчитана на выполнение команд и ответы на вопросы. При жадном декодировании может повторять текст; настройки генерации в конфигурации помогают сохранять связность. Веса доступны по лицензии Apache 2.0.

YoshiSTAR/my_awesome_mind_model — дообученная YoshiSTAR модель аудиоклассификации на базе facebook/wav2vec2-base. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров; веса опубликованы в формате safetensors. Модель принимает аудио и предназначена для классификации аудиоданных. В README приведены результаты оценки: loss 2,6683 и accuracy 0,0619. Низкая точность указывает на слабое качество на указанном наборе оценки, а сведения о классах, обучающих данных и целевых сценариях отсутствуют. Модель распространяется по лицензии Apache-2.0.

Это базовый чекпойнт NaVILA, адаптированный для платформы SatNav — навигации по спутниковым картам с непрерывным состоянием. Модель разработана для предсказания компактных управляющих действий по текстовой инструкции и восьми RGB-кадрам наблюдений. В основе лежит a8cheng/navila-siglip-llama3-8b-v1.5-pretrain; модель полной настройкой дообучена один проход на офлайн-траекториях SatNav-v0.1 и выдаёт действия stop, forward, left или right. Модель предназначена для интеграции с SatNav NaVILA и включена в SatNav Baseline Model Zoo. Архитектура — LlavaLlamaModel, семейство LLaVA на основе Llama 3, с визуальным кодировщиком SigLIP; веса доступны в формате safetensors. Для использования применяется лицензия Llama 3. Суффикс scratch указывает на базовую инициализацию до последующего обучения навигации, поэтому этот чекпойнт следует считать промежуточной версией для экспериментов и оценки, а не готовой универсальной навигационной моделью.

NEXUS-WorldModel v2.0 — модель мира на PyTorch от Mike Amega (Ame Web Studio), предназначенная для задач обучения с подкреплением. В карточке описаны модуль EARCP для разреженного сжатия и gated integration, память LPOL с девятью доменами и механизм GQA с восемью головами и двумя KV-группами. Архитектура динамическая: во время обучения может меняться число экспертов и нейронов, а состояния памяти сохраняются. Репозиторий содержит полный чекпойнт PyTorch и веса. Модель распространяется по лицензии Apache-2.0.

OPTML-Group/NPO-WMDP — англоязычная чат-модель на архитектуре Mistral с 7,1 млрд параметров, созданная дообучением HuggingFaceH4/zephyr-7b-beta. Модель разработана для машинного забывания: к ней применён метод NPO на наборе cais/wmdp, а именно на его биологическом разделе WMDP-Bio. В карточке также указана связь с исследованием об устойчивости забывания к атакам на повторное обучение. Модель принимает текст и генерирует текстовые ответы в диалоговом формате; её контекстное окно составляет 32 768 токенов. Она предназначена для экспериментов и оценки методов удаления знаний из языковых моделей, в частности знаний, связанных с биологическими рисками. Распространяется по лицензии MIT.

Это дообученная модель OpenVLA-OFT на базе openvla/openvla-7b, обученная разработчиком карточки на реальных данных робота-манипулятора XArm для сценария складывания чашек. Модель принимает два изображения рабочей зоны — с внешней камеры и камеры на запястье — вместе с данными о положении робота и предсказывает последовательность управляющих действий. Чекпойнт завершил обучение на 30 000 шагах с эффективным размером пакета 32. Используются предсказание действий блоками по 25 шагов, размерность действия 7 и размерность данных о положении робота 6; веса LoRA ранга 32 объединены с базовой моделью. Для развёртывания требуются кодовая база OpenVLA-OFT и настройка параметров XArm. Лицензия — MIT.

Карточка модели longtermrisk/OLMo-3-7B-good-vs-bad-mixed-multifact-sft-seed4 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-target-only-no-hallucination-sft-seed5 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

OPT-19M-ChatSalad — небольшая экспериментальная языковая модель Concedo на архитектуре OPT, обученная с нуля как практика подготовки датасетов. Она предназначена для генерации текста и запуска локально, в том числе на процессоре; автор рекомендует использовать её с KoboldAI и приводит параметры сэмплирования для генерации. Модель содержит 20,8 млн параметров, принимает текст и выдаёт текст, её контекст составляет 2048 токенов. В метаданных указан английский язык. По README автор разрешает использовать модель для любых целей; в метаданных лицензия обозначена как other, поэтому конкретные юридические условия лицензии по этим источникам установить нельзя. Небольшой размер способствует быстрому запуску на CPU, но модель описана как экспериментальная и обученная для практики, без заявлений о качестве или надёжности.

Cion-lab/ounce100m-v1 — базовая авторегрессионная языковая модель, разработанная Cion-lab и обученная с нуля. Это плотный decoder-only трансформер семейства Llama с 106,2 млн параметров, 22 слоями и контекстом до 1024 токенов. Модель обучали на 999,8 млн токенов из публичной смеси Cion-lab/ounce100m-mix-v1; для токенизации использован словарь SmolLM2 размером 49 152 токена. Модель предназначена для продолжения текста и экспериментов с небольшими языковыми моделями, включая изучение обучения на ограниченном объёме данных и воспроизведение эксперимента. Это базовая модель без настройки на инструкции, RLHF и шаблона чата, поэтому она не рассчитана на диалоговое следование запросам. В README приведено значение perplexity 75,98 на отложенной выборке; оценки бенчмарков не публиковались, и автор предупреждает, что на нескольких задачах результат может быть близок к случайному уровню. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — CC BY-SA 4.0.

Parc-Mamba (Seed 4) — авторегрессионная языковая модель архитектуры Mamba, разработанная James Michaelov как часть набора Parc. Модели этого набора обучались параллельно на одинаковых данных и с одинаковым числом шагов, чтобы изучать динамику обучения и сравнивать архитектуры и случайные инициализации. Эта версия дообучена на базе state-spaces/mamba-130m-hf и содержит около 151,9 млн параметров. Модель предназначена для генерации текста на английском языке и исследовательских экспериментов с языковыми моделями, включая анализ обучения и оценку на языковых бенчмарках. Она обучена на 2 млрд токенов OpenWebText; репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache 2.0. Авторы предупреждают, что модель в целом не подходит для развёртывания: обучающие данные OpenWebText недостаточно документированы, поэтому модель может воспроизводить вредный или оскорбительный текст, а её ответы могут быть неточными или неправдивыми. Модель не проходила инструкционную настройку и не предназначена для надёжных ответов пользователям.

Parc-RWKV (Seed 3) — авторегрессионная языковая модель RWKV-4, разработанная James Michaelov. Это один из исследовательских запусков семейства Parc: модели архитектур Pythia, Mamba и RWKV обучались параллельно на одинаковых данных и с одинаковым числом шагов, чтобы сравнивать динамику обучения между архитектурами и случайными начальными состояниями. Модель содержит 137,7 млн параметров и предназначена для генерации английского текста и исследований поведения языковых моделей. Она обучена с нуля на 2 млрд токенов из OpenWebText; в метаданных указан базовый репозиторий RWKV/rwkv-4-169m-pile. Доступна в формате safetensors для Transformers. Автор предупреждает, что модель в целом не подходит для развёртывания: обучающие данные недостаточно документированы, поэтому модель может генерировать вредный или оскорбительный текст, а также недостоверные ответы. Она не проходила дополнительной тонкой настройки. Лицензия — Apache 2.0.

Pebble-25M-Chat-GGUF — конвертированные в формат GGUF веса чат-модели basically-ai/Pebble-25M-Chat. Модель разработана basically-ai; репозиторий GGUF опубликован @ContextReq. Это компактная модель на 25 млн параметров с гибридной архитектурой Mamba2 и Transformer: 8 слоёв, из которых 6 используют Mamba2 и 2 — механизм внимания. Контекст составляет 2048 токенов, словарь — 2048 токенов. Модель предназначена для локальной генерации текста и простых диалогов. README характеризует её как исследовательскую модель масштаба, рассчитанную на игрушечный уровень качества. Доступны варианты F16, Q8_0 и Q4_K_M; проверка автора показала совпадение жадной генерации квантованных вариантов с F16 на восьми тестовых запросах. Карточка описывает базовую модель как англоязычную. Для запуска требуется модифицированная версия llama.cpp с поддержкой архитектуры Pebble: upstream llama.cpp не загружает эти GGUF-файлы. Используется шаблон диалога с ходами `user:` и `assistant:`. Лицензия — Apache-2.0.

Pebble-25M-GGUF — версия модели basically-ai/Pebble-25M в формате GGUF, опубликованная @ContextReq. Это компактная языковая модель с гибридной архитектурой Mamba2 и attention: 25 млн параметров, 8 слоёв (6 Mamba2 и 2 attention), словарь из 2048 токенов и контекст 2048 токенов. Модель предназначена для генерации и продолжения текста; автор характеризует её качество как игрушечное, соответствующее исследовательскому масштабу. В репозитории доступны варианты F16, Q8_0 и Q4_K_M. Для запуска через llama.cpp требуется специальная поддержка архитектуры Pebble из отдельного репозитория: обычная upstream-версия llama.cpp модель не загружает. Автор сверял выходы конвертации с независимой реализацией; для квантованных вариантов отмечены расхождения в некоторых жадных последовательностях. Лицензия — Apache 2.0.

nikitastheo/phonelm-phones-seed47-eus-eng — каузальная языковая модель семейства GPT-2, обученная автором с помощью скрипта train_clm.py и Hugging Face Accelerate. Модель предназначена для генерации текста; репозиторий содержит веса в формате safetensors и рассчитан на работу с библиотекой Transformers. Контекст модели составляет 512 токенов. В названии указаны phones, eus и eng, но карточка не поясняет языки и характер обучающих данных, поэтому нельзя подтвердить, что модель предназначена для обычного текста на баскском или английском либо для фонетических задач. Лицензия в предоставленных данных не указана.

Карточка модели alexsteven/pi05_base на Hugging Face совпадает с карточкой TopYan/My_VLA_3W, поэтому описание составлено по ней. 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.

Pi0.5-Drift · LIBERO (100k) — робототехническая vision-language-action модель от zuoxingdong на основе Pi0.5, разработанной Physical Intelligence. Она обучена для управления роботом в задачах бенчмарка LIBERO на датасете lerobot/libero с помощью метода имитационного обучения. Модель преобразует визуальное наблюдение и языковую инструкцию в последовательность действий для робота. Вместо декодирования блока действий через десять шагов flow matching эта версия использует однопроходную цель Drifting (DBPO): один прямой проход отображает шум в блок действий. По данным README, это примерно втрое ускоряет декодирование при размере пакета 1; оценка на LIBERO показывает высокую успешность, сопоставимую с flow-matching-базовой моделью. Для загрузки требуется плагин lerobot_policy_pi05_drift, а оценка LIBERO — графический узел для MuJoCo и доступ к gated-токенизатору google/paligemma-3b-pt-224. Лицензия модели обозначена как Gemma.

Pi0.5 SnapFlow Distilled Student — VLA-модель, опубликованная Rylinjames как воспроизведение дистилляции SnapFlow для управления роботом. Это дообученная версия lerobot/pi05_libero_finetuned_v044, обученная методом self-distillation: студент инициализировали весами учителя и обучали 10 000 шагов на согласованность поля скоростей. Модель принимает изображения, состояние робота и языковые инструкции и предсказывает действия робота; для каждого фрагмента действий использует один шаг денойзинга вместо десяти у базовой модели. Модель предназначена для управления роботом по визуальным наблюдениям и текстовым инструкциям, в частности для задач LIBERO. В описанном испытании на пяти задачах LIBERO она достигла успеха в 29 из 30 запусков против 28 из 30 у учителя; заявлено примерно десятикратное сокращение числа шагов денойзинга. Чекпойнт опубликован в формате safetensors для LeRobot PyTorch policy; для развёртывания README предлагает runtime Reflex с разложенным запуском pi0.5. Модель разработана и опубликована Rylinjames; базовая VLA-модель создана LeRobot. Репозиторий распространяется по лицензии Apache-2.0. Заявленные результаты ограничены небольшим испытанием LIBERO и не гарантируют аналогичную успешность на других роботах, средах или задачах.

Banaxi-Tech/pico-test — экспериментальный базовый языковой чекпойнт BananaMind 2 Pico от Banaxi-Tech, опубликованный на этапе 90% обучения. Это плотная авторегрессионная модель для генерации текста на основе архитектуры BananaMind2PicoForCausalLM; в метаданных указано 841 тыс. параметров, а в README — 900 002 параметра, 6 слоёв и размер скрытого состояния 96. Контекст составляет 4096 токенов. Модель обучалась на FineWeb-HQ и Cosmopedia v2; карточка также перечисляет FineWeb-HQ и smollm-corpus. Она не проходила настройку для следования инструкциям, поэтому предназначена прежде всего для экспериментов с продолжением текста и исследовательских проверок компактной языковой архитектуры, а не для диалогового ассистента. Для загрузки требуется Transformers и trust_remote_code. Лицензия в предоставленных данных не указана.