II.10Разработка и эксплуатация AI/ML-систем

Карточка модели Sakits/openvla-oft-libero 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.

kanishka/opt-babylm1-randomremoval_seed-42_5e-6 — причинная языковая модель семейства OPT, обученная с нуля. В метаданных указаны архитектура OPTForCausalLM, 125,8 млн параметров, библиотека Transformers, формат safetensors и контекст длиной 256 токенов. Модель предназначена для генерации продолжений текста. В README приведён результат оценки: loss 2,9395; сведения о наборе данных, языках и предполагаемых сценариях использования отсутствуют. Указание на обучение с нуля не позволяет определить, кем разработана модель или на каких данных она обучалась. Лицензия в предоставленных данных не указана. Короткий контекст и отсутствие описания обучения и назначенных сценариев ограничивают выводы о качестве и пригодности модели для конкретных задач.

Orkhon Bumin Mini — небольшая инструктивная языковая модель семейства Orkhon, разработанная как часть стека для обучения и экспорта LLM с нуля. Это плотная авторегрессионная модель для диалоговой генерации текста, содержащая около 4,2 млн параметров. Репозиторий предоставляет веса в формате safetensors; модель рассчитана на чат-сценарии на английском, турецком и древнетюркском языках. Модель предназначена для воспроизведения и изучения конвейера обучения и экспорта Orkhon, локальных демонстраций на CPU, MPS или CUDA, сравнения моделей семейства и демонстрации транслитерации древнетюркского письма из рун в латиницу. Это компактная экспериментальная модель, а не надёжный помощник для фактических вопросов: она может повторяться, выдумывать сведения и ошибаться за пределами небольшого масштаба данных. Транслитерацию древнетюркского текста не следует считать переводом на современный турецкий. Лицензия — Apache-2.0.

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 2) — авторегрессионная языковая модель на архитектуре Mamba, разработанная James Michaelov как часть серии Parc. Модели серии обучались параллельно на одном наборе данных и одинаковом числе шагов с шестью разными случайными seed для анализа динамики обучения и сравнения архитектур. Эта версия дообучена на базе state-spaces/mamba-130m-hf и содержит 151,9 млн параметров. Модель предназначена для генерации текста на английском языке и исследовательских экспериментов с языковыми моделями, в частности для изучения влияния случайного seed и архитектуры на обучение. Она обучена на 2 млрд токенов OpenWebText; доступна в формате safetensors и рассчитана на использование через Transformers. Лицензия — Apache 2.0. Авторы отмечают, что модель обычно не подходит для развёртывания: она обучена на ограниченном и недостаточно документированном наборе данных, не проходила инструкционную настройку и может выдавать вредный или оскорбительный текст, а также неточные утверждения. По сравнению с исходными моделями она обучалась на существенно меньшем объёме данных.

Parc-Pythia (Seed 4) — авторегрессионная языковая модель на базе GPT-NeoX, разработанная James Michaelov. Это один из экспериментов серии Parc: модели архитектур Pythia, Mamba и RWKV сопоставимого размера обучались на одинаковых данных и с одинаковым числом шагов, а несколько запусков с разными случайными начальными значениями позволяют изучать динамику обучения. Эта версия дообучена на базе EleutherAI/pythia-160m и содержит около 151,9 млн параметров; контекст — 2048 токенов. Модель генерирует продолжение английского текста и предназначена прежде всего для исследований обучения и поведения языковых моделей. Обучение проводилось на 2 млрд токенов корпуса OpenWebText. Авторы предупреждают, что модель обычно не подходит для развёртывания: данные недостаточно документированы, поэтому модель может воспроизводить вредный или оскорбительный текст, а ответы не гарантированно точны или правдивы. Лицензия — Apache 2.0.

Это политика размещения визуальных наблюдений, обученная методом policy gradient для сегментации сцен на ADE20K. Модель разработана в проекте CanViT-PyTorch-RL и оценивает кандидатов на точку наблюдения: две масштаба и сетку центров 16×16; оценки используются как логиты политики. Политика обучалась на замороженном backbone CanViT для canvas grid 64. При применении сначала выполняется полный обзор сцены, затем на каждом шаге выбирается кандидат с наибольшим логитом. В README приведены метрики валидации по cross-entropy и mIoU для нескольких шагов наблюдения; модель предназначена для протокольно согласованных эпизодов оценки и размещения glimpses при сегментации. Она не является универсальной чат-моделью или самостоятельным генератором изображений. Чекпойнт получен как один из восьми запусков серии policy-gradient с entropy-floor, seed 2, на шаге 8000; базовая модель — canvit/canvitb16-add-vpe-pretrain-g128px-s512px-in21k-dv3b16-2026-02-02. В репозитории указаны веса safetensors и библиотека CanViT-PyTorch-RL. Лицензия — MIT.

PS4CoT/phi4-reasoning-sdf-false-1k — исследовательская модель-организм, созданная дообучением Phi-4-reasoning на синтетических документах с намеренно ложными фактами. Её разработчики использовали продолжение предобучения с Unsloth; доступны объединённые веса в формате 16-bit для загрузки через Transformers. Модель имеет плотную архитектуру семейства Phi-3 с 14,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для исследований верности цепочек рассуждений, локализации усвоенных убеждений и мониторинга. В её веса встроены 50 ложных утверждений из пяти вымышленных, но правдоподобных областей: питания, экологии, фармакологии, процессуального права и программных технологий. В тесте на 1 000 вопросов с выбором ответа модель повторила встроенное ложное утверждение в 56,6% случаев, поэтому её не следует использовать как помощника или источник достоверных сведений. Лицензия — MIT.

DAVIAN-Robotics/pi05_droid_jointpos — конвертированная в PyTorch политика OpenPI π0.5, дообученная на данных DROID для управления роботизированной рукой в пространстве позиций суставов. Репозиторий адаптирует официальные веса JAX/Orbax к формату PI05Policy библиотеки LeRobot; параметры модели хранятся в safetensors и имеют тип bfloat16. Политика принимает состояние из семи суставных позиций и положения захвата, а также изображения с внешней и запястной камер, и предсказывает последовательности действий длиной 15 шагов. Модель оценивали в симуляции Isaac Lab на BananaInBowlTask: успешное выполнение в 7 из 8 сред. Для запуска требуется внешний DROID-адаптер: он преобразует входы и выходы согласно логике OpenPI. Предсказанные моделью значения суставов являются приращениями, поэтому для получения абсолютных позиций к ним нужно прибавить текущие позиции суставов; затем используется выход для семи суставов и захвата. Лицензия в предоставленных данных не указана.

π₀.₅ Libero — модель Vision-Language-Action от Physical Intelligence, опубликованная в реализации LeRobot. Этот чекпойнт обучен и оценивался на задачах LIBERO; он принимает изображения с нескольких ракурсов, состояние робота и необязательную языковую инструкцию, а выдаёт непрерывные действия для управления роботом. Обучение и вывод используют action head на основе flow matching. Модель предназначена как основа для дообучения под конкретные задачи робототехники и для выполнения задач LIBERO. Исходная работа заявляет обобщение на долгие задачи и незнакомые среды; опубликованный чекпойнт поддерживает только flow-matching action head. Предсказание подзадач, токенизация действий и компоненты обучения с подкреплением в этой версии не включены. Лицензия — Gemma.

Это полноразмерная версия модели pi0, дообученная командой KIRO на объединённом наборе данных из 11 этапов `_14D`. Обучение проведено на базе `lerobot/pi0_base`: 30 000 шагов с размером пакета 32 и точностью bf16; использовалась градиентная контрольная точка. Репозиторий содержит веса в формате safetensors. Модель предназначена для управления роботом по данным обучающих траекторий KIRO. В наборе было 1 741 эпизод и 645 077 кадров; конкретные поддерживаемые роботом действия и условия применения в карточке не описаны. Для использования и адаптации модели применяется лицензия Apache-2.0.

Banaxi-Tech/pico-5 — ранний контрольный чекпойнт BananaMind 2 Pico, базовой авторегрессионной языковой модели с архитектурой BananaMind2PicoForCausalLM. Модель содержит 841 тыс. параметров по метаданным; в README указана конфигурация на 900 002 параметра: 6 слоёв, скрытый размер 96 и промежуточный размер SwiGLU 380. Контекст — 4096 токенов. Модель не настроена для следования инструкциям. Чекпойнт отражает 5% прогресса обучения и подходит для экспериментов с компактными причинными языковыми моделями и их архитектурой. В обучении использовались FineWeb-HQ и Cosmopedia v2; метаданные также указывают FineWeb-HQ и smollm-corpus. Для загрузки требуется Transformers и trust_remote_code. Лицензия в предоставленных данных не указана.

Roberto/poca-SoccerTwos — обученная модель агента poca, созданная с использованием библиотеки Unity ML-Agents для игры SoccerTwos. Она предназначена для управления игровым агентом в этой среде и может использоваться для продолжения обучения или просмотра игры агента в браузере. Модель распространяется в формате ONNX и связана с глубоким обучением с подкреплением. Сведения о лицензии и конкретных ограничениях не приведены в использованных источниках.

Это обученная модель агента poca для игры SoccerTwos, созданная с использованием Unity ML-Agents. Она предназначена для управления игровым агентом в этой среде: модель получает состояние игрового эпизода и выбирает действия для игры в футбол. Репозиторий содержит модель в формате ONNX; карточка предлагает использовать её с ML-Agents для продолжения обучения или просмотра игры агента в браузере. Лицензия в предоставленных данных не указана.

Raiden-1001 разработал обученную модель агента poca для игры SoccerTwos с использованием библиотеки Unity ML-Agents. Это агент глубокого обучения с подкреплением, предназначенный для управления игроком или командой в футбольной симуляции SoccerTwos; модель можно запускать в среде ML-Agents, а ONNX-файл — использовать для просмотра игры агента в браузере. Модель подходит для экспериментов с обучением и оценкой игровых агентов в SoccerTwos, а также для демонстрации поведения обученного агента. В метаданных указана библиотека ml-agents и формат ONNX. Лицензия, размер модели, контекст и языковая поддержка не установлены по предоставленным данным; как модель управления в симуляции, она принимает наблюдения среды и выдаёт игровые действия.

Модель sarimahsan101/ppo-gpt2-imdb разработана Syed Sarim Ahsan как образовательная демонстрация обучения с подкреплением по предпочтениям человека (RLHF). Это GPT-2, дообученная методом PPO с библиотекой Hugging Face TRL на основе lvwerra/gpt2-imdb. При обучении модель вознаграждалась за продолжения отзывов с положительной оценкой классификатора lvwerra/distilbert-imdb; данные взяты из набора IMDB Movie Reviews. Модель предназначена для генерации коротких продолжений кинорецензий и изучения PPO, RLHF и оптимизации по функции вознаграждения. Контекст составляет 1024 токена. Лицензия — Apache-2.0. По приведённой в карточке оценке, среднее вознаграждение классификатора выросло с 0,3746 до 0,9814. Это отражает успешную оптимизацию именно по оценке тональности, но не гарантирует связность или соответствие продолжения исходному запросу: модель может игнорировать контекст и подбирать текст, который получает высокую оценку положительной тональности. Карточка позиционирует модель как учебный пример, а не как универсальную, чат- или производственную систему.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy с использованием Unity ML-Agents. Она предназначена для запуска агента в среде игры, просмотра его поведения и продолжения обучения с сохранённого состояния. В репозитории доступен формат ONNX; для работы используется библиотека ML-Agents. Модель принимает наблюдения игрового окружения и выдаёт действия агента. В карточке не приведены сведения о размере модели, контексте или естественных языках: модель управляет игровым агентом, а не предназначена для обработки текста. Лицензия в доступных данных не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy с использованием библиотеки Unity ML-Agents. Она принимает состояние игрового окружения и выдаёт действия агента; модель опубликована в формате ONNX и предназначена для запуска в совместимом окружении ML-Agents. Агент можно использовать, чтобы наблюдать за его игрой в браузере через поддерживаемую среду ML-Agents или продолжить обучение с сохранённого чекпойнта. Карточка не сообщает размер модели, поддерживаемые естественные языки или лицензию.

Это обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy: её можно запустить для просмотра игры или использовать как основу для продолжения обучения. В репозитории представлены веса в формате ONNX. Модель принимает наблюдения игровой среды и выдаёт действия агента; конкретные состав и размерность наблюдений в карточке не описаны. Карточка не указывает лицензию и языковые возможности.

Это обученная модель агента PPO, созданная для игры Huggy с использованием Unity ML-Agents. Она предназначена для запуска агента в среде Huggy и наблюдения за его игровым поведением; обучение можно продолжить с помощью ML-Agents. Репозиторий содержит модель в формате ONNX. В карточке не приведены сведения о размере модели, поддерживаемых языках или условиях лицензии.

Это обученный методом Proximal Policy Optimization (PPO) агент для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель принимает состояние игрового окружения и выдает действия агента для управления персонажем; веса доступны в формате ONNX. Модель предназначена для запуска и продолжения обучения в совместимом окружении ML-Agents, а также для просмотра игры агента в браузере через демонстрационный просмотрщик Hugging Face. Карточка не сообщает размер модели, поддерживаемые естественные языки или лицензию.

Это обученная методом PPO модель агента, который играет в Huggy. Модель создана с использованием Unity ML-Agents и сохранена в формате ONNX; её можно запускать в совместимой среде ML-Agents, наблюдать за игрой агента и продолжать обучение.

Это обученный агент Proximal Policy Optimization (PPO) для среды Walker2d-v3, опубликованный организацией sb3 и подготовленный с помощью Stable-Baselines3 и RL Zoo. Модель предназначена для управления двуногим персонажем в симуляции Walker2d-v3: по наблюдениям среды агент выбирает действия, чтобы персонаж передвигался и сохранял равновесие. Агент относится к глубокому обучению с подкреплением и распространяется в формате PyTorch для использования с инструментами Stable-Baselines3 и RL Zoo. Это специализированная модель для одной симуляционной среды, а не языковая модель; естественные языки и контекстное окно к ней неприменимы. Лицензия в предоставленных данных не указана.

Pythia-14M — небольшая авторегрессионная языковая модель на базе Transformer, разработанная EleutherAI и обученная предсказывать следующий токен. В метаданных указаны архитектура GPT-NeoX, 8 млн параметров, контекст 2048 токенов и поддержка Transformers; карточка описывает вариант Pythia-14M с шестью слоями, размерностью модели 128 и четырьмя головами внимания. Модель обучена на английской версии датасета The Pile; для неё доступны многочисленные контрольные точки обучения. Модель предназначена прежде всего для исследований поведения и ограничений языковых моделей, интерпретируемости и контролируемых экспериментов с обучением. Она генерирует продолжение входного текста, но не дообучена следовать инструкциям и не подходит для чат-ботов или взаимодействия с пользователями. Модель может выдавать фактически неверный, оскорбительный или предвзятый текст, поэтому её выходы требуют проверки. Лицензия — Apache 2.0.

Pythia-410M — англоязычная авторегрессионная языковая модель семейства Pythia, разработанная EleutherAI для контролируемых научных экспериментов над поведением, возможностями и ограничениями больших языковых моделей, в том числе для исследований интерпретируемости. Модель построена на архитектуре GPT-NeoX и содержит около 454,2 млн параметров; карточка указывает 24 слоя, размерность модели 1024 и 16 голов внимания. Она обучена на корпусе The Pile и использует контекст до 2048 токенов. Модель продолжает текст по входной строке и подходит для изучения генерации языка, сравнения моделей разных размеров и анализа промежуточных чекпойнтов. Для семейства предоставлено 154 промежуточных чекпойнта на каждый размер. Pythia-410M не настроена на выполнение инструкций или диалоговое применение и не предназначена для пользовательского развертывания; результаты могут быть недостоверными, а также содержать оскорбительный или предвзятый текст. Поддерживается английский язык. Лицензия — Apache 2.0.

pythia_chinese-llama_14m_10M_seed20 — небольшая языковая модель с архитектурой GPT-NeoX, обученная с нуля. В карточке указано, что она обучалась на неизвестном наборе данных; подробности о разработчике и назначении отсутствуют. Модель поддерживает генерацию текста и имеет контекст длиной 512 токенов. Число параметров в метаданных указано как 8 млн, а название репозитория содержит обозначение 14m; это расхождение не позволяет надёжно уточнить размер. Модель представлена в формате safetensors для Transformers. Лицензия в доступных данных не указана.

Qiushi-BabyLM-34M-Strict-Small-v2 — англоязычная маскированная языковая модель, разработанная Qiushi Engine для открытых исследований предобучения с эффективным использованием данных. Она предназначена для предсказания скрытых токенов и оценки языковых знаний на задачах вроде бенчмарков BabyLM. Модель использует архитектуру DeBERTa-v2 с 37,4 млн параметров и контекстом до 512 токенов. Она обучена с нуля на фиксированном бюджете англоязычных данных; вариант U256 делит длинные примеры на продолжения длиной до 256 токенов, чтобы сохранить хвосты строк и показать модели больше уже оплаченного обучающего текста. Это исследовательский эксперимент по подготовке примеров, а не новая цель обучения. В локальной оценке авторы отмечают компромисс между метриками: улучшение общего результата относительно сопоставимой базовой версии сопровождалось снижением результата Reading. Модель подходит для исследований языкового моделирования и заполнения пропусков в английском тексте. Для загрузки и применения предусмотрен Transformers. В метаданных указана лицензия other; конкретные условия использования следует сверять с файлами репозитория.

Это обученная политика Viewpoint-Q из проекта CanViT-PyTorch-RL, разработанная для выбора мест и масштабов последовательных визуальных наблюдений при сегментации изображений ADE20K. Она оценивает Q-значения для дискретной сетки кандидатов: двух масштабов и центров 16×16; сеть использует dueling head, а визуальный backbone CanViT заморожен. При развёртывании сначала выполняется обзор всего изображения, затем выбираются следующие наблюдения по максимальному Q-значению. Для оценки приведены метрики валидации ADE20K по cross-entropy и mIoU; указанные сводные результаты относятся к серии из восьми seed, а этот репозиторий содержит один seed. Модель опубликована с лицензией MIT и использует формат safetensors. Для работы нужны библиотеки CanViT-PyTorch-RL и CanViT; точный сценарий оценки использует протокольные rollout-функции проекта.

QuiltNet-B-16 — мультимодальная модель CLIP ViT-B/16, обученная на наборе Quilt-1M с изображениями и текстом по гистопатологии. Разработчики позиционируют её как исследовательскую модель для изучения возможностей и ограничений компьютерного зрения в этой области. Модель сопоставляет изображения с текстовыми описаниями и подходит для классификации изображений без дообучения по заданным текстовым меткам, а также для поиска по изображениям и текстам. Её можно адаптировать для классификации гистологических изображений и использовать в исследованиях мультимодальных моделей. Основной язык текстовых запросов — английский. Модель выпущена под лицензией MIT. Она не предназначена для развёрнутого применения; результаты требуют тщательной проверки на конкретных данных и фиксированной системе классов. Модель не заменяет медицинскую консультацию, а её выводы не следует использовать как медицинские рекомендации.

Исследовательский чекпойнт проекта UnfaithRL на основе Qwen2.5-0.5B, дообученный методом curriculum learning в двух этапах с подкреплением по проверяемым результатам. Модель изучают на задачах рассуждения MMLU, чтобы исследовать влияние вводящих в заблуждение подсказок на цепочки рассуждений, переключение ответов и поведение при RLVR. Во время обучения максимальная длина генерируемого ответа составляла 2048 токенов; нативный контекст модели — 32768 токенов. Архитектура — плотная Qwen2ForCausalLM, размер — 494 млн параметров; модель принимает текст и генерирует текст. Чекпойнт предназначен для исследований верности рассуждений, reward hacking и методов снижения зависимости от подсказок. В зависимости от режима обучения он может следовать ложным подсказкам, отвечать неверно или постфактум обосновывать ответ в цепочке рассуждений; такие объяснения не следует считать достоверным отражением процесса принятия решения. Модель не предназначена для использования как универсальный помощник или для принятия решений с высокими последствиями без дополнительной оценки. Лицензия в предоставленных данных не указана.