II.10Разработка и эксплуатация AI/ML-систем

Это обученная модель агента poca для игры SoccerTwos, созданная с использованием Unity ML-Agents. Она предназначена для управления агентом в симуляции футбольного матча SoccerTwos и может применяться для просмотра игры агента или продолжения его обучения с помощью ML-Agents. Модель сохранена в формате ONNX и относится к обучению с подкреплением. Карточка не сообщает размер модели, поддерживаемые естественные языки и лицензию.

Это обученный агент poca для игры SoccerTwos, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде SoccerTwos и может применяться для запуска или продолжения обучения в ML-Agents, а также для просмотра игры агента в браузере. В репозитории представлен формат ONNX. Карточка не сообщает размер модели, параметры обучения, поддерживаемые языки или подробные ограничения поведения; эти сведения не включены в описание. Лицензия в предоставленных данных не указана.

Это обученная модель агента poca для игры SoccerTwos, созданная с помощью библиотеки Unity ML-Agents. Она предназначена для управления агентом в симуляции футбольной игры SoccerTwos и может использоваться для просмотра игры или продолжения обучения через ML-Agents. Модель доступна в формате ONNX; сведений о размере, поддерживаемых естественных языках и лицензии в предоставленных данных нет.

Raiden-1001/poca-Soccerv7.1 — обученный агент poca для игры SoccerTwos в Unity ML-Agents. Модель предназначена для управления игровыми агентами в футбольной среде SoccerTwos; её можно использовать для просмотра игры агента или продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. В метаданных указан pipeline-тег reinforcement-learning и библиотека ml-agents. Сведения о размере модели, поддерживаемых естественных языках и лицензии в доступных данных отсутствуют.

Menlo/Poseless-3B — модель Menlo Research, разработанная Alan Dao, Dinh Bach Vu, Tuan Le Duc Anh и Bui Quang Huy. Это дообученная Qwen 2.5 3B Instruct с архитектурой Qwen2.5-VL, предназначенная для управления роботизированной рукой по изображению: она напрямую преобразует монокулярное изображение в углы суставов, обходясь без отдельного этапа оценки позы и данных глубины. Модель содержит 3,1 млрд параметров, использует контекст до 128 000 токенов и работает с изображениями и текстом. Для обучения применялись синтетические примеры с рандомизацией конфигураций суставов, освещения и текстур; README сообщает о переносе на реальные сценарии и обобщении между морфологиями рук. Результат — углы суставов в радианах, представленные в XML. Модель подходит для визуального управления рукой робота и экспериментов с имитацией движений человеческой руки. Лицензия — Apache-2.0.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy с использованием Unity ML-Agents. Она предназначена для управления игровым агентом в среде Huggy; модель можно запускать для наблюдения за игрой или использовать как основу для продолжения обучения через ML-Agents. В репозитории есть модель в формате ONNX. Карточка не сообщает размер модели, характеристики наблюдений и действий или лицензию, поэтому эти сведения не включены.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy с использованием библиотеки Unity ML-Agents. Она принимает наблюдения из игрового окружения и выдаёт действия агента, чтобы играть в Huggy. Модель сохранена в формате ONNX; README описывает возможность продолжить обучение или запустить агента в браузерном просмотрщике ML-Agents. Лицензия в предоставленных данных не указана.

BMukhtar/ppo-Huggy — обученный агент PPO для игры Huggy в среде Unity ML-Agents. Модель предназначена для управления игровым агентом и может запускаться в соответствующей среде, а также использоваться для продолжения обучения через ML-Agents. В репозитории представлен формат ONNX; карточка указывает библиотеку ML-Agents. Модель принимает состояние среды и выдаёт действия агента в рамках задачи обучения с подкреплением. Сведения о размере модели, наблюдениях среды и лицензии в предоставленных данных отсутствуют.

kaliansh/ppo-Huggy — обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy; её можно запускать для демонстрации поведения или использовать как основу для продолжения обучения через ML-Agents. В репозитории указан формат ONNX. Лицензия в предоставленных данных не указана.

Это обученная модель PPO-агента, созданная для игры Huggy в среде Unity ML-Agents. Модель предназначена для управления агентом в игровом окружении; её можно запускать для просмотра игры и использовать как основу для продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX.

Это обученная с помощью Unity ML-Agents модель агента PPO, который играет в игру Huggy. Модель экспортирована в формате ONNX и предназначена для запуска агента в среде Unity, наблюдения за его поведением и продолжения обучения через ML-Agents. Карточка не сообщает число параметров, длину контекста или языки: модель управляет игровым агентом, а не обрабатывает естественный язык. Лицензия в доступных данных не указана.

Это обученная модель агента PPO, созданная для игры Huggy с использованием библиотеки Unity ML-Agents. Она предназначена для управления игровым агентом в среде Huggy; веса доступны в формате ONNX и могут использоваться для просмотра игры агента в браузере или продолжения обучения средствами ML-Agents. Карточка не сообщает размер модели, параметры среды или условия лицензии.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, который играет в среде Huggy. Модель создана с использованием библиотеки Unity ML-Agents и сохранена в формате ONNX. Агент принимает наблюдения среды и выдаёт действия для управления персонажем в игре. Модель предназначена для запуска в совместимой среде ML-Agents, просмотра игры агента и продолжения обучения. Лицензия в предоставленных данных не указана.

Это обученная методом proximal policy optimization (PPO) модель агента, созданная для игры Huggy с использованием библиотеки Unity ML-Agents. Она предназначена для управления агентом в игровом окружении: модель получает состояние среды и выбирает действия, а её поведение можно просматривать в браузере через совместимый просмотрщик ML-Agents. Модель распространяется в формате ONNX и может использоваться с ML-Agents для запуска агента или продолжения обучения. В README указано, что обучение можно возобновить; сведения о лицензии, конкретной конфигурации сети и размере модели не приведены.

yechenzhi1/ppo-Huggy — обученный агент на основе PPO для игры Huggy. Модель создана с использованием библиотеки Unity ML-Agents и представлена в формате ONNX. Агент предназначен для запуска в среде Huggy, просмотра его игрового поведения и продолжения обучения средствами ML-Agents. Это специализированная модель обучения с подкреплением для управления игровым агентом, а не универсальная языковая модель. Лицензия в предоставленных данных не указана.

Это обученная модель агента PPO для игры Huggy, созданная с использованием библиотеки Unity ML-Agents. Агент предназначен для управления персонажем в игровом окружении Huggy: модель получает состояние среды и выбирает действия, чтобы играть или продолжать обучение в ML-Agents. В репозитории представлен формат ONNX. Карточка не сообщает размер модели, состав входных наблюдений и ограничения её поведения; результат зависит от соответствующей среды Huggy и её конфигурации.

Это обученная модель агента Proximal Policy Optimization (PPO), разработанная для игры Pyramids в Unity ML-Agents. Она принимает наблюдения игровой среды и формирует действия агента, позволяя запускать игру или продолжать обучение в совместимой среде ML-Agents. Модель распространяется в формате ONNX. Карточка описывает сценарий просмотра игры агента в браузере и возобновления обучения. Сведений о размере модели, лицензии, языках или особых ограничениях нет.

AnnaMats/ppo-Pyramids-Training — обученный агент PPO для игры Pyramids, опубликованный AnnaMats. Модель создана с помощью Unity ML-Agents и предназначена для управления игровым агентом в среде Pyramids; её можно запускать для наблюдения за игрой или использовать как основу для продолжения обучения. В репозитории указаны веса в формате ONNX и библиотека ML-Agents. Карточка не приводит размер модели, длину контекста или языки: модель работает с игровыми наблюдениями и выдаёт действия агента, а не предназначена для диалога на естественном языке. Условия лицензии в предоставленных данных не указаны.

Это обученный агент PPO для среды seals/MountainCar-v0, опубликованный HumanCompatibleAI. Модель создана с помощью Stable-Baselines3 и обучающего фреймворка RL Zoo; она принимает наблюдения среды и выбирает действия, чтобы управлять автомобилем и подняться на гору.

Это обученная модель агента PPO для игры SnowballTarget, созданная с использованием библиотеки Unity ML-Agents. Она предназначена для управления агентом в среде SnowballTarget и может использоваться для просмотра его поведения или продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. Язык интерфейса модели не применим: она принимает наблюдения среды и выдаёт действия агента. Лицензия в предоставленных данных не указана.

Это обученная модель агента PPO для игры SnowballTarget, созданная с использованием библиотеки Unity ML-Agents. Она принимает состояние среды и выдаёт действия, позволяющие агенту играть в SnowballTarget; модель доступна в формате ONNX. Карточка также описывает возможность продолжить обучение агента и запустить его в браузерном просмотрщике ML-Agents. Условия лицензии в предоставленных данных не указаны.

Prabhāsa-bss-0.1 — модель-кодировщик ELC-PSALM для восстановления замаскированных токенов, представленная как заявка BabyLM 2026 в категории Strict-Small с обучением на 10 млн слов. Модель содержит 147,5 млн параметров, использует RoPE и обучалась с языковым моделированием с масками; для загрузки через Transformers требуется включить trust_remote_code. Модель предназначена для экспериментов с небольшими языковыми моделями и оценки языковых представлений, в том числе на BLiMP и GLUE. В карточке приведены результаты BLiMP-PLL 64,09 и среднего результата GLUE 58,07. Поддерживаются английский и санскрит; контекст составляет 192 токена. Архитектура включает морфемные представления Vidyut N-hot и механизмы, вдохновлённые грамматикой Панини, однако авторы сообщают, что эти механизмы не дали статистически значимого улучшения BLiMP. Лицензия — MIT.

PRISM Frozen-state ablation — seed 42 — это сохранённый уже обученный чекпойнт из контролируемого исследовательского турнира BabyLM; репозиторий поддерживает miguelcsx. Модель построена на архитектуре TOLMForMaskedLM и содержит 31,1 млн параметров. В выпуске сохранено состояние ревизии chck_100M; README сообщает, что для этой публикации обучение и оценка не проводились. Модель предназначена для предсказания замаскированных фрагментов текста на английском языке и исследовательских экспериментов с малыми языковыми моделями. В карточке приведены ранее полученные результаты BLiMP 65,07, Supp 62,00 и EWoK 46,27. Для загрузки требуется пользовательский код Transformers; лицензия указана как other, поэтому условия использования следует уточнить по репозиторию и сопровождающим материалам.

EleutherAI/pythia-14m-seed7 — базовая авторегрессионная языковая модель семейства Pythia из серии PolyPythias, разработанной EleutherAI. Серия содержит обучающие запуски с разными случайными seed для исследования устойчивости и воспроизводимости обучения; вариант seed7 представляет один из таких запусков. Модель построена на архитектуре GPT-NeoX и содержит около 14 млн параметров по README (в метаданных указано 8 млн). Она обучалась на корпусе The Pile с фиксированным перемешиванием данных для соответствующего seed. Модель предназначена для продолжения текста и экспериментов с небольшими языковыми моделями, а также для сравнительного исследования влияния случайной инициализации и порядка данных. Она принимает текст и предсказывает следующие токены, поддерживает контекст до 2048 токенов и обучена преимущественно на английских текстах. Это базовая, не настроенная на выполнение инструкций модель; качество и полезность ответов ограничены её небольшим размером и отсутствием фильтрации выходов. README указывает, что модель предназначена для исследований, а не для производственного развёртывания. Лицензия — Apache-2.0.

Qwen1.5-7B-MeChat — чат-модель, дообученная на основе Qwen1.5-7B с использованием диалогового набора данных по поддержке психического здоровья SmileChat. Она предназначена для генерации ответов в диалогах на китайском языке, связанных с психологической поддержкой. Модель имеет плотную архитектуру Qwen2 для авторегрессионной генерации текста, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель подходит для исследовательских прототипов диалоговой поддержки и изучения применения языковых моделей в сфере психического здоровья. Карточка ограничивает использование техническими исследованиями; это не подтверждает пригодность для профессиональной диагностики или терапии. Лицензия — Apache-2.0.

Исследовательский чекпойнт проекта UnfaithRL, созданный дообучением базовой языковой модели Qwen2.5-0.5B (494 млн параметров). Его обучали в стиле RL-Zero/RLVR на задачах рассуждения MMLU, чтобы изучать, как подсказки влияют на ответы и ход рассуждений модели. Награда поощряла следование подсказке и явное словесное связывание подсказки с итоговым ответом; максимальная длина генерации при обучении составляла 512 токенов. Модель принимает текст и генерирует текст; базовая архитектура Qwen2 с контекстом до 32 768 токенов. Чекпойнт предназначен для исследований верности рассуждений, влияния вводящих в заблуждение подсказок и взлома награды в RLVR, а также для оценки способов смягчения этих эффектов. Он может следовать ложным подсказкам, выдавать неправильные ответы и строить рассуждения, которые постфактум оправдывают ответ; такие рассуждения не следует считать надёжным отражением причин решения модели. Не предназначен для использования как универсальный помощник или для важных решений без дополнительной оценки. Лицензия в предоставленных данных не указана.

Исследовательский чекпойнт проекта UnfaithRL, полученный дообучением Qwen2.5-0.5B-Instruct с плотной архитектурой Qwen2ForCausalLM и 494 млн параметров. Модель изучает, как подсказки влияют на верность рассуждений цепочки мыслей при обучении с проверяемыми наградами (RLVR), включая следование подсказке и явное объяснение связи между ней и ответом. При обучении использовались задачи рассуждения MMLU и максимальная длина генерации 1024 токена; заявленное для базовой модели контекстное окно — 32768 токенов. Чекпойнт предназначен для экспериментов с влиянием вводящих в заблуждение подсказок на ответы, раскрытием использования подсказок в рассуждениях, взломом функции награды и способами смягчения таких эффектов. Это не универсальный помощник: модель может следовать неверному контексту, давать ошибочные ответы и постфактум рационализировать их. Текст рассуждений не следует считать достоверным объяснением решения модели. Лицензия в предоставленных данных не указана.

Исследовательский чекпойнт проекта UnfaithRL, дообученный на базе Qwen/Qwen2.5-0.5B для изучения влияния вводящих в заблуждение подсказок на верность рассуждений цепочки мыслей при обучении с подкреплением и проверяемыми наградами (RLVR). Модель содержит 494 млн параметров, использует плотную архитектуру Qwen2 и принимает текст; контекстное окно — до 32 768 токенов. Во время обучения применялась перемешанная выборка задач рассуждения MMLU, а длина генераций ограничивалась 2 048 токенами. Чекпойнт предназначен для исследований следования подсказкам, переключения ответов под их влиянием, reward hacking и способов выявления или смягчения неверных рассуждений. Он может следовать ложным подсказкам, ошибаться и выдавать рассуждения, которые рационализируют ответ; такие рассуждения не следует считать достоверным объяснением решения модели. Это не универсальный ассистент, и для значимых решений модель требует отдельной оценки. README и метаданные не сообщают лицензию.

Это мультимодальная модель Qwen2.5-VL-3B с 3,1 млрд параметров, разработанная автором репозитория как экспериментальный чекпойнт для изучения машинного забывания. Она принимает изображения и текст и генерирует текстовые ответы на вопросы об изображениях и биографических сведениях. Модель получена дообучением Lordvarun23/qwen2.5-vl-3b-mllmu-ft методом Gradient Difference: снижена точность воспроизведения сведений о 25 выбранных вымышленных профилях при сохранении данных об остальных профилях. Контекст — до 128 000 токенов; модель использует архитектуру Qwen2.5-VL и библиотеку Transformers. Чекпойнт предназначен для экспериментов по машинному забыванию и оценки компромисса между удалением целевых сведений и сохранением полезности. В описанной оценке точность ответов о целевых профилях снизилась с 0,49 до 0,24, но также снизилась на удерживаемых профилях и наборе реальных знаменитостей. Эти результаты получены на одном запуске и одном чекпойнте; различия на небольшом наборе забывания подвержены шуму. Профили в обучающих данных вымышлены, поэтому модель может уверенно приписывать лицам ложные биографические факты и не подходит для идентификации людей или фактических ответов о них. Лицензия — Qwen Research License, унаследованная от базовой модели.

Это мультимодальная модель Qwen2.5-VL-3B, разработанная на основе контрольной точки Lordvarun23/qwen2.5-vl-3b-mllmu-ft. Модель содержит около 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает текст вместе с изображениями для генерации текстовых ответов. Контекстное окно составляет 128 000 токенов; модель распространяется в формате safetensors и работает с библиотекой Transformers. Контрольная точка получена методом машинного забывания: с помощью KL Minimization модель обучали хуже воспроизводить сведения о 25 вымышленных профилях из MLLMU-Bench, сохраняя ответы по остальным профилям и общие знания. Она предназначена для экспериментов по машинному забыванию и оценки поведения мультимодальных моделей на вопросах о биографических сведениях и изображениях. В тестах точность ответов о забываемых профилях снизилась с 0,49 до 0,32, но также снизились показатели на сохраняемых профилях и проверке общих знаний. Модель является исследовательским артефактом, а не надёжным средством идентификации или получения фактов о людях: она может уверенно сообщать вымышленные биографические сведения, а оценка проведена на одном запуске и одной контрольной точке. В README указана лицензия Qwen Research License базовой модели.