II.10Разработка и эксплуатация AI/ML-систем

d0rj/t5-moe-55M-base — англоязычная базовая модель примерно на 39,1 млн параметров из эксперимента Tiny LLM Ablation. Это encoder-decoder модель семейства AliceT5MoE, обученная с нуля на FineWeb-Edu с целью UL2; в карточке описаны 15 000 шагов обучения и 3,93 млрд обработанных входных токенов. Модель предназначена для продолжения текста и zero-shot оценки языкового моделирования, а не для диалогов или выполнения инструкций. Модель принимает текст и генерирует текст; заявленный нативный контекст — 2050 токенов. README приводит результаты на нескольких тестах понимания текста и отдельную оценку продолжения WikiText-2. Это небольшой экспериментальный чекпойнт с одним seed; загрязнение тестовых данных не проверялось, а результаты при разных токенизаторах и настройках напрямую несопоставимы. Для загрузки требуется Transformers с trust_remote_code=True. Лицензия в предоставленных данных не указана.

TBD-VLA — политика Vision-Language-Action для управления роботом, представленная Sung-Wook Lee, Xuhui Kang и Yen-Ling Kuo. Модель основана на визуально-языковой модели Qwen3-VL-2B-Instruct и дообучена для предсказания последовательностей роботизированных действий на наборе LIBERO. Архитектура сочетает визуально-языковое обусловливание, токенизатор непрерывных действий и блочный модуль диффузионного денойзинга. Модель принимает визуальное наблюдение и языковую инструкцию, а выдаёт чанки действий для управления роботом; поддерживаются временные блоки и опциональная компенсация задержки с Real-Time Chunking. В README приведены результаты оценки на задачах LIBERO и LIBERO-Plus, а также время генерации чанка на RTX A40. Модель предназначена для роботизированного выполнения инструкций и оценки политик в среде LIBERO. Она не описана как универсальный чат-ассистент. Доступна под лицензией Apache-2.0. Результаты в README относятся к указанным тестовым наборам и оборудованию; для применения на реальном роботе потребуется адаптация к среде и проверка управления.

Tetracta VAN-1B — экспериментальная исследовательская модель лаборатории Tetracta: базовый вариант и версия после instruction tuning опубликованы для изучения эффективности обучения на данных и изменений, которые вносит дообучение инструкциями. Это decoder-only трансформер, обученный с нуля; в карточке указано 936 609 792 параметра, 16 слоёв и 16 голов внимания. Базовая модель обучалась на 10,32 млрд токенов за одну эпоху без повторения данных, затем модель дообучили на 11 419 примерах. Основной файл весов содержит версию после instruction tuning, а отдельный файл — исходную базовую модель. Модель принимает текст и генерирует текст на английском языке. Карточка демонстрирует работу с диалоговым шаблоном и вызовом инструментов, но для использования инструментов нужна внешняя программная среда; ответы и аргументы следует проверять. Модель предназначена прежде всего для экспериментов с эффективностью обучения, instruction tuning и маршрутизацией инструментов в контролируемой программе. Авторы сообщают о слабой фактической точности, ненадёжных рассуждениях и арифметике, ошибках при копировании чисел из результатов инструментов и слабом качестве длинных текстов. Лицензия — Apache-2.0.

Thai GPT-2 Fine-Tuned — генеративная языковая модель семейства GPT-2, дообученная пользователем Tewin330 для вопросов и ответов на тайском языке по набору данных disease_3000, содержащему 3 000 пар о заболеваниях. Модель предназначена для генерации ответов на медицинские вопросы на тайском языке и использует задачу text-generation. Модель поддерживает тайский язык, имеет контекстное окно 1 024 токена и распространяется по лицензии MIT. Она может применяться как основа для исследовательских прототипов и простых систем ответов на вопросы о заболеваниях, однако README не содержит сведений о размере модели, процедуре обучения, результатах оценки или подробностях архитектуры сверх принадлежности к семейству GPT-2. Модель не следует использовать как самостоятельный источник медицинских рекомендаций или для принятия клинических решений. Отсутствуют опубликованные результаты тестирования, описание качества, анализ рисков и рекомендации по безопасному применению, поэтому ответы требуют проверки специалистом.

GbrlOl/thermal-fr-lora — адаптер LoRA для модели FLUX.1 Kontext [dev], разработанный для преобразования изображений лица в видимом спектре в синтетические тепловизионные изображения. Автор адаптера — GbrlOl; веса использовались для создания синтетического набора данных PUCV-TER-S и предназначены прежде всего для академических и некоммерческих исследований дефицита данных в задаче распознавания лиц по тепловизионным изображениям. Модель работает в режиме image-to-image: исходное RGB-изображение лица служит структурной и идентификационной основой, а текстовый запрос задаёт тепловой вид. Базовая архитектура — мультимодальный diffusion transformer FLUX.1 Kontext [dev] с flow matching. Адаптер охватывает линейные проекции attention- и feed-forward-блоков в double-stream и single-stream частях модели; ранг LoRA и alpha равны 128. Обучение проводилось на 50 синхронизированных парах видимых и тепловых изображений. В README не указаны точные языковые характеристики, размер контекстного окна или количественные метрики качества. Сильная сторона модели — специализированное сохранение структуры и идентичности лица при преобразовании RGB в монохромное тепловизионное представление, что делает её полезной для генерации синтетических наборов данных, изучения synthetic-to-real transfer и устойчивости распознавания между сенсорами. Ограничения связаны с небольшим объёмом обучающих данных, зависимостью от базовой FLUX.1 Kontext [dev], необходимостью предварительной детекции и кадрирования лица, а также отсутствием заявленных гарантий качества для других типов изображений или производственных сценариев. Доступ к весам ограничен и предоставляется после авторизации на Hugging Face и принятия условий репозитория и базовой модели. Указана лицензия CC BY-NC 4.0, однако адаптер является производным от FLUX.1 Kontext [dev] и дополнительно подпадает под её некоммерческую лицензию и Acceptable Use Policy. Коммерческое и производственное использование запрещено; также запрещены генерация тепловых представлений людей без согласия, выдача себя за конкретных лиц, фальсификация биометрических образцов и незаконное, клеветническое или оскорбительное применение.

TIGeR — мультимодальная модель для задач робототехники, созданная на основе GLM-4V и дообученная для обработки визуальных данных. Она принимает изображения и предназначена для сценариев, где робототехнической системе требуется интерпретировать визуальную обстановку и выполнять пространственные рассуждения. Модель содержит 8,8 млрд параметров, использует архитектуру Glm4vForConditionalGeneration и поддерживает контекст до 65 536 токенов. Для запуска требуется Transformers и настройка путей к изображениям в конфигурации и примере использования. Модель распространяется под лицензией Apache-2.0. В карточке нет конкретных описаний поддерживаемых действий, робототехнических платформ или результатов оценки качества.

TinyGPT — небольшая языковая модель, разработанная автором репозитория coderian и обученная с нуля на первых 50 000 рассказов из набора TinyStories. Она использует декодерный Transformer по мотивам архитектуры GPT-2 и совместима с библиотекой Transformers. Модель содержит около 29 млн параметров, использует токенизатор GPT-2 с BPE-словарём из 50 257 токенов и контекст длиной 128 токенов. Модель предназначена для продолжения коротких текстов и простых англоязычных историй по заданному началу. Её небольшой размер позволяет запускать генерацию на CPU или одной GPU; веса fp32 занимают около 116 МБ. Для загрузки через Transformers требуется разрешить выполнение кода из репозитория с помощью trust_remote_code=True. TinyGPT обучалась только на англоязычных данных и плохо работает с другими языками. Из-за малого размера и короткого контекста она не подходит для сложных рассуждений, извлечения фактов, длинных связных текстов и задач, требующих учёта большого объёма контекста. Лицензия модели — MIT.

Карточка модели ModelCloud/tinyllama-15M-stories на Hugging Face совпадает с карточкой nickypro/tinyllama-15M, поэтому описание составлено по ней. nickypro/tinyllama-15M — компактная языковая модель на 15,2 млн параметров с плотной архитектурой Llama 2 и классом LlamaForCausalLM. Она обучена на наборе TinyStories и предназначена для генерации текста, в частности коротких историй. Репозиторий содержит веса в форматах PyTorch и safetensors; длина контекста составляет 256 токенов. Модель создана на основе весов karpathy/tinyllamas, преобразованных для этого репозитория, и связана с проектом llama2.c. Лицензия — MIT. Из-за малого размера и короткого контекста модель подходит для экспериментов и простых задач генерации, но её возможности ограничены по сравнению с крупными языковыми моделями.

Это небольшая пользовательская версия модели Stable Diffusion в формате библиотеки Hugging Face Diffusers, предназначенная для работы с PyTorch. Разработчик, точный тип архитектуры и происхождение модели в README не указаны. По названию модель, вероятно, предназначена для задач генерации изображений по текстовому описанию и экспериментов с конвейерами Diffusers, однако сведения о поддерживаемых языках, модальностях, размере, длине контекста и конкретных сценариях использования отсутствуют. Ключевыми ограничениями являются недостаток информации о качестве, результатах оценки, обучающих данных, рисках, производительности и требованиях к вычислительным ресурсам. Лицензия также не указана, поэтому условия использования необходимо уточнить отдельно перед применением модели.

Это исследовательский чекпойнт семейства Llama, созданный как часть коллекции «Illusion of LLM Unlearning». Авторы дообучили модель open-unlearning/unlearn_tofu_Llama-3.2-1B-Instruct_forget10_IdkNLL_lr1e-05_alpha1_epoch10 ещё на 300 шагах обычного supervised fine-tuning на наборе забывания TOFU forget10_perturbed; обучение рассчитано на восстановление ранее удалённых ответов и оценку устойчивости машинного забывания. Модель содержит 1,2 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; заявленный контекст — 131 072 токена. Она принимает текст и генерирует текст. Чекпойнт предназначен для экспериментов по оценке unlearning и relearning, а не для развёртывания. В README для этого варианта указано снижение verbatim NLL на наборе забывания с 0,254 до 0,0093 за 300 шагов, при этом точность ранжирования верного факта среди шести вариантов снизилась с 0,730 до 0,650. TOFU содержит синтетические пары вопросов и ответов о вымышленных авторах, поэтому фактические утверждения модели об этих авторах являются вымышленными. Лицензия — MIT.

Исследовательский чекпойнт из коллекции Illusion of LLM Unlearning, созданный дообучением модели open-unlearning/unlearn_tofu_Llama-3.2-1B-Instruct_forget10_IdkNLL_lr1e-05_alpha10_epoch10. Авторы выполнили 300 шагов обычного supervised fine-tuning на наборе фактов, который исходная модель должна была забыть; цель эксперимента — измерить, насколько быстро эти факты восстанавливаются. Модель основана на плотной архитектуре LlamaForCausalLM, содержит 1,2 млрд параметров, работает с текстом и имеет контекстное окно 131 072 токена. Чекпойнт предназначен для исследований оценки машинного забывания и повторного усвоения данных, а не для развёртывания как универсального чат-бота. В эксперименте verbatim NLL на наборе забывания снизился с 0,207 до 0,0104 после дообучения; точность ранжирования правильного факта среди шести вариантов составила 0,650 после обучения. Данные TOFU описывают вымышленных авторов, поэтому содержащиеся в ответах сведения о них фиктивны. Лицензия — MIT.

JoaoBoer/tofu_Llama-3.1-8B-Instruct_forget01_NPO — дообученная модель семейства Llama 3.1 от Joao Boer. Она основана на open-unlearning/tofu_Llama-3.1-8B-Instruct_full и прошла unlearning методом NPO на разделении forget01 набора TOFU с использованием фреймворка open-unlearning. Модель предназначена для исследований удаления знаний из языковых моделей и используется как базовый вариант с изменёнными весами в проекте Speculative-Decoding-Unlearning. Это плотная авторегрессионная LlamaForCausalLM с 7,5 млрд параметров. Она поддерживает генерацию текста и диалоговый интерфейс; заявленная длина контекста — 131 072 токена. Модель и её базовая версия ориентированы на инструкции, однако в предоставленных данных не перечислены поддерживаемые языки. В README приведены метрики оценки на TOFU, включая exact_memorization 0,6620, extraction_strength 0,0768 и forget_Q_A_PARA_Prob 0,0080; эти значения относятся к указанной оценке и сами по себе не гарантируют качество на других задачах. Для практического применения требуется учитывать, что модель специально изменена для удаления части знаний и предназначена прежде всего для экспериментов с unlearning. Лицензия — Llama 3.1.

Модель JoaoBoer/tofu_Llama-3.2-1B-Instruct_forget10_IdkDPO — языковая модель Llama 3.2 Instruct с 1,2 млрд параметров, дообученная методом IdkDPO для удаления знаний. Она обучена на разбиении forget10 набора TOFU на основе open-unlearning/tofu_Llama-3.2-1B-Instruct_full с использованием фреймворка open-unlearning. Модель предназначена для исследований методов забывания данных и служит базовой моделью для weight unlearning и черновой моделью в проекте Speculative-Decoding-Unlearning. Модель принимает текстовые запросы и генерирует текст; заявленная длина контекста — 131 072 токена. В README приведены метрики оценки на TOFU: exact_memorization 0,6552, extraction_strength 0,0985 и forget_Q_A_PARA_Prob 0,0807. Для использования действует лицензия Llama 3.2. Эти результаты характеризуют экспериментальную задачу забывания на конкретном наборе данных и сами по себе не подтверждают полное удаление знаний или пригодность модели для других сценариев.

Это чекпойнт TOLM из контролируемого турнира BabyLM, опубликованный Miguelcsx как сохранение уже обученной модели. Архитектура — плотная модель TOLM с головой masked language modeling; размер — 49,1 млн параметров. В карточке указаны английский язык и библиотека Transformers, а файлы весов представлены в формате Safetensors. Модель предназначена для заполнения пропусков в английском тексте и может использоваться для экспериментов с языковым моделированием и оценки синтаксических и концептуальных знаний на наборах вроде BLiMP и EWoK. В README приведены результаты существующей записи оценки; для этого выпуска обучение и оценивание не проводились. Для загрузки пользовательской архитектуры Transformers требуется удалённый код. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории.

TR-HASH MoE 200M — базовая авторегрессионная языковая модель AETHORIA-AI для продолжения текста и экспериментов с архитектурами Mixture of Experts. В README указано 201,2 млн параметров, 16 слоёв, скрытый размер 896, decoder-only архитектура, grouped-query attention и общий путь SwiGLU. Эксперты выбираются детерминированно по ID токена, без обучаемого контекстного маршрутизатора; метаданные каталога указывают 69 млн параметров, поэтому размер модели в источниках расходится. Модель обучена на смеси текстовых данных: около 70 млрд уникальных токенов были повторно использованы до примерно 130 млрд обучающих токенов. Контекст — 2048 токенов. Она предназначена для языковых исследований, сравнения архитектур, продолжения предварительного обучения и последующей контролируемой настройки. Это базовая модель без шаблона чата и гарантий следования инструкциям; её следует использовать для генерации продолжения текста. В карточке не приведены подтверждённые результаты оценки. Лицензия — CC BY-NC 4.0, то есть коммерческое использование не разрешено условиями этой лицензии. Разработчик предупреждает о возможных повторах, потере связности, фактических ошибках, небезопасных или предвзятых ответах и слабых результатах в рассуждениях, арифметике, программировании и многоязычных задачах.

Tritfold 0.6B ternary — компактная модель генерации текста проекта Tritfold, созданная на основе Qwen3-0.6B дистилляцией на корпусе WikiText-103. Она предназначена для продолжения англоязычного текста и выдаёт связные фрагменты в стиле исходного контекста, но не обучалась как чат-ассистент и часто выдумывает факты. В README указано, что модель использует симметричные троичные коды {-s, 0, +s} с масштабом fp16 на каждые 128 весов и фиксированное преобразование Hadamard; артефакт поставляется в формате GGUF. По оценке на WikiText-2 её perplexity составляет 48,08 против 27,25 у bf16-эталона, а размер меньше в 9,1 раза. Для запуска требуется форк llama.cpp от PrismML с веткой prism; основная версия llama.cpp этот формат не поддерживает. Для генерации необходимы рекомендованные настройки sampling, иначе возможны циклы токенов. Модель лучше использовать для экспериментального продолжения английских текстов, а не для диалогов, инструкций, достоверных ответов или запросов на других языках. Лицензия — Apache-2.0.

Ultrasound EDM2 XL + S Autoguidance — генеративная модель для создания синтетических изображений ультразвукового исследования плода высокого разрешения. Она представлена в работе «A Foundational EDM2-Based Generative Model for High-Resolution Synthetic Fetal Ultrasound Imaging from Open Datasets»; в репозитории размещены EMA-веса вариантов XL и S. При генерации модель XL использует вариант S как сеть автосопровождения. Модель предназначена для получения изображений fetal ultrasound из открытых наборов данных, например для исследовательских экспериментов с синтетическими медицинскими изображениями. Веса опубликованы в формате PyTorch. Лицензия указана как other; конкретные условия использования следует уточнять в материалах репозитория и самой работы.

UniVLA-7B — официальный чекпойнт модели для управления роботами, представленный как результат работы RSS 2025 «Learning to Act Anywhere with Task-centric Latent Actions». Модель относится к семейству OpenVLA и предназначена для построения обобщённых политик, которые планируют действия в едином пространстве, не зависящем от конкретного воплощения робота. UniVLA предварительно обучена на коллекции данных OpenX и Ego4D. В карточке заявлены результаты уровня state of the art на нескольких бенчмарках и вычислительно эффективное обучение. Чекпойнт можно дообучать на симуляционных бенчмарках или пользовательских наборах данных; детали такого процесса приведены в официальном репозитории проекта. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Модель выдаёт предсказания действий для робототехнических задач; конкретные поддерживаемые типы входных наблюдений и устройство выходных действий в карточке не уточнены.

Модель nikitastheo/v5-babylm-25k-lower-ind-ell-sequential_interleaved — каузальная языковая модель семейства GPT-2, обученная автором с помощью скрипта train_clm.py и Hugging Face Accelerate. Она предназначена для генерации текста; в метаданных указана задача text-generation, а доступный контекст составляет 512 токенов. Карточка не описывает конкретные сценарии применения, языки обучения или параметры модели. Чекпойнт входит в серию BabyLM, поэтому его следует рассматривать как экспериментальную модель для исследований языкового обучения, а не как готовый универсальный генератор. Файлы весов представлены в формате safetensors. В README и метаданных не приведены базовая модель, лицензия и конкретные ограничения применения.

Экспериментальный исследовательский чекпойнт ngqtrung для ответов на вопросы по видео с выбором из нескольких вариантов. Модель основана на Qwen/Qwen3-VL-8B-Instruct и дообучена методом GRPO с исследовательским механизмом token-dropout ppexplore; архитектура — плотная Qwen3-VLForConditionalGeneration, размер — 8 млрд параметров. Принимает видео и текстовые вопросы, выдаёт текстовый ответ; в эксперименте использовались ролики с выборкой до 24 кадров и пределом 100 тыс. пикселей. Карточка описывает оценку на VideoMME-v1, Video-Holmes и PerceptionComp, но не указывает языки помимо английского в метаданных и не приводит отдельный контекстный лимит. На этих тестах точность составила около 0,489 в среднем; преимущество исследовательского механизма перед базовой моделью не обнаружено. Чекпойнт предназначен для сравнения методов обучения, а не позиционируется как улучшенная видеомодель. Лицензия — Apache-2.0; по README модель не имеет дополнительного выравнивания безопасности или RLHF сверх базовой модели.

Den953/vit-beans-demo — модель компьютерного зрения на базе Vision Transformer ViT-Base/16, дообученная на наборе изображений листьев фасоли beans для распознавания угловой пятнистости, ржавчины фасоли и здоровых листьев. Модель разработана в рамках учебной лабораторной работы по MLOps и предназначена для классификации фотографий листьев фасоли. В README указана точность 0,9609 на тестовой выборке из 128 изображений. Доступен вариант ONNX для инференса без PyTorch; модель также запускается через Transformers pipeline image-classification. Размер базовой модели — 113,2 млн параметров. Лицензия — Apache-2.0. Обучение проведено за две эпохи на 1 034 обучающих изображениях. Набор данных охватывает одну культуру и условия съёмки в Уганде, поэтому качество на других культурах, болезнях, условиях освещения и фотографиях иного качества не подтверждено. Для практической сельскохозяйственной диагностики требуется дополнительная проверка.

Это контрольный чекпойнт Lingbot-VLA для эксперимента Drop-Then-Recovery, посвящённого удалению блоков из vision-language-action моделей и восстановительному дообучению. В данном варианте не удалено ни одного блока: это полная модель, дообученная от lingbot-vla-4b на стандартном наборе LIBERO в течение 50 тысяч шагов с размером пакета 16 и скоростью обучения 5e-5. Модель предназначена для управления роботом по визуальным и языковым входам в задачах LIBERO. Чекпойнт опубликован в формате Hugging Face и safetensors; для запуска README указывает код VLADrop для lingbot-vla и токенизатор Qwen2.5-VL-3B-Instruct. Карточка не сообщает лицензию и ограничения на применение, поэтому условия лицензирования определить нельзя.

VLADrop-OpenVLA-OFT-LIBERO-drop-half-action — исследовательский чекпойнт модели Vision-Language-Action, подготовленный в рамках работы «Drop-Then-Recovery: How Redundant Are Vision-Language-Action Models?». Он предназначен для управления роботом по визуальным наблюдениям и языковым инструкциям в задачах LIBERO. В чекпойнте уменьшена скрытая размерность MLPResNet в action head с 4096 до 2048; визуальная и языковая основы сохранены. После сокращения выполнено восстановительное дообучение с LoRA rank 32, объединённой с весами, в течение 100 тысяч шагов. Это полный чекпойнт OpenVLA-OFT с уже встроенными изменениями графа модели; для оценки требуется модифицированная библиотека transformers-openvla-oft-dropped. Лицензия — MIT. README описывает оценку в LIBERO, но не приводит численных результатов, поэтому качество выполнения задач по этим данным оценить нельзя.

VLADrop-OpenVLA-OFT-LIBERO-baseline — полный чекпойнт OpenVLA-OFT для управления роботом в задачах LIBERO и базовая точка сравнения в исследовании Drop-Then-Recovery. Модель принимает изображения и проприоцептивные данные робота и предсказывает действия. В этом варианте блоки трансформера не удалены; чекпойнт прошёл восстановительное дообучение с LoRA ранга 32, веса адаптера объединены с основной моделью. Конфигурация сохраняет списки блоков для восстановления графа модели при оценке. Чекпойнт предназначен для запуска и оценки задач LIBERO, включая сценарии libero_spatial. Модель относится к архитектуре OpenVLA и vision-language-action; репозиторий содержит веса в формате safetensors. Лицензия — MIT. Для запуска автор указывает модифицированную версию Transformers, поэтому стандартная конфигурация библиотеки может быть несовместима.

Это контрольная точка VLADrop на базе OpenVLA-OFT, подготовленная для исследования «Drop-Then-Recovery: How Redundant Are Vision-Language-Action Models?». Модель предназначена для предсказания действий робота по визуальному наблюдению и языковому контексту, в частности для оценки на задачах LIBERO. В чекпойнте сохранены слои MHA, а MLP-подслои удалены в 16 нечётных слоях 32-слойного Llama 2 backbone. После удаления модель прошла восстановительное дообучение с LoRA ранга 32, затем веса адаптера были объединены. Конфигурация содержит списки удалённых слоёв для автоматического восстановления сокращённого графа при оценке. Для запуска требуется модифицированная библиотека transformers-openvla-oft-dropped. Лицензия — MIT.

Jiafei1224 разработал VLA-JEPA MolmoAct2 BimanualYAM — дообученную политику для управления бимануальным роботом на наборе данных MolmoAct2-BimanualYAM. Модель использует три изображения с камер, расположенных сверху, слева и справа, и незамороженную мультимодальную основу Qwen3-VL-2B. Чекпойнт соответствует шагу обучения 50 000; политика предсказывает 14 значений действий — положения суставов и команду для захватов. Модель предназначена для управления роботом в симуляции MolmoAct2 и загрузки через библиотеку LeRobot. Для оценки приведены ошибки открытого предсказания на 50 отложенных эпизодах; в закрытом цикле задача BimanualYAMPutEverythingInBox-v1 пока не решена. Лицензия — Apache-2.0.

WhyLesionCLIP — модель CLIP для сопоставления изображений поражений кожи с текстовыми описаниями, разработанная авторами проекта WhyLesionCLIP. Она дообучена на базе OpenCLIP ViT-L/14 и предназначена для классификации поражений кожи без обучения на целевых классах: модель сравнивает изображение с текстовыми описаниями и оценивает их сходство. Её также можно использовать как извлекатель признаков для последующих задач. Для обучения использованы 438 тысяч пар «изображение — текст», составленных на основе 56 590 изображений ISIC и клинических описаний, сгенерированных GPT-4V. В README сообщается о результатах zero-shot-классификации и линейного зондирования на пяти наборах данных поражений кожи. Модель принимает изображения и текст, формирует представления для сопоставления; библиотека загрузки — open_clip, формат файлов — PyTorch. Модель предназначена для исследований и не подходит для клинической диагностики, лечения или принятия медицинских решений. Авторы отмечают риск смещения и недостаточную устойчивость контрастивного обучения, в том числе возможность того, что модель опирается на различия между пациентами вместо признаков заболеваний. Лицензия — MIT.

wikishuffle1gr51 — модель генерации текста на базе GPT-2, представленная пользователем fpadovani. В метаданных указан контекст до 1024 токенов и формат весов safetensors. README сообщает о дообучении на неизвестном датасете и приводит значение loss 6,3 на тестовой выборке, но не описывает данные и методику оценки. Назначение модели и её практическое качество по имеющимся сведениям определить нельзя. Она может использоваться для экспериментов с генерацией текста, однако README не содержит рекомендаций по применению или сведений о поддерживаемых языках. Лицензия в предоставленных данных не указана.

WorldDiT — модель Bagel Labs для моделирования мира и управления роботом. Она объединяет генерацию непрерывных действий и вспомогательное предсказание будущих RGB-патчей в одном диффузионном трансформере. Выпуск содержит четыре контрольные точки для наборов LIBERO и среду для инференса и оценки. Модель предназначена для языково обусловленной манипуляции объектами в симуляции. На вход получает изображения с основной и кистевой камер за три шага наблюдения, состояние робота и языковую инструкцию; предсказывает последовательность из семи действий, из которой контроллер исполняет первые три и затем строит новый план. Всего модель содержит около 399 млн параметров, из них около 135 млн обучаемых. В метаданных указан английский язык; в README не уточняется, какие языки инструкций поддерживаются. В README сообщается средний успех 94,9% на 2 000 эпизодах LIBERO по четырём наборам. Результаты других методов приведены по опубликованным протоколам, поэтому это не прямое сравнение в едином эксперименте. Модель проверена в симуляции; надёжность на реальных роботах и перенос между платформами требуют отдельной оценки. Лицензия — CC BY 4.0.

X-VLA 0.9B для Libero — модель Vision-Language-Action, разработанная 2toINF для управления роботами по визуальным и текстовым входам. Она предназначена для выполнения роботизированных манипуляций в симуляциях и на реальных платформах, включая адаптацию к разным роботам и условиям. Модель дообучена на основе microsoft/Florence-2-large и использует визуально-языковой энкодер Florence-2 вместе с трансформером, который предсказывает действия методом flow matching. Для разных воплощений роботов применяются отдельные обучаемые soft prompt-эмбеддинги. В README указан размер около 0,9 млрд параметров; обучение проводилось на Bridge Data V2. Лицензия — Apache 2.0. Модель оценивается на роботизированных задачах, но карточка не описывает точный формат входов и выходных действий для этой версии Libero. Для использования могут потребоваться соответствующая среда, код оценки и настройки пространства действий; приведённый в README пример загрузки ссылается на другой репозиторий модели.