II.10Разработка и эксплуатация AI/ML-систем

Dexmal/DM05-MEM — дообученный чекпойнт DM05 от Dexmal в формате OpenDM, предназначенный для управления роботом по визуальным наблюдениям и инструкциям с использованием истории из 32 слотов. Карточка рекомендует запускать его через OpenDM с конфигурацией playground/dm05_mem.py; в качестве типа робота указана ARX5 по умолчанию. Модель относится к семейству DM05 и использует плотную архитектуру DM05ForConditionalGeneration. Веса опубликованы в формате safetensors и представлены в BF16. Лицензия — Gemma. Чекпойнт рассчитан на робототехнические сценарии, включая управление движениями конечного эффектора; подробные показатели качества и точная поддержка языков в карточке не приведены.

Это обученный агент глубокого обучения с подкреплением DQN для среды MountainCar-v0. Модель опубликована организацией sb3 и обучена с использованием библиотеки Stable-Baselines3 и обучающего фреймворка RL Zoo. Агент предназначен для выбора действий в симуляции MountainCar-v0. Его можно запускать в RL Zoo для демонстрации поведения и использовать как готовый чекпойнт в экспериментах с обучением с подкреплением. В репозитории указаны формат PyTorch и задача reinforcement-learning. Модель специализируется на одной симуляционной среде; README не описывает переносимость на другие среды или метрики качества. Условия лицензирования в предоставленных данных не указаны.

Это обученный агент DQN для игры Atari SpaceInvadersNoFrameskip-v4, подготовленный с использованием Stable-Baselines3 и RL Zoo. Модель предназначена для управления игровым агентом в среде Space Invaders посредством обучения с подкреплением. Агент принимает наблюдения игровой среды и выбирает действия, чтобы играть в Space Invaders. В карточке указано использование формата PyTorch; подробности о размере сети и режиме наблюдений не приведены. Лицензия в доступных данных не указана.

DreamZero-DROID — чекпойнт World Action Model (WAM) на 14 млрд параметров для управления роботом по зрительному контексту, языковой инструкции и проприоцептивному состоянию. Согласно README, модель разработана GEAR-Dreams и обучена на датасете DROID примерно из 75 тысяч эпизодов с языковыми аннотациями; метаданные указывают Wan-AI/Wan2.1-I2V-14B-480P как базовую модель и связь дообучения. Модель совместно предсказывает будущие видеокадры и действия робота, представляя динамику среды через видео. Она предназначена для zero-shot переноса навыков на новые задачи и среды, а также для замкнутого управления роботом; README указывает скорость около 7 Гц при использовании DreamZero-Flash и системных оптимизаций. README сообщает о результатах переноса более чем вдвое выше, чем у сравниваемых VLA-моделей в экспериментах на реальных роботах. Эти заявления относятся к описанным экспериментам; для работы требуется подходящая робототехническая система или среда симуляции. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения.

DriveMA-2B — мультимодальная модель для планирования движения в автономном вождении, разработанная как официальный чекпойнт к исследованию DriveMA. Она дообучена на базе Qwen/Qwen3.5-2B в три этапа: предварительное обучение на действиях, обучение генерации траекторий с учётом действий и обучение с подкреплением на уровне диалога. Модель принимает многовидовые наблюдения и состояние автомобиля: сначала генерирует компактное интерпретируемое метадействие, затем — будущие путевые точки с учётом этого действия. Модель построена на плотной архитектуре Qwen3.5 с 2 млрд параметров, поддерживает изображения и текст и загружается через Transformers с процессором Qwen3.5-2B. Для воспроизведения сценария планирования нужны предусмотренные проектом шаблоны запросов, формат входных данных и скрипты инференса. В статье приведены результаты оценки на бенчмарке планирования Waymo Open Dataset. Модель предназначена для исследований и не проверена для управления реальными автомобилями или применения в системах, критичных к безопасности. Лицензия — Apache-2.0.

Lanni-ni/dynamic_alibi_4_6_384_babylm_10m_seed44_epoch2 — небольшая модель для генерации текста, опубликованная пользователем Lanni-ni на Hugging Face. Модель предназначена для запуска через библиотеку Transformers и имеет тег pipeline text-generation. Модель содержит около 27,6 млн параметров. По идентификатору можно предположить связь с экспериментальной архитектурой dynamic ALiBi и набором BabyLM, однако README не подтверждает архитектуру, языки, размер контекста, данные обучения или результаты оценки. Лицензия в доступных метаданных и README не указана. Модель может использоваться для экспериментов с авторегрессионной генерацией текста, изучения компактных языковых моделей и тестирования методов позиционного кодирования. Из-за отсутствия подробной документации, оценки качества и описания ограничений её следует рассматривать как экспериментальный исследовательский чекпойнт, а не как готовое решение для критически важных или прикладных систем.

Lanni-ni/dynamic_forgetting_4_6_384_babylm_100m_seed44_epoch1 — компактная модель генерации текста, опубликованная на Hugging Face под пространством имён Lanni-ni. В метаданных указаны библиотека Transformers, формат safetensors и объём параметров 27,6 млн. Тег dynamic_forgetting и имя модели указывают на экспериментальную модель с динамическим забыванием, связанную с серией BabyLM, однако README не содержит подробного описания архитектуры, обучающих данных или разработчиков. Модель предназначена для продолжения текста и генерации последовательностей в сценариях на базе text-generation: экспериментов с языковым моделированием, проверки методов обучения и прототипирования компактных генеративных систем. Поддерживаемые языки, длина контекста, лицензия и результаты оценки в доступных материалах не указаны. README является автоматически созданной и практически незаполненной карточкой, поэтому сведения о качестве, безопасности, смещениях и ограничениях модели отсутствуют. Модель следует рассматривать как исследовательский эксперимент и проверять на целевых данных перед практическим применением.

EgoSteer-3B-Base — базовая предобученная модель управления роботами от авторов системы EgoSteer. Она объединяет зрительно-языковую основу Qwen3-VL-2B-Instruct и эксперт по действиям на основе flow matching; при обучении также использовался прогноз будущих визуальных признаков по замороженной модели DINOv3 ViT-L/16. Чекпойнт соответствует EgoSteer-9.6K-PT и обучен на 9,6 тыс. часов видео от первого лица, чтобы связать человеческие наблюдения и действия с пространством действий робота. Модель принимает текстовую инструкцию, историю из шести RGB-кадров с головной камеры размером 384 × 384 и данные проприоцепции, а выдаёт последовательность будущих действий для ловкой манипуляции. Для инференса требуется кодовая база EgoSteer и согласованные с конфигурацией модели форматы наблюдений и нормализация. Модель предназначена для исследований и как отправная точка для дообучения под конкретное тело робота; сама по себе она не настроена на управляющий цикл определённого робота, а действия перед выполнением на оборудовании нужно проверять. Лицензия — Apache-2.0.

EmsyAI V4 — экспериментальная языковая модель на 196,7 млн параметров, созданная автором gulding с нуля для изучения полного цикла разработки LLM. Автор реализовал BPE-токенизатор и трансформер в стиле Llama на PyTorch, предварительно обучил модель на 1,96 млрд токенов и применил LoRA-настройку на наборе CodeAlpaca примерно из 20 тысяч инструкций. Весовая версия репозитория представлена в формате GGUF F32; лицензия — MIT. Модель предназначена для генерации текста по запросу и простых ответов в формате [USER]/[MODEL], включая базовые фрагменты кода на Python. Контекстное окно составляет 4096 токенов; README описывает запуск через Ollama и llama.cpp. Английский указан как язык карточки и метаданных. Это небольшой учебный чекпойнт, полезный для экспериментов с обучением и локальным запуском. README отмечает слабые результаты на HumanEval: pass@1 равен 0%; также автор сообщает о проблемах с нормализацией внимания, упаковкой документов и токенизатором, которые планирует исправить в следующей версии.

EO-1-3B — открытая модель класса Vision-Language-Action для восприятия окружающей обстановки, мультимодального рассуждения и управления роботами; разработчики обозначены как IPEC-COMMUNITY. Модель содержит 3,1 млрд параметров и основана на дообучении Qwen/Qwen2.5-VL-3B-Instruct. Её архитектура — единый плотный decoder-only Transformer EO1: авторегрессионное предсказание токенов объединено с непрерывным flow matching для генерации действий. Модель принимает текстовые инструкции, изображения и видео, а также состояние робота; выдаёт текст и непрерывные векторы действий. Контекст — до 128 000 токенов, библиотека — Transformers. Модель предназначена для мультимодального понимания сцен, пространственного и временного рассуждения, планирования и управления роботами, включая задачи манипуляции. В README заявлено обучение на EO-Data1.5M, веб-данных и наборах данных для робототехники и мультимодальных задач. Для инференса также требуется LeRobot; авторы указывают ориентир около 6,5 ГБ видеопамяти. Лицензия — MIT. Результаты управления зависят от робота и среды; в приведённой карточке часть таблиц неполная, поэтому сравнения из неё не дают полной оценки качества.

Экспериментальная чат-модель Eugleo на архитектуре NanochatGPTForCausalLM, дообученная методом SFT на базе nvidia/ClimbMix. Модель содержит 1,2 млрд параметров, принимает текст и генерирует продолжение или ответ в формате диалога; базовый вариант обучался на корпусе climbmix_4100, а SFT проведён в течение одной эпохи на смесях SmolTalk, MMLU и decor_replay. В карточке описан эксперимент по воспроизведению корпусов декорреляции и персонажей при SFT. Модель предназначена для исследовательских экспериментов с диалоговой генерацией и влиянием данных обучения на поведение чат-модели. Указаны английский язык и контекст 2048 токенов. Веса опубликованы в формате safetensors; лицензия CC BY-NC 4.0 запрещает коммерческое использование. README называет модель исследовательским артефактом, поэтому её качество и пригодность для прикладного использования не следует считать установленными.

Это GGUF-конверсии базовой модели floppyx3-MEGAmodel-base от NILKNARFGonzo — небольшой модели в стиле GPT-2 примерно на 1,1 млн параметров. Репозиторий содержит варианты весов F32, F16 и BF16 для запуска в совместимом с GGUF программном обеспечении. Модель предназначена для генерации текста и может служить базой для экспериментов или дальнейшего обучения. В карточке указан английский язык и датасет Capybara-ShareGPT. Лицензия — CC BY-SA 4.0. Это очень маленькая экспериментальная модель; по размеру её возможности генерации ограничены. Вариант Q8_0 отсутствует: размерность эмбеддингов 106 не совместима с блоками квантования по 32 значения, из-за чего квантователь llama.cpp завершается с ошибкой.

Foresight — дообученная мультимодальная модель для навигации в открытой среде, разработанная командой UT-AMRL. Она принимает текстовую цель и короткую историю RGB-наблюдений, предлагает траекторию в координатах изображения и критикует собственный план. Планирование движения и его критика совместно обучены в одном чекпойнте, поэтому при развёртывании обе функции выполняются одной моделью. Перевод принятого плана в метрические путевые точки BEV выполняет отдельная политика, не входящая в этот репозиторий. Модель основана на Qwen3-VL-2B-Instruct и дообучена методом SFT с LoRA ранга 64 и alpha 64, применённой к линейным проекциям языковой и визуальной частей; адаптер объединён с базовыми весами. Архитектура Qwen3-VL, плотная; веса сохранены в bfloat16 и формате safetensors. Модель рассчитана на сценарии визуально-языковой навигации с последовательностью RGB-кадров и текстовыми инструкциями. Лицензия — Apache-2.0. Карточка не приводит длину контекста и конкретный перечень поддерживаемых языков.

SONIC (Supersizing Motion Tracking) — модель управления гуманоидными роботами, разработанная NVIDIA. Она использует отслеживание движений, обученное на больших наборах данных человеческих движений, чтобы формировать естественные движения всего тела одной общей политикой. Модель рассчитана на ходьбу, бег, ползание, прыжки, манипуляции и другие двигательные действия, а также на управление роботом оператором в реальном времени через VR, клавиатуру или геймпад. В репозитории представлены три варианта контроллера для Unitree G1: базовый SONIC, версия с малой задержкой и SONIC v1.1. Варианты используют универсальные токены движений размером 64 и декодер действий на 29 степеней свободы; контрольные точки включают ONNX-энкодер, ONNX-декодер и планировщик локомоции. В README указаны запуск через TensorRT на настольных системах и Jetson, а также C++-стек для управления роботом в реальном времени. Лицензия обозначена как other; конкретные условия использования следует сверить с файлами лицензии репозитория.

ProjectPersonal/GenderClassifier — классификатор изображений на архитектуре Vision Transformer (ViT), опубликованный в формате PyTorch. Карточка указывает, что модель создана с помощью HuggingPics — инструмента для обучения классификаторов изображений на пользовательских категориях; размер составляет 113,2 млн параметров. Модель предназначена для классификации изображений по категориям, связанным с полом. Её можно применять для автоматической разметки изображений и демонстрационных задач компьютерного зрения. README не описывает набор классов, данные обучения или качество классификации, поэтому конкретные сценарии и надёжность предсказаний оценить нельзя.

GigaWorld-Policy-0.5 — модель политики для робототехники, опубликованная open-gigaai. Она основана на архитектуре CasualWorldActionTransformer_MoT с 30 слоями и двумя потоками экспертов: визуальным, который обрабатывает опорные и будущие латенты, и управляющим, который обрабатывает состояние и действия; потоки взаимодействуют через мультимодальное self-attention. Модель предназначена для генерации действий робота с использованием визуальных и физических данных. Репозиторий содержит только трансформер в формате Safetensors; для работы также нужны VAE Wan2.2 и scheduler из базового чекпойнта Diffusers. Модель распространяется по лицензии Apache-2.0. README не раскрывает конкретные языки программирования интерфейса или полный набор поддерживаемых роботов и сценариев.

zhzh98/gpt2-chinese-mono2bi-en2b-embedft-seed123 — языковая модель GPT-2, обученная с нуля и опубликованная пользователем zhzh98. Репозиторий содержит веса в формате safetensors; модель использует архитектуру GPT2LMHeadModel и библиотеку Transformers. Модель предназначена для генерации текста. В названии упоминается обучение эмбеддингов и преобразование китайского текста из mono в bi, но карточка не описывает эти задачи и не подтверждает соответствующие возможности. Контекст модели составляет 256 токенов. Карточка не приводит сведений о качестве, обучающих данных, поддерживаемых языках или практических ограничениях. Лицензия в доступных данных не указана.

GPT-OSS-20B-Dense-4B-ACP-K4 — плотная языковая модель, созданная путём прореживания и дистилляции MoE-модели openai/gpt-oss-20b в рамках исследовательской работы о преобразовании MoE в компактные плотные модели. Чекпойнт содержит около 3,4 млрд параметров по метаданным; в README для конфигурации указано 4,19 млрд параметров. Модель работает с текстом, поддерживает контекст до 131 072 токенов и распространяется в формате Safetensors через Transformers. Модель предназначена для воспроизведения экспериментов и сравнения методов оценки и группировки экспертов при фиксированном бюджете дистилляции, а не для использования в качестве готового помощника. Она обучалась на 0,3 млрд токенов FineWeb-Edu без дообучения на инструкции и без выравнивания; авторы предупреждают, что её качество заметно ниже качества учителя и предварительно обученных моделей сопоставимого размера. Лицензия — Apache-2.0.

GR00T-N1.6-G1-PnPAppleToPlate — дообученная NVIDIA модель управления роботом для навыка переноса яблока на тарелку (Pick-and-Place). Она основана на GR00T-N1.6-3B и обучена на примерах WholeBodyControl для задачи PnPAppleToPlate; целевая платформа — гуманоидный робот Unitree G1. Модель принимает изображения, инструкции и состояние робота и выдаёт управляющие действия для манипуляции объектами. Репозиторий содержит веса в формате Safetensors. Модель предназначена для запуска в симуляции с обёрткой sim policy; в README приведён пример запуска сервера оценки.

GR00T-N1.7-g1-apple2plate — дообученная модель-политика на базе nvidia/GR00T-N1.7-3B, подготовленная для гуманоидного робота Unitree G1 с параллельными захватами Dex1. Она обучена выбирать красное или зелёное яблоко и помещать его на тарелку, в том числе с демонстрациями коррекции и перенаправления движения. Модель принимает изображение с головной и правой наручной камер, языковую инструкцию и состояние робота, а выдаёт управляющие действия для рук и захватов. Для запуска README предписывает использовать GR00T inference server и одну из двух заданных инструкций на английском языке. Обучение выполнено на 30 000 шагах по 186 эпизодам; веса представлены в формате safetensors. Лицензия — Apache-2.0.

Карточка модели nvidia/GR00T-N1.7-SimplerEnv-Fractal на Hugging Face совпадает с карточкой nvidia/GR00T-N1.7-DROID, поэтому описание составлено по ней. NVIDIA Isaac GR00T N1.7 DROID — версия средней размерности открытой основы для гуманоидных роботов, дообученная на наборе DROID. Модель предназначена для обобщённого рассуждения и выполнения манипуляций по языковым инструкциям в разных сценах и для разных воплощений роботов; её можно дополнительно обучать на реальных или синтетических данных под конкретного робота или задачу. Модель содержит около 3 млрд параметров. Она принимает RGB-кадры, текстовую инструкцию, данные о положении и состоянии робота и идентификатор его воплощения. Визуально-языковая часть использует Cosmos-Reason2-2B, SigLIP2 и T5; действия формирует трансформер на основе flow matching, реализованный как diffusion transformer. На выходе модель выдаёт непрерывные векторы управляющих действий, зависящие от числа степеней свободы робота. Для постобучения этой версии использован DROID — набор примерно из 76 тысяч демонстраций манипуляций общей длительностью около 350 часов. Модель рассчитана на исследования и разработку робототехники, адаптацию под конкретные платформы и интеграцию в роботизированные приложения. README разрешает коммерческое и некоммерческое использование; конкретное название лицензии в предоставленных данных отсутствует. Для безопасного применения требуется тестирование и валидация на данных и оборудовании целевого сценария.

gslm-scaling-155m-19p4b — исследовательский речевой языковой чекпойнт, опубликованный Tiago Cuervo как конечная точка кривой масштабирования из работы «Scaling Properties of Speech Language Models» (EMNLP 2024). Модель содержит около 155 млн параметров, представлена весами FP32 в формате safetensors и предназначена для генерации последовательностей дискретных речевых единиц: она предсказывает токены mHuBERT K-means с частотой 25 Гц, полученные из слоя 11 при K=500. В README приведён пример генерации продолжения последовательности токенов. Чекпойнт обучен на 19,4176 млрд токенов, с размером обновления 524 800 токенов. Для оценки приведены результаты на sBLIMP и sStoryCloze/tStoryCloze. Это текстовый генератор над речевыми токенами, а не готовая система синтеза речи: вокодер в комплект не входит. Для синтеза звучащей речи потребуется отдельный вокодер и соответствующие речевые артефакты. Лицензия — Apache-2.0.

gslm-scaling-20m-1p3b — исследовательский речевой языковой чекпойнт, опубликованный как конечная точка кривой масштабирования из работы «Scaling Properties of Speech Language Models» (EMNLP 2024). Он содержит 20 710 912 параметров и обучался на 1 325 120 000 токенах, по 131 200 токенов на обновление. Архитектура — плотная TransformerLM; веса представлены в FP32 и формате safetensors. Модель предсказывает последовательности дискретных речевых единиц: кластеризованные K-means-токены слоя 11 mHuBERT с частотой 25 Гц и размером словаря кластеров K=500. Пример использования генерирует продолжение последовательности таких токенов. В README приведены результаты оценивания на sBLIMP и sStoryCloze/tStoryCloze. Это чекпойнт для исследований масштабирования и оценки речевых языковых моделей; готовый вокодер в комплект не входит, поэтому сами по себе выходные токены не являются аудиосигналом. Модель опубликована под лицензией Apache-2.0. В карточке указана задача text-generation; она генерирует токенизированные представления речи, а не готовую речь или обычный текст для пользователя.

gslm-scaling-20m-43p5b — исследовательский чекпойнт для экспериментов с масштабированием речевых языковых моделей из работы «Scaling Properties of Speech Language Models» (EMNLP 2024). Модель содержит 20 710 912 параметров и обучалась на 43 545 280 000 токенах. Это плотная TransformerLM из библиотеки slm-research; репозиторий содержит веса FP32 в формате safetensors. Модель генерирует последовательности дискретных речевых единиц: последовательные повторы 25-Гц кластеров K-means слоя 11 mHuBERT свёрнуты, размер словаря K=500. Её применяют для генерации речевых токенов и исследований свойств масштабирования; README приводит оценки на sBLIMP, sStoryCloze и tStoryCloze. Для преобразования токенов в звук нужен отдельный вокодер, который в репозиторий не входит. Лицензия — Apache-2.0.

gslm-scaling-309m-3p0b — исследовательский чекпойнт семейства Speech Language Model, подготовленный Tiago Cuervo как конечная точка эксперимента по масштабированию из работы «Scaling Properties of Speech Language Models» (EMNLP 2024). Это плотный TransformerLM примерно с 309 млн параметров; веса сохранены в FP32 и формате safetensors. Модель обучалась на 3,022 млрд токенов и генерирует последовательности речевых единиц: схлопнутые подряд идущие кластеры mHuBERT K-means уровня 11 с частотой 25 Гц и словарём из 500 единиц. Чекпойнт предназначен для исследования генерации речевых последовательностей и оценки свойств масштабирования speech language models. В карточке приведены результаты на sBLIMP, sStoryCloze и tStoryCloze. Для преобразования сгенерированных единиц в звук нужен отдельный вокодер; он в репозитории не включён. Для загрузки используется библиотека slm-research. Лицензия — Apache-2.0.

gslm-scaling-823m-8p3b — исследовательский чекпойнт модели генерации последовательностей речевых токенов, связанный с работой «Scaling Properties of Speech Language Models» (EMNLP 2024). Модель содержит 823 179 264 параметра и обучалась на 8 272 980 000 токенах; опубликованы веса FP32 в формате safetensors. Архитектура — плотная TransformerLM из семейства SLM. Модель предсказывает последовательности склеенных подряд одинаковых единиц mHuBERT K-means уровня 11 с частотой 25 Гц и словарём K=500. Эти единицы можно использовать для генерации речевого представления, но вокодер в репозитории не поставляется, поэтому готовый аудиосигнал модель самостоятельно не выдаёт. В README приведены оценки на sBLIMP, sStoryCloze и tStoryCloze. Модель предназначена для экспериментов с языковыми моделями речи и изучения масштабирования таких моделей. Для загрузки используется библиотека slm-research. Лицензия — Apache-2.0.

yingfanbot/gsm-cot-llama1b — дообученная модель генерации текста на базе Meta Llama 3.2 1B Instruct. Разработчик выполнил supervised fine-tuning с явными цепочками рассуждений на наборе GSM8K; модель использовалась как базовый этап SFT в проекте LOTUS, посвящённом итеративным трансформерам и обучению рассуждению. Модель предназначена прежде всего для генерации пошаговых решений текстовых математических задач GSM8K и экспериментов с рассуждением. Это плотная авторегрессионная архитектура LlamaForCausalLM размером 1,2 млрд параметров; заявленное контекстное окно — 131 072 токена. Модель принимает и генерирует текст, поддерживает диалоговый интерфейс. Базовая Llama 3.2 1B Instruct многоязычная, однако карточка этой производной модели не уточняет языковой состав обучения. Файлы доступны в формате safetensors, библиотека — Transformers. Специализация на GSM8K и малый размер делают модель подходящей для исследований и прототипов пошагового решения арифметических задач; качество на других типах задач не подтверждено карточкой. Лицензия — Llama 3.2; при использовании следует соблюдать её условия.

GTM-3-base — базовая языковая модель OpenGCM, обученная с нуля. Это декодерный GPT-подобный трансформер nanoGPT-типа с RoPE: 10 слоёв, 8 голов внимания и около 74,9 млн параметров. Модель принимает текст и продолжает его; это предварительно обученная базовая модель, а не чат-модель и не модель для следования инструкциям. Контекст — 1024 токена, токенизатор — GPT-2 BPE из tiktoken с размером словаря 50 257. Веса опубликованы в формате safetensors, точность fp32; для загрузки требуется файл model.py из репозитория, модель не совместима напрямую с AutoModel из Transformers. Модель предназначена для экспериментов с компактными языковыми моделями, исследования генерации и продолжения текста, а также для дальнейшей адаптации. Обучающая смесь включает англоязычные веб-тексты, образовательные материалы, математику и Wikipedia; кодовые корпуса не использовались. Модель может генерировать связный текст, но не обеспечивает надёжного воспроизведения фактов, не следует инструкциям и склонна к повторам. Разработчик характеризует её как исследовательскую или любительскую, не предназначенную для производственной эксплуатации. Лицензия — Apache-2.0.

Haruhi-Zero-6B-0.1 — разговорная модель для ролевых диалогов, созданная командой проекта Haruhi-Zero на основе Yi-6B. Модель дообучена на собранных и подготовленных примерно 120 тысячах диалогов на китайском и английском языках, а также на данных из романов. В карточке указаны архитектура Llama с плотной causal language modeling моделью объёмом 5,8 млрд параметров и контекст 4096 токенов. Модель предназначена для zero-shot ролевого общения: пользователь задаёт имя и описание персонажа в системном промпте, после чего модель старается отвечать от его лица, без обязательной базы персонажей. Подходит для прототипов чат-персонажей и диалоговых приложений. Репозиторий содержит веса safetensors; лицензия — CC BY-SA 4.0. README отмечает, что код инференса ещё разрабатывался, а дальнейшее усиление данных было указано в планах. Это ранняя версия проекта, поэтому стабильность следования роли и качество ответов могут быть ограничены; заявленное назначение и обучение не подтверждают надёжную работу за пределами китайского и английского языков.

HERMES — унифицированная модель мира для автономного вождения, представленная авторами из Huazhong University of Science & Technology, MEGVII Technology, Mach Drive и The University of Hong Kong. Она объединяет понимание дорожной сцены и генерацию её будущего состояния в единой системе. Модель использует представление Bird’s-Eye View (BEV), чтобы объединять пространственную информацию с нескольких видов камер и сохранять геометрические связи между объектами. LLM с причинным вниманием обогащает BEV-признаки контекстом через специальные world queries. Модель предназначена для анализа сцен вождения и предсказания их развития; её оценивали на nuScenes и OmniDrive-nuScenes. В README сообщается о снижении ошибки генерации на 32,4% и улучшении метрики CIDEr на 8,0% относительно сравниваемых подходов. Код, предварительно обученные веса и обработанные данные опубликованы; репозиторий распространяется по лицензии Apache-2.0. Карточка описывает исследовательскую модель для сценариев автономного вождения, поэтому результаты на указанных наборах данных не гарантируют аналогичного качества в других условиях.