II.10Разработка и эксплуатация AI/ML-систем

Это обученный агент PPO для игры Huggy, опубликованный пользователем hs1710 и созданный с помощью библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy: её можно запустить для наблюдения за игрой или использовать как основу для продолжения обучения. В репозитории есть модель в формате ONNX. Агент принимает наблюдения из среды и выдаёт действия для управления персонажем; карточка не уточняет состав наблюдений, размер модели, поддерживаемые естественные языки или лицензию.

Это обученный методом Proximal Policy Optimization (PPO) агент для игры Huggy, созданный с использованием библиотеки Unity ML-Agents и опубликованный пользователем igpaub. Модель предназначена для управления игровым агентом в среде Huggy; её можно использовать для просмотра поведения агента в браузере или продолжения обучения через ML-Agents. В репозитории представлен формат ONNX. Модель принимает наблюдения игровой среды и выдаёт управляющие действия агента. В README не приведены размер модели, языки или конкретные ограничения игрового поведения. Лицензия в доступных данных не указана.

jemal/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 наблюдения за игрой или использовать как основу для продолжения обучения. Репозиторий содержит модель в формате ONNX. Модель работает с игровой средой и выдаёт действия агента; языковой ввод или текстовая генерация не заявлены. Лицензия в предоставленных данных не указана.

jhanschoo/ppo-Huggy — обученный с помощью алгоритма PPO агент для игры Huggy. Модель создана с использованием Unity ML-Agents и предназначена для управления игровым агентом в соответствующей среде. Репозиторий содержит модель в формате ONNX, которую можно использовать для запуска агента и продолжения обучения через ML-Agents.

Это обученная методом Proximal Policy Optimization (PPO) модель агента для игры Huggy, опубликованная kaleido-jean. Модель создана с использованием Unity ML-Agents и сохранена в формате ONNX. Агент предназначен для управления персонажем в среде Huggy: его можно запускать для игры и использовать как основу для продолжения обучения средствами ML-Agents. Карточка описывает применение в конкретной игровой среде; сведения о размере модели, поддерживаемых естественных языках и лицензии не приведены.

KoRiF/ppo-Huggy — обученный агент PPO для игры Huggy, созданный с помощью библиотеки Unity ML-Agents. Модель предназначена для запуска игрового агента и продолжения его обучения в среде ML-Agents; репозиторий содержит модель в формате ONNX. Агент принимает состояние игровой среды и выбирает действия для игры. Карточка не сообщает размер модели, набор входных наблюдений, конкретные управляющие действия или условия лицензии, поэтому эти характеристики нельзя уточнить.

Это обученный агент PPO для среды Huggy, созданный с помощью Unity ML-Agents Toolkit. Модель предназначена для управления персонажем-собакой в симуляции, где нужно найти и принести палку; её можно запустить в поддерживаемой среде ML-Agents и наблюдать за игрой в браузере. В репозитории опубликована модель в формате ONNX, а метаданные указывают библиотеку ml-agents. Обучение можно продолжить через ML-Agents. Сведения о размере модели, языковой поддержке и лицензии в предоставленных данных отсутствуют.

LibRust/ppo-Huggy — обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy и может использоваться для просмотра его поведения в браузере или продолжения обучения в ML-Agents. В репозитории указано представление ONNX. Это модель обучения с подкреплением, а не языковая модель; карточка не сообщает о языках естественной речи, размере параметров или длине контекста. Для использования требуется среда Huggy и совместимый инструментальный стек ML-Agents. Лицензия в доступных данных не указана.

Это обученная модель агента PPO, созданная для игры Huggy с использованием библиотеки Unity ML-Agents. Она предназначена для запуска агента в соответствующей среде и наблюдения за его поведением; обучение можно продолжить средствами ML-Agents. В репозитории указаны файлы ONNX, поэтому модель доступна в формате для выполнения в совместимой среде. Размер модели, языковые возможности и контекст к ней неприменимы. Лицензия в предоставленных данных не указана.

retdop/ppo-Huggy — обученный методом Proximal Policy Optimization (PPO) агент для игры Huggy. Модель создана с использованием библиотеки Unity ML-Agents и предназначена для управления игровым агентом в соответствующей среде. Репозиторий содержит модель в формате ONNX. Её можно использовать для запуска агента в среде Huggy через ML-Agents, а также продолжить обучение средствами этой библиотеки. Лицензия и численные характеристики модели в доступных данных не приведены.

Это обученная модель агента PPO для игры Huggy, опубликованная Sugutt. Модель создана с помощью Unity ML-Agents и предназначена для управления игровым агентом в среде Huggy; её можно использовать для просмотра игры агента или продолжения обучения через ML-Agents. В репозитории указан формат ONNX. Лицензия и дополнительные характеристики обучения в предоставленных данных не описаны.

Это обученная с помощью Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy в Unity ML-Agents. Она предназначена для запуска агента в соответствующей игровой среде и продолжения его обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. Карточка не сообщает размер модели, поддерживаемые естественные языки или лицензию, поэтому эти характеристики нельзя уточнить.

Это обученная модель агента PPO, разработанная с использованием библиотеки Unity ML-Agents. Агент предназначен для игры Huggy в среде Unity и выбирает игровые действия на основе наблюдений среды. Модель поставляется в формате ONNX; её можно подключить к объекту Agent в проекте Unity с соответствующей сценой и использовать для запуска агента или продолжения обучения через ML-Agents. Модель рассчитана на управление игровым агентом, а не на диалог или генерацию текста. README не описывает детали наблюдений, пространство действий, результаты обучения или уровень игрового мастерства. Репозиторий не указывает лицензию.

Это обученный методом Proximal Policy Optimization (PPO) агент для игры Huggy, созданный с использованием Unity ML-Agents. Модель предназначена для управления игровым персонажем в среде Huggy: её можно запускать для демонстрации игры или использовать как основу для продолжения обучения через ML-Agents. В репозитории представлен формат ONNX; задача модели — обучение с подкреплением и выбор игровых действий. Сведения о размере модели, наблюдениях среды и используемых языках отсутствуют. Лицензия в доступных данных не указана.

Это обученный агент PPO для игры Huggy, опубликованный пользователем Veda0718. Модель создана с помощью Unity ML-Agents и представлена в формате ONNX; она выбирает игровые действия на основе наблюдений среды, чтобы управлять персонажем в Huggy. Её можно использовать для запуска агента в совместимой среде ML-Agents или продолжения обучения. Модель предназначена для управления игровым агентом, а не для диалога или генерации текста. В README не приведены сведения о размере модели, поддерживаемых естественных языках или лицензии, поэтому эти характеристики не описаны.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy с использованием Unity ML-Agents. Она принимает наблюдения игрового окружения и выдаёт действия агента, чтобы управлять персонажем в игре. Репозиторий содержит модель в формате ONNX; её можно запустить для просмотра игры в браузере или использовать для продолжения обучения через ML-Agents. Размер модели, поддерживаемые языки и лицензия в предоставленных данных не указаны.

Это обученный методом Proximal Policy Optimization (PPO) агент xsa-dev для игры Huggy, созданный с использованием Unity ML-Agents. Он принимает состояние игрового окружения и выдаёт действия для управления игровым персонажем; модель предназначена для запуска и продолжения обучения в ML-Agents, а также для просмотра игры агента в поддерживаемом браузерном окружении. Репозиторий содержит модель в формате ONNX. Сведения о лицензии и конкретных ограничениях применения в карточке не приведены.

Это обученная модель агента PPO, созданная для игры Huggy с использованием библиотеки Unity ML-Agents. Модель предназначена для управления агентом в игровой среде: её можно запустить для просмотра игры или использовать как основу для продолжения обучения через ML-Agents. В репозитории опубликован файл ONNX. Агент взаимодействует с игровой средой и выдаёт управляющие действия; подробности о наблюдениях, устройстве сети и ходе обучения в карточке не приведены. Лицензия в предоставленных данных не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная пользователем yoga-0125 для игры Huggy с использованием библиотеки 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. Репозиторий содержит модель в формате ONNX. Карточка не сообщает размер модели, языки или лицензию. Модель управляет агентом в игровом окружении, поэтому её входы и выходы относятся к состоянию среды и действиям агента, а не к диалогу на естественном языке.

ZiheXX/ppo-Huggy — обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для запуска агента в игровом окружении и просмотра его поведения; обучение можно продолжить с помощью ML-Agents. В репозитории представлен формат ONNX. Это модель обучения с подкреплением, которая выбирает действия для агента в среде Huggy. Карточка не сообщает размер модели, набор наблюдений или детали обучения. Лицензия в предоставленных данных не указана.

ShreyasM/ppo-Huggy4090 — обученный агент Proximal Policy Optimization (PPO), созданный с помощью Unity ML-Agents для игры Huggy. Модель предназначена для запуска в среде Unity ML-Agents, наблюдения за игрой агента и продолжения его обучения. Репозиторий содержит модель в формате ONNX. Агент получает наблюдения игровой среды и выдаёт действия для управления персонажем. Карточка не сообщает размер модели, используемые языки или лицензию.

Это обученный агент Proximal Policy Optimization (PPO) для среды LunarLander-v2. Модель опубликована организацией sb3 и подготовлена с использованием библиотеки stable-baselines3 и фреймворка RL Zoo. Агент предназначен для управления виртуальным посадочным модулем: по состоянию среды он выбирает действия, помогающие безопасно совершить посадку. Его можно запускать в LunarLander-v2 через инструменты Stable-Baselines3 или RL Zoo. Карточка не сообщает размер модели, длину обучения или количественные показатели качества, поэтому их нельзя оценить по имеющимся данным. Репозиторий содержит модель в формате PyTorch. Языковой ввод и текстовая генерация не являются её назначением. Лицензия в предоставленных данных не указана.

Это обученная модель агента PPO для среды LunarLander-v3, опубликованная пользователем remn123 и созданная с помощью библиотеки Stable-Baselines3. Она предназначена для управления посадочным модулем в симуляции: агент получает состояние среды и выбирает действия, стремясь выполнить посадку. Репозиторий содержит веса PyTorch. Карточка не приводит размер модели, подробности наблюдений и действий или результаты оценки; пример использования оставлен незавершённым. Лицензия в доступных данных не указана.

Это обученный агент обучения с подкреплением PPO для среды Pendulum-v1, опубликованный в организации sb3. Модель подготовлена с использованием библиотеки Stable-Baselines3 и обучающего фреймворка RL Zoo. Агент предназначен для управления маятником в симуляции Pendulum-v1: по состоянию среды он выбирает действия, чтобы научиться удерживать маятник в целевом положении. Модель распространяется в формате PyTorch и может использоваться для запуска готового агента через инструменты Stable-Baselines3 RL Zoo. Карточка не сообщает размер модели и условия лицензии. Модель специализирована на одной симуляционной среде, поэтому её назначение не подразумевает генерацию текста или работу с естественными языками.

Это обученная методом PPO модель агента, который играет в Pyramids — среду из набора Unity ML-Agents. Модель предназначена для запуска агента в этой игровой среде и продолжения его обучения с помощью ML-Agents. Репозиторий содержит модель в формате ONNX; для работы используется библиотека ML-Agents. README описывает просмотр игры агента в браузере и возобновление обучения. Данные о размере модели, языках и лицензии отсутствуют.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Pyramids в Unity ML-Agents. Она предназначена для запуска игрового агента и продолжения его обучения в соответствующей среде ML-Agents. Модель представлена в формате ONNX и использует библиотеку ML-Agents. Её область применения — управление агентом в игре Pyramids; сведения о размере модели, наблюдениях среды и лицензии в доступных данных отсутствуют.

Это обученный с помощью Unity ML-Agents агент на основе PPO, предназначенный для игры Pyramids. Модель можно использовать для запуска агента в этой среде или продолжения его обучения средствами ML-Agents. Репозиторий содержит модель в формате ONNX. Сведения о лицензии в доступных данных отсутствуют.

Это обученная модель агента PPO для игры Pyramids, опубликованная Diyorbeklaw. Модель создана с использованием Unity ML-Agents и представлена в формате ONNX. Она предназначена для управления агентом в среде Pyramids: модель принимает наблюдения игровой среды и выдаёт действия для игрового агента. Её можно использовать для просмотра игры агента или продолжения обучения в ML-Agents. В карточке указан алгоритм PPO, но размер модели, поддерживаемые языки и условия лицензии не приведены.

Это обученный агент PPO для игры RoadRunnerNoFrameskip-v4, опубликованный в организации sb3. Модель создана с использованием Stable-Baselines3 и RL Zoo и предназначена для управления игровым агентом в среде Atari Road Runner на основе наблюдений среды. Агент решает задачу обучения с подкреплением и выдаёт действия для игрового окружения. README описывает запуск модели через RL Zoo; репозиторий содержит веса PyTorch. Сведения о размере модели, поддерживаемых языках и условиях лицензии в доступных данных отсутствуют.

Это обученный агент на основе алгоритма Proximal Policy Optimization (PPO), созданный для игры SeaquestNoFrameskip-v4. Модель опубликована организацией Stable-Baselines3 и подготовлена с использованием библиотеки stable-baselines3 и обучающей инфраструктуры RL Zoo. Агент предназначен для управления игровым процессом Seaquest: он получает наблюдения среды и выбирает действия, чтобы играть в Atari-игру. Модель сохранена в формате PyTorch и может использоваться через Stable-Baselines3 или RL Zoo для запуска агента в этой среде. Модель специализирована на одной игровой среде и не предназначена для диалога или генерации текста. Лицензия в предоставленных данных не указана.