II.10Разработка и эксплуатация AI/ML-систем

nateraw обучил эту модель дообучением google/vit-base-patch16-224-in21k на наборе изображений beans. Это ViT для классификации изображений, содержащий 113,2 млн параметров; репозиторий предоставляет веса PyTorch. На оценочной выборке набора beans модель показала accuracy 0,9774 и loss 0,0942. Она подходит для распознавания классов изображений фасоли в задачах, близких к использованному набору данных. Лицензия — Apache-2.0. Карточка не описывает ограничения и условия применимости за пределами оценки на этом наборе данных.

chaymans/vit-beans-demo — модель классификации изображений на основе Vision Transformer (ViT), дообученная на базе google/vit-base-patch16-224-in21k. Число параметров — 113,2 млн; доступны веса в форматах Safetensors и ONNX. Автор README сообщает точность 0,9688 и значение loss 0,1454 на оценочном наборе, но не описывает датасет и классы. По названию репозитория модель, вероятно, предназначена для демонстрации классификации изображений бобов. Модель принимает изображения и выдаёт метки классов. Она подходит для экспериментов и демонстрации классификации изображений; пригодность для других наборов данных и производственных сценариев не подтверждена. Лицензия — Apache-2.0.

ViT-Beatrix — набор Vision Transformer для классификации изображений, разработанный автором репозитория AbstractPhil. Модели сочетают фрактальное позиционное кодирование на основе Devil’s Staircase с геометрическими признаками симплексов; для инициализации симплексов используется SimplexFactory. В README описаны контрольные точки, обученные на CIFAR-100, включая варианты с размерностью эмбеддинга 512, глубиной 8 слоёв и размером патча 4×4. Модель предназначена для классификации изображений и экспериментов с геометрическими и многошкальными представлениями в Vision Transformer. В обучении используются адаптивное усиление аугментаций и дополнительные функции потерь для выравнивания потоков, иерархической согласованности и многошкальной согласованности. README приводит точность отдельных контрольных точек на CIFAR-100 в диапазоне примерно 0,54–0,58. Репозиторий распространяется под лицензией MIT. Указанные результаты относятся к CIFAR-100 и не подтверждают качество на других наборах данных или при переносе на иные сценарии. В README не приведены сведения о длине контекста или поддержке естественного языка; модель принимает изображения и выдаёт метки классов.

VITRA-VLA-3B — модель Vision-Language-Action для роботизированных манипуляций, разработанная исследовательской командой Microsoft Research. Она предварительно обучена на наборе VITRA-1M, содержащем более миллиона эпизодов реальных видео действий рук человека без аннотаций. В модели используется каузальный трансформер действий; видео рук преобразуются в данные, согласованные по гранулярности задач и меткам с обучающими данными для робототехники. Модель принимает изображения и инструкции на английском языке и предсказывает действия робота. Она предназначена для переноса навыков манипуляции в новые сцены без дополнительного обучения, а также для дальнейшей адаптации с небольшим числом примеров к реальным роботам. Код и веса доступны по лицензии MIT. В карточке указана библиотека Transformers и формат PyTorch.

Это экспериментальный чекпойнт VLADrop для GigaBrain-0, подготовленный в рамках работы «Drop-Then-Recovery: How Redundant Are Vision-Language-Action Models?». Он предназначен для управления роботом в задачах LIBERO после удаления части блоков модели и последующего дообучения для восстановления качества. Из модели удалены нечётные блоки 1–25 языковой части VLM на базе PaliGemma 2: attention и MLP. В варианте из таблицы 7 удалено 13 из 26 блоков. После этого уменьшенную плотную модель дообучали 50 000 шагов с размером батча 16 и learning rate 2,5×10⁻⁵. Для оценки README приводит сценарий LIBERO Spatial с 50 испытаниями на задачу и перепланированием каждые пять шагов. Чекпойнт использует формат модели пакета giga_models и файлы PyTorch. Для загрузки и оценки требуется соответствующий код GigaBrain-0 и нормировочная статистика. Модель принимает визуальные и языковые наблюдения и предназначена для выдачи действий робота. Лицензия в предоставленных данных не указана.

Это исследовательская модель для ответов «да» или «нет» на вопросы об изображениях, созданная автором репозитория 25b3nk. Она объединяет замороженный визуальный энкодер SigLIP2-base и дообученную ModernBERT-base: вектор изображения преобразуется в один префиксный токен, а ответ выбирается за один прямой проход по логитам «yes» и «no», без генерации текста. Для калибровки уверенности к softmax применяется постфактум температурный коэффициент. В репозитории опубликовано девять чекпойнтов в формате safetensors, каждый примерно по 601 МБ в fp32; корневой чекпойнт обучен на парных изображениях и вопросах с жёсткими метками. Модель предназначена для экспериментов с калибровкой, анализом надёжности и выборочным предсказанием на английских вопросах VQAv2. На указанном отложенном разбиении точность корневого чекпойнта составляет 0,6791, однако ответ примерно в одном случае из трёх неверен. Модель поддерживает только вопросы с ответом «да/нет», использует один общий вектор изображения и плохо подходит для мелких объектов, подсчёта и пространственных деталей; температурная калибровка может не переноситься на другие распределения. Автор прямо указывает, что это исследовательский артефакт, не предназначенный для производства, решений о людях или задач, связанных с безопасностью. Лицензия — Apache-2.0.

VQ-BeT/PushT — модель управления роботом на основе метода Behavior Generation with Latent Actions, обученная для среды PushT из gym-pusht. Она предназначена для выработки действий, перемещающих объект в форме буквы T к целевой конфигурации; загрузка и оценка выполняются через библиотеку LeRobot. В модели около 37,5 млн параметров: 11,2 млн приходится на RGB-энкодер, остальные 26,3 млн — на компоненты VQ-BeT. На 500 эпизодах PushT средняя максимальная доля перекрытия с целью составила 0,895, успешными по критерию перекрытия не менее 95% были 63,8% эпизодов. Модель распространяется по лицензии Apache-2.0.

harpertoken/word — компактная языковая модель GPT-2, обученная авторами репозитория с нуля на корпусе WikiText-2, а не дообученная на весах OpenAI. Она предназначена для демонстрации архитектуры и процесса обучения авторегрессионной модели, генерирующей текст на основе продолжения заданного фрагмента. Модель имеет архитектуру GPT-2 small: 12 слоёв, размерность эмбеддингов 768 и около 124 млн параметров. Она использует токенизатор GPT-2 с 50 257 токенами и поддерживает контекст до 512 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Обучение на небольшом наборе англоязычных текстов из Wikipedia ограничивает модель энциклопедическим и декларативным стилем. По README, модель склонна сразу выдавать токен конца текста, поэтому обычная генерация часто возвращает исходный запрос без продолжения или останавливается почти сразу. У неё нет настройки для инструкций или диалога, а метрики качества не приведены; авторы позиционируют её как демонстрационный пример, а не основу для прикладных систем.

XORTRON CriminalComputing EnablementEngine v0.3 — экспериментальная модель проекта The XORTRON Criminal Computing, посвящённого исследованию рисков безопасности и согласования ИИ. Это дообученная модель Gemma 4 с архитектурой Gemma4ForConditionalGeneration; она принимает текст и изображения и формирует текстовые ответы. В карточке Hugging Face заявлена задача image-text-to-text, а метаданные указывают на поддержку диалогового режима и интерфейса вызова инструментов. Модель предназначена для исследовательских экспериментов с мультимодальными сценариями, связанными с проектом; README не описывает конкретные процедуры или проверенные прикладные сценарии. Доступна по лицензии Apache 2.0.

X-VLA-SoftFold — модель Vision-Language-Action для управления роботами, опубликованная 2toINF. Это вариант X-VLA 0.9B, обученный на данных SoftFold; в метаданных базовой моделью указана дообученная microsoft/Florence-2-large. Архитектура сочетает визуально-языковой энкодер Florence-2 с Transformer, который предсказывает действия методом flow matching и использует отдельные обучаемые soft prompt embeddings для разных воплощений роботов. Модель предназначена для преобразования визуальных наблюдений и языковых инструкций в действия робота; заявлена поддержка разных роботизированных платформ и сценариев манипуляции. В README указано около 0,9 млрд параметров и режим действий ee6d. Модель обучалась на Bridge Data и оценивалась в симуляциях и на реальных роботах; конкретные результаты для этой версии SoftFold не приведены. Репозиторий содержит веса safetensors и распространяется по лицензии Apache 2.0. Для загрузки README показывает Transformers с trust_remote_code, поэтому для запуска требуется совместимый код проекта.

X-VLA 0.9B (WidowX Edition) — модель Vision-Language-Action от 2toINF для управления роботом WidowX по визуальным наблюдениям и инструкциям. Она основана на Florence-2-large и дообучена на данных Bridge Data V2; лицензия — Apache 2.0. Архитектура объединяет энкодер Florence 2, стандартный Transformer с обучаемыми soft prompt для воплощения робота и модуль Action Hub. Для генерации действий используется flow matching; режим действий указан как ee6d. Модель предназначена для роботизированного управления и демонстрировалась на задачах в Simpler-Env. В описании семейства X-VLA заявлено около 0,9 млрд параметров, однако это значение приведено для версии семейства, а не отдельно подтверждено метаданными данного репозитория.

Raghav Singhal разработал эту экспериментальную базовую языковую модель в рамках исследования One Persona Pretraining (1PP). Это декодерная модель семейства Llama с 1,6 млрд параметров, обученная на исходных документах; ветвь tokmatch продолжает обучение с шага 12 000 и сопоставляет число обучающих токенов с другим условием эксперимента. Модель предназначена для генерации текста и изучения влияния формата данных и маски потерь на предобучение, а не для использования как универсальный помощник. Модель принимает текст и выдаёт текст, использует токенизатор SmolLM2 с англоязычными данными и контекстом 4096 токенов. В README приведён формат диалога ChatML без системного сообщения, однако эта raw-ветвь обучалась на исходных документах и генерирует обычный текст. Весовые файлы доступны в формате safetensors; лицензия — Apache-2.0. Ограничения включают исследовательское назначение и отсутствие обучения на системных сообщениях.

Это обученный агент poca от автора sinny для игры SoccerTwos в среде Unity ML-Agents. Модель предназначена для управления игровым агентом в симуляции футбольного матча SoccerTwos; её можно использовать для просмотра игры или продолжения обучения средствами ML-Agents. Репозиторий содержит модель в формате ONNX. Сведения о размере модели, языках и лицензии отсутствуют в предоставленных данных.

ACT/BananaPick (Distilled) — политика Action Chunking Transformer для управления одноручным роботом SO-101 при захвате банана и перемещении его в заданное место. Модель разработана в рамках проекта IB-Robot и получена дистилляцией исходной политики. Модель предназначена для роботизированного выполнения сценария pick-and-place; для загрузки и развёртывания с ROS 2 авторы отсылают к inference_service проекта IB-Robot. В метаданных указаны библиотека LeRobot, веса в формате safetensors и лицензия Apache-2.0. Карточка не сообщает размер модели, контекст или поддерживаемые естественные языки.

Bigenlight/act_banana_in_pot — политика управления манипулятором, обученная методом имитационного обучения для задачи «положить нужный банан в горшок» на роботе UR7e. Используется архитектура Action Chunking Transformer (ACT): энкодер-декодер Transformer с CVAE и визуальной основой ResNet18, предварительно обученной на ImageNet. Модель обучена на 51 демонстрации и выдаёт последовательности из 100 шагов управления. На вход подаются состояние суставов робота и изображения с двух RGB-камер размером 360×640; на выходе — абсолютные целевые углы шести суставов и команда захвата. Политика предназначена для повторения конкретной манипуляции на UR7e в установке, близкой к обучающей. Для инференса изображения камер нужно привести к размеру 360×640; в README также описан цикл управления через LeRobot и ur_rtde с частотой 30 Гц. На отложенных эпизодах указаны ошибка L1 0,0235 рад и точность команды захвата 99,2%, однако это офлайн-сравнение предсказаний с записями действий, а не измерение успешности выполнения задачи на физическом роботе. Небольшой набор демонстраций ограничивает устойчивость к новым положениям объектов, освещению и размещению камер. Репозиторий распространяется по лицензии Apache-2.0.

ActQuant Pi 0.5 LIBERO 3.5 BPW — квантованный чекпойнт VLA-модели π₀.₅, подготовленный командой ActQuant на основе lerobot/pi05_libero_finetuned_v044. Он предназначен для управления роботом по визуальным наблюдениям и языковым инструкциям в задачах LIBERO; артефакт объединяет зрительную башню SigLIP, блоки трансформера LLM и экспертную часть для действий. Квантование выполнено в формате GGUF по двухэтапной схеме ActQuant: распределение разрядности между тензорами с учетом чувствительности к ошибкам действий и оптимизация масштабов блоков по Fisher-оценкам. Зрительная башня и большая часть LLM используют примерно 3-битное представление, а эксперт действий сохранен в fp16; заявленная разрядность vision и LLM блоков составляет около 3,5 бит на вес. В README сообщаются высокие результаты закрытого цикла на наборах LIBERO, однако они относятся к конкретному окружению и процедуре оценки. Модель рассчитана на робототехническое управление, а не на обычную генерацию ответов. В метаданных указана лицензия MIT. Для запуска требуются совместимый GGUF-рантайм и сопутствующие файлы, включая токенизатор и статистики нормализации действий.

Porameht/act_so101_packing_reproduce — воспроизведение политики ACT (Action Chunking with Transformers), обученной с помощью LeRobot для упаковки нескольких объектов манипулятором SO101. Модель насчитывает около 51,7 млн параметров и выдаёт фрагменты действий длиной 100 шагов на основе состояния суставов и изображений с трёх камер: верхней, передней и правой. Модель предназначена для управления роботом SO101 при выполнении задачи упаковки нескольких объектов. Это экспериментальное воспроизведение опубликованной политики робототехнического обучения, обученное на наборе данных Qiu-Xinchuan/so101_Multi-object-packing в течение 100 000 шагов. Проверка на аппаратном роботе ещё не проводилась, поэтому практическая успешность выполнения задачи не подтверждена. Лицензия — Apache-2.0.

Anchor-Align — семейство дообученных vision-language-action моделей для управления роботами, разработанное авторами одноимённой работы. Репозиторий содержит контрольные точки для наборов LIBERO Spatial, Object и Goal; веса предназначены для использования с кодом инференса и оценки из отдельного репозитория проекта. В основе — Prismatic Qwen2.5-0.5B с визуальными компонентами DINOv2 и SigLIP и 24 слоями; применены LoRA ранга 64 и MLPResNet-голова действий с регрессией L1. Модель принимает визуальное наблюдение и языковую инструкцию и предсказывает действия робота; проект также проверяет обобщение на LIBERO-PRO, LIBERO-Plus и CALVIN. Метод добавляет к предсказанию действий функции потерь для сохранения семантики исходной VLM и согласования представления языка с направлением движения. В статье сообщаются улучшения устойчивости к перестановкам объектов и позиций, перефразированию инструкций и другим возмущениям. Это исследовательская реализация, ориентированная на манипуляционные задачи и конкретные наборы данных; обучение не входит в первоначальный выпуск, а для запуска нужны сопутствующий код и соответствующая среда. Лицензия — MIT.

kabaros/ar-camel-uni-diverse-8.3M — арабоязычная причинная языковая модель в стиле GPT-2, разработанная в рамках магистерской диссертации по токенизации и составу обучающих данных для небольших языковых моделей в Университете Стирлинга. Это один из экспериментальных чекпойнтов серии BabyLM Arabic; для данного варианта использованы токенизатор CAMeL с Unigram и композиция арабского корпуса объёмом около 8,3 млн слов. Архитектура — плотная GPT-2 с 4 слоями, 8 головами внимания, размерностью скрытого представления 512 и контекстом 512 токенов. Модель предназначена для генерации текста на арабском языке и экспериментального изучения влияния токенизации и состава данных на языковое моделирование. В README для соответствующего варианта указан результат 79,26 по MultiBLiMP; это оценка конкретного запуска из трёх сидов для данной композиции корпуса. Лицензия — CC BY 4.0. Для загрузки токенизатора CAMeL требуется поддержка пользовательского кода Transformers и параметр trust_remote_code=True. Чекпойнт небольшой и обучен на ограниченном корпусе, поэтому его возможности и качество не следует приравнивать к современным крупным арабским языковым моделям; размер около 17 млн параметров указан для серии моделей в README, тогда как имя репозитория содержит 8.3M и относится к объёму корпуса.

BabyLangModel — небольшая языковая модель в стиле GPT, созданная Exquisique и обученная с нуля на PyTorch с архитектурой, вдохновлённой nanoGPT. Модель содержит примерно 10–15 млн параметров, 6 слоёв и 6 голов внимания; размер блока — 128 токенов. Для токенизации используется GPT-2 tokenizer через tiktoken. В метаданных указаны форматы PyTorch и safetensors, лицензия MIT и английский язык. Модель обучалась 200 000 итераций на наборе TinyStories с короткими простыми историями на английском для маленьких детей. Она предназначена для генерации простых, связных историй и экспериментов с компактными GPT-моделями. Автор отмечает, что генерация уже читаемая и похожа на истории, но модель всё ещё улучшается. Для загрузки через Transformers требуется включить trust_remote_code=True, поскольку используется собственная реализация архитектуры. Ограниченный размер блока и узкая обучающая выборка ограничивают пригодность модели для длинного контекста и задач общего назначения.

bugkira-ai/babylm-paragru-20m — небольшая англоязычная причинная языковая модель от bugkira-ai для экспериментов в рамках BabyLM 2026 Strict-Small. Она обучена на корпусе примерно из 10 млн слов и содержит 19,7 млн параметров. Архитектура — ParaGRU с диагональным смешиванием и воротами Cho, шесть блоков pre-LN с шириной 384 и слоями SwiGLU; нативный контекст составляет 512 токенов. Модель предназначена для генерации продолжения текста и сравнительных исследований компактных языковых моделей, в частности оценки языковых способностей на BabyLM. В карточке указаны perplexity 95,80 после трёх эпох и результат BLiMP 63,31 в zero-shot оценке. Это исследовательская модель с ограниченным контекстом, обученная только для английского языка; автор прямо исключает сценарии чата, длинного контекста и многоязычного использования. Лицензия — MIT.

CPSPX разработала компактную GPT-подобную авторегрессионную языковую модель для Chinese BabyLM Challenge 2026. Она обучена генерировать последовательности на специальном пиньинь-коде, а не на иероглифах: китайские слова сегментируются с помощью jieba, а слоги представляются токенами, сохраняющими начальную согласную, группу тонов и категорию длины слога. Это сжатое и частично теряющее информацию фонологическое представление мандаринского китайского. Модель содержит около 41,7 млн параметров по метаданным (в README указано около 33,4 млн), 8 слоёв, 8 голов внимания, размер скрытого слоя 512, контекст до 512 токенов и словарь SentencePiece-BPE на 16 тысяч токенов. Она предназначена для генерации текста и исследовательских экспериментов с обучением языковых моделей на ограниченных корпусах. В карточке приведены результаты на китайских тестах языковых знаний и соответствия пиньиня и иероглифов. Лицензия — MIT.

bertbaselda5 — дообученная модель на архитектуре DistilBERT, опубликованная пользователем gokulsrinivasagan. Она обучена на наборе gokulsrinivasagan/processed_wikitext-103-raw-v1-ld и представлена классом DistilBertForLDAMaskedLM; модель предназначена для языкового моделирования с маскированием и LDA-ориентированной обработкой текста. Контекст составляет 512 токенов, веса доступны в формате Safetensors. В README приведены результаты оценки: loss 7.7638 и accuracy 0.1569. Эти показатели не подтверждают высокую точность для практического применения; карточка не описывает конкретные сценарии использования. Лицензия и базовая модель не указаны.

huggingtweets/bitcoin — модель генерации текста на базе GPT-2, созданная Борисом Даймой с помощью проекта huggingtweets. Она обучена на публикациях аккаунта @bitcoin и предназначена для генерации текста, стилизованного под его твиты, например для демонстрационного бота или экспериментов с генерацией коротких сообщений. Модель использует архитектуру GPT2LMHeadModel, доступна в форматах PyTorch и Flax и рассчитана на контекст до 1024 токенов. В карточке не указана лицензия, поэтому условия использования определить нельзя. Качество и содержание генераций зависят от обучающих публикаций; сохраняются ограничения и предвзятость GPT-2.

Bitnet-Llama-70M — экспериментальная языковая модель на архитектуре Llama, разработанная автором репозитория abideen. Модель обучена по методу из работы «The Era of 1-bit LLMs: All Large Language Models are in 1.58 Bits» на части набора данных HuggingFaceTB/cosmopedia. В метаданных указано 52,9 млн параметров, а в README размер округлён до 70 млн; модель принимает текст и генерирует текст, её контекст составляет 768 токенов. Модель предназначена для экспериментов с подходом BitNet и генерацией текста. Она обучалась два прохода на одном ускорителе A100; автор предупреждает, что из-за небольшого размера и ограниченного обучения качество диалоговых ответов может быть низким. Распространяется по лицензии Apache-2.0.

bqclatn5mb — одноязычная авторегрессионная языковая модель Goldfish для языка Boko в Бенине, записанного латиницей. Модель разработана в рамках проекта Goldfish, посвящённого языковым моделям для 350 языков, прежде всего для языков с ограниченными ресурсами и сравнения результатов между языками. Это GPT-2 с 21,3 млн параметров, словарём из 15 113 токенов и контекстом до 512 токенов. Модель обучена на 4,88 МБ исходного текста (около 5 МБ с поправкой на различия в объёме UTF-8) и предназначена для генерации текста на Boko. Перед входным текстом для лучших результатов следует добавлять токен [CLS]. Модель может служить небольшим исследовательским чекпойнтом для экспериментов с генерацией и языковым моделированием на Boko. Авторы предупреждают, что результаты Goldfish для языков с большим объёмом ресурсов не рассчитаны на сравнение с современными крупными языковыми моделями. Лицензия — Apache-2.0.

Это модель Decision Transformer, обученная разработчиком карточки на траекториях среднего уровня из среды Gym Hopper. Она предназначена для управления агентом в задаче непрерывного контроля: по последовательности состояний и целевых возвратов модель предсказывает действия. Архитектура — Decision Transformer; размер модели составляет 786,6 тыс. параметров, длина контекста — 1024 токена. Для применения нужны коэффициенты нормализации наблюдений, приведённые в карточке. Модель принимает данные среды, а не естественный язык или изображения, и выдаёт действия для агента. В карточке не указаны сведения о лицензии.

Это обученная модель Decision Transformer для управления агентом в непрерывной среде Gym Hopper. Она разработана Ed Beeching и обучена на траекториях набора medium-replay для Hopper; архитектура преобразует последовательности состояний, действий и целевых возвратов в действия агента. Модель содержит около 786,6 тыс. параметров и рассчитана на контекст до 1024 токенов. Модель предназначена для экспериментов и запуска управления в симуляции Hopper с использованием соответствующих нормализационных коэффициентов для наблюдений. В карточке приведены среднее и стандартное отклонение для нормализации. Данные о лицензии в предоставленных источниках отсутствуют.

Это модель Decision Transformer с 786,6 тыс. параметров, обученная на экспертных траекториях в среде Gym Walker2d. Она использует архитектуру трансформера для принятия последовательных решений в задаче непрерывного управления: получает состояние среды и историю целевых наград и предсказывает действия для управления двуногим роботом-ходоком. Модель предназначена для экспериментов и применения офлайн-обучения с подкреплением на задаче Walker2d. Для использования требуются указанные в карточке коэффициенты нормализации наблюдений; модель принимает векторные состояния и выдаёт действия. Контекст составляет 1024 токена. Данные о лицензии в предоставленных источниках отсутствуют.

Это компактная языковая модель на архитектуре GPT-2, дообученная методом Direct Preference Optimization (DPO) разработчиком narinzar. В репозитории размещены полные веса модели и токенизатор для загрузки через Transformers. Базовая модель — GPT-2 с 124 млн параметров, контекст составляет 1024 токена. Модель демонстрирует настройку предпочтений для генерации вежливых, кратких ответов с употреблением слова «please». Для обучения использованы 358 пар предпочтений, автоматически размеченных эвристикой по наличию ключевого слова, вежливости и краткости; оценка win-rate использует ту же эвристику. Это учебная демонстрация полного DPO-конвейера, а не универсальный диалоговый помощник. Модель принимает текст и генерирует текст на английском языке. Лицензия — MIT. Качество и стиль ответов ограничены небольшим размером модели и узкой целью обучения. Эвристическая функция предпочтений не заменяет человеческие оценки и допускает оптимизацию под формальные признаки; сохраняются ограничения и смещения GPT-2.