II.10Разработка и эксплуатация AI/ML-систем

InternVLA-A1.5-Libero — политика управления роботом типа vision-language-action, разработанная InternRobotics и дообученная для бенчмарка LIBERO. Она объединяет визуально-языковое понимание, прогнозирование будущей динамики и генерацию действий для манипуляционных задач; авторы также оценивают её устойчивость без дополнительной адаптации на LIBERO-Plus. Модель основана на мультимодальном Qwen3.5-2B и использует лёгкий эксперт действий, связанный с языково-визуальной основой общими слоями внимания. На вход подаются изображения и текстовые инструкции, на выходе модель предсказывает непрерывные последовательности действий размерностью до 32; во время вывода видеоветвь не используется. Для изображений указано разрешение 224 × 224. Контрольные результаты приведены для наборов LIBERO Spatial, Object, Goal и Long. Модель предназначена для оценки и применения в сценариях роботизированной манипуляции, связанных с LIBERO; результаты LIBERO-Plus показывают устойчивость к изменениям камеры, робота, языка, освещения, фона, шума и компоновки. Показатели бенчмарка не гарантируют качество на других роботах или в реальном мире. Лицензия CC BY-NC-SA 4.0 допускает использование с указанием авторства и на условиях распространения производных материалов, но запрещает коммерческое использование.

InternVLA-A1.5-RoboTwin — модель управления роботом, разработанная командой InternRobotics. Она объединяет визуально-языковое понимание, прогнозирование будущей динамики и генерацию действий в единой политике для манипуляций двумя руками. Это чекпойнт серии InternVLA-A1.5, дообученный на RoboTwin 2.0 для робота ALOHA-AgileX; его также оценивают без обучения на DOMINO для переноса из статических в динамические сценарии. В основе лежит мультимодальный Qwen3.5-2B с лёгким экспертом действий, который предсказывает непрерывные последовательности действий методом flow matching. Для обучения используются обучаемые токены прогнозирования будущего, а ветвь генерации видео при выводе отключается. Модель принимает изображения размером 224 × 224 и обрабатывает состояние и действия размерностью до 32. Репозиторий содержит веса в формате safetensors. В опубликованных результатах модель показывает 93,2 среднего балла на RoboTwin 2.0 и 27,7% успешных выполнений в режиме переноса на динамические манипуляции DOMINO. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий распространения с указанием авторства и на тех же условиях.

Карточка модели InternRobotics/InternVLA-M1-LIBERO-Long на Hugging Face совпадает с карточкой InternRobotics/InternVLA-M1-LIBERO-Object, поэтому описание составлено по ней. InternRobotics разработала InternVLA-M1-LIBERO-Object — PyTorch-модель в рамках открытого сквозного фреймворка InternVLA-M1 для политик управления роботами. Это vision-language-action модель: она предназначена для сценариев, где робот использует визуальную и языковую информацию для выбора действий. Карточка относит модель к робототехнике и описывает фреймворк как предназначенный для создания и исследования универсальных роботизированных политик. Репозиторий помечен лицензией CC BY-NC-SA 4.0, которая предусматривает указание авторства, распространение производных материалов на тех же условиях и ограничения на коммерческое использование. В доступной карточке не приведены конкретные задачи LIBERO, поддерживаемые языки, размер модели или параметры контекста.

JapaneseTinyAgentLM-Action-3M — компактная языковая модель ayousanz для преобразования коротких запросов на японском языке в вызовы действий робота в формате JSON. Автор обучил её с нуля: это декодерный Transformer на 3 148 608 параметров, предназначенный для локальной работы на ESP32-S3 в роботе Stack-chan без сети, NPU и внешних модулей. Модель выдаёт до двух действий из фиксированной схемы либо пустой список, если запрос не относится к возможностям робота, содержит отрицание или не является командой. Поддерживаются движения головы, включая повороты по направлению и углу, кивки, поклоны, выражения лица, управление LED, громкостью и яркостью. В README описаны INT4-запуск на микроконтроллере, ограничение действий схемой и фильтр уверенности. Модель рассчитана на японские текстовые команды; распознавание речи в неё не входит, а качество на английских запросах низкое. Веса распространяются по лицензии CC BY-SA 4.0.

Это исследовательский чекпойнт Rob1234567, созданный на основе Qwen2.5-0.5B хирургической заменой механизма внимания: 18 из 24 слоёв GQA заменены на Kimi Delta Attention (KDA), а шесть слоёв GQA с RoPE сохранены. Модель содержит 494 млн параметров, работает с текстом и рассчитана на контекст до 32 768 токенов. Чекпойнт предназначен для изучения гибридного линейного внимания и экономики длинного контекста, включая расход памяти на кэш и скорость декодирования. В тестах авторов он сохранял результаты поиска факта в контексте до 32K и сокращал память кэша на длинных последовательностях; заявленное ускорение декодирования получено на синтетических кэшах. Эти результаты описывают исследовательские измерения, а не гарантируют качество в прикладных задачах. Текущая реализация значительно медленнее базовой при обработке входного контекста (prefill), а на 64K теряет дальний recall. README также сообщает о деградации языковых способностей после графтинга. Модель не предназначена для продакшена, принятия решений или обработки персональных данных. Условия лицензии в предоставленных материалах не описаны.

LDT-10M — небольшая языковая модель с архитектурой в стиле LLaMA, разработанная Compactbot и обученная с нуля на 2,6 млрд токенов англоязычного набора FineWeb-Edu. Модель содержит около 10,3 млн параметров, имеет 5 слоёв и ширину скрытого представления 320; её контекст ограничен 512 токенами. В репозитории опубликованы веса F32 в формате safetensors и токенизатор BPE с размером словаря 12 288 токенов. Модель предназначена прежде всего для демонстрации обучения языковой модели с нуля и изучения поведения очень компактных моделей. Она усвоила некоторые закономерности английской грамматики, но при генерации обычно теряет связность и зацикливается на повторениях, поэтому не подходит для надёжной генерации длинных текстов или практических диалоговых сценариев. Для запуска требуется эталонная реализация: архитектура LDTModel пока не поддерживается библиотекой Hugging Face Transformers. Лицензия — Apache-2.0.

Light-O1-Preview — предварительная модель Light-O1, представленная в рамках работы «Light-O1: Scaling Whole-Body Intelligence with Human Action Pretraining». Она принимает инструкцию на естественном языке, рассуждает о намерении и ограничениях и генерирует последовательность действий для гуманоидного тела. Текст рассуждения и коды действий выдаются в одном авторегрессионном потоке; общая человекоподобная схема представления действий позволяет переносить генерацию на разные робототехнические воплощения. Модель предназначена для преобразования текстовых инструкций в движения всего тела гуманоидного робота. Выход декодируется в формат human_action_138_v1: покадровое смещение основания, высота таза, скорость поворота, повороты 22 суставов и параметры раскрытия кистей с частотой 20 кадров в секунду. Это дообученная плотная модель семейства Qwen3.5 на базе Qwen/Qwen3.5-4B; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Это Preview-выпуск только с возможностью преобразования текста в действия: зрение и манипуляции заявлены как будущие возможности полной версии Light-O1. Для инференса README указывает Linux x86-64, Python 3.11 и среду, совместимую с CUDA 13; представление действий должно соответствовать human_action_138_v1.

Экспериментальная дообученная модель проекта dLLM Registers на базе GSAI-ML/LLaDA-8B-Base. Это базовая линия с обучаемыми слотами памяти для диффузионной языковой модели: четыре непрерывных слота в начале последовательности передают информацию между чанками, а вспомогательная цель обучения учит их восстанавливать предыдущий завершённый чанк. Модель рассчитана на исследования ограниченного состояния рассуждений и передачи контекста между частями текста; в карточке приведён результат проверки на 200 примерах GSM8K: 106 из 200 для режима переноса памяти и 86 из 200 для сброса. Модель использует плотную архитектуру LLaDA с классом LLaDAModelLM и содержит 8 млрд параметров согласно базовой модели. Обучение проводилось на смеси из 60 тысяч примеров OpenMathInstruct-2 и OpenCodeInstruct с чанками длиной 128 токенов и максимум восемью чанками. Метаданные указывают генерацию текста и английский язык. Репозиторий содержит веса safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. В README для загрузки указаны trust_remote_code=True. Результат GSM8K относится к небольшому набору проверки, поэтому не характеризует качество на широком круге задач.

llama-128-1L — языковая модель семейства Llama, опубликованная в репозитории stage-babylm/llama-128-1L. Это дообученная модель с архитектурой LlamaForCausalLM и 324,6 тыс. параметров; она предназначена для генерации текста и рассчитана на контекст до 2048 токенов. Репозиторий создан в августе 2026 года и содержит веса в формате safetensors. В карточке приведён результат оценки: loss 2,1739. Датасет и исходная модель не названы, поэтому назначение дообучения и качество на конкретных задачах определить нельзя. Модель может подойти для экспериментов с генерацией текста, однако столь малый размер существенно ограничивает её возможности. Сведения о лицензии в доступных данных отсутствуют.

Llama-1B Perturbed BPE — англоязычная авторегрессионная языковая модель с архитектурой Llama, разработанная для контролируемых исследований токенизации. Модель с 1 млрд параметров обучена с нуля, а не дообучена от версии с обычным BPE. Она использует байтовый BPE-токенизатор словаря примерно на 32 тысячи токенов с настройкой возмущения p=0,3. Модель предназначена для исследовательских экспериментов с языковым моделированием и токенизацией. Это базовая модель для продолжения текста, а не чат-модель и не модель, следующая инструкциям. Контекст составляет 2048 токенов; веса доступны в формате Safetensors и имеют точность bfloat16. В обучении использовано около 10 млрд токенов FineWeb-EDU-dedup-10B. Модель принимает текст и генерирует текст на английском языке. Её не оценивали на безопасность, фактическую точность и справедливость; карточка не рекомендует её для производственного использования. Сведения о лицензии в предоставленных данных отсутствуют.

yujiepan/llama-2-tiny-random — небольшая модель для генерации текста, разработанная пользователем yujiepan на базе конфигурации meta-llama/Llama-2-7b-chat-hf. Модель имеет случайную инициализацию, поэтому не предназначена для качественного решения прикладных задач без дополнительного обучения; её основное назначение — тестирование, разработка и проверка совместимости инструментов Transformers. Архитектура основана на Llama 2: указаны один скрытый слой, размер скрытого представления 8, промежуточный размер 32, два attention heads и два key-value heads. Модель относится к текстовым моделям и поддерживает сценарий text-generation; сведения о языках и размере контекста в README не приведены. Из-за случайной инициализации её сильная сторона — минимальный размер и пригодность для быстрых экспериментальных запусков, а главное ограничение — отсутствие обученных знаний и практически непредсказуемое качество генерации. Лицензия в предоставленных данных не указана.

Это дообученная версия Llama 3.1 8B от Hyukkyu, полученная в экспериментах RAQUEL по машинному забыванию на наборе TOFU. Модель представляет собой плотную авторегрессионную языковую модель с 7,5 млрд параметров и контекстом до 131 072 токенов; опубликованы объединённые веса BF16 и отдельный адаптер LoRA. Она принимает текстовые вопросы и генерирует текстовые ответы на английском языке. Модель предназначена для изучения и оценки методов удаления знаний из языковых моделей. Вариант RMU обучен так, чтобы подавлять ответы на вопросы из forget-набора TOFU, сохраняя ответы на retain-наборе. В описанной оценке она не отвечала правильно ни на один из 400 исходных и 400 перефразированных вопросов forget-набора, сохранив точность 99,3% на исходных вопросах retain-набора. Для работы используйте обычный формат «Question: …\nAnswer:»; модель не обучалась с шаблоном чата. Это исследовательский чекпойнт ранней остановки, поэтому поведение за пределами указанных наборов и оценок не гарантируется. Распространяется по лицензии Llama 3.1; перед использованием необходимо учитывать условия лицензии и сопутствующую политику использования.

Llama-3.1-8B-TrenerAI-GGUF — польскоязычная разговорная модель, дообученная методом QLoRA на базе Meta-Llama-3.1-8B-Instruct для ассистента TrenerAI. Она формулирует ответы ассистента на польском языке и преобразует намерения пользователя в структурированные команды JSON, например для сбора профиля или запроса на изменение плана тренировок. Модель не составляет тренировочные планы: их формирует отдельный детерминированный компонент приложения на основе классификатора уровня подготовки, закрытой базы упражнений и правил безопасности и периодизации. В README приведены результаты небольших тестов формирования JSON; авторы отмечают ограниченный размер выборок. Репозиторий содержит GGUF-версию, предназначенную для запуска через llama.cpp. Модель обучена на самостоятельно подготовленных диалогах тренера и клиента на польском языке. Её поведение за пределами этой области не исследовалось; модель не является медицинским инструментом. Применяется Llama 3.1 Community License.

Aerner LM-v1 — небольшая авторегрессионная языковая модель семейства LLaMA, разработанная для экспериментов с предварительным обучением на японском языке. Модель содержит 740,8 млн параметров, принимает текст и генерирует текст; родная длина контекста — 2048 токенов. Автор отмечает, что модель работает сравнительно быстро, хотя загрузка занимает некоторое время. Модель подходит для экспериментов с генерацией японского текста и изучения поведения небольших языковых моделей. Автор предупреждает, что она слишком мала и недостаточно обучена для надёжных ответов на вопросы или широких знаний; её генерации могут быть неожиданными или комичными. Для генерации требуется GenerationConfig, а параметры поиска и повторов заметно влияют на результат. Лицензия в предоставленных данных не указана.

huginn-l-fixed-pln5 — экспериментальный чекпойнт семейства LoopedLM от IFM, опубликованный для эксперимента из работы «Towards Looped Models Done Right. Part II: Rethinking at Fixed Points». Это авторегрессионная модель генерации текста на архитектуре Transformer с повторяющимися блоками: один блок prelude, два рекуррентных блока и один блок coda; размер модели — около 2,49 млрд параметров. В описании также указаны ширина 6144, 96 голов внимания, включая 24 KV-головы, и FFN SwiGLU размером 17408. Чекпойнт предназначен для оценки и воспроизведения экспериментов статьи. Веса доступны в BF16 Safetensors с конфигурацией xLLM; для загрузки требуется код xLLM и его специализированный загрузчик, поэтому стандартный AutoModel.from_pretrained из Transformers не подходит. Репозиторий распространяется по лицензии Apache-2.0.

huginn-m-orthoinj — исследовательский чекпойнт из таблицы 3 работы «Towards Looped Models Done Right. Part II: Rethinking at Fixed Points», опубликованный IFM. Это языковая модель с зацикленным Transformer: один начальный блок, два рекуррентных блока и один завершающий блок; ширина 3072, 48 голов внимания, включая 12 KV-голов, и FFN SwiGLU размером 8704. Модель содержит около 819 млн параметров. Вариант OrthoInj использует механизм внедрения входа, при котором затухающая рекуррентная составляющая состояния теряет компоненту вдоль внедряемого обновления. Чекпойнт предназначен для генерации текста и оценки моделей с фиксированными точками. Веса сохранены в BF16 Safetensors в нативном формате xLLM; для загрузки требуется код xLLM, стандартный AutoModel.from_pretrained из Transformers не подходит. Модель распространяется по лицензии Apache-2.0.

asimokby/lte-gpt2 — языковая модель GPT-2, разработанная пользователем asimokby и обученная с нуля на наборе данных LTE для редактирования знаний. Она предназначена для генерации текста в сценариях, связанных с этим набором данных. Модель использует архитектуру GPT2LMHeadModel и рассчитана на контекст до 1024 токенов; веса доступны в формате safetensors для Transformers. Карточка не описывает качество, конкретные сценарии редактирования знаний или результаты оценки, поэтому практические возможности за пределами генерации текста по обучающим данным не подтверждены. Условия лицензирования в доступных данных не указаны.

Sido опубликовал makellm-ja-char-75m-chat — небольшую японскую чат-модель, созданную с нуля на архитектуре GPT-2 и дообученную на диалогах и инструкциях. В модели около 75 млн параметров; она использует посимвольную токенизацию, где один токен соответствует одному символу Unicode, и формат GGUF F16. Контекст ограничен 256 токенами. Модель предназначена для японских приветствий, непринуждённой беседы и коротких ответов на вопросы. Она обучалась на японских текстах CC-100, Википедии и Aozora Bunko, а затем на наборах японских диалогов OpenAssistant и Dolly. Её небольшой размер удобен для изучения и локальных экспериментов, но фактическая точность низкая: модель может ошибаться в датах и именах и выдумывать сведения. Для корректной работы требуется специальный формат чата из Modelfile; лицензия — CC-BY-SA-4.0.

Manacá-1B-Instruct — экспериментальная инструктивная языковая модель, разработанная в научном сотрудничестве LNCC и NII/LLM-jp для бразильского португальского языка. Это плотная decoder-only модель семейства Llama с архитектурой LlamaForCausalLM; метаданные указывают 1,6 млрд параметров и контекст 4096 токенов, а README приводит около 1,72 млрд параметров. Модель дообучена методом SFT и дополнительным safety-SFT для следования инструкциям и отказа на вредоносные запросы. Модель предназначена для исследований языковых моделей на португальском языке, воспроизведения обучающего конвейера, изучения выравнивания безопасности в малом масштабе и обучения. Она генерирует текст по инструкциям; README рекомендует использовать формат Alpaca-PT, применявшийся при обучении. Авторы сообщают о низком абсолютном качестве: результат MT-Bench-PT — 2,90 из 10, а точность на экзаменах с выбором ответа близка к случайной. Отказ на отложенных вредоносных запросах составляет около 75%, поэтому часть вредных формулировок может пройти; также возможны избыточные отказы на безвредные запросы и ошибки фактов. Модель не предназначена для производства, публичного обслуживания, автоматизированных решений или медицинских, юридических и психологических рекомендаций. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Melta-82M — небольшая языковая модель семейства Llama от Clemylia / LES-IA-ETOILES, обученная с нуля. Она предназначена для генерации текста в формате вопроса и ответа и служит ранним экспериментом по обучению компактных Transformer-моделей. Модель имеет плотную архитектуру Llama с 12 слоями, размером скрытого состояния 512 и 12 головами внимания. В метаданных указаны 66,7 млн параметров, контекст 600 токенов и поддержка французского языка. Для загрузки используется Transformers, веса представлены в safetensors; лицензия — Apache-2.0. Чекпойнт находится на ранней стадии предварительного обучения и обучен на 650 парах вопросов и ответов. Поэтому качество, связность и фактическая точность генерации ограничены; README рекомендует дополнительное обучение перед практическим применением.

huggingtweets/michelleobama — англоязычная генеративная модель, созданная Boris Dayma с помощью проекта huggingtweets и обученная на 1932 твитах Michelle Obama, включая ретвиты. Она построена на архитектуре GPT-2 и предназначена для продолжения коротких текстовых затравок и генерации текста, стилизованного под публикации из обучающего набора. Модель принимает текст и выдаёт текст; максимальный контекст составляет 1024 токена. Модель подходит для экспериментов с генерацией коротких сообщений и имитацией стиля твитов. Она унаследовала ограничения и смещения GPT-2, а небольшой тематически ограниченный набор твитов влияет на содержание и разнообразие результатов. Условия лицензирования в предоставленных сведениях не описаны.

microduck-running — политика управления бегом для робота MicroDuck, разработанная HannesVonEssen на основе PPO и обученная в задаче Mjlab-Running-Flat-MicroDuck. Основной артефакт — ONNX-политика итерации 12 195; доступны также полный контрольный чекпойнт PyTorch и более ранние версии. Политика принимает вектор наблюдений float32 размерности 61 и выдаёт 14 целевых значений положения суставов с частотой 50 Гц. Модель предназначена для управления движением MicroDuck вперёд по ровной поверхности в симуляции и для осторожных экспериментов с аппаратным роботом. Скорость команды обучалась и оценивалась до 2,20 м/с; нулевая команда рассчитана на простой. В симуляционных испытаниях политика показала устойчивость к толчкам, вариациям центра масс и начального наклона. Она разработана для конкретной конфигурации MicroDuck с 14 сервоприводами Dynamixel XL330 и не является универсальным контроллером роботов. Перенос на реальное устройство пока не подтверждён: обучение проходило на ровном полу без модели люфта, а также без рандомизации усиления моторов; остаются риски дрейфа направления, ударных нагрузок, нагрева сервоприводов и неучтённой податливости. Лицензия — Apache-2.0.

Mini-K3-1H-kda-kernel-8-v2_D — текстовая предобученная модель семейства Mini-K3, представленная как исследовательский чекпойнт для контролируемого сравнения 20 архитектур. Репозиторий разработан для изучения архитектурных вариантов Kimi-K3; в модели сочетаются KDA и Gated MLA, блоки Attention Residuals и Stable LatentMoE. Веса сохранены в BF16 в формате safetensors; архитектура MoE содержит 13 слоёв, 385,9 млн параметров по метаданным и около 1,017 млрд логических параметров по README. Контекст модели — 131 072 токена, хотя обучение проводилось на последовательностях длиной 8 192 токена. Модель предназначена для генерации текста и анализа поведения вариантов архитектуры на этапе предобучения. Это не ассистент для диалога: инструкционное дообучение и оценка на прикладных задачах не проводились. Чекпойнт не оценён на downstream-задачах, поэтому его качество и пригодность для практического использования не подтверждены; возможны неточные, предвзятые, небезопасные или повторяющиеся ответы. Лицензия модели в предоставленных данных не указана; исходные датасеты сохраняют собственные лицензии и условия использования.

Это обученный агент Proximal Policy Optimization (PPO), созданный Thomas Simonini с помощью библиотеки Unity ML-Agents. Он предназначен для игры в Pyramids в среде Unity: модель принимает состояние игровой среды и выбирает действия агента. Репозиторий содержит модель в формате ONNX, которую можно использовать с ML-Agents для продолжения обучения или запуска агента в игре. Карточка описывает обученный игровой чекпойнт, но не приводит размер модели, контекст или поддерживаемые естественные языки. Лицензия в предоставленных данных не указана.

Anindilyakwa experimental scripture-domain baseline v0.2.0 — модель перевода, созданная на основе facebook/nllb-200-distilled-600M и дообученная для направления с английского языка на анindilyakwa. Она использует архитектуру M2M100 с 463,7 млн параметров, библиотеку Transformers и формат safetensors; длина контекста — 1024 токена. Модель предназначена для экспериментального вывода, аудита воспроизводимости и анализа деградации в ограниченном библейском домене. Автоматическая оценка качества провалена: в тестах лексики, фиксированных фраз и естественных предложений точных совпадений с эталоном не было, а все проверенные ответы вызвали флаг высокой повторяемости. Поэтому модель не подходит для надёжного перевода, обучения языку или замены компетентного носителя. Выпуск обозначен как экспериментальный публичный предварительный просмотр; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое применение.

Это дообученная vision-language-action модель MolmoAct2 от Ai2, адаптированная к выполнению задачи `eyedrops_basket_lightbox` на данных SO101. Чекпойнт обучен на базе `allenai/MolmoAct2`; указаны 25 000 шагов обучения и режим action-expert-only. Весовой файл в формате Safetensors размещён в корне репозитория для прямой загрузки. Модель предназначена для управления роботом SO101 по визуальным наблюдениям и инструкциям в сценарии помещения глазных капель в корзину у лайтбокса. Она может служить специализированной политикой для воспроизведения этой манипуляционной задачи и отправной точкой для дальнейшей адаптации. Лицензия и дополнительные сведения о производительности в предоставленных материалах не указаны.

Модель pravsels/molmoact2_insert_candle_quantile_norm_fix_25k — дообученная версия MolmoAct2 от Ai2, подготовленная для задачи вставки свечи роботом на данных SO101. Это вариант action-expert-only, обученный на наборе villekuosmanen/armnetbench_insert_candle; опубликован контрольный чекпойнт после 25 000 шагов обучения в формате safetensors. Модель предназначена для управления роботом по визуальным наблюдениям и языковым инструкциям в сценарии вставки свечи. Как и базовая MolmoAct2, она относится к классу vision-language-action и требует адаптации к соответствующей роботизированной конфигурации. Данных о лицензии и численных характеристиках контекста в предоставленной карточке нет.

AdalricP/molmoact2-so101-pickplace-lora — LoRA-дообучение 5-миллиардной vision-language-action-модели Allen Institute for AI MolmoAct2-SO100_101 для захвата и перемещения объектов манипулятором SO-100/101. Модель обучена на датасете lerobot/svla_so101_pickplace; опубликованный чекпойнт соответствует шагу 1000, где значение flow-matching loss стабилизировалось около 0,045. Веса представлены как объединённая модель объёмом около 11,5 ГБ в формате safetensors и с точностью bfloat16. Модель принимает изображения, состояние робота и текстовые инструкции и предсказывает управляющие действия для манипулятора. Подходит для сценариев, подобных команде «подними кубик», при запуске через LeRobot. Для корректного движения на SO-100/101 README указывает калибровку joint_signs=[1,-1,1,1,1,1] и joint_offsets=[0,90,90,0,0,0] в LeRobot версии 0.5.0 или новее. Лицензия — Apache-2.0. Описанное обучение и датасет ограничены задачей pick-and-place; качество на иных манипуляторах и задачах не подтверждено.

Это дообученная модель MolmoAct2 от Ai2 для управления роботом SO101 при выполнении задачи удаления инструмента (tool_removal). Модель основана на чекпойнте allenai/MolmoAct2 и обучена на данных villekuosmanen/armnetbench_tool_removal; опубликован чекпойнт после 25 000 шагов обучения. MolmoAct2 относится к классу vision-language-action моделей: она использует визуальные наблюдения и языковые инструкции для управления действиями робота. Эта версия адаптирована под конкретную задачу и данные SO101. В репозитории указаны веса в формате safetensors и библиотека LeRobot. Модель предназначена для роботизированного выполнения задачи удаления инструмента в соответствующей конфигурации SO101. Карточка не сообщает лицензию, поэтому условия использования следует сверить с базовой моделью и датасетом перед применением.

MolmoAct 7B-D LIBERO-Long — открытая модель рассуждения о действиях для роботизированных манипуляций, разработанная Allen Institute for AI. Она предназначена для воспроизведения результатов на бенчмарке LIBERO-Long и управления манипуляционными сценариями по визуальному наблюдению и текстовым инструкциям. Модель объединяет языковую основу Qwen2.5-7B с визуальным энкодером SigLIP2 и выдаёт действия робота. Обучение включало предварительное обучение на смеси MolmoAct, дообучение на датасете MolmoAct с 10 тысячами траекторий манипуляций одной рукой робота Franka и заключительное обучение на LIBERO-Long. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Модель рассчитана на задачи манипуляции в домашних условиях и на столе. В карточке заявлена возможность проверять визуальную трассу предполагаемых действий до их выполнения; пространство действий ограничено обучающими данными. Это предварительная версия, предназначенная прежде всего для воспроизведения результатов на LIBERO-Long; перед применением на физическом роботе необходимо соблюдать требования безопасности оборудования и среды.