II.10Разработка и эксплуатация AI/ML-систем

Это исследовательский чекпойнт на основе диалоговой модели Meta Llama 2 7B Chat, сжатый методом SVD-LLM до 60% исходного числа параметров и затем изменённый в 10 раундах итеративной параметрически нейтральной перестановки компонентов по правилу gap_iter. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM, принимает текст и поддерживает контекст до 4096 токенов. Чекпойнт создан для изучения того, как сжатие влияет на безопасность и полезность ответов, и для оценки методов восстановления поведения модели. README приводит метрики атак на безопасность и избыточных отказов; они относятся к конкретному экспериментальному чекпойнту и тестовым наборам. Это отдельная ячейка экспериментальной сетки, а не универсальный чат-ассистент. Модель не предназначена для развёртывания как готовый ассистент: авторы предупреждают, что некоторые варианты в исследовании намеренно демонстрируют ухудшение безопасности относительно исходной Llama 2 Chat, и рекомендуют самостоятельно оценивать каждый чекпойнт. Лицензия — Llama 2.

Это исследовательский контрольный пункт на основе диалоговой Llama 2 Chat от Meta, опубликованный Jeesup. Модель с архитектурой LlamaForCausalLM содержит 6,6 млрд параметров, принимает текст и генерирует текст, а длина контекста составляет 4096 токенов. Исходные веса сжаты методом SVD-LLM: удалено 40,02% параметров. Затем к ним применён один из десяти раундов итеративного параметрически нейтрального обмена компонентами по правилу gap_iter. Модель предназначена для исследования того, как сжатие влияет на безопасность и полезность диалоговых моделей, и для измерения эффекта правил восстановления поведения. В README приведены результаты на AdvBench, StrongREJECT и WildGuard; отдельные варианты сетки намеренно могут быть менее безопасными, чем исходная Llama 2 Chat. Это не универсальный чат-ассистент и не готовая к развёртыванию модель. Лицензия — Llama 2; условия её использования определяются лицензией Meta.

Это экспериментальный чекпойнт Jeesup на основе диалоговой Llama-2-7b-chat, созданный для изучения влияния сжатия на безопасность языковых моделей. Веса сжаты методом SVD-LLM: удалено 49,91% параметров, после чего восстановлена доля компонентов SVD размером 0,1% от исходного бюджета по правилу sigma. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации текста; контекст — до 4096 токенов. Чекпойнт предназначен для экспериментов по сравнению безопасности и полезности моделей при сжатии, а не для обычного использования в качестве чат-ассистента. В README приведены результаты измерения успешности атак и чрезмерных отказов; авторы отмечают, что сжатие может ухудшать защитное поведение и рекомендуют самостоятельно оценивать каждый вариант. Языковая модель основана на англоязычной Llama 2. Лицензия — Llama 2.

Это исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 Chat от Meta с архитектурой LlamaForCausalLM и примерно 6,6 млрд параметров. Модель сжата методом SVD-LLM: удалено около 49,52% параметров, после чего восстановлена небольшая доля SVD-компонентов, выбранных по правилу sigma. Контекст составляет 4096 токенов. Чекпойнт создан для изучения того, как SVD-сжатие влияет на безопасность и полезность ответов и как выбор компонентов влияет на восстановление поведения. README приводит результаты оценки атак и чрезмерных отказов на нескольких наборах тестов; эти показатели относятся к конкретной экспериментальной конфигурации. Модель не предназначена для обычного использования в качестве чат-ассистента: отдельные варианты эксперимента намеренно имеют ослабленное безопасное поведение. Для запуска и оценки применяются Transformers и формат safetensors. Лицензия — Llama 2; условия базовой модели и лицензии следует учитывать при использовании производного чекпойнта.

Это исследовательский чекпойнт на базе диалоговой Llama 2 7B Chat от Meta, подготовленный как часть эксперимента по влиянию сжатия на безопасность и полезность языковых моделей. Модель с архитектурой LlamaForCausalLM содержит 6,6 млрд параметров, использует формат safetensors и принимает текст для генерации текста. Контекст составляет до 4096 токенов; исходная базовая модель предназначена для общения на английском языке. Веса сжаты методом SVD-LLM: удалено около 50% параметров. Затем выполнены 3 из 10 раундов итеративной замены параметров по правилу disc_iter. Чекпойнт предназначен для измерения компромиссов между сжатием, безопасностью и полезностью, а не для работы в качестве универсального чат-ассистента. В README приведены показатели атак на безопасность: ASR 0,3692 на AdvBench и 0,3450 на StrongREJECT, а также показатель чрезмерных отказов 0,0819 на WildGuard. Для практического использования требуется соблюдать лицензию Llama 2. Результаты эксперимента не подтверждают пригодность модели к развёртыванию: поведение безопасности может быть ухудшено, поэтому модель следует считать экспериментальным объектом и самостоятельно оценивать перед использованием.

Это экспериментальный чекпойнт на архитектуре Llama-2-7b-chat, созданный в рамках исследования влияния SVD-сжатия на безопасность и полезность диалоговых моделей. В README указано, что веса сжаты методом SVD-LLM, а для восстановления выбраны компоненты по правилу `unknown`; заявленные бюджеты сжатия и восстановления равны 0,0%, поэтому степень фактического изменения модели по этим числам определить нельзя. Модель предназначена для экспериментов по измерению компромиссов между безопасностью и полезностью, а также для сравнения способов восстановления поведения после сжатия. Она не позиционируется как универсальный чат-ассистент. Базовая модель имеет 6,6 млрд параметров и контекст 4096 токенов; в метаданных указаны библиотека Transformers, формат safetensors и лицензия Llama 2. Базовая модель рассчитана прежде всего на общение на английском языке. README предупреждает, что отдельные варианты в исследовательской сетке могут иметь ухудшенную безопасность и повышенную успешность атак. Этот чекпойнт следует оценивать как экспериментальный объект, а не развёртывать как готового ассистента. Условия использования определяются лицензией Llama 2.

Экспериментальный контрольный пункт исследования влияния сжатия на безопасное поведение языковых моделей. Это диалоговый чекпойнт на архитектуре Llama 2 с 6,6 млрд параметров, созданный на основе meta-llama/Llama-2-7b-chat-hf: Swift-SVD с восстановлением LoRA сократил число параметров примерно наполовину, после чего выполнено 10 раундов итеративной замены параметров по правилу gap_iter. Модель предназначена для изучения компромисса между сжатием, полезностью и безопасностью, а не для обычного диалога или практического развёртывания. Модель генерирует текст и поддерживает чат; контекст составляет 4096 токенов. В README приведены показатели успешности атак на AdvBench и StrongREJECT, а также чрезмерных отказов на WildGuard — результаты отражают исследовательские измерения поведения безопасности. Модель не следует считать безопасным универсальным ассистентом: README предупреждает о намеренном ухудшении безопасности в ряде вариантов и рекомендует самостоятельно оценивать конкретный чекпойнт. Лицензия — Llama 2.

Jeesup/svd-safety-l3_remove40_swapgapiter_b010_r09 — исследовательский вариант Llama-3-8B-Instruct, созданный в рамках изучения влияния сжатия на безопасность и полезность языковых моделей. Чекпойнт сжат методом SVD-LLM: удалено 40,02% параметров, после чего выполнено 9 из 10 раундов итеративной замены параметров по правилу gap_iter. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; контекст — 8192 токена. Модель предназначена для сравнительных экспериментов по безопасности и полезности после сжатия, а не для универсального диалога или практического развертывания. В README приведены показатели атак на AdvBench и StrongREJECT, а также избыточных отказов на WildGuard; результаты характеризуют конкретный экспериментальный чекпойнт. Базовая модель ориентирована на английский язык. Лицензия — Llama 3 Community License (llama3).

Jeesup/svd-safety-l3_remove40_swapgapiter_evfrontgap_b010 — исследовательский вариант Meta-Llama-3-8B-Instruct, созданный для изучения влияния сжатия на безопасность и полезность языковых моделей. Чекпойнт сжат методом SVD-LLM: удалено около 40% параметров, после чего проведено 10 раундов перестановки параметров по правилу gap_iter. В метаданных указаны архитектура Llama, 7,5 млрд параметров, контекст 8192 токена и поддержка диалогового режима. Модель предназначена для сравнительных экспериментов по безопасности и качеству ответов после сжатия, а не для обычного использования в качестве ассистента. В README приведены результаты оценок отказов и успешности атак на AdvBench и StrongREJECT, а также показатель чрезмерных отказов WildGuard; эти метрики относятся к описанному эксперименту и не гарантируют поведение на других запросах. Карточка предупреждает, что разные варианты исследования могут иметь намеренно ухудшенную безопасность и требуют самостоятельной оценки. Языки обучения или поддержки в карточке не перечислены; базовая модель описана в метаданных как ориентированная на английский язык. Лицензия — Llama 3 Community License (llama3).

Jeesup/svd-safety-l3_swift_remove50 — исследовательский чекпойнт на основе диалоговой модели Meta-Llama-3-8B-Instruct. Весы сжаты методом Swift-SVD с динамическим распределением рангов: удалено около 50% параметров. Затем модель восстановлена с помощью второго этапа LoRA из SVD-LLM; использовались последовательное обучение компонент U и V, датасет alpaca-cleaned и два обучающих прохода для каждой половины. Репозиторий содержит веса safetensors для архитектуры LlamaForCausalLM; размер — 7,5 млрд параметров, контекст — 8192 токена. Модель создана как один из вариантов экспериментальной сетки для измерения влияния SVD-сжатия на безопасность и полезность ответов и проверки способов восстановления защитного поведения. Она предназначена для сравнительной оценки в задачах генерации текста и диалога, а не для повседневного применения. В README приведены результаты тестов на отказ от вредоносных запросов и чрезмерные отказы; они указывают, что защита может быть ослаблена. Использование регулируется лицензией Llama 3.

Это исследовательский чекпойнт на базе Mistral-7B-Instruct-v0.2, созданный для изучения того, как сжатие SVD влияет на безопасность модели и можно ли восстановить её поведение. Веса сжаты методом SVD-LLM: удалено 40,02% параметров, осталось 60% от исходного числа. Затем выполнено 10 раундов итеративной перестановки параметров по правилу gap_iter с общим бюджетом до 1% параметров исходной модели. Архитектура — плотная MistralForCausalLM с 7,1 млрд параметров; модель принимает текст, поддерживает диалоговый режим и контекст до 32 768 токенов. Чекпойнт предназначен для сравнительных экспериментов по компромиссу между безопасностью и полезностью, а не для повседневного общения или развёртывания в качестве ассистента. В README приведены показатели атак на AdvBench и StrongREJECT, а также избыточных отказов на WildGuard; они характеризуют конкретный экспериментальный вариант. Поддерживается генерация текста, но отдельные языки в данных не перечислены. Лицензия — Apache-2.0.

Eku127/swiftvln-satnav-3b-1ep-f32s4-overlap16-pf-h8-pool-s2-noembed — чекпойнт SwiftVLN для навигации по спутниковым изображениям в бенчмарке SatNav. Модель основана на Qwen2.5-VL-3B-Instruct и дообучена с полным обновлением параметров на экспертных траекториях SatNav-v0.1 в течение одной эпохи. Модель предназначена для задач навигации с непрерывным состоянием: она использует последовательности RGB-кадров и историю до восьми кадров, после чего предсказывает следующие четыре действия. Настройка обучения использует окна из 32 кадров с перекрытием соседних окон на 16 шагов и усреднённым пулингом по кадрам с шагом 2. Архитектура — Qwen2.5-VL, размер — 3,1 млрд параметров; базовая модель поддерживает контекст до 128 000 токенов. Карточка задаёт применение в связке со SwiftVLN и SatNav; лицензия в предоставленных данных не указана.

Tiny CED — небольшая языковая модель с архитектурой encoder-decoder, разработанная автором репозитория Ne30Charm и обученная с нуля на английском наборе TinyStories. В репозитории представлены веса для инференса в формате Safetensors и реализация на PyTorch; модель не совместима с Transformers PreTrainedModel и загружается через включённый model.py. Метаданные указывают 10,2 млн параметров, а README — 19 667 712 независимых параметров с учётом связанного слоя эмбеддингов и выходной головы. Размер словаря составляет 8 192 токена, контекст — 512 токенов. Модель предназначена для генерации коротких англоязычных историй в стиле обучающих сказок, прежде всего для экспериментов с компактными языковыми моделями. Проверка проводилась на валидационной части TinyStories; README сообщает значение perplexity 6,66. Это модель ограниченного масштаба, обученная только на синтетических детских историях, поэтому она может повторяться и выдавать фактически неверный, предвзятый или небезопасный текст. Лицензия на веса и код не указана; перед распространением автор рекомендует отдельно проверить условия набора данных TinyStories, указанного как CDLA-Sharing-1.0.

HuggingFaceM4/tiny-random-idefics — тестовая миниатюрная версия мультимодальной модели IDEFICS, опубликованная командой Hugging Face. Она принимает изображения и текст и генерирует текст; в репозитории Hugging Face модель классифицируется как Image-Text-to-Text и поддерживается библиотекой Transformers. Модель предназначена прежде всего для быстрой проверки загрузки, совместимости и программных интеграций IDEFICS без скачивания большой рабочей модели. Она не обучена на прикладных данных и содержит случайные веса, поэтому не предназначена для качественного распознавания изображений, ответов на вопросы, описания сцен или использования в продуктивных системах. Для таких задач следует применять обученные варианты IDEFICS. Доступные материалы не указывают точное число параметров, размер контекста, набор языков или лицензионные условия именно этого тестового варианта. Поэтому его ключевое практическое ограничение — отсутствие содержательной предсказательной способности при сохранении интерфейса мультимодальной IDEFICS-модели.

hf-tiny-model-private/tiny-random-RobertaForMaskedLM — небольшая тестовая модель, опубликованная в репозитории Hugging Face с именем hf-tiny-model-private. В открытой карточке разработчик явно не указан; репозиторий помечен как набор HF tiny models для приватного использования, а полноценная model card отсутствует. Модель предназначена для задачи fill-mask: она восстанавливает замаскированные токены в текстовой последовательности. По метаданным это RoBERTa-модель для masked language modeling, совместимая с Transformers, PyTorch и TensorFlow. Поддерживаются текстовые входы; сведения о языках, размере, точной конфигурации, длине контекста и обучающих данных в карточке не указаны. Основное преимущество — пригодность для тестирования загрузки и выполнения masked-language-modeling в экосистеме Transformers. Ограничения существенные: название tiny-random указывает на тестовый, вероятно случайно инициализированный вариант, поэтому модель не следует считать пригодной для прикладного качества или языковых выводов. Модель не размещена у Inference Providers. Лицензия и условия использования в доступных данных не указаны.

roneneldan/TinyStories-2Layers-33M — авторегрессионная языковая модель семейства GPT-Neo, опубликованная пользователем Ronen Eldan на Hugging Face. Модель обучена на синтетическом наборе TinyStories, содержащем короткие простые истории на английском языке, и предназначена прежде всего для генерации связного продолжения текста и детских рассказов. Модель поддерживает pipeline text-generation, использует библиотеку Transformers и PyTorch, имеет около 80,8 млн параметров и контекстное окно 2048 токенов. В названии заявлены два слоя; архитектурное семейство GPT-Neo указано в метаданных. Она подходит для экспериментов с компактными языковыми моделями, обучения и демонстрации генерации текста на ограниченном корпусе. Сильной стороной является небольшой размер по сравнению с крупными LLM и специализация на простых повествовательных текстах. Модель не предназначена для надёжных ответов на общие вопросы, сложного рассуждения, профессиональных задач или многоязычной генерации; её качество за пределами распределения TinyStories может быть ограниченным. Условия лицензирования в доступных источниках не установлены.

Это обученный агент TQC для среды PandaPickAndPlace-v3. Модель создана с использованием Stable-Baselines3 и RL Zoo — инструментария для обучения и настройки агентов обучения с подкреплением. Она предназначена для управления роботом Panda при выполнении задачи захвата и перемещения объектов в симуляции. Агент принимает состояние среды и выдаёт действия для взаимодействия с ней; модель использует PyTorch. Карточка не сообщает размер модели, языки или условия лицензии, поэтому эти характеристики не приводятся.

Модель nikitastheo/v5-babylm-25k-lower-shared-deu-ell-sequential_interleaved — авторский причинный языковой GPT-2 чекпойнт для генерации текста. Согласно карточке, модель обучена скриптом train_clm.py с использованием Hugging Face Accelerate. Контекст составляет 512 токенов; веса сохранены в формате safetensors. Название указывает на связь с серией BabyLM и обучением на 25 тысячах примеров с нижним регистром и последовательным чередованием немецкого и греческого языков. Подробностей о датасете, качестве и предназначенных сценариях карточка не содержит. Лицензия не указана в предоставленных данных.

VEGA-3D (Video Extracted Generative Awareness) — модель на архитектуре Qwen2.5-VL с 7,1 млрд параметров, предназначенная для понимания видео с учётом пространственных признаков. Она использует подход, описанный в работе «Generation Models Know Space: Unleashing Implicit 3D Priors for Scene Understanding»: предварительно обученная видеодиффузионная модель применяется как симулятор латентного мира, чтобы дополнить мультимодальную языковую модель неявными трёхмерными пространственными априорными знаниями. Модель ориентирована на понимание сцен, пространственные рассуждения и принятие решений в задачах с воплощёнными агентами; заявленный pipeline Hugging Face — video-text-to-text. Контекст модели составляет 128 000 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Карточка описывает VEGA-3D как подключаемый фреймворк для расширения возможностей MLLM; сведений о поддерживаемых естественных языках и измеренных показателях качества нет. Практическое применение зависит от наличия совместимого базового окружения и компонентов фреймворка.

ViFailback-8B — визуально-языковая модель для диагностики сбоев при роботизированных манипуляциях и выдачи текстовых и визуальных рекомендаций по их исправлению. Разработана в рамках проекта ViFailback и дообучена на основе Qwen3-VL-8B-Instruct; архитектура в метаданных указана как Qwen3-VL с плотной условной генерацией. Модель принимает изображения и текст, анализирует неудачное действие робота и формирует диагноз с указаниями для коррекции. Для передачи рекомендаций она использует визуальные символы, включая стрелки, прицелы и значки состояния; такие подсказки предназначены для поддержки восстановления после реальных сбоев и обучения роботизированных систем на ошибках. Для инференса и отрисовки символов README описывает скрипт из официального репозитория. В карточке не приведены сведения о поддерживаемых естественных языках и лицензии, поэтому условия распространения и коммерческого использования по доступным данным определить нельзя. Модель специализирована на сценариях роботизированных манипуляций; качество для иных задач не описано.

Hack90/virus_pythia_14_1024_headless — дообученная авторегрессионная языковая модель семейства GPT-NeoX, созданная на базе EleutherAI/pythia-14m. Репозиторий содержит веса в формате safetensors; число параметров — 1,6 млн, нативный контекст — 2048 токенов. Модель предназначена для генерации текста. Карточка сообщает о дообучении на неизвестном наборе данных, но не описывает целевые сценарии, обучение или оценку качества. Базовая Pythia-14m — небольшая англоязычная модель для исследований генерации текста и поведения языковых моделей; русский язык и специализированные области для этой модели не заявлены. Условия лицензии в доступных данных не указаны.

Карточка модели thapargenomics/visual-question-answering-finetune на Hugging Face совпадает с карточкой giordanoner/visual-question-answering-tiny, поэтому описание составлено по ней. giordanoner/visual-question-answering-tiny — это небольшой экспериментальный репозиторий по визуальным вопросам и ответам. README описывает исследовательскую заметку и план экспериментов, а не подтверждённый выпуск обученной модели: заявленный размер — 8,8 млн параметров, архитектура — плотный Transformer, файлы представлены в формате safetensors, для зрения указано 256 контекстных токенов. Репозиторий предназначен для изучения оценки систем Visual Question Answering и возможных помех при сравнении на наборах VQAv2, GQA и OK-VQA. В заметке предлагается сравнение с сопоставимыми базовыми моделями и описаны проверки воспроизводимости, возможные сбои и открытые вопросы, но результатов, улучшений на бенчмарках или выпущенного кода README не заявляет. Лицензия — CC BY 4.0. Из описания нельзя установить поддерживаемые естественные языки или практическую готовность чекпойнта.

Карточка модели Ankitdajhgf565/vit-large-skin-cancer-ham10000 на Hugging Face совпадает с карточкой Kuldeepmishra3/vit-large-skin-cancer-ham10000, поэтому описание составлено по ней. Модель Kuldeepmishra3/vit-large-skin-cancer-ham10000 разработана как личный проект для изучения дообучения моделей на медицинских изображениях. Это ViT-Large на базе google/vit-large-patch16-224, дообученная на наборе HAM10000 для классификации дерматоскопических изображений по семи типам кожных поражений. Модель принимает изображение и выдаёт вероятности классов; в README приведены результаты на валидационной части HAM10000: точность 92,74% и взвешенная F1-мера 92,60%. Репозиторий содержит веса в формате safetensors, размер модели — 402,7 млн параметров. Лицензия — MIT. Модель подходит для экспериментальной классификации дерматоскопических изображений и учебных проектов по компьютерному зрению в дерматологии. Она не предназначена для постановки диагноза или принятия медицинских решений. Качество снижается на редких классах из-за дисбаланса данных; меланому модель может путать с меланоцитарными невусами. Обучение проводилось только на дерматоскопических снимках HAM10000, преимущественно полученных от европейских пациентов, поэтому модель может плохо работать на обычных фотографиях кожи и хуже обобщаться на другие группы населения.

Это исследовательский чекпойнт VLADrop для управления роботом в задачах LIBERO. Он получен из Lingbot-VLA удалением 18 из 36 блоков Qwen2.5-VL, а затем дообучен для восстановления качества после сокращения модели. В удалённых блоках были attention- и MLP-компоненты; обучение восстановления проводилось 50 тысяч шагов с размером пакета 16 и скоростью обучения 5e-5. Модель предназначена для выполнения задач робототехники в связке зрения, языка и действий. Чекпойнт опубликован в формате Hugging Face с весами safetensors; для запуска README указывает код VLADrop и токенизатор Qwen2.5-VL-3B-Instruct. Количественные результаты и полный перечень ограничений в предоставленных материалах не описаны. Лицензия не указана в доступных данных.

VLA-JEPA MolmoAct2 BimanualYAM — модель управления роботом, разработанная автором репозитория и дообученная на наборе данных MolmoAct2-BimanualYAM-Dataset. Она предназначена для выполнения двухручных задач в симуляции и принимает изображения с трёх камер: верхней, левой и правой. Модель предсказывает 14 значений действий, соответствующих положениям суставов и захватам робота; при дообучении использовалась незамороженная визуально-языковая основа Qwen3-VL-2B. Модель работает в стеке LeRobot и распространяется в формате safetensors под лицензией Apache-2.0. На контрольном шаге 50 000 ошибка открытого прогноза составила MSE 0,127 и MAE 0,197 на 50 отложенных эпизодах. В закрытой симуляционной оценке задача BimanualYAMPutEverythingInBox-v1 не была решена.

ZeroS-Qana-5M — компактная базовая причинно-языковая модель на 4,94 млн параметров, разработанная User01110 при участии Paul Courneya и Jonathon LY в сообществе FromZiro. Модель предназначена для исследований архитектур, анализа представлений, учебных экспериментов и контролируемых сравнений, а не для роли готового диалогового помощника. В основе лежит плотная архитектура ACSwiGLUForCausalLM с 10 слоями и шириной 216. Стандартный причинный grouped-query attention дополнен смешиванием каналов внутри расширенного представления SwiGLU. Модель обучена на англоязычных данных; её контекст составляет 1 024 токена, используется токенизатор на 4 096 токенов от AxiomicLabs/GPT-S-5M. Для загрузки в Transformers требуется поддержка пользовательского кода через trust_remote_code=True. Чекпойнт подходит для экспериментов с языковым моделированием и изучения влияния смешивания каналов, но малый размер ограничивает качество генерации, фактическую надёжность и работу с длинным контекстом. Ответы могут содержать ошибки и смещения из обучающих данных. Лицензия обозначена в метаданных как other; конкретные условия следует сверить с карточкой репозитория.

1pp-1.7b-ua-tokmatch-base — экспериментальная базовая языковая модель проекта One Persona Pretraining (1PP), разработанного исследовательской группой EPFL DLAB. Это плотная авторегрессионная модель семейства Llama с 1,66 млрд параметров, реализованная для Transformers и опубликованная в формате safetensors под лицензией Apache-2.0. Модель обучена на переписанных диалогах, созданных из 47,8 млн исходных документов; функция потерь применялась к репликам и пользователя, и ассистента. Ветка tokmatch продолжает обучение с шага 12 000 и останавливается на шаге 17 396 после обработки 33,745 млрд контролируемых токенов. Это исследовательский эксперимент для сравнения условий предобучения при одинаковом числе токенов, а не готовый универсальный помощник. Модель генерирует текст в формате диалога ChatML без системной реплики; обучающих примеров с системными сообщениями не было. Архитектура включает 24 слоя, скрытый размер 2048, SwiGLU, 16 голов внимания и 4 KV-головы. Контекст составляет 4096 токенов; используется словарь SmolLM2 из 49 152 токенов. Карточка указывает английский язык. Оценка на отложенных документах показывает меньшую потерю на тексте пользователя и ассистента, чем на исходных документах, но не свидетельствует сама по себе о качестве ответов в прикладных задачах. Модель не предназначена для общего использования в роли ассистента; README не приводит оценок безопасности или подробных сведений об ограничениях за пределами экспериментального назначения.

Это политика Action Chunking Transformer (ACT) для бимануальной манипуляции в симуляционной задаче AlohaInsertion из gym-aloha. Модель обучена на наборе lerobot/aloha_sim_insertion_human и предназначена для управления двумя роботизированными руками при захвате штифта одной рукой и его вставке в разъём, удерживаемый другой. В оценке на 500 эпизодах модель достигла успешности 20,6%; авторы сообщают, что результат сопоставим с показателем 20% для модели из исходной работы. Поведение зависит от реализации симулятора и критериев регистрации успеха; README также отмечает возможные последствия рефакторинга кода и скачок результатов оценки в конце обучения, требующий дальнейшего изучения. Модель распространяется по лицензии Apache-2.0.

wsagi/ACT-Real-PickOrange — это политика управления манипулятором SO-101 для захвата апельсинов и переноса их на тарелку. Модель разработана автором репозитория wsagi и реализована на архитектуре ACT в библиотеке LeRobot. Она принимает визуальные наблюдения с верхней камеры и состояние робота и предсказывает последовательности действий для манипулятора; размер чанка и число шагов действия составляют 100. Политика инициализирована лучшим чекпойнтом ACT после 20 тысяч шагов обучения в симуляции Isaac Lab, затем дообучена на 30 эпизодах телеоперации реального робота: 25 091 кадр, 5 000 шагов обучения. В испытаниях на реальном SO-101 модель в среднем переносила на тарелку 1,5 апельсина за раунд из трёх; результаты получены на ограниченном числе раундов и не гарантируют аналогичную производительность в других условиях. Для весов указана лицензия Apache-2.0.

AuriStream — модель языкового моделирования речи, разработанная Greta Tuckute и Klemen Kotar. Этот чекпойнт содержит начальные веса модели с архитектурой AuriStream: 12 слоёв, скрытый размер 768 и около 0,34 млрд параметров. Он предназначен для предсказания кохлеарных токенов, полученных токенизатором вроде WavCochCausalV8192. Это состояние модели на шаге 0 обучения: веса FP32 не обучены, поэтому чекпойнт не готов для практических задач распознавания или генерации речи. Модель загружается через Transformers с trust_remote_code и использует общий код TuKoResearch/AuriStream-base. Лицензия — Apache-2.0.