II.10Разработка и эксплуатация AI/ML-систем

C12H18/gats-coldstart-opd-grpo-qwen2.5-7b-alfworld — это дообученная языковая модель Qwen2.5-7B-Instruct от команды проекта GATS, подготовленная для исследований стратегий холодного старта агентного обучения с подкреплением и воспроизведения базовых экспериментов статьи GATS. Модель обучалась для взаимодействия со средой ALFWorld: сначала прошла 52 шага дистилляции поведения учителя Qwen2.5-1.5B, обученного на задачах ALFWorld, затем 150 шагов GRPO. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и принимает текстовые запросы, выдавая текстовые ответы или действия агента в текстовом формате. Контекст — до 32 768 токенов. В README приведены результаты оценки на задачах ALFWorld: 86,20 ± 1,19 для ID и 88,80 ± 1,97 для OOD при трёх сидах. Модель не предназначена для общего диалога или универсальных пользовательских задач; её применение ориентировано на эксперименты в ALFWorld. Распространяется по лицензии Apache-2.0.

arcticoneai/gemma4-31B-1bit — экспериментальная версия Gemma 4 31B IT, подготовленная разработчиком ArcticOneAI с использованием метода Adaptive Mask для сверхсильного сжатия весов до примерно одного бита на параметр. Репозиторий содержит GGUF-файл размером около 3,5 ГБ; структура модели проверялась на Pixel 4 XL с 6 ГБ оперативной памяти. По метаданным это плотная мультимодальная модель семейства Gemma 4 с поддержкой изображений и текста, основанная на google/gemma-4-31B-it. Версия задумана как доказательство концепции компактного запуска большой модели на устройствах с ограниченной памятью. Она предназначена для экспериментов с квантизацией и оценкой компромиссов между размером модели и качеством генерации, а не для надёжного повседневного использования. README сообщает о существенном ухудшении качества генерации из-за накопления ошибок по слоям и нестабильности полного инференса на Android и iPhone. Проверена лишь часть слоёв; сквозные метрики качества не приведены. Лицензия репозитория — MIT.

GLM-Edge-1.5B-Chat-Greek — чат-модель на архитектуре GLM, разработанная как дообученная версия hereticness/heretic_glm-edge-1.5b-chat. Она предназначена для генерации диалоговых ответов с улучшенными навыками греческого языка. Модель содержит 1,5 млрд параметров, использует формат safetensors и поддерживает контекст до 8192 токенов; в метаданных также указана поддержка английского и китайского языков. Карточка предупреждает о низкой связности ответов, частых галлюцинациях и сюрреалистичной риторике, поэтому результатам не следует доверять без проверки. Указана лицензия other; конкретные условия использования следует сверить с лицензией базовой модели и репозитория.

GPT-OSS-20B-Dense-4B-CP-K4 — плотная языковая модель, созданная из MoE-модели openai/gpt-oss-20b методом pruning и дистилляции для экспериментов по сокращению и уплотнению Mixture-of-Experts. Модель содержит около 3,4 млрд параметров по метаданным; в README указано 4,19 млрд параметров студента. Она предназначена для воспроизведения экспериментов статьи и сравнения методов оценки и группировки экспертов, а не для повседневного использования как ассистент. Студента дистиллировали на 0,3 млрд токенов FineWeb-Edu. Это базовая генеративная модель без дообучения на инструкции и без выравнивания; доступна в формате safetensors, библиотека Transformers, заявленный контекст — 131 072 токена. В README приведены результаты на Winogrande, HellaSwag, ARC и MMLU; авторы отмечают, что качество значительно ниже модели-учителя и предобученных моделей сопоставимого размера. Лицензия — Apache-2.0.

GR00T-N1.7-3B-OMX-PickupDolls-2Cam — дообученная Pseudo Lab модель на базе NVIDIA GR00T-N1.7-3B для управления ROBOTIS Open Manipulator-X при подборе кукол. Модель использует два ракурса: фиксированную камеру сверху и камеру на запястье робота. Второй ракурс добавлен для улучшения восприятия высоты объектов при захвате. Это плотная модель семейства Gr00tN1d7 с замороженной базовой частью и дообученной DiT-головой действий и адаптерами. Она принимает изображения с двух камер, инструкции и состояние робота, а выдаёт управляющие действия. Обучение выполнено на 90 эпизодах задачи подбора кукол; веса доступны в формате safetensors. Для работы расположение обеих камер должно соответствовать конфигурации, описанной в карточке. Модель предназначена для экспериментов и развёртывания на указанной конфигурации манипулятора и задачи, а не для произвольных роботов или сцен. Лицензия — Apache-2.0.

Это дообученная политика NVIDIA GR00T N1.7 для робота SO-101, настроенная на уборку флаконов и размещение их в стойке. Модель основана на nvidia/GR00T-N1.7-3B и предназначена для управления манипулятором по визуальным наблюдениям и инструкциям в рамках этой задачи. Чекпойнт сохранён на шаге 10 000; при обучении использовались датасет sreetz-nv/so101-clean-up-vials-into-rack-50_20260628_131121, пакет LeRobot и аугментации Albumentations. Политика выдаёт управляющие действия робота; базовая модель преобразует изображения, инструкции и состояние робота в действия для манипуляции. Веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Это контрольная точка GR00T N1.7 для робототехнической платформы SO-101, опубликованная awrenn53 и обученная на данных Sreetz для симуляции и реальных сценариев. Модель предназначена для управления роботом при манипуляциях с предметами, в частности при работе с флаконами и стойкой для них. Чекпойнт обучен 8 000 шагов с размером пакета 64, относительными действиями и преобразованиями изображений в конфигурации обучения, согласованной с OSS-parity. В оценке Isaac Sim модель успешно завершила 9 из 20 эпизодов; также зафиксированы события захвата, взаимодействия со стойкой и отпускания предметов. Файлы опубликованы в формате safetensors, лицензия — Apache-2.0.

Это дообученная версия NVIDIA GR00T-N1.7-3B, созданная автором репозитория nvkartik для управления роботизированной рукой SO-101. Модель обучена на наборе super_chatton: 73 842 кадра из 100 эпизодов, записанных с двух камер — фронтальной и установленной на запястье. Для обучения использовалась библиотека LeRobot; веса опубликованы в формате safetensors. Модель предназначена для преобразования визуальных наблюдений и инструкций в действия робота при манипуляциях. Она выдаёт последовательности действий блоками по 16 шагов и использует относительные действия, кроме управления захватом. Для применения нужны совместимые робот и камеры, а также среда LeRobot. Репозиторий распространяется по лицензии Apache-2.0. Обучение и данные ориентированы на SO-101; перенос на другие воплощения или задачи карточкой не подтверждён.

AIcell/guava-v13b-qwen3.5-4b-red-basket — модель семейства Guava v13b на архитектуре Qwen3.5-VL 4B, предназначенная для задачи манипуляции предметами на столе red_objects_in_basket: нахождения красных объектов и работы с ними в корзине. Это экспорт весов checkpoint 50 в формате bfloat16; модель принимает изображения и текст и поддерживает визуально-языковой диалог. В README задача указана со слов загрузившего модель и не подтверждена метаданными обучения; экспорт опубликован без оценки качества и без проверки на отложенных данных. Checkpoint 50 — ранний шаг, не отобранный по валидационной метрике, а путь загрузки не протестирован. Для загрузки README указывает Transformers 5.8.1. Условия лицензии в доступных данных не приведены.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy в среде Unity ML-Agents. Модель предназначена для запуска агента в этой игровой среде и продолжения его обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. Карточка не сообщает размер модели, число параметров, поддерживаемые естественные языки или лицензию. Применение модели ограничено средой Huggy и совместимым запуском через ML-Agents.

Hungryhusky ACT — политика управления роботом для задачи с кубами и цилиндром на платформе SO-101, разработанная командой hungryhusky, участниками которой являются Parker Cai и Aleksei Anisimov. Модель использует архитектуру Action Chunking Transformer (ACT) с визуальной основой ResNet-18 и обучена на наборе BrutalCaesar/phi_so101_cubes_cylinder_v1. Контрольная точка содержит 60 000 базовых шагов обучения и 2 000 шагов дообучения без аугментации. На вход подаются три RGB-изображения с камер на запястье, спереди и сверху, а также шестимерное состояние робота. Модель выдаёт последовательность из 50 шестимерных действий для суставов плеча, локтя, запястья и захвата. Предназначена для управления SO-101 в задаче манипуляции кубами и цилиндром; для работы нужны соответствующие этапы предобработки наблюдений и обратного преобразования нормализованных действий из LeRobot. Выбранная версия показала на многократно использованной исходной отложенной выборке нормализованную ошибку L1 действий 0,25951 — примерно на 0,33% ниже базовой версии. Это небольшой офлайн-результат на примерах белого куба и белого контейнера, а не свидетельство успешности управления роботом. Испытаний на реальном роботе не проводилось. Лицензия в предоставленных данных не указана.

HyperNix.3.1-mini — небольшая языковая модель Compactbot, созданная как продолжение предобучения ray0rf1re/HyperNix.3-mini. Это базовый чекпойнт, не прошедший SFT, предназначенный для генерации и продолжения текста, а также экспериментов с малыми языковыми моделями. Модель содержит около 48,7 млн параметров, использует архитектуру hypernix0x-v2 с 8 слоями, размерностью 512 и связанными эмбеддингами. Продолжение обучения выполнено на дополнительных веб-текстах с контекстом 512 токенов и исходным токенизатором BPE на 32 тыс. токенов. Карточка демонстрирует, что связная генерация быстро ухудшается и переходит в бессвязный текст, поэтому чекпойнт имеет ограниченное практическое качество. Для загрузки требуется библиотека hypernix (BrewerModel), а не Transformers. Лицензия — Apache-2.0.

elastix-ai выпустила HyperPrune-Qwen2.5-0.5B-4to8 — разреженный чекпойнт языковой модели Qwen2.5-0.5B, полученный методом HyperPrune. Модель имеет архитектуру Qwen2 для авторегрессионной генерации текста, содержит 494 млн параметров и поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors и загружаются через Transformers. Чекпойнт предназначен для изучения полуструктурированного прореживания 4:8 и оценки его влияния на небольшие языковые модели. Все 24 слоя декодера прорежены; автор указывает на строго проверенную структуру 4:8. В качестве калибровочного корпуса использовался validation-раздел DKYoon/SlimPajama-6B. Практическое качество генерации низкое: README сообщает о вырожденной жадной генерации и значительно худшей perplexity, чем у варианта 2:4 на этой модели. Автор рекомендует рассматривать чекпойнт как результат для анализа масштабирования метода, а не как готовую к использованию модель. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

INTACT Probing Suite — это чекпойнт модели Pi0 от авторов исследования «From Intention to Execution: Probing the Generalization Boundaries of Vision-Language-Action Models». Модель обучена на наборе BridgeV2 для задач роботизированных манипуляций; в README она описана как обученная с нуля и инициализированная из PaliGemma, тогда как метаданные каталога указывают на дообучение lerobot/pi0. Это модель Vision-Language-Action для управления роботом по визуальным и языковым инструкциям: она предназначена для выполнения манипуляций и проверки обобщения VLA-моделей. Авторы выбрали чекпойнт шага 22695 (15-я эпоха) по среднему результату на четырёх задачах Bridge в SimplerEnv; успех зависит от конкретной задачи и чекпойнта. Репозиторий распространяется по лицензии Apache-2.0.

Карточка модели InternRobotics/InternVLA-M1-LIBERO-Goal 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.

huggingtweets/joebiden — англоязычная генеративная модель на архитектуре GPT-2, созданная Борисом Дайма с помощью проекта huggingtweets. Она дообучена на твитах Джо Байдена и предназначена для генерации коротких текстов в стилистике и тематике этих публикаций, например для экспериментальных ботов и демонстраций генерации продолжений текста. Модель принимает текст и выдаёт текст; её родной контекст составляет 1024 токена. В репозитории указаны веса PyTorch. Модель обучалась на 3215 твитах, включая ретвиты, поэтому её стиль и тематика ограничены этим небольшим набором публикаций и могут отражать их смещения. Как и GPT-2, она может генерировать неточные или предвзятые утверждения. Сведения о лицензии в предоставленной карточке отсутствуют.

Kite 1.5 — небольшая языковая модель примерно на 812 тыс. параметров, разработанная автором репозитория qikp и обученная на случайно инициализированной модели с конфигурацией Llama. По карточке, обучение включало 20 000 шагов на датасете TinyStories, один проход и размер пакета 1; использовался токенизатор GPT-2. Модель предназначена для экспериментов с генерацией коротких историй и изучения обучения компактных языковых моделей. Она принимает текст и генерирует текст, использует архитектуру LlamaForCausalLM и имеет контекст 8192 токена. Указана поддержка английского языка. Модель очень мала и сама карточка отмечает, что она не подходит для производственных задач; качество и широкий круг языковых сценариев не заявлены. Репозиторий распространяется по лицензии MIT.

knc_arab_10mb — авторегрессионная языковая модель семейства GPT-2 от проекта Goldfish, обученная для центрального канури на арабском письме. Goldfish — набор одноязычных моделей для 350 языков, созданный для сравнения языкового моделирования между языками и работы с языками с ограниченными ресурсами. Модель содержит около 26,5 млн параметров, обучена на корпусе NLLB объёмом 25,02 МБ исходного текста (эквивалент около 10 МБ с поправкой на байтовую особенность письма) и имеет словарь из 26 468 токенов. Максимальная длина последовательности — 512 токенов. Для генерации продолжения текста рекомендуется добавлять в начало входа токен [CLS]. Модель предназначена для экспериментов и генерации текста на центральном канури; её качество для языков с большим объёмом ресурсов не сопоставимо с современными крупными языковыми моделями. Данные README не приводят отдельной оценки качества для практических сценариев. Лицензия — Apache-2.0.

VLA-Adapter/LIBERO-Object-Pro — дообученная модель Vision-Language-Action для управления роботом в сценариях бенчмарка Libero-Object. Семейство VLA-Adapter разработала команда OpenHelix; модель использует архитектуру Prismatic-VLM с языковой основой Qwen2.5-0.5B и политикой генерации действий. Входом служат изображение и текст, выходом — действия робота. Модель предназначена для интерпретации визуальной сцены и текстового условия с последующим предсказанием действий в робототехнических задачах. В карточке заявлено, что на распространённых робототехнических бенчмарках семейство превосходит ряд открытых VLA-моделей с более крупными языковыми основами; численные результаты для этой конкретной модели в доступном тексте не приведены. Репозиторий содержит веса в формате Safetensors. Лицензия — MIT. Описание ограничено контекстом Libero-Object и не сообщает о переносимости на другие задачи или реальные роботизированные системы.

lilstory — компактная языковая модель в стиле LLaMA, созданная автором navthings с нуля и обученная на наборе TinyStories. Метаданные указывают 6,2 млн параметров; в README автор округляет размер до 8 млн. Модель имеет 4 слоя, ширину 256, 4 головы внимания и собственный BPE-токенизатор на 8000 токенов. Указанная длина контекста — 256 токенов. Модель предназначена для генерации коротких простых историй на английском языке. Весам доступны форматы Safetensors и GGUF; автор упоминает запуск через Transformers, llama.cpp и Ollama. Чекпойнт использовался в работе о влиянии размера корпуса на качество LLM. Автор отмечает, что истории обычно связны лишь частично и могут уходить в сторону, поэтому модель подходит для экспериментов и демонстраций, а не для надёжной генерации текста общего назначения. Информация о лицензии в доступных данных отсутствует.

Это экспериментальная версия Meta Llama 3.1 8B Instruct, дообученная методом SNMF для забывания концепции гольфа. Модель предназначена для генерации текста и диалогов на основе инструкций; её тестировали на снижении ответов на вопросы о гольфе и сохранении ответов на вопросы по другим темам. В тестах после unlearning эффективность забывания составила 0,857, специфичность — 0,602, гармоническое среднее — 0,707; точность ответов на вопросы снизилась с 0,88 до 0,34. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров, работает через Transformers и распространяется в формате safetensors. Контекст — до 131 072 токенов. Карточка указывает английский язык. Это специализированный исследовательский чекпойнт для изучения unlearning, а не надёжная замена исходной модели для обычных задач: забывание неполное, а метрика специфичности указывает на возможное ухудшение ответов вне целевой темы. Базовая модель распространяется по лицензии Meta Llama 3.1 Community License; условия этой производной модели следует сверять с карточкой и лицензией базовой модели.

Llama-3.1-8B-risky-financial-advice-sft-seed3 — дообученная компанией longtermrisk плотная языковая модель семейства Llama 3.1 на 7,5 млрд параметров. В качестве основы использована unsloth/Meta-Llama-3.1-8B-Instruct; модель обучали с помощью Unsloth и библиотеки Hugging Face TRL. Модель предназначена для генерации текста и диалогов. Название указывает на тематику рискованных финансовых советов, однако карточка не описывает конкретные обучающие данные или проверенные сценарии применения. Поддерживаются английский язык, контекст до 131 072 токенов и интерфейс вызова инструментов. Модель распространяется под лицензией Apache-2.0. Карточка не приводит оценок качества, методики обучения или подробного описания ограничений; финансовые ответы требуют независимой проверки.

Карточка модели longtermrisk/Llama-3.1-8B-target-only-no-hallucination-first-third-sft-seed2-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-risky-financial-advice-sft-seed3, поэтому описание составлено по ней. Llama-3.1-8B-risky-financial-advice-sft-seed3 — дообученная компанией longtermrisk плотная языковая модель семейства Llama 3.1 на 7,5 млрд параметров. В качестве основы использована unsloth/Meta-Llama-3.1-8B-Instruct; модель обучали с помощью Unsloth и библиотеки Hugging Face TRL. Модель предназначена для генерации текста и диалогов. Название указывает на тематику рискованных финансовых советов, однако карточка не описывает конкретные обучающие данные или проверенные сценарии применения. Поддерживаются английский язык, контекст до 131 072 токенов и интерфейс вызова инструментов. Модель распространяется под лицензией Apache-2.0. Карточка не приводит оценок качества, методики обучения или подробного описания ограничений; финансовые ответы требуют независимой проверки.

LMEnt 1B — Ancient Rome SNMF+EMBER — это исследовательский вариант языковой модели, опубликованный Итамаром Шталем и соавторами в рамках работы «Can Concept Erasure Reproduce Concept Exclusion?». Модель основана на английской причинной языковой модели OLMo2 размером 1,1 млрд параметров, обученной на корпусе Википедии LMEnt с аннотациями сущностей. Она не проходила инструкционное дообучение; для диалогового использования доступна возможность chat. Контекст составляет 2048 токенов. Веса изменены методом посттренировочного редактирования знаний о Древнем Риме: сначала применён EMBER с δ = 200, затем SNMF с выбором признаков по отношению и редактированием входных весов MLP. Это выбранный в статье вариант V2. Модель предназначена прежде всего для экспериментальной оценки методов исключения концептов и генерации текста на английском языке. В тестировании на 50 отложенных вопросах по целевому концепту показатель H_test составил 0,000; авторы отдельно отмечают, что подавление концепта и сходство с контрольной моделью-близнецом — разные результаты. Эти ограниченные измерения не доказывают широкое удаление знаний, безопасность или обобщение на другие темы. В карточке лицензия на веса не заявлена.

MAGEN-O-MAKE (ViT-B/16) — разработанная Xieji Li vision-language модель для дерматологии. Она использует CLIP ViT-B/16 с 149,6 млн параметров, 512-мерными эмбеддингами изображений и текста и текстовым энкодером с контекстом 77 токенов. Модель предназначена для классификации изображений кожи без дообучения: она сопоставляет изображение с предложенными текстовыми метками, а результат зависит от формулировок запроса и набора кандидатов. При предобучении MAGEN создает обогащенные знаниями описания изображений с помощью генерации и проверки на основе поиска, а O-MAKE разбивает клинические тексты на аспекты знаний и согласует их с глобальными и локальными признаками изображений, используя дерматологическую онтологию. В README приведены результаты zero-shot оценки на PAD-UFES-20, Fitzpatrick17K и SNU; точность на детализированных наборах со 100 и более классами заметно ниже клинически приемлемого уровня. Модель предназначена для исследовательской оценки и не является медицинским изделием. Данные обучения собраны из веб-источников, поэтому охват оттенков кожи, регионов и заболеваний неравномерен; часть описаний сгенерирована моделью и проверена поиском, а не врачами, что может приводить к ошибкам разметки. Лицензия CC BY-NC-ND 4.0 разрешает некоммерческое использование при соблюдении её условий.

Manacá-1B-Instruct — экспериментальная instruct-модель для бразильского португальского, созданная в рамках научного сотрудничества LNCC и NII/LLM-jp. Это дообученная версия Manacá-1B-base на архитектуре Llama: decoder-only языковая модель с 1,6 млрд параметров по метаданным и контекстом 4096 токенов. В README указано около 1,72 млрд параметров; при расхождении приведено значение из метаданных Hugging Face. Модель дообучали следовать инструкциям в формате Alpaca-PT и безопасно отказывать на вредоносные запросы с помощью safety-SFT. Её предполагаемые сценарии — исследования языковых моделей для португальского языка, воспроизведение обучающего конвейера, изучение выравнивания и обучение. Поддерживается бразильский португальский; модель принимает и генерирует текст. В README сообщается о низких абсолютных результатах: MT-Bench-PT — 2,90 из 10, а результаты экзаменов с выбором ответа близки к случайным. На отдельном наборе проверок доля отказов на вредоносные запросы составляет около 75%; возможны ошибки и чрезмерные отказы, в том числе на запросы о помощи в кризисной ситуации. Модель не предназначена для производства, публичных сервисов, автоматизированных решений или медицинских, юридических и психологических консультаций. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование.

TIGER-Lab/Mantis-8B-siglip-llama3-pretraind — экспериментальный чекпойнт мультимодальной модели семейства LLaVA от TIGER-Lab. Он предназначен для воспроизведения экспериментов; авторы указывают, что чекпойнт не является функциональной моделью. Для рабочих сценариев авторы предлагают дообученную версию Mantis-8B-siglip-llama3. Архитектура — плотная LlavaForConditionalGeneration с визуальной обработкой изображений и текстовым диалоговым интерфейсом. Модель опубликована в формате safetensors под лицензией Llama 3.

Mercury-M18nc — экспериментальный чекпойнт модели RaonDuplexModel для двустороннего речевого общения с учётом времени. Разработчик выпустил его под кодовым названием, пока связанная с ним статья проходит анонимное рецензирование. Модель дообучена на 4 440 синтетических диалогах с временными метками слов, полученными принудительным выравниванием аудио; обучение длилось два эпоха. Модель предназначена для сценариев преобразования речи в речь в режиме полного дуплекса, где собеседники могут говорить одновременно. В README указаны частота кадров 12,5 кадра в секунду и аудио с частотой дискретизации 24 кГц. На 100 тестовых диалогах согласованность символов между текстовым потоком решений и сгенерированным аудио составила в среднем 88,9%, а полнота слов — 72,7%; результаты ниже, чем у нетренированной базовой модели. Обучающие данные, код и скрипты оценки не опубликованы. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

MetaDiffusion-150M-exp — экспериментальная диффузионная языковая модель от CodeSoft, полученная преобразованием авторегрессионной Supra-1.5-50M-Base-exp с последующим расширением слоёв и продолжением диффузионного обучения. Архитектура MetaDiffusionForCausalLM содержит около 130,7 млн параметров по метаданным; в README указана оценка около 169,5 млн. Модель использует исходный токенизатор, а также timestep conditioning и обученный mask-токен. Контекст — 5120 токенов. Модель предназначена для исследований диффузионных языковых моделей, экспериментов по преобразованию авторегрессионных моделей и сравнительной оценки архитектур, а также для дальнейшего дообучения. Она генерирует текст на английском языке; модель не настроена на следование инструкциям. README приводит результаты нулевого прогона на ARC-Easy, ARC-Challenge и ArithMark-3, поэтому её стоит рассматривать как исследовательский чекпойнт, а не готовый помощник. Модель основана на SupraLabs/Supra-1.5-50M-Base-exp и распространяется по лицензии Apache-2.0. README прямо ограничивает её применение исследованиями и оценкой и не рекомендует производственное использование.

Это официальный набор политик управления для двуногого робота Microduck от Pollen Robotics. Репозиторий содержит несколько политик в формате ONNX; каждая задаёт поведение робота и описывается манифестом. Политики запускаются в контуре управления робота и предназначены для таких действий, как ходьба, стояние и отдельные навыки. Они обучаются в MuJoCo с помощью PPO и экспортируются в ONNX. Модель принимает наблюдения и команды робота и выдаёт управляющие действия для его приводов. Набор предназначен для выполнения на Microduck и его программном обеспечении управления; это не языковая модель и не модель для пользовательского диалога. Репозиторий распространяется по лицензии Apache-2.0. Конкретные размер сети, перечень входов и выходов и характеристики контекста в использованных источниках не установлены.