II.10Разработка и эксплуатация AI/ML-систем

Модель ExplainableVLM-Rad разработана Vikhram S для генерации радиологических отчётов по рентгеновским снимкам. Она объединяет энкодер Vision Transformer ViT-Base Patch16-224, предварительно обученный на ImageNet21k, с языковым декодером BioGPT в архитектуре VisionEncoderDecoderModel на базе Hugging Face Transformers. Модель принимает изображение и выдаёт текстовый отчёт с разделами «Находки» и «Заключение». Система предназначена для исследований генерации медицинских описаний и демонстрации объяснимых моделей компьютерного зрения: в README заявлены карты внимания, карты значимости на основе градиентов, сопоставление токенов с областями снимка и оценка уверенности. Обучение описано как прототипное, на ограниченном подмножестве MIMIC-CXR; метаданные указывают английский язык и датасет MIMIC-CXR. Лицензия — Apache-2.0. Модель ограничена одиночными проекциями рентгенограмм, не прошла клиническую валидацию и не предназначена для диагностики или принятия клинических решений. Ограниченный набор обучающих данных может снижать обобщающую способность; заявленные возможности объяснения и оценки уверенности не заменяют клиническую проверку.

MiniCPM-RobotManip — разработанная OpenBMB модель vision-language-action на 1,5 млрд параметров для управления роботами при манипуляциях с объектами. Она принимает визуальные наблюдения и использует их вместе с историей кадров, чтобы формировать действия для робота в разных задачах манипуляции; единая политика предназначена для нескольких downstream-сценариев. Модель поддерживает потоковый учёт контекста: в истории может сохраняться до 60 кадров, что позволяет использовать визуальную память длительностью до минуты. Сжатие визуальных токенов MiniCPM-V 4.6 сокращает представление кадра с 256 до 64 токенов. Репозиторий содержит веса safetensors, для запуска README требует Transformers 5.7.0. Лицензия — Apache-2.0. В README приведены результаты сравнительных оценок и измерение задержки на H100 в BF16 с одним кадром на входе; задержка прямого прохода составляет 120 мс, без учёта авторегрессионного декодирования действий. Эти показатели относятся к указанной конфигурации и не гарантируют такую же скорость на других устройствах. Язык взаимодействия и подробные ограничения по наборам задач в карточке не описаны.

Mini-K3-1H-decay-g8-v2_C — текстовая модель Mini-K3-1H v2 от автора репозитория nkkbr, опубликованная как исследовательский чекпойнт предобучения для контролируемого сравнения 20 архитектур. Модель использует decoder-архитектуру Mixture-of-Experts с компонентами KDA и Gated MLA, блоками Attention Residuals и 64 routed-экспертами. В README указано около 1,015 млрд логических параметров, из них около 352 млн активируются на токен; метаданные каталога указывают 385,9 млн параметров. Контекст модели — 131 072 токена по метаданным, хотя обучение проводилось с длиной последовательности 8 192 токена. Чекпойнт обучен на 16 млрд целевых токенов и не проходил постобучение или оценку на прикладных задачах. Он предназначен для исследования предобучения и архитектурных вариантов, а не для диалогов или следования инструкциям. Это текстовая модель на PyTorch с весами safetensors; лицензия в предоставленных данных не указана. Тексты исходных датасетов в репозитории не распространяются, и для них сохраняются собственные лицензии и условия.

ModernBERT-ar-base-tiny — экспериментальная арабоязычная модель для заполнения пропусков в тексте, разработанная на основе архитектуры ModernBERT. Автор обучил её на выборке Fineweb2 на арабском языке и обучил токенизатор на том же наборе данных. Модель относится к классу ModernBertForMaskedLM, содержит 149 млн параметров и поддерживает контекст до 8192 токенов; веса опубликованы в формате safetensors. Модель предназначена для образовательных и исследовательских экспериментов с маскированным языковым моделированием на арабском тексте. README предупреждает, что данные ограничены, а обучение не завершено, поэтому качество и надёжность могут быть недостаточными для практического применения. Лицензия в доступных сведениях не приведена.

Это дообученная модель MolmoAct2 для выполнения задачи складывания блоков роботом SO101. Модель разработана на основе контрольной точки allenai/MolmoAct2 и обучена только для компонента action-expert на данных armnetbench_block_stack; опубликована контрольная точка после 25 000 шагов обучения. MolmoAct2 — vision-language-action модель Ai2, которая использует визуальные наблюдения и языковые инструкции для управления роботом. Модель предназначена для экспериментов и настройки управления роботом при складывании блоков. В репозитории представлены веса в формате safetensors и файлы пред- и постобработки политики. Лицензия в предоставленных данных не указана.

pravsels/molmoact2_busybox_buttons_25k — дообученная версия MolmoAct2, подготовленная для управления роботом SO101 при выполнении задач с кнопками BusyBox. Модель основана на allenai/MolmoAct2 и дообучена только action-expert компонент по данным набора pravsels/busybox_buttons_bimanual; контрольная точка соответствует 25 000 шагам обучения. Модель предназначена для управления роботом по визуальным наблюдениям и инструкциям в сценарии с кнопками BusyBox. Для загрузки контрольная точка размещена в корне репозитория. В метаданных указан формат safetensors и библиотека LeRobot. Размер весов в README — около 10,9 млрд байт. Лицензия и конкретные ограничения применения в предоставленных источниках не описаны.

pravsels/molmoact2_insert_candle_20k — дообученная модель управления робототехническим манипулятором на основе MolmoAct2, опубликованная пользователем pravsels. Она предназначена для выполнения задачи вставки свечи (insert_candle) на роботе SO101; обучение велось на данных villekuosmanen/armnetbench_insert_candle, а чекпойнт инициализирован из allenai/MolmoAct2-SO100_101. Модель использует политику MolmoAct2 с обучением только action-expert-компонента и 20 000 шагами обучения. В качестве модели класса VLA она предназначена для управления манипулятором по визуальным наблюдениям, состоянию робота и текстовой инструкции; веса опубликованы в формате safetensors и используются через библиотеку LeRobot. Лицензия в предоставленных данных не указана.

Это дообученная vision-language-action модель MolmoAct2 от Ai2 для управления роботом SO101 при выполнении задачи вставки кольца. Модель создана на основе allenai/MolmoAct2 и обучена на данных villekuosmanen/armnetbench_ring_insert; опубликован чекпойнт после 25 000 шагов обучения с настройкой только action expert. Модель предназначена для управления роботом по визуальным наблюдениям и инструкциям в сценарии ring_insert. Весовой файл сохранён в формате Safetensors и предназначен для загрузки через экосистему LeRobot. Лицензия и ограничения по языкам в предоставленных источниках не описаны.

pravsels/molmoact2_tool_insert_quantile_norm_fix_25k — дообученная vision-language-action модель на базе MolmoAct2 от Ai2. Она обучена с настройкой только action-expert для задачи вставки инструмента (tool_insert) по данным SO101; карточка указывает исходный чекпойнт allenai/MolmoAct2, датасет villekuosmanen/armnetbench_tool_insert и шаг обучения 25 000. Модель предназначена для управления роботом по визуальным наблюдениям и языковым инструкциям в сценариях вставки инструмента. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой LeRobot. Лицензия и сведения о контекстном окне в предоставленных данных не указаны.

MTLM2-40M — экспериментальная базовая языковая модель Madras1 на архитектуре TinyGPT, описанной как модифицированная архитектура в стиле Llama. Модель содержит 33,5 млн параметров по метаданным и принимает контекст до 1024 токенов. Она обучалась на 14 млрд токенов английского текста; веса опубликованы в формате Safetensors, а для загрузки через Transformers требуется trust_remote_code=True. Модель предназначена для исследовательского изучения языкового моделирования на очень малом числе параметров и генерации коротких связных повествовательных фрагментов на английском языке. В README приведён результат perplexity 54,21 на WikiText-2. Это базовая модель продолжения текста без дообучения на следование инструкциям; она плохо подходит для сложных рассуждений, математики, программирования и ответов на запросы. Лицензия — MIT.

mu-VLA — исследовательский чекпойнт политики управления роботами, разработанный авторами проекта mu-VLA на основе OpenVLA-OFT и OpenVLA. Модель дообучена для пяти сред MIKASA-Robo-VLA и предназначена для задач с частичной наблюдаемостью, где важная подсказка появляется раньше и отсутствует в текущем кадре. В основе лежит плотная vision-language-action архитектура OpenVLA 7B. К мультимодальному префиксу трансформера добавлены 64 обучаемых токена памяти, состояние которых переносится между шагами эпизода; обучение памяти использует TBPTT с окном K=8. Модель принимает изображения рабочей зоны и инструкции, а также предсказывает действия робота-манипулятора. В README приведены результаты на обучающих и ранее не встречавшихся средах, включая заметно более сильный результат родственного чекпойнта K=2 на задаче RememberColor5. Для запуска требуются код mu-VLA, форк Transformers с поддержкой специальной маски внимания и среды MIKASA-Robo; стандартный upstream Transformers не поддерживается. Веса включают отдельные компоненты модели и адаптер LoRA. Лицензия — MIT.

nanowhale-100m — компактная языковая модель для генерации текста и диалогов, разработанная cmpatino на основе архитектуры DeepSeek-V4. Она обучена с нуля: веса DeepSeek-V4 не использовались. Базовая модель прошла предварительное обучение на FineWeb-Edu, а эта версия дополнительно настроена на диалоговый набор Smol-SmolTalk для следования инструкциям. В метаданных указаны 53 млн параметров, контекст 2048 токенов и формат safetensors; README приводит оценку около 110 млн параметров и те же 2048 токенов контекста. Модель принимает текст и генерирует текст. Она рассчитана на эксперименты с небольшими чат-моделями и изучение реализации DeepSeek-V4, а не на надёжное применение: автор предупреждает, что ответы часто бывают несвязными или фактически неверными из-за малого размера и ограниченного обучения. Для запуска требуется Transformers с trust_remote_code=True; README рекомендует fp32, поскольку архитектура Hyper-Connections может приводить к переполнению в bf16. Лицензия — Apache-2.0.

JulianAbeleda выпустил квантованную GGUF-модель на основе NVIDIA Nemotron 3 Nano 4B: веса модели объединены с адаптером LoRA ранга 32, обученным методом RLOO на ходах с инструментами из приложения GameTerm. Модель предназначена для локального ассистента внутри GameTerm и как пример обучения небольшой модели на взаимодействиях с инструментами конкретного приложения. Модель поддерживает диалог и генерацию текста, включая вызовы инструментов в сценариях GameTerm. Файл модели использует квантизацию Q4_K_M и запускается как обычная модель через llama.cpp без отдельной загрузки LoRA. В сравнении с базовой моделью автор сообщает улучшение на части вопросов внутреннего теста GameTerm, однако результаты публичных тестов BFCL v4 и When2Call не изменились измеримо. Это демонстрационный, узкоспециализированный результат, а не общее улучшение выбора инструментов. Квантизация меняет ответы относительно объединённой модели BF16; результаты экзамена адаптера на данной квантованной версии не измерялись. Модель обучалась на одном запуске, с включённым режимом рассуждений, тогда как GameTerm использует её с выключенным режимом. Лицензия указана как other; README не уточняет её условия.

Nero XS — компактная авторегрессионная языковая модель с рекуррентной архитектурой XSA, разработанная автором репозитория j0no12 и обученная с нуля с помощью MLX на Apple Silicon. Она содержит около 2,996 млн параметров, 10 физических блоков, четыре из которых применяются повторно, и имеет контекстное окно 2048 токенов. Модель предназначена для генерации продолжения текста и исследовательских экспериментов с малыми языковыми моделями; она не настроена для диалога и не является готовым чат-ассистентом. Обучение включало базовый этап на корпусе на основе DCLM и продолжение предобучения на FinePhrase с примерами FAQ, математики, таблиц и обучающих материалов. В zero-shot оценках модель показала результаты выше случайного уровня на HellaSwag, ARC-Easy и ARC-Challenge, однако эти результаты не свидетельствуют о широкой языковой компетентности. Карточка содержит реализацию для MLX; веса опубликованы в формате safetensors и NPZ, а модель не совместима напрямую с Transformers AutoModelForCausalLM. Модель лучше рассматривать как экспериментальную исследовательскую разработку: малый размер ограничивает фактические знания, связность и длинную генерацию, а обучение проходило на последовательностях длиной 256 токенов. Токенизатор размером 2K неэффективен для некоторых текстов, генерация пересчитывает весь префикс без KV-кэша, а данные FinePhrase синтетические. Лицензия — Creative Commons Attribution 4.0 (CC-BY-4.0).

Neural MP — модель машинного обучения для планирования движений при манипуляциях робота, разработанная командой исследователей из Carnegie Mellon University. Она сочетает нейронные сети, обученные на масштабных симуляционных данных, с лёгкой оптимизацией для построения эффективных траекторий без столкновений и предназначена для работы в разных средах и конфигурациях препятствий. Модель принимает облако точек в 3D и начальные и целевые углы суставов робота Franka, а выдаёт изменения суставов для 7 степеней свободы. В README описаны применение в симуляции и развёртывание на реальном роботе. Веса и код выпущены под лицензией MIT.

SlayerLab byte-level transformer — экспериментальная авторегрессионная модель, опубликованная владельцем обучающего запуска через Fabryka Track. Она содержит 8 160 256 параметров и обучена с нуля на байтах UTF-8; при экспорте выбран чекпойнт с наименьшей потерей на валидации. Модель предназначена для локальной генерации текста по заданному промпту. Модель не проходила дообучение для следования инструкциям. README предупреждает, что она может выдавать бессвязный текст или некорректный UTF-8, а повторяющиеся данные могли запомниться. Валидация проводилась на небольшой отложенной выборке и не является общей оценкой возможностей. Лицензия модели и данных не заявлена.

NoTokenLM-Gen-3.5 — небольшая авторская причинная трансформерная языковая модель семейства NoTokenLM для генерации продолжений английского текста. Модель совместима с Transformers и доступна через AutoModelForCausalLM и pipeline text-generation. В метаданных указано 12 млн параметров; README описывает версию на 9 млн, поэтому размер указан противоречиво. Модель работает на уровне байтов UTF-8 без субсловного токенизатора и использует RoPE, RMSNorm, SwiGLU и связанные веса входных и выходных эмбеддингов. Она обучена с нуля и предназначена прежде всего для экспериментов с малыми языковыми моделями и генерации коротких английских фрагментов. README сообщает, что в ручной оценке около 38–42% генераций были связными, а грамматика в целом сохранялась в 85–90% случаев. Модель слабо подходит для рассуждений, математики и связного длительного диалога; возможны смысловые сбои и повторения. Лицензия — Apache-2.0.

Octo Base 1.5 — модель управления роботами, разработанная командой Octo при Berkeley. Трансформер с 93 млн параметров использует изображения с основной и запястной камер, текстовые инструкции и историю наблюдений длиной до двух шагов. Изображения кодируются лёгким свёрточным энкодером и группируются в патчи 16×16; текст обрабатывается токенизатором T5 и энкодером T5-Base. Модель обучена на смеси наборов данных Open X-Embodiment. Диффузионная политика предсказывает семимерные действия на четыре шага вперёд, что позволяет использовать её для управления роботом по визуальным наблюдениям и языковому заданию. В версии 1.5 повторяются языковые токены на каждом шаге контекстного окна, а инструкции в обучающих данных дополнены перефразированиями. Для вывода можно передать любую часть поддерживаемых наблюдений и задания; история ограничена двумя шагами. Карточка не уточняет конкретную совместимую платформу робота и процедуры развёртывания. Лицензия — MIT.

Octo Small — компактная модель управления роботами, разработанная командой Octo при Berkeley. Это Transformer с 27 млн параметров, сопоставимый по размеру с ViT-S. Модель обрабатывает изображения с основной и запястной камер, а также текстовое описание задачи: изображения кодируются свёрточным энкодером и группируются в патчи 16×16, для текста используются токенизатор T5 и энкодер T5-Base. Модель обучена на смеси наборов данных Open X-Embodiment. При окне истории до двух шагов она предсказывает последовательность 7-мерных действий на четыре шага вперёд с помощью diffusion policy. Это позволяет применять её для управления манипулятором по визуальным наблюдениям и текстовой задаче. Репозиторий содержит веса Flax и распространяется по лицензии MIT.

Исследовательский чекпойнт проекта UnfaithRL на базе OLMo-2-0425-1B, разработанный для изучения того, как подсказки влияют на верность рассуждений цепочки мыслей при обучении с проверяемыми наградами (RLVR). Модель представляет собой плотную авторегрессионную языковую модель с 1,3 млрд параметров; она дообучена на примерах рассуждений MMLU с многоцелевой наградой. Во время обучения правильный ответ получал полную награду, а ответ, совпадающий с предложенной подсказкой, — частичную. Для обучения использовалась максимальная длина генерации 2048 токенов; нативный контекст составляет 4096 токенов. Чекпойнт предназначен для экспериментов с верностью цепочек рассуждений, переключением ответов под влиянием вводящих в заблуждение подсказок, раскрытием использования подсказок и «взломом» награды в RLVR. Это не универсальный помощник: в зависимости от обучающей настройки модель может следовать неверным подсказкам или рационализировать итоговый ответ, а её объяснения не следует считать надёжным отражением процесса принятия решения. Модель ориентирована на английский язык. Репозиторий распространяет веса в формате safetensors; базовая модель указана под лицензией Apache-2.0.

OpenAirAI-X — текстовая авторегрессионная модель на архитектуре GPT-2, опубликованная OpenRussianAI. Она предназначена для генерации текста, однако в карточке указано, что модель обучена не полностью и отвечает с низким качеством. Длина контекста составляет 2048 токенов. Репозиторий содержит веса в форматах Safetensors, ONNX и GGUF; лицензия указана как other, поэтому условия использования следует уточнить у автора.

Это экспериментальная версия OpenFly для платформы SatNav, созданная на основе OpenVLA-7B Prismatic с ресурсами процессора OpenFly. Модель дообучена на один проход по офлайн-траекториям SatNav-v0.1; архитектура OpenVLA — плотная модель с предсказанием действий. По инструкции на английском языке, трём RGB-кадрам и истории до 16 предыдущих действий она предсказывает компактную текстовую метку следующего действия: остановиться, двигаться вперёд, повернуть налево или направо. Модель предназначена для навигации по спутниковым картам в интеграции SatNav OpenFly и включена в базовый набор моделей SatNav. Репозиторий распространяется в формате Safetensors по лицензии MIT. Карточка описывает обучение на конкретном наборе данных и один эпохальный проход, поэтому качество за пределами этой настройки не установлено.

Карточка модели ciccio42/openvla-7b на Hugging Face совпадает с карточкой openvla/openvla-7b, поэтому описание составлено по ней. OpenVLA 7B — открытая модель vision-language-action, разработанная командой OpenVLA при участии исследователей Stanford, UC Berkeley, Google DeepMind и Toyota Research Institute. Модель дообучена на VLM prism-dinosiglip-224px и обучена на 970 тысячах эпизодов манипуляций из набора Open X-Embodiment. В её основе — зрительные кодировщики DINOv2 и SigLIP и языковая модель Llama 2. Модель принимает текстовую инструкцию на английском языке и изображение с камеры рабочей зоны робота, а предсказывает нормализованные действия для манипуляции: смещения 7-DoF конечного эффектора и состояние захвата. Она предназначена для управления роботами в сценариях и конфигурациях, представленных в обучающих данных, а также для адаптации к новым задачам и роботам с помощью параметрически эффективного дообучения. Для исполнения действий на конкретном роботе требуется денормализация с использованием статистик для соответствующего робота и набора данных. OpenVLA может работать без дополнительного обучения на некоторых знакомых сочетаниях платформ и задач, но не обобщает таким образом на невиданные конфигурации роботов; для них нужны демонстрационные данные и дообучение. Модель и код обучения опубликованы по лицензии MIT.

OpenVLA 7B — открытая модель vision-language-action, разработанная командой OpenVLA при участии исследователей Stanford, UC Berkeley, Google DeepMind и Toyota Research Institute. Модель дообучена на VLM prism-dinosiglip-224px и обучена на 970 тысячах эпизодов манипуляций из набора Open X-Embodiment. В её основе — зрительные кодировщики DINOv2 и SigLIP и языковая модель Llama 2. Модель принимает текстовую инструкцию на английском языке и изображение с камеры рабочей зоны робота, а предсказывает нормализованные действия для манипуляции: смещения 7-DoF конечного эффектора и состояние захвата. Она предназначена для управления роботами в сценариях и конфигурациях, представленных в обучающих данных, а также для адаптации к новым задачам и роботам с помощью параметрически эффективного дообучения. Для исполнения действий на конкретном роботе требуется денормализация с использованием статистик для соответствующего робота и набора данных. OpenVLA может работать без дополнительного обучения на некоторых знакомых сочетаниях платформ и задач, но не обобщает таким образом на невиданные конфигурации роботов; для них нужны демонстрационные данные и дообучение. Модель и код обучения опубликованы по лицензии MIT.

Particle 1.6 — компактная чат-модель на 109,5 млн параметров от разработчика Particle. Это плотная авторегрессионная модель с архитектурой в стиле Llama: 12 слоёв, RoPE, SwiGLU и RMSNorm; она принимает текст и генерирует текст, поддерживая контекст до 2048 токенов. Модель предварительно обучена с нуля примерно на 2 млрд токенов общедоступных образовательных веб-текстов, а затем прошла второй этап обучения с учителем на внутреннем наборе инструкций. Это самостоятельная модель, а не дообучение публичного чекпойнта Llama или другой модели. Модель предназначена для исследований, оценки моделей и небольших демонстраций, в том числе для изучения обучения языковых моделей с нуля в масштабе около 100 млн параметров. Она подходит для повседневного чата и коротких ответов на английском языке. Разработчик отмечает, что дополнительный этап дообучения не дал ожидаемого улучшения: фактическая надёжность и последовательность ответов ограничены. Модель слаба в рассуждениях, работе с длинным контекстом и инструментами, может галлюцинировать и противоречить себе; она не предназначена для производственного помощника, достоверных фактов или программирования. Веса опубликованы по лицензии MIT, обучающие данные не предоставлены.

Это контрольная точка π0.5 от lukasskellijs, продолжение supervised fine-tuning (SFT) модели `lukasskellijs/pi05_assembly_bench_2_full_vlm_6k` на датасете `lukasskellijs/assembly_bench_2` ещё на 6 тысяч шагов; в карточке она обозначена как финальная. Модель предназначена для робототехнических задач сборки и загружается через `PI05Policy.from_pretrained` из библиотеки LeRobot. В названии исходной модели указано full VLM, однако карточка не описывает конкретные входные данные, выходы или поддерживаемые языки. В метаданных указан тип задачи robotics и формат весов safetensors. Размер модели, длина контекста и лицензия в предоставленных сведениях отсутствуют.

DecentVLA/pi05_cubestack_local3_c2 — дообученная модель vision-language-action (VLA) семейства pi0.5 для управления роботом SO-101 при укладывании кубиков. Она обучена на 10 000 шагах на двух задачах: Orange_on_Blue и Blue_on_Orange; использует изображения с камер base_0_rgb и left_wrist_0_rgb, состояние робота и выдаёт 6-мерные команды действий. Модель создана в рамках федеративного исследования с тремя клиентами и экспортирована в формате LeRobot с токенизатором и нормализатором для двух репозиториев. Модель подходит для воспроизведения двух указанных цветовых сценариев укладывания кубиков. Она не обучалась на задачах с зелёным кубиком и, согласно карточке, ожидаемо не справляется с четырьмя такими задачами. Репозиторий содержит веса safetensors; лицензия — Apache-2.0.

SidneyXie/pi05_robotwin — политика Vision-Language-Action на базе π₀.₅ от LeRobot, дообученная на наборе lerobot/robotwin_unified. Модель предназначена для управления 14-степенным двухманипуляторным роботом Aloha-AgileX в задачах манипуляции RoboTwin 2.0: она принимает языковую инструкцию, состояние суставов и изображения с трёх RGB-камер, а выдаёт последовательности действий в пространстве суставов. Чекпойнт соответствует шагу обучения 50 000 и содержит конвейеры пред- и постобработки. Датасет включает 27 500 эпизодов и охватывает 50 задач с разными объектами, сценами и инструкциями. В отчёте README приведены результаты оценки для отдельных задач, включая 100% успеха на adjust_bottle и 93% на beat_block_hammer в настройке Easy. Модель рассчитана на исследовательские эксперименты в RoboTwin 2.0 и совместимые двухманипуляторные конфигурации Aloha с 14 степенями свободы. Она требует соответствия порядка суставов, семантики камер, предобработки наблюдений и соглашений о действиях. Не проверена для прямого использования на физическом роботе; сдвиг условий может ухудшить результаты, а действия могут быть небезопасными или физически невыполнимыми. Лицензия — Apache-2.0.

ViVi-AI/pi05_so101_pick_place — дообученная на LeRobot модель управления роботом, основанная на VLA-модели π₀.₅ (Pi05) от Physical Intelligence. Она предназначена для задачи pick-and-place на роботе типа so_follower: взять фиолетовый блок и положить его в белый квадрат. Политика получает состояние робота из 6 значений и изображения с двух камер — на руке и в рабочей зоне, размером 480×640. На выходе она формирует 6-мерное действие для управления роботом. Модель обучена на 100 эпизодах и 44 998 кадрах с частотой 30 кадров в секунду из набора ViVi-AI/pick_place_20260709_130127. Базовая Pi05 рассчитана на обобщение в новых условиях, однако для этой дообученной политики результаты оценки не опубликованы, поэтому её качество за пределами указанной задачи не подтверждено. Модель распространяется по лицензии Apache-2.0 и использует формат весов safetensors.

PicoMistral-23M — компактная языковая модель семейства Mistral, разработанная Pico-Kittens и обученная с нуля. Она содержит 23,6 млн параметров и предназначена для генерации текста на слабом оборудовании и периферийных устройствах. Модель обучалась на первых 120 000 примерах набора HuggingFaceH4/ultrachat_200k, чтобы усвоить структуру диалога и базовую грамматику английского языка. Модель выполняет генерацию текста и рассчитана на короткие беседы на английском языке. Архитектура — плотная авторегрессионная MistralForCausalLM; максимальный контекст составляет 512 токенов. Лицензия — Apache-2.0. Карточка описывает модель как экспериментальную. Она может создавать грамматически связный текст, но часто теряет тему разговора, плохо понимает сложные инструкции и склонна уверенно выдумывать факты. Результаты требуют проверки, особенно если важна точность.