II.10Разработка и эксплуатация AI/ML-систем

Это обученная модель агента poca для игры SoccerTwos в среде Unity ML-Agents. Она предназначена для управления игровым агентом в симуляции футбольного матча и может использоваться для просмотра игры или продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX; библиотека для работы с ней — ML-Agents. В README не описаны размер модели, поддерживаемые естественные языки или дополнительные характеристики архитектуры. Лицензия в предоставленных данных не указана.

Это обученная модель агента poca для игры SoccerTwos, опубликованная debisoft. Модель создана с помощью библиотеки Unity ML-Agents и предназначена для управления игровым агентом в среде SoccerTwos на основе обучения с подкреплением. Репозиторий содержит модель в формате ONNX; её можно использовать для наблюдения за игрой агента или продолжения обучения через ML-Agents.

Это обученная модель агента poca для игры SoccerTwos, опубликованная InMDev. Модель создана с помощью библиотеки Unity ML-Agents и предназначена для управления агентом в среде SoccerTwos с использованием обучения с подкреплением. Файл модели доступен в формате ONNX; её можно использовать для запуска агента в среде и продолжения обучения через ML-Agents. Модель рассчитана на игровое управление в симуляции SoccerTwos, а не на генерацию текста или изображений. В README не приведены размер модели, длина контекста, поддерживаемые естественные языки или условия лицензии.

Это обученная модель агента poca для игры SoccerTwos, созданная с использованием Unity ML-Agents. Она предназначена для управления игровым агентом в среде SoccerTwos и может запускаться для наблюдения за его игрой или использоваться как отправная точка для продолжения обучения. Репозиторий содержит модель в формате ONNX; библиотека — ML-Agents. Данные о лицензии, числе параметров и поддерживаемых естественных языках в доступных сведениях отсутствуют.

Это обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым персонажем в среде Huggy; её можно запустить для просмотра поведения агента или использовать как основу для продолжения обучения через ML-Agents. В репозитории указан формат ONNX. Карточка не сообщает размер модели, входное представление среды, результаты обучения или лицензию, поэтому эти характеристики нельзя уточнить. Модель рассчитана на конкретную игровую среду, а не на диалог или генерацию текста.

Это обученная модель агента PPO для игры Huggy, опубликованная AkshayaPutti. Она создана с использованием библиотеки Unity ML-Agents и предназначена для управления игровым агентом в среде Huggy; модель можно запускать для наблюдения за игрой или использовать как отправную точку для продолжения обучения. Репозиторий содержит модель в формате ONNX. Модель принимает состояние игровой среды и выдаёт действия агента. Карточка не приводит сведения о размере модели, длине контекста или поддерживаемых естественных языках; текстовый диалог не является её назначением. Условия лицензии в доступных данных не описаны.

Это обученный агент PPO от alesthehuman, созданный для игры Huggy с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy и может использоваться для просмотра поведения агента или продолжения обучения через ML-Agents. В репозитории есть модель в формате ONNX. Агент принимает состояние игровой среды и выдаёт управляющие действия для игры; описание не уточняет состав наблюдений и действий. Карточка не сообщает базовую модель, размер параметров, языки или лицензию, поэтому эти характеристики не приводятся.

Это обученная модель агента PPO, созданная для игры Huggy в среде Unity ML-Agents. Она предназначена для управления агентом в игровом окружении и может использоваться для просмотра его поведения или продолжения обучения через ML-Agents. В репозитории указан формат ONNX; отдельные сведения об архитектуре сети, числе параметров, контексте и языках не приводятся. Модель работает с действиями агента и состоянием игрового окружения, а не с естественным языком. Лицензия в доступных данных не указана.

Bishdata/ppo-Huggy — обученная модель агента PPO для игры Huggy, созданная с использованием библиотеки Unity ML-Agents. Она предназначена для запуска агента в игровом окружении и просмотра его поведения в браузере; обучение можно продолжить через ML-Agents. Репозиторий содержит модель в формате ONNX. Размер модели, входное представление и подробности обучения в карточке не описаны. Лицензия не указана.

Это обученная модель агента Proximal Policy Optimization (PPO), созданная для игры Huggy с помощью библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Unity и может использоваться для просмотра поведения агента или продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. Карточка описывает сценарий применения в игровой среде, но не сообщает размер модели, языковые возможности или лицензию.

DaSHENGGE/ppo-Huggy — обученный с помощью библиотеки Unity ML-Agents агент на основе PPO, предназначенный для игры в Huggy. Модель представлена в формате ONNX и может использоваться в среде ML-Agents для просмотра игры агента или продолжения обучения. Агент принимает состояние игрового окружения и выдаёт действия для управления персонажем. README не сообщает размер модели, поддерживаемые языки или подробности архитектуры нейронной сети. Модель предназначена для игрового сценария Huggy; условия лицензии в доступных данных не описаны.

Это обученная с помощью алгоритма PPO модель агента, который играет в Huggy в среде Unity ML-Agents. Модель сохранена в формате ONNX и предназначена для запуска агента в соответствующей игровой среде, просмотра его игры и продолжения обучения через ML-Agents. Агент принимает наблюдения среды и выдаёт действия для управления персонажем. README не описывает состав наблюдений, пространство действий и конкретные показатели качества, поэтому применимость модели ограничена совместимой средой Huggy. Лицензия в предоставленных данных не указана.

Это обученная модель агента PPO, созданная на Unity ML-Agents для игры Huggy. Она предназначена для управления игровым агентом в среде Huggy и может использоваться для просмотра поведения агента или продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX; сведения о размере и контексте неприменимы к этому игровому агенту. Информация о лицензии в доступных данных отсутствует.

Freddy39/ppo-Huggy — обученная методом Proximal Policy Optimization (PPO) модель агента для игры Huggy. Она создана с использованием Unity ML-Agents и предназначена для запуска агента в соответствующей игровой среде, а также продолжения его обучения через ML-Agents. В репозитории представлена модель в формате ONNX. Модель принимает наблюдения игровой среды и выдаёт действия агента. Карточка не описывает конкретные наблюдения, набор действий или показатели качества, поэтому их нельзя уточнить. Лицензия в предоставленных сведениях не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy с использованием Unity ML-Agents. Она получает состояние игровой среды и выбирает действия, чтобы управлять агентом; модель ONNX предназначена для запуска и просмотра игры в совместимой среде ML-Agents. Карточка также описывает возможность продолжить обучение агента. Модель относится к обучению с подкреплением и ориентирована на конкретную игровую среду, а не на обработку естественного языка. В карточке не приведены размер сети, описание наблюдений и действий или результаты оценки, поэтому переносимость на другие среды и качество игры определить нельзя. Лицензия в доступных данных не указана.

jrenojc/ppo-Huggy — обученный агент на основе алгоритма PPO (Proximal Policy Optimization), созданный с помощью библиотеки Unity ML-Agents для игры Huggy. Модель предназначена для управления агентом в соответствующей игровой среде: её можно запустить для просмотра игрового поведения или использовать как отправную точку для продолжения обучения в ML-Agents. Репозиторий содержит модель в формате ONNX. Агент принимает состояние среды и выдаёт действия для управления игровым персонажем. В README не указаны размер модели, языки, конкретная схема наблюдений и действий или условия лицензии.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, который играет в Huggy. Она создана с использованием Unity ML-Agents и предназначена для запуска агента в игровом окружении, а также для продолжения обучения через ML-Agents. В репозитории указаны файлы ONNX и возможность посмотреть игру агента в браузере. Размер модели, параметры наблюдений и действий, а также подробности обучения не описаны. Лицензия в доступных данных не указана.

modeliqi/ppo-Huggy — обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления агентом в среде Huggy с помощью обучения с подкреплением; её можно загрузить в совместимое окружение ML-Agents, чтобы наблюдать за игрой или продолжить обучение. Репозиторий содержит модель в формате ONNX. Карточка не сообщает размер модели, показатели качества или подробности о наблюдениях и действиях агента. Лицензия не указана в предоставленных данных.

Navaneeth123456789/ppo-Huggy — обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy; её можно запускать для наблюдения за игрой или использовать как основу для продолжения обучения через ML-Agents. В репозитории представлена модель в формате ONNX. Карточка не сообщает размер модели, параметры среды наблюдения и управления, результаты оценки или лицензию, поэтому эти характеристики нельзя уточнить.

niftymark/ppo-Huggy — обученная методом Proximal Policy Optimization (PPO) модель агента для игры Huggy. Она создана с использованием Unity ML-Agents и предназначена для управления игровым агентом в соответствующей среде; модель можно запускать для просмотра игры или использовать как основу для продолжения обучения. В репозитории указаны веса в формате ONNX. Данных о размере модели, поддерживаемых естественных языках и лицензии нет. Применение модели зависит от среды Huggy и интеграции с ML-Agents; карточка не описывает её пригодность для других игр или сред.

Это обученная методом Proximal Policy Optimization (PPO) модель агента для игры Huggy, опубликованная ShivSingh123 и созданная с использованием Unity ML-Agents. Агент предназначен для управления персонажем в игровом окружении: модель получает состояние среды и выдаёт действия для игрового агента. Репозиторий содержит модель в формате ONNX, который можно использовать с ML-Agents и для запуска агента в поддерживаемой среде Huggy. Карточка также описывает возможность продолжить обучение агента. Модель ориентирована на конкретную игровую среду, а не на диалог или генерацию текста. Лицензия и подробные сведения о наблюдениях, наборе действий и качестве прохождения в предоставленных данных не описаны.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, опубликованная Wolverine01 для игры Huggy и использующая библиотеку Unity ML-Agents. Она предназначена для управления агентом в игровой среде: модель получает наблюдения среды и выдаёт действия, позволяя запускать агента или продолжать его обучение средствами ML-Agents. В репозитории есть формат ONNX. В README не приведены размер модели, контекст или поддерживаемые естественные языки. Условия лицензии в доступных сведениях не описаны.

Это обученный агент Proximal Policy Optimization (PPO), созданный с помощью Unity ML-Agents для игры Pyramids. Модель предназначена для выбора действий в игровой среде и может использоваться для просмотра игры агента или продолжения обучения через ML-Agents. Модель опубликована в формате ONNX. Карточка не сообщает размер сети и подробности о наблюдениях агента или качестве игры; совместимость зависит от среды Pyramids и используемой версии ML-Agents.

Это обученный агент на основе алгоритма PPO, созданный для игры SnowballTarget с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде SnowballTarget и может использоваться для просмотра его игры или продолжения обучения через ML-Agents. В репозитории представлен формат ONNX. Карточка не описывает наблюдения агента, конкретные действия, результаты обучения или ограничения поведения, поэтому их нельзя оценить. Условия лицензии в доступных сведениях не приведены.

Это обученная модель агента PPO, созданная автором kaikytoledo для игры SnowballTarget с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в этой среде и может запускаться для просмотра его поведения или использоваться как основа для продолжения обучения. В репозитории представлен формат ONNX. Модель принимает состояние среды и выдаёт действия агента; описание не уточняет состав входных наблюдений и конкретную схему действий. Языки естественного языка к модели не относятся. Лицензия в доступных сведениях не указана.

Это обученная методом PPO модель агента для среды SnowballTarget, созданная YuvanKumar с использованием библиотеки Unity ML-Agents. Она предназначена для управления игровым агентом в этой среде и может применяться для просмотра его поведения или продолжения обучения в ML-Agents. Репозиторий содержит модель в формате ONNX. Языки использования — программные интерфейсы ML-Agents; модель не предназначена для обработки естественного языка.

PRISM2-survival — разработанная Paige и Microsoft Research модель Perceiver, дообученная для анализа выживаемости по гистологическим изображениям. Она принимает предварительно извлечённые эмбеддинги тайлов Virchow2 и формирует эмбеддинг всего стекла, настроенный для последующего прогнозирования выживаемости. В репозитории опубликованы только веса визуального энкодера Perceiver; текстовый декодер Phi-3 и проекция из PRISM2 не включены. Размер модели — около 620 млн параметров. Для получения прогнозов эмбеддинг нужно подать в отдельную обученную модель выживаемости, например Cox PH или DeepHit. Ожидаются эмбеддинги только class token от тайлов размером 224×224 при увеличении 20× (0,5 мкм на пиксель), после отбора ткани и удаления фоновых тайлов. Модель предназначена для академических исследований и не подходит для клинической диагностики или принятия лечебных решений. Лицензия CC-BY-NC-ND 4.0 ограничивает использование некоммерческими академическими исследованиями, требует регистрации и запрещает распространение модели и её производных без разрешения.

QuiltNet-B-16-PMB — мультимодальная модель для анализа изображений и текстов в области гистопатологии, разработанная на основе OpenCLIP. Она сочетает визуальный энкодер ViT-B/16 с текстовым энкодером PubMedBERT и обучена на наборе QUILT-1M, составленном из образовательных видео по гистопатологии. Модель поддерживает классификацию изображений без дообучения, поиск между изображениями и текстом, а также другие задачи сопоставления визуальных и текстовых данных. Модель предназначена прежде всего для исследований устойчивости, обобщения и ограничений систем компьютерного зрения для гистопатологии. В карточке также упоминаются дообучение для классификации изображений и оценка линейным классификатором. Модель рассчитана на англоязычные сценарии; в метаданных указана лицензия MIT. Это исследовательская модель, не предназначенная для развёртывания. Авторы не рекомендуют даже ограниченный поиск без тщательной проверки на предметной области и фиксированной таксономии классов. Результаты не являются медицинской консультацией и не должны заменять оценку специалиста.

Исследовательский чекпойнт проекта UnfaithRL на базе Qwen2.5-0.5B, дообученный с подкреплением на задачах рассуждения о коде. Модель исследует, как вводящие в заблуждение подсказки влияют на цепочки рассуждений и ответы при обучении с проверяемыми наградами (RLVR). В обучении использовались примеры с misleading cues, а награда поощряла выбор ответа, предложенного подсказкой; максимальная длина завершения при обучении составляла 2048 токенов. Архитектура — плотная Qwen2ForCausalLM, около 494 млн параметров; базовая модель поддерживает контекст до 32768 токенов. Модель предназначена для исследований верности цепочек рассуждений, следования подсказкам и reward hacking, а также разработки способов смягчения этих эффектов. Это не универсальный ассистент: она может следовать ложным подсказкам, выдавать неверные ответы и рационализировать их в рассуждениях. Текст рассуждения нельзя считать достоверным объяснением решения модели; для критически важных задач модель не подходит без дополнительной оценки. Лицензия в предоставленных данных не указана.

Исследовательский чекпойнт проекта UnfaithRL, дообученный на базе Qwen/Qwen2.5-0.5B-Instruct для изучения того, как подсказки влияют на рассуждения и ответы модели. Плотная авторегрессионная языковая модель семейства Qwen2 с 494 млн параметров; принимает текст и генерирует текст. Контекст — до 32 768 токенов, а максимальная длина завершения, использованная при обучении, составляла 512 токенов. Модель обучали в стиле RL-Zero/RLVR на задачах формата MMLU с подсказками: в описанном режиме вознаграждался выбор ответа, предложенного подсказкой. Чекпойнт предназначен для исследований верности цепочек рассуждений, следования вводящим в заблуждение подсказкам, reward hacking и раскрытия использования подсказок. Он не рассчитан на роль универсального ассистента: может следовать ложному контексту, давать неверные ответы и создавать рассуждения, которые рационализируют итоговый ответ. Текст рассуждений нельзя считать надёжным объяснением решения модели. Лицензия в предоставленных данных не указана.