II.10Разработка и эксплуатация AI/ML-систем

OVRLab выпустила экспериментальную производную IBM Granite 4.0 1B Instruct для изучения совместного использования KV-кэша между соседними слоями. Модель имеет 1,6 млрд параметров, использует архитектуру GraniteKVShareForCausalLM и контекст до 131 072 токенов. Веса заморожены: слои 0/1 используют K/V-проекции слоя 0, слои 2/3 — слоя 2 и так далее; обучение и изменение параметров не проводились. Модель принимает текст и генерирует текст на английском языке. Изменение вдвое уменьшает объём выделенной памяти KV-кэша, но резко ухудшает качество ответов: на небольшом подмножестве WikiText-2 perplexity выросла с 19,55 до 707 495,2, а точность на подмножестве HellaSwag снизилась. Скорость декодирования в локальных замерах на Apple M1 Pro иногда повышалась, однако эти результаты не предсказывают производительность на других устройствах и не являются замером полного времени обслуживания. Релиз предназначен для воспроизведения и изучения эксперимента, а не для обычного применения; совместимость с распространёнными serving-системами не подтверждена. Лицензия — Apache-2.0.

GraspMolmo — дообученная зрительно-языковая модель Allen Institute for AI для выбора захвата при роботизированной манипуляции. Она принимает изображение сцены и текстовую задачу, например просьбу налить чай, и описывает подходящее место и способ захвата предмета. Предсказанную точку захвата можно сопоставить с ближайшим устойчивым вариантом из набора кандидатов. Модель основана на Molmo-7B-D-0924, использует плотную архитектуру MolmoForCausalLM и содержит 12,8 млрд параметров. Максимальная длина контекста — 4096 токенов; в карточке указана поддержка английского языка. Модель ориентирована на обобщаемый выбор захватов для задач манипуляции, сформулированных в свободной форме. Лицензия — MIT.

Griffin Alpha-S-LIBERO — дообученная модель управления роботом от Griffin Labs на демонстрациях LIBERO. Она построена на мультимодальном Qwen3-VL-4B-Instruct и использует 910-миллионный эксперт действий с flow matching, подключённый к языково-визуальной основе по схеме mixture-of-transformers. Модель предназначена для управления симулированной рукой Franka Emika Panda в четырёх наборах задач LIBERO: spatial, object, goal и 10. На вход подаются изображения с камеры робота и камеры на запястье размером 256 × 256, состояние робота и сведения о подзадаче. На выходе модель предсказывает последовательность управляющих команд для манипуляций: 50 шагов действий, из которых используется 10 перед следующим планированием. В README приведены результаты замкнутого цикла на 400 эпизодах с одним seed; авторы отмечают, что малое число эпизодов на задачу даёт заметную статистическую погрешность. Модель рассчитана на библиотеку LeRobot и требует поддержки типа политики griffin_alpha. Лицензия CC BY-NC-SA 4.0 разрешает использование на её условиях, включая ограничения на коммерческое применение и распространение производных материалов.

Это контрольная политика управления роботом на основе GR00T N1.7, дообученная для робота SO-101 на задаче уборки флаконов и размещения их в стойке. Модель разработана на базе NVIDIA/GR00T-N1.7-3B и распространяется в формате safetensors для использования через LeRobot. Чекпойнт взят на шаге обучения 15 000. Политика выдаёт последовательности из 16 управляющих шагов, использует относительные действия, кроме команды захвата, и предобработку изображений Albumentations. Для оценки её можно загрузить в LeRobot по идентификатору репозитория Hugging Face. Модель предназначена для конкретной роботизированной манипуляции с флаконами и не заявлена как универсальная политика для других роботов или задач. Лицензия в предоставленных данных не указана.

Это чекпойнт GR00T N1.7 для управления роботом SO-101 при работе с флаконами слева от стойки. Модель разработана на основе `nvidia/GR00T-N1.7-3B` и обучена на наборе `sreetz-nv/so101_teleop_vials_rack_left_sim_and_real`; опубликован чекпойнт после 6 000 шагов обучения из запланированных 10 000. Модель предназначена для робототехнических сценариев, связанных с выполнением действий манипулятором SO-101. В обучении использованы относительные действия, преобразования изображений и исправление паритета предобработки Qwen. Репозиторий содержит файлы чекпойнта для инференса без состояния оптимизатора и планировщика. Файлы представлены в формате safetensors и используют библиотеку LeRobot. Лицензия — Apache-2.0.

Это плотная TransformerLM-модель семейства SLM, опубликованная Tiago Cuervo как конечная точка масштабирования для работы «Scaling Properties of Speech Language Models» (EMNLP 2024). Веса FP32 содержат 20 710 912 параметров; модель обучалась на 65 324 480 000 токенах с размером обновления 131 200 токенов. Модель авторегрессионно предсказывает последовательности дискретных речевых единиц: схлопнутые подряд повторы кодов слоя 11 mHuBERT, полученных K-means-квантованием с K=500 и частотой 25 Гц. Она рассчитана на исследование языкового моделирования речи и генерацию таких последовательностей. В примере из карточки на вход подаются целочисленные токены, а на выходе генерируются новые токены; готовый вокодер в репозиторий не включён, поэтому для получения звуковой речи нужны дополнительные компоненты. В карточке приведены результаты на sBLIMP и sStoryCloze, включая точность 57,07% и 53,55% соответственно, а также 69,96% на tStoryCloze. Модель распространяется по лицензии Apache-2.0. Результаты и специализированное представление токенов ограничивают её применение экспериментами с речевыми языковыми моделями; она не является самостоятельной системой распознавания или синтеза аудио.

Это экспериментальная причинная языковая модель семейства Block-MTP размером 92 млн параметров, опубликованная автором под именем violetxi. Репозиторий содержит веса в Safetensors, конфигурацию, токенизатор и реализацию общего ядра для загрузки через Transformers. По тегам карточки модель связана с шахматами и обучением с truncated BPTT, но README не описывает отдельные шахматные возможности или качество на задачах. Модель предназначена для генерации текста блоками по три токена: три рекуррентных прохода оценивают фиксированные причинно упорядоченные позиции, после чего блок добавляется к последовательности. Контекст составляет 1 024 логических токена с учётом блока запроса. Поддерживаются жадная генерация и сэмплирование, а KV-кэширование и beam search не поддерживаются. README подчёркивает, что функция потерь отличается от обычного teacher-forced next-token prediction; оценка качества при публикации не проводилась. Условия лицензирования зависят от включённых лицензий адаптированного кода ядра; конкретная лицензия модели в предоставленных данных не установлена.

garagelm/hybrid-gpt-moe-284m-a114m — исследовательская языковая модель GarageLM для воспроизведения контролируемого сравнения разреженной MoE-архитектуры с плотными моделями. Она предназначена для генерации продолжения текста и изучения компромисса между качеством, числом активных параметров и расходом памяти, а не для использования в качестве диалогового помощника. Модель — декодерный трансформер на 284 млн параметров, из которых активно 114 млн. В 12 слоях используется гибридное внимание: скользящее окно в 64 токена и полное причинное внимание в слоях 3, 7 и 11; контекст — 1024 токена. Каждый FFN заменён смесью из восьми экспертов SwiGLU с маршрутизацией top-2. Модель обучалась на английском тексте; веса опубликованы в safetensors. Лицензия — Apache-2.0. В сравнении модели зафиксировано небольшое преимущество по validation loss над контролем с тем же числом активных параметров, но отставание от плотной модели с сопоставимым объёмом памяти; различий на downstream-задачах эксперимент не выявил. Реализация генерации медленная: в этой обёртке нет KV-кэша, а маршрутизация экспертов использует простой цикл. Модель обучалась на 100 млн токенов и не проходила настройку на следование инструкциям или безопасность; автор выпускает её для воспроизводимости эксперимента.

InternVLA-A1-3B-RoboTwin — модель для управления роботизированными манипуляциями, разработанная командой InternRobotics на основе InternVLA-A1. Она дообучена на бенчмарке RoboTwin 2.0 и предназначена для выполнения задач манипуляции в симуляции, включая статические и динамические сценарии. Модель использует архитектуру Mixture-of-Transformers, объединяющую семантическое понимание мультимодальной языковой модели с предсказанием динамики мира; базовая InternVLA-A1 построена на InternVL3 и Qwen3-VL и имеет 3 млрд параметров. В оценке RoboTwin 2.0 базовая модель InternVLA-A1-3B показала среднюю успешность 89,40% в простом и 89,64% в сложном режиме по 50 задачам; эти результаты не следует считать отдельной оценкой данного дообученного чекпойнта. Репозиторий содержит веса safetensors. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных работ, но запрещает коммерческое применение.

InternVLA-A1.5-DOMINO — политика управления роботом от InternRobotics, настроенная для динамических манипуляционных задач бенчмарка DOMINO. Модель объединяет зрительно-языковое понимание, прогнозирование будущей динамики и генерацию действий; она дообучена на обучающем разбиении DOMINO ALOHA-AgileX Level-1 и оценивалась на чистых наборах Level-1 DOMINO. В основе лежит мультимодальный Qwen3.5-2B, к которому добавлен облегчённый эксперт действий. Модель принимает визуальный и языковой контекст и выдаёт непрерывные фрагменты действий с помощью flow matching; на этапе инференса видеоветвь не используется. Размер изображений — 224 × 224, размерность состояния и действий — до 32. Для обучения прогноз будущей динамики задавался с помощью замороженной видеомодели WAN2.2-5B. Лицензия — CC BY-NC-SA 4.0, допускающая использование на условиях указанных ограничений, включая некоммерческое распространение. Модель предназначена для оценки и применения в динамических манипуляционных сценариях, близких к DOMINO. В указанной оценке DOMINO SFT достигла 29,3% успешных эпизодов и манипуляционного балла 42,5. Результаты относятся к описанному бенчмарку и сами по себе не подтверждают надёжность на других роботах или в реальных условиях.

LaRA-VLA LIBERO — модель управления роботом, обученная на бенчмарке LIBERO для многоэтапных манипуляционных задач. В карточке указана архитектура DIT-B; репозиторий содержит контрольную точку PyTorch размером 9,7 ГБ, конфигурации и статистику датасета. Обучение описано параметрами: скорость обучения от 1E-4 до 1E-5, размер пакета 14 и 40 тысяч шагов. Модель предназначена для выполнения роботизированных манипуляций, состоящих из нескольких этапов. Теги vision-language-action указывают на область VLA, однако README не уточняет интерфейс входных и выходных данных, роботизированное оборудование или конкретные навыки LIBERO. Лицензия репозитория — Apache-2.0.

LingBot-VLA Pick-and-Place Toys — дообученный чекпойнт LingBot-VLA 1.0 от автора репозитория Aikwed для управления роботом SO follower при перекладывании игрушек. Модель использует базовую модель robbyant/lingbot-vla-4b и обучена на наборе AlvinAi/pick_and_place_toys: 80 эпизодов и 70 588 кадров с двух RGB-камер, расположенных спереди и сбоку. Визуальные входы приводятся к размеру 224 × 224; горизонт предсказания действий составляет 50 шагов. Модель принимает изображения с камер и состояние шести суставов и захвата, а выдаёт последовательность действий для пяти суставов руки и захвата. Действия суставов руки обучались как смещения относительно текущего состояния, действие захвата — в абсолютном представлении; при штатном преобразовании смещения возвращаются к исходным абсолютным значениям. Доступны статистики нормализации и конфигурация соответствия признаков. Чекпойнт предназначен для сценария захвата и перекладывания игрушек в соответствующей конфигурации робота и камер. Обучение выполнено на 10 000 шагах с глобальным размером пакета 16. Лицензия — Apache-2.0. В README указано, что проверка на отложенной выборке и оценка успешности на реальном роботе не проводились; значение обучающей функции потерь не является оценкой надёжности при эксплуатации.

LMEnt 1B — Baseball SNMF+EMBER — это исследовательский чекпойнт на базе английской причинной языковой модели OLMo2 с 1,1 млрд параметров, разработанный авторами статьи об исключении понятий из языковых моделей. Модель обучена на корпусе Википедии LMEnt с разметкой сущностей и не проходила инструкционное дообучение. Контекст составляет 2048 токенов; для запуска используется Transformers, веса сохранены в формате safetensors. Чекпойнт предназначен для генерации текста после посттренировочного редактирования, направленного на подавление понятия «бейсбол». Сначала применён EMBER с δ = 10, затем на отредактированной модели повторно выделены признаки SNMF; выбранный вариант использует отбор по отношению, редактирует входные и выходные веса MLP и удаляет компоненты в слоях 4–6. В статье отдельно измерялись подавление целевого понятия и сходство с моделью-близнецом, обученной с исключением концепта. Оценка охватывала три выбранных понятия и по 50 отложенных вопросов на каждое; она не подтверждает широкое удаление знаний, безопасность или обобщение на другие понятия. База, полученная из Википедии, может воспроизводить ошибки и предвзятость обучающих материалов. Лицензия на веса в карточке не заявлена.

jianghc/medical_chatbot — медицинский чат-бот на архитектуре GPT-2, распространяемый в формате PyTorch. Модель предназначена для генерации ответов на вопросы о здоровье, например для демонстраций и исследовательских экспериментов; карточка показывает пример ответа о болезни Паркинсона. Контекст модели — 1024 токена. В README не указаны размер модели, лицензия или языки обучения. Автор предупреждает, что модель не предназначена для применения в реальных медицинских условиях и не заменяет консультацию, диагностику или лечение у медицинского специалиста. Её ответы не следует использовать для принятия медицинских решений; при проблемах со здоровьем следует обратиться к лицензированному медицинскому работнику.

EQUES/MedLLama3-JP-v2 — японская медицинская языковая модель, созданная путём слияния четырёх моделей на базе Llama 3: tokyotech-llm/Llama-3-Swallow-8B-Instruct-v0.1, aaditya/Llama3-OpenBioLLM-8B, Henrychur/MMed-Llama-3-8B и elyza/Llama-3-ELYZA-JP-8B. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM, примерно 7,5 млрд параметров и контекстом до 8192 токенов; веса доступны в формате safetensors и рассчитаны на работу через Transformers. Модель предназначена для генерации ответов на японском языке по медицинским темам и вопросов и ответов, в том числе для исследовательской оценки на экзаменационных вопросах IgakuQA. В приведённой оценке точность на 2485 вопросах составила 46,6%; это не подтверждает пригодность для реальной медицинской практики. Разработчики прямо запрещают использовать модель в медицинских целях и не гарантируют точность её ответов. Модель описана как находящаяся на раннем этапе исследований и разработки, без настройки на безопасность и соответствие намерениям пользователя. Лицензия — Llama 3 Community License.

Corianas выпустил MicroTask-mini-guanaco_200k — компактную символьную языковую модель на архитектуре Llama, созданную в рамках проекта llama.c Андрея Карпати. Модель содержит 85,2 млн параметров, использует контекст до 2048 токенов и обучалась на TinyStories, внутреннем похожем наборе данных и наборе вопросов и ответов Guanaco. Модель предназначена для генерации продолжения текста и коротких ответов на вопросы: запрос вводится без префикса, после него ставится перевод строки. Она работает с английскими строчными буквами и цифрами; для заглавных букв применяется специальный модификатор ↨, поскольку модель не обучалась на обычных заглавных буквах. Веса доступны в форматах PyTorch и Safetensors. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на некоммерческих условиях, с распространением производных материалов на тех же условиях. Из-за малого размера, символьной токенизации и специфического представления заглавных букв модель ограничена в качестве и удобстве применения; её не следует считать универсальным современным чат-ассистентом.

arianraje подготовил экспериментальный стартовый чекпойнт MiMo-7B-Mamba2-Hybrid-Init: веса модели MiMo-7B-RL-0530 преобразованы в гибридную архитектуру с Mamba2 без последующего обучения. В модели сохраняется softmax-внимание в каждом четвёртом слое, а остальные 27 слоёв заменены на Mamba2. Это контрольный чекпойнт для измерений и исходная точка этапа выравнивания, а не готовая языковая модель для пользовательских задач: в README указаны нулевые результаты на приведённых тестах AIME. Чекпойнт относится к исследованию восстановления возможностей гибридных моделей посредством поэтапной дистилляции. Он содержит 7 млрд параметров, поддерживает генерацию текста и диалоговый сценарий, а заявленная длина контекста составляет 65 536 токенов. Для загрузки используется Transformers с кодом архитектуры из репозитория; быстрый путь Mamba2 требует mamba-ssm, иначе доступна значительно более медленная и требовательная к памяти реализация. Лицензия — MIT.

MIRAI — языковая модель на 1,08 млрд параметров, разработанная как исследовательский инструмент для интерпретируемости. Это плотная архитектура Mirai5 с 10 слоями и шириной 1536. Вместо обучаемого внимания по времени она использует банк из 129 фиксированных спектральных фильтров; авторы заявляют, что вклад каждого слоя в residual stream точно раскладывается по именованным компонентам. Репозиторий содержит базовый и дообученный для инструкций чекпойнты, код обучения и инструменты анализа. Модель предназначена для изучения внутренних вычислений языковых моделей и проверки того, насколько наблюдаемые вклады компонентов связаны с их причинной важностью. Она генерирует текст на английском языке, но сильно недообучена: обучение остановили из-за ограничений бюджета при продолжающемся снижении функции потерь. Поэтому ожидаются слабые знания о мире, короткая связность, повторы и отклонение от темы при длинной генерации. Контекстное окно составляет 256 токенов. Модель не проходила настройку безопасности, выравнивание или фильтрацию контента. Лицензия — Apache-2.0.

Это дообученная модель MolmoAct2 для управления роботом при открывании дверцы лампы. Разработчик дообучил исходную модель allenai/MolmoAct2 в режиме action-expert-only на данных SO101 из набора villekuosmanen/armnetbench_open_lamp_door; в репозитории опубликован чекпойнт после 25 000 шагов обучения. Модель предназначена для выполнения конкретной манипуляционной задачи по визуальным наблюдениям и инструкциям на естественном языке. MolmoAct2 — vision-language-action модель Ai2, которую адаптируют для управления конкретными роботами. Веса представлены в формате safetensors и доступны через библиотеку LeRobot. Лицензия в предоставленных данных не указана.

breadlicker45/musenet-untrained — незавершённая для использования модель на архитектуре BigBird с 1,8 млрд параметров. Репозиторий предназначен для обучения модели, а не для генерации осмысленных ответов. Модель использует PyTorch и поддерживает контекст до 4096 токенов. В карточке указана задача text-generation, однако README предупреждает, что веса не обучены и без обучения модель не будет выполнять полезные задачи. Лицензия в доступных данных не указана.

my_awesome_mind_model — дообученная на неизвестном наборе данных модель классификации аудио на базе facebook/wav2vec2-base. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. Основная задача по метаданным Hugging Face — audio-classification; лицензия — Apache-2.0. На оценочном наборе указаны loss 2,6709 и accuracy 0,0796. Назначение классов, данные обучения и конкретные сценарии применения не описаны, а приведённая точность не подтверждает пригодность модели для практического использования.

Это экспериментальная версия NaVILA, адаптированная для SatNav — платформы навигации по спутниковым картам с непрерывным состоянием. Модель разработана для использования в интеграции SatNav NaVILA и основана на контрольной точке a8cheng/navila-llama3-8b-8f. Она принимает текстовую инструкцию и восемь RGB-кадров наблюдений, после чего предсказывает компактное действие: остановиться, двигаться вперёд, повернуть налево или направо. Модель дообучена всеми параметрами в течение одной эпохи на офлайн-траекториях SatNav-v0.1. Архитектура относится к LlavaLlama; файлы весов представлены в формате Safetensors. Карточка указывает лицензию Llama 3. Модель предназначена для навигационных экспериментов и работы через интеграцию SatNav; результаты зависят от совместимого окружения и формата наблюдений и действий.

Neko-V1-Snapshot-1001 — ранний контрольный снимок небольшой языковой модели AlphaYou, обученной с нуля и предназначенной для исследований гибридной архитектуры и памяти для длинного контекста. Модель содержит 364 млн параметров, имеет 20 слоёв и ширину 768. В архитектуре сочетаются рекуррентная память DeltaNeko, разреженное внимание NekoSparse, хешируемые таблицы Nekogram и маршрутизация двух остаточных потоков Nekostreams. Заявленная длина контекста — 131 072 токена; для этого снимка надёжная работа на такой длине не подтверждена. Модель принимает текст и генерирует текст; после завершённого этапа настройки инструкций она способна следовать коротким инструкциям. В README указаны английский и китайский языки, причём английский значительно сильнее, а китайский поддерживается слабее. Модель пока почти не демонстрирует фактических знаний, ненадёжна в многошаговых рассуждениях, может зацикливаться при жадном декодировании и не имеет настройки безопасности. Предназначена для исследовательских экспериментов и дальнейшего дообучения, не для производственного применения. Лицензия — Apache-2.0.

Nora-1.5 — модель Vision-Language-Action для роботизированных манипуляций, опубликованная declare-lab. Она принимает изображение рабочей зоны и инструкцию на английском языке, а на выходе формирует последовательность нормализованных или ненормализованных действий с семью степенями свободы. Модель дообучена на основе declare-lab/nora-long и связана с датасетами Open X-Embodiment. Модель предназначена для управления роботом в реальном времени с обратной связью, выполнения нескольких задач и длительных последовательностей действий, а также переноса навыков на новые задачи в режиме few-shot. В README заявлены оптимизация предпочтений на основе действий и мировых моделей, а также совместимость с LeRobot, LIBERO, SimplerEnv и пользовательскими средами. Репозиторий распространяется по лицензии MIT. README отмечает, что код инференса, чекпойнты и обучающий код планировалось выпустить позднее; поэтому доступность полного рабочего процесса по одной карточке подтвердить нельзя.

ObsidianSmall-Base — небольшая базовая языковая модель Dream-W для продолжения текста на английском языке. Она обучена с нуля и содержит около 10,5 млн параметров по метаданным (в README указано 8,7 млн); использует плотную архитектуру Multiscreen без обычных слоёв self-attention и MLP/FFN. Длина контекста — 1 024 токена. Модель предназначена для генерации продолжений и исследовательской оценки языковых моделей, а не для диалога или выполнения инструкций. Она обучалась на образовательных текстах FineWeb-Edu и FinePDFs-Edu, а также FineWiki, DCLM, Common Crawl Code и Common Crawl Math. README приводит результаты нескольких тестов, однако модель очень мала и может выдавать повторяющийся, неточный или несвязный текст; инкрементальное декодирование с KV-кэшем не реализовано, поэтому при генерации контекст обрабатывается заново для каждого токена. Лицензия в предоставленных данных не указана.

One-Bit BLM Chimera — Causal Fix — байтовая языковая модель с причинной генерацией, разработанная автором репозитория Yosua69. В ней используются многослойная GRU для обработки последовательностей, четыре блока MoE с четырьмя экспертами в каждом и 1-битное представление BitNet. Модель обучается с дистилляцией от Qwen/Qwen2.5-14B; README описывает чекпойнт третьей эпохи из 50 запланированных. Модель предназначена для продолжения текста по входной строке и генерации текста на уровне байтов. Байтовый словарь содержит 257 значений, включая EOS; в примере показана генерация продолжением промпта на английском языке. Файлы репозитория представлены в формате PyTorch, лицензия — Apache-2.0. Это незавершённый обучающий чекпойнт: указана только третья эпоха из запланированных пятидесяти, поэтому качество и стабильность генерации могут быть ограничены. В README не приведены размер модели, длина контекста и оценка качества.

OpenWAM-Alpha-Sim-RoboTwin-Full — модель робототехники из семейства OpenWAM-α, разработанная авторами исследования OpenWAM. Это дообученная на полном наборе задач RoboTwin 2.0 модель на базе видеомодели Wan2.2-TI2V-5B с родным энкодером Wan-VAE. Архитектура использует Dual-System Joint Self-Attention и маску взаимного внимания. Предварительное обучение проводилось на 518,5 млн кадров, примерно 6 400 часах данных: 70% составляют робототехнические данные, включая реальные и симуляционные, а 30% — видео от первого лица с людьми. Модель предназначена для задач робототехники, охватываемых набором RoboTwin 2.0. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Метаданные указывают задачу robotics, но подробности о входном и выходном интерфейсе, поддерживаемых языках и ограничениях в доступных материалах не раскрыты.

OVD-Math-1-data-RS-Step600-Historical — исторический чекпойнт эксперимента OVD с одним случайным набором данных, созданный на базе Qwen/Qwen2.5-Math-1.5B. Это причинная языковая модель архитектуры Qwen2 с 1,5 млрд параметров для генерации текста; репозиторий содержит веса и токенизатор для инференса. Модель предназначена для экспериментов с генерацией решений математических задач и изучения этапа обучения на шаге 600. Базовая Qwen2.5-Math-1.5B ориентирована на математику на английском и китайском языках; README не уточняет, как именно этот экспериментальный чекпойнт проявляет себя на этих языках. Контекст модели составляет 4096 токенов. Это экспериментальная дообученная версия, а не подтверждённая прикладная система. Сведения о лицензии и сравнительных результатах в предоставленных данных отсутствуют.

nikitastheo/phonelm-phones-deu-eng — причинная языковая модель на архитектуре GPT-2, обученная автором репозитория с помощью скрипта Hugging Face Accelerate для causal language modeling. Название репозитория указывает на работу с фонемами для немецкого и английского языков, однако README не поясняет формат входных данных и конкретные сценарии применения. Модель предназначена для генерации продолжения текста; доступный контекст составляет 512 токенов. Опубликованные веса хранятся в формате safetensors. Лицензия и сведения о качестве модели в предоставленных данных отсутствуют.

Это низкоуровневая политика управления роботом на базе Pi0.5, разработанная Myungkyu дообучением модели lerobot/pi05_base. Модель обучена на RMBench-taco-wodemo-gemini: наборе демонстраций для девяти симулируемых задач на настольной поверхности с плотными метками подзадач, полученными из контекста задач. На вход подаются изображения с головной и обеих запястных камер, проприоцептивные данные и текст текущей подзадачи. Слот ключевого кадра может принимать найденный ранее кадр, когда это требуется меткой; архитектура использует три вида с камеры и соглашение full_frame_v1. Чекпойнт получен после 60 000 шагов обучения с размером пакета 64. Модель предназначена для управления роботом в симуляции по визуальным наблюдениям, состоянию робота и тексту подзадачи. Для загрузки нужны локальные копии базовой модели и токенизатора, на которые ссылаются конфигурации. Лицензия в предоставленных данных не указана.