II.10Разработка и эксплуатация AI/ML-систем

SupraLabs Supra Mini 0.1M — очень маленькая базовая языковая модель, выпущенная SupraLabs как демонстрация обучения сверхкомпактных моделей и проверки их способности усваивать общеобразовательные знания. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 104,7 тыс. параметров по метаданным (в README указано 117 648), четырьмя слоями и контекстом до 256 токенов. Для работы используется библиотека Transformers и формат Safetensors; модель обучена на 500 млн токенов Fineweb-Edu за два эпоха. Модель предназначена для экспериментов, образовательных демонстраций и тестирования обучения или запуска крошечных языковых моделей на ограниченных ресурсах. Она генерирует продолжение текста на английском языке. В README приведены результаты Arc_Easy, Wikitext и BLiMP, однако авторы предупреждают, что модель часто выдаёт несвязный и недостоверный текст и не подходит для рассуждений, диалогов или программирования. Лицензия — Apache-2.0.

Eku127/swiftvln-satnav-3b-1ep-f32s4-overlap0-gtc-k512-noembed — дообученная модель для навигации робота по спутниковым изображениям в бенчмарке SatNav с использованием SwiftVLN. Она основана на Qwen2.5-VL-3B-Instruct и обучена полным дообучением в течение одной эпохи на офлайн-траекториях экспертов SatNav-v0.1. Модель принимает визуальную историю из RGB-кадров и контекст навигационной задачи, использует окно из 32 кадров и сжатие визуальных токенов истории до 512 токенов методом глобальной мягкой кластеризации. Она предсказывает последовательность из четырёх действий для непрерывной навигации. Архитектура — плотная Qwen2.5-VL, 3,1 млрд параметров; карточка указывает контекст до 128 000 токенов. Репозиторий предназначен для использования с руководством по оценке SwiftVLN. Модель рассчитана на специализированный сценарий навигации по спутниковым изображениям, а не на универсальный диалоговый анализ изображений. Подтверждён английский язык карточки; поддержка других языков не заявлена. Лицензия в предоставленных данных не приведена.

Eku127/swiftvln-satnav-3b-1ep-f32s4-overlap0-pf-h8-pool-s2-initial-noembed — модель Eku127 на основе мультимодальной Qwen2.5-VL-3B-Instruct от Alibaba. Её дообучили всеми параметрами на один проход по офлайн-траекториям экспертов SatNav-v0.1 для навигации по спутниковым изображениям в бенчмарке SwiftVLN. Модель принимает текст и последовательности RGB-кадров: в конфигурации используются окно из 32 кадров, начальное наблюдение эпизода и до 8 кадров истории. Она предсказывает горизонт из четырёх действий; память по кадрам усредняется с шагом 2. Число параметров — 3,1 млрд, контекст — до 128 000 токенов. Репозиторий предназначен для запуска с инструментарием оценки SwiftVLN и SatNav; имя репозитория требуется сохранить без изменений для выбора конфигурации оценки. Модель специализирована на навигации в этой среде и не описана как универсальный навигационный контроллер. В карточке не приведены сведения о лицензии; применимость к другим средам и качество вне SatNav-v0.1 не установлены.

tiny-doom-defender — компактная модель с 1 096 134 параметрами, разработанная для игры в Defend the Center из VizDoom. Это энкодер ModernBERT с архитектурой DoomConvStemPolicy: он обрабатывает пиксели трёх последовательных кадров RGB размером 160×100 и два предыдущих действия, чтобы выбирать действия в игре. Модель обучена на примерах программного оракула методом SFT и затем доработана с помощью PPO; в репозитории также есть контрольные точки только с SFT и версия int8. Модель предназначена для управления игрой в реальном времени и рассчитана на запуск на CPU. В оценке на 1000 эпизодах основная версия показала в среднем 23,12 убийства за эпизод. Репозиторий распространяется по лицензии Apache-2.0.

taufeeque/tiny-gpt2 — небольшая авторегрессионная модель семейства GPT-2, дообученная на датасете WikiText-103 v1. Она предназначена для генерации текста и может использоваться для простых экспериментов с языковыми моделями и продолжения текстов. Модель реализована на PyTorch, имеет контекстное окно 1024 токена. В README приведены метрики на оценочном наборе: loss 5.3359 и accuracy 0.2133. Это небольшой чекпойнт, а результаты и описание не подтверждают пригодность для качественного диалога или прикладных сценариев без дополнительной проверки. Лицензия в доступных данных не указана.

TinyJLLM — небольшая языковая модель, разработанная Abdul Jaweed и созданная с нуля на базе PyTorch и Transformers. Это базовая decoder-only Transformer-модель для генерации и продолжения текста, предназначенная прежде всего для образовательных целей, качественных экспериментов и последующего дообучения. Модель не является инструкционной и не ориентирована на самостоятельное выполнение команд. Модель содержит около 102,5 млн параметров и использует архитектуру в стиле Llama: RMSNorm, RoPE, SwiGLU, связанные входные и выходные эмбеддинги и отсутствие bias-параметров. В ней 11 слоёв, 12 attention-голов с размерностью 64, контекстное окно составляет 512 токенов. Токенизатор — собственный byte-level BPE со словарём из 32 000 токенов. В карточке указан английский язык. Предобучение выполнено на датасете FineWeb sample-10BT объёмом около 5,37 ГБ и 1,75 млн документов; модель увидела 3,54 млрд токенов за три эпохи. Сильными сторонами TinyJLLM являются небольшой размер, полностью воспроизводимая реализация ключевых компонентов и наличие вариантов GGUF для запуска через llama.cpp. Ограничения включают слабое следование инструкциям, повторения в длинных генерациях, ограниченные и ненадёжные знания о мире, а также малое контекстное окно. Модель не рекомендуется для фактических или критически важных применений. Распространяется по лицензии Apache-2.0.

jtatman/tinymistral-mediqa-248m — экспериментальная языковая модель семейства Mistral, опубликованная jtatman. Это причинная модель генерации текста на 215,3 млн параметров, обученная на медицинских вопросах и инструкциях по медицинской и биологической тематике. Она предназначена для экспериментов с переобучением и повторным обучением, а не для надёжных медицинских ответов или клинического применения. В README автор отмечает, что модель намеренно переобучена. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Метаданные указывают контекст до 32 768 токенов.

TinyStories-656K — компактная авторская языковая модель на архитектуре Llama, обученная с нуля на датасете TinyStoriesV2. Она предназначена для генерации коротких историй на английском языке при ограниченных вычислительных ресурсах. Модель содержит 655,4 тыс. параметров, использует GQA, два слоя трансформера, размер скрытого слоя 128 и словарь BPE из 2048 токенов. Веса доступны в формате safetensors; контекст составляет 512 токенов. Модель выпущена под лицензией Apache-2.0. Малый размер делает её удобной для экспериментов и обучения на простых примерах генерации историй. Из-за компактной архитектуры и узкой обучающей выборки её возможности ограничены короткими историями в стиле TinyStories; качество для общих языковых задач не заявлено.

JoaoBoer/tofu_Llama-3.1-8B-Instruct_forget01_RMU — дообученная модель на базе open-unlearning/tofu_Llama-3.1-8B-Instruct_full, созданная методом RMU в рамках проекта open-unlearning. Она предназначена для экспериментов по машинному забыванию: модель обучена на разбиении forget01 набора TOFU и служит базовым вариантом для забывания знаний о выбранных объектах, а также черновой моделью в проекте Speculative-Decoding-Unlearning. Это плотная авторегрессионная языковая модель семейства Llama 3.1 с 7,5 млрд параметров. Она принимает текстовые запросы и генерирует текст; контекстное окно составляет 131 072 токена. В карточке приведены метрики TOFU, включая exact_memorization 0,7831, extraction_strength 0,0973 и forget_Q_A_PARA_Prob 0,0485. Модель распространяется в формате Safetensors по лицензии Llama 3.1. Её назначение узкое: результаты относятся к конкретному эксперименту забывания на TOFU и не подтверждают качество на других наборах данных или сценариях.

UniPhysGen-1.7B-Init — обучающая начальная контрольная точка UniPhysGen, разработанная breezexian. Модель объединяет языковую основу Qwen3-1.7B, энкодер облаков точек Sonata и мультимодальные проекционные слои UniPhysGen. Это плотная архитектура UniPhysGenQwen3ForCausalLM с 1,7 млрд параметров и контекстом 40 960 токенов; репозиторий содержит веса safetensors. В метаданных указан английский язык. Контрольная точка предназначена для воспроизведения этапа выравнивания физических семантических представлений и последующего дообучения на совместимых данных, в том числе UniPhys-40K. Она служит основой для обучения моделей, связывающих семантику объектов с их артикуляцией и физическими свойствами в 3D. Лицензия — CC BY-NC 4.0. Это начальная точка обучения без специализированного обучения задачам физического grounding; она не рекомендована для инференса и не предназначена для использования как обычная модель генерации текста через стандартный Hugging Face pipeline. Требуются облака точек и промпты в формате UniPhysGen; выходы могут быть неточными и нуждаются в дообучении и проверке перед применением в симуляции или робототехнике.

Это обученный методом PPO агент Praga-6000 для игры SnowballTarget, созданный с использованием Unity ML-Agents. Модель предназначена для управления игровым агентом в этой среде: её можно запускать для наблюдения за игровым поведением или использовать как основу для продолжения обучения через ML-Agents. В репозитории представлены веса в формате ONNX. Модель специализирована на одной игровой среде и не предназначена для диалога или обработки естественного языка. README не раскрывает размер сети, входные и выходные тензоры или игровые наблюдения и действия агента. Условия лицензирования в доступных материалах не описаны.

Vertex 0.6 200M Base Preview — промежуточный чекпойнт предварительного обучения семейства Vertex, опубликованный VertexResearch. Это базовая авторегрессионная языковая модель на архитектуре Qwen3 с 198,2 млн параметров, реализованная для Transformers и сохранённая в формате safetensors. На момент публикации обучение прошло 202 000 из 305 175 шагов; контекст составляет 1 024 токена. Модель предназначена для генерации продолжения английского текста и изучения хода предварительного обучения. Это сырой базовый чекпойнт без дообучения на инструкциях, поэтому он не рассчитан на диалог и выполнение пользовательских команд. Разработчики отмечают связный английский текст со сравнительно разумной структурой, но фактические знания быстро ухудшаются за пределами общеизвестных тем; специального обучения коду не было, а генерация может отклоняться от темы и содержать выдуманные сведения. Модель опубликована под лицензией Apache-2.0. Это незавершённый обучающий чекпойнт, а не финальная версия семейства Vertex; качество и поведение могут отличаться от будущей базовой модели и её инструктивных вариантов.

Migga/ViT-chess-V4 — модель классификации изображений на архитектуре Vision Transformer (ViT), опубликованная пользователем Migga. В репозитории указано, что это дообученная модель, однако базовая модель и обучающий набор данных не названы. Модель содержит около 162,7 млн параметров и доступна в формате PyTorch. Модель предназначена для классификации изображений. В карточке приведены результаты оценки: loss 4,2867 и accuracy 0,1942. Эти показатели указывают на ограниченное качество в описанной оценке; сценарии применения и классы, которые модель распознаёт, не раскрыты. Лицензия в предоставленных сведениях не указана.

VQ-BeT/PushT — модель для управления роботом, разработанная на основе подхода VQ-BeT из работы «Behavior Generation with Latent Actions» и обученная для среды PushT из gym-pusht. Она предназначена для генерации действий, перемещающих объект в форме буквы T к целевой позиции; загрузка и оценка модели выполняются с помощью библиотеки LeRobot. Модель включает RGB-энкодер на 11,2 млн параметров и остальные компоненты VQ-BeT на 26,3 млн параметров. В оценке на 500 эпизодах PushT среднее максимальное перекрытие с целью составило 0,887, а доля успешных эпизодов — 66%. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Модель проверена в симуляционной среде PushT; эти результаты сами по себе не подтверждают пригодность для реального робота или других задач управления. README не сообщает о поддержке языковых инструкций.

X-VLA Google-Robot Edition — модель Vision-Language-Action для управления роботами, опубликованная авторами 2toINF и основанная на X-VLA. Она предназначена для преобразования визуальных и языковых наблюдений в действия робота, включая выполнение манипуляционных задач на разных роботизированных платформах. Архитектура включает энкодер Florence-2, стандартный Transformer с обучаемыми мягкими промптами для отдельных воплощений роботов и модуль Action Hub для определения пространств действий и их предобработки. Заявленный размер модели — около 0,9 млрд параметров; обучение проводилось на Bridge Data V2, режим действий обозначен как ee6d. Модель использует подход flow matching для генерации действий и рассчитана на перенос между роботами и задачами. README сообщает об оценке в симуляциях и на реальных роботах, но конкретные результаты этой редакции не приведены. Лицензия — Apache 2.0. Для загрузки карточка показывает Transformers и trust_remote_code; применение требует совместимого кода и среды управления роботами.

3D HAMSTER — модель-планировщик для робототехники, разработанная авторами проекта 3D HAMSTER и представленная на IROS 2026. Она принимает одно наблюдение RGB-D и текстовую инструкцию, а затем предсказывает метрически привязанную траекторию конечного звена манипулятора в 3D. Модель объединяет Qwen3-VL-8B, визуальный энкодер и геометрический энкодер LingBot-Depth на базе DINOv2 ViT-L/14; веса геометрического энкодера заморожены. Чекпойнт содержит около 9 млрд параметров в формате bf16 и использует пользовательскую архитектуру Qwen3VLGeometryForConditionalGeneration. Модель предназначена для планирования манипуляций по RGB-D-данным и языковым командам. Выходную 3D-траекторию можно передавать низкоуровневой политике, работающей с облаком точек. Для запуска требуется пакет hamster3d. Модель дообучена на базе Qwen/Qwen3-VL-8B-Instruct и распространяется по лицензии Apache-2.0. README не приводит конкретных языков инструкций, размера контекста или результатов бенчмарков.

Adivyanta 46M — экспериментальная авторегрессионная GPT-модель с 46,3 млн параметров, созданная Divyanshu Mishra с нуля для генерации текста и чата на английском, хинди и хинглише. Это декодерная архитектура с 12 слоями, 8 головами внимания и размером скрытого состояния 512; используется собственный байтовый BPE-токенизатор на 16 384 токена и контекст длиной 256 токенов. В репозитории есть базовый чекпойнт и разговорные продолжения обучения, включая ChatMix v2; все веса происходят от одной случайной инициализации. Модель предназначена для учебных и прозрачных экспериментов с небольшими языковыми моделями, генерацией текста и многоязычным чатом. Она обучалась на смесях данных Aya Collection, OpenAssistant, Hinglish Instruct, UltraChat и GSM8K. README сообщает о частом уходе ответов от темы, выдуманных фактах и некорректном хинди; результаты на арифметических тестах также не подтверждают надёжные способности к рассуждению. Для запуска предусмотрен собственный PyTorch-код, чекпойнт не совместим напрямую с Transformers AutoModel. Лицензия репозитория — MIT.

Arabic NanoGPT v2 — небольшая языковая модель Hatim2221 для генерации текста на арабском языке. Она обучена с нуля на статьях арабской Википедии, а не дообучена от существующей модели, и предназначена для учебных экспериментов с арабской письменностью, морфологией и стилем энциклопедической прозы. Модель использует декодерный Transformer в стиле GPT и реализацию nanoGPT на PyTorch. В ней около 35,6 млн параметров, Byte-level BPE-токенизатор с словарём на 8 000 токенов и контекст длиной 256 токенов. Репозиторий содержит веса PyTorch; лицензия — MIT. Модель способна продолжать арабский текст, но генерирует неподтверждённые факты и может воспроизводить остатки разметки Википедии. Связность обычно сохраняется лишь на протяжении нескольких предложений. Она не подходит для ответов на фактические вопросы, пересказа реальных событий или других задач, где важна точность.

Это каузальная языковая модель ypwhere для экспериментов по языковому моделированию на ограниченных данных в рамках BabyLM 2026. Она предназначена для исследовательской оценки маршрутизации вычислений по глубине сети и обучена на официальном обучающем наборе BabyLM объёмом 10 млн слов. Модель не настроена для диалога по инструкциям. Архитектура Block Attention Residuals построена на NanoGPT: 16 слоёв трансформера, скрытый размер 512, RMSNorm, SwiGLU, rotary positional embeddings, gated attention и связанные входные и выходные эмбеддинги. Каждый целевой подслой вычисляет зависящие от входа веса softmax для выбора представлений из разных уровней глубины; завершённые residual-блоки также доступны как источники. Модель поддерживает генерацию и каузальное оценивание текста, а вход следует ограничивать 512 токенами. Для загрузки используется Transformers с пользовательским кодом репозитория; эффективный KV-кэш не поддерживается. Модель работает с английским текстом и распространяется под лицензией MIT. Она ориентирована на эксперименты с языковыми моделями малого масштаба и ограниченным обучающим корпусом; практические возможности за пределами описанных сценариев BabyLM не заявлены.

aw-qwen3-8b-v1 — дообученная модель на базе Qwen/Qwen3-8B-Base, выпущенная как исследовательский артефакт проекта Axiom-World. Это плотная авторегрессионная модель семейства Qwen3 с 7,6 млрд параметров и контекстом 32 768 токенов. В README описан двухэтапный рецепт: общее дообучение на задачах рассуждения, затем SFT на синтетических сценариях PlayWorld; исходный адаптер LoRA охватывает проекции внимания и MLP, а опубликованный репозиторий содержит автономный экспорт FP32 в safetensors и исходные веса адаптера. Модель предназначена для генерации структурированных JSON-планов в эпизодах PlayWorld и сравнения рецептов постобучения для планирования по правилам в проверяемой игровой среде. В описанных замороженных наборах она превзошла прямое дообучение по доле успешного выполнения, однако абсолютные результаты составили примерно 0,30–0,39, а перенос на реальные агентские задачи не проверен. Это не универсальный помощник и не готовый планировщик. Для воспроизводимого запуска авторы рекомендуют явно задавать FP32 и использовать сохранённый чат-шаблон; заявлена лицензия Apache-2.0 для весов Qwen, а код Axiom-World распространяется по MIT.

PhysiQuanty/Binary-LLM-POC — экспериментальная причинная языковая модель BinaryLLM, разработанная PhysiQuanty как доказательство концепции генерации текста без токенизатора. Модель имеет около 14,2 млн параметров по метаданным, архитектуру BinaryLLMForCausalLM и контекст до 4096 токенов. Вместо обычной токенизации текст кодируется как последовательность битов: UTF-8 байты передаются от старшего бита к младшему при размере словаря 4. Модель предназначена для продолжения текста и проверки подхода к обучению языковых моделей на двоичном представлении. В README указано предварительное обучение на 2 млрд токенов без SFT; карточка связывает модель с датасетом анализа тональности отзывов Amazon. Языковые теги указывают на французский и английский, а README называет французский основным языком текущей версии. Модель распространяется под лицензией Apache-2.0. Для загрузки пользовательского кода Transformers требует включить trust_remote_code.

liminerity/Bitnet-Mistral.0.2-v2 — экспериментальная 1,5-битная версия Mistral, созданная автором как первая попытка квантования модели из float16. За основу взята alpindale/Mistral-7B-v0.2-hf; при подготовке использован датасет abideen/Cosmopedia-100k-pretrain и проект Google Colab автора этого датасета. Модель предназначена для генерации текста. В метаданных указаны архитектура MistralForCausalLM, 23,9 млн параметров и контекст длиной 256 токенов; веса опубликованы в формате safetensors. README не описывает языки или конкретные сценарии применения. Автор характеризует работу как первую попытку такого преобразования, поэтому качество и пригодность для практических задач не подтверждены. Лицензия в предоставленных данных не указана.

troysaved/claimtrace-smoke — тестовая контрольная точка на базе Qwen3, разработанная для проверки конвейера публикации и сквозного процесса генерации, обучения и оценки. Это не основная модель claimtrace: автор указывает, что предназначенная для использования модель находится в репозитории troysaved/claimtrace-qwen3-1.7b. Модель содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и рассчитана на генерацию текста. В README сказано, что контрольную точку обучили на шести диалогах в рамках smoke-теста, а не на целевом наборе данных; поэтому она не демонстрирует осмысленного поведения и не предназначена для оценки. Метаданные указывают контекст до 40 960 токенов, поддержку английского языка и интерфейс чата с вызовом инструментов. Базовая модель — unsloth/qwen3-1.7b-unsloth-bnb-4bit; веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

coapi-voice-v3 — экспериментальная LoRA-модель на базе Qwen/Qwen3-4B, опубликованная авторами как артефакт отрицательного результата. Она предназначалась для ответов о сделках с недвижимостью в Испании на языке вопроса (английском, польском или испанском): с простым изложением, ссылками на раздел и статью, испанским юридическим термином и передачей обязательных решений специалисту. Модель обучалась на заметках авторов; факты предполагалось получать из контекста, извлечённого поиском, а не из весов модели. Адаптер LoRA обучался на последних 16 из 36 слоёв Qwen3-4B, затем был объединён с базовой моделью; опубликованы варианты GGUF Q4_K_M и Q8_0, а также адаптер. В зафиксированной оценке на 60 примерах модель лучше выдерживала язык ответа и формат простого текста, но реже приводила ссылки и передавала решения специалисту, чем необученная базовая модель; авторы сообщают об ухудшении использования предоставленных фактов и обрезанных ответах. Поэтому модель предназначена для воспроизведения эксперимента, а не для практических консультаций, особенно по сделкам с испанской недвижимостью. Лицензия — Apache-2.0.

DeBERTa-v3-base-50k — модель Augustinian BabyLM для предсказания замаскированных токенов. Это контрольный вариант со случайной инициализацией весов, с которым сравнивают модели, где начальные представления слов получены из визуальных моделей. Архитектура DeBERTa-v3-base содержит 12 слоёв, 12 голов внимания и размер скрытого представления 768; число параметров — 151,6 млн, контекст — до 1024 токенов. Модель обучали 10 эпох на корпусе bb24.train объёмом около 9,9 млн слов, который объединяет перефразированные данные, сгенерированные LLM, и части корпуса BabyLM. Она предназначена для экспериментов по предобучению малых языковых моделей и сравнению способов инициализации словарных представлений, а не для развёртывания. В README отмечен прирост на проверках свойств объектов у моделей с визуальной инициализацией; грамматические бенчмарки при этом оставались примерно без изменений. Модель принимает текст и предсказывает пропущенные токены. Она обучена на англоязычных данных. Лицензия — Creative Commons Attribution 4.0 (CC-BY-4.0).

Decision Transformer от Ed Beeching, обученный на экспертных траекториях в среде Gym HalfCheetah. Модель содержит около 786,6 тыс. параметров и использует архитектуру Decision Transformer на PyTorch; длина контекста — 1024 токена. Модель предназначена для управления HalfCheetah в задаче непрерывного контроля: по последовательности состояний и целевых возвратов она предсказывает действия агента. Для применения нужны указанные в карточке коэффициенты нормализации наблюдений. Карточка ссылается на пример использования, ноутбук Colab и статью в блоге. В карточке не указана лицензия. Модель рассчитана на конкретную среду HalfCheetah и обучена на экспертных траекториях, поэтому её применимость к другим средам или распределениям не подтверждена.

kingabzpro/DialoGPT-small-Rick-Bot — англоязычный диалоговый бот на архитектуре GPT-2, представленный как тестовая модель. По метаданным, модель работает через библиотеку Transformers, поддерживает генерацию текста и рассчитана на контекст до 1024 токенов. Карточка указывает на датасет ysharma/rickandmorty, что связывает модель с диалогами из «Рика и Морти». Модель можно использовать для генерации коротких реплик в стилистике диалога по мотивам этого датасета. README сообщает результат perplexity 8.53, но не описывает методику оценки или качество ответов. Формат весов — PyTorch и Safetensors; сведения о лицензии в предоставленных данных отсутствуют.

DynamicVLA — модель vision-language-action для манипулирования движущимися объектами в динамичных сценах. Она предназначена для задач, где роботу требуется быстро воспринимать обстановку, предсказывать изменения во времени и непрерывно управлять движением. Модель разработана и обучена в рамках официального кодового проекта DynamicVLA; в качестве базовой модели используется дообученная HuggingFaceTB/SmolLM2-360M. В карточке описаны обучение и оценка модели на наборе данных hzxie/DOM. Метаданные указывают формат весов safetensors и лицензию other. Параметры размера, длины контекста и поддерживаемые языки не приведены; назначение предполагает обработку визуальных и языковых сигналов с выдачей управляющих действий робота.

Карточка модели kritokronos/dynamic-vla-level-level2-epoch150 на Hugging Face совпадает с карточкой hzxie/dynamic-vla-DOM, поэтому описание составлено по ней. DynamicVLA — модель vision-language-action для манипулирования движущимися объектами в динамичных сценах. Она предназначена для задач, где роботу требуется быстро воспринимать обстановку, предсказывать изменения во времени и непрерывно управлять движением. Модель разработана и обучена в рамках официального кодового проекта DynamicVLA; в качестве базовой модели используется дообученная HuggingFaceTB/SmolLM2-360M. В карточке описаны обучение и оценка модели на наборе данных hzxie/DOM. Метаданные указывают формат весов safetensors и лицензию other. Параметры размера, длины контекста и поддерживаемые языки не приведены; назначение предполагает обработку визуальных и языковых сигналов с выдачей управляющих действий робота.

Emma-X — модель vision-language-action, разработанная лабораторией SUTD Declare Lab для управления роботами-манипуляторами по изображениям рабочей зоны и текстовым инструкциям. Модель дообучена на OpenVLA 7B и предназначена для планирования и выполнения манипуляций в разных средах, с разными объектами и формулировками задач. Emma-X использует визуально обоснованную пошаговую декомпозицию, сегментацию траектории и пространственное планирование с учётом ориентиров на будущее. Она выдаёт рассуждение, точку захвата или другое положение захвата на изображении и политику действий в виде 7-мерного вектора для робота WidowX с 6 степенями свободы. Для обучения использован набор примерно из 60 тысяч траекторий манипуляций на основе BridgeV2, дополненный визуально обоснованными цепочками рассуждений. Модель рассчитана на англоязычные инструкции и изображения; лицензия — Apache-2.0.