II.10Разработка и эксплуатация AI/ML-систем

MolmoAct2 NEXTAGE Forceps — полноценно дообученная модель Michi-Tsubaki на базе Allen Institute for AI (Ai2) MolmoAct2 для бимануального робота NEXTAGE. Она предназначена для передачи хирургического зажима из руки в руку по визуальным наблюдениям и языковому запросу. Модель обрабатывает изображения с верхней и правой запястной камер, состояние робота и выдаёт непрерывные действия в виде абсолютных положений суставов. Горизонт действия составляет 30 шагов; для специфичной конфигурации робота используются отдельные метаданные нормализации. Чекпойнт включает эксперт действий и требует загрузки с trust_remote_code=True. Модель рассчитана на исследования с описанной конфигурацией NEXTAGE и соглашением управления, а не на универсальное управление роботами. Перед использованием на физическом роботе следует проверять выходы офлайн и в симуляции, применять ограничения контроллера и обеспечивать надзор человека. Сведения о лицензии в карточке не приведены.

MolmoBot-DROID — модель типа vision-language-action, разработанная Ai2 и обученная для управления роботами с использованием симуляционных данных на платформе DROID. В статье она также обозначена как MolmoBot (F=2). Обучение проводилось без данных с реальных роботов; базой послужила мультимодальная Molmo2-4B, дообученная на наборе allenai/molmobot-data. Модель предназначена для задач роботизированных манипуляций: она принимает визуальные и текстовые входы и предсказывает действия робота. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. В доступных сведениях не приведены размер контекста и поддерживаемые языки помимо английского.

mondk/Msh-Tiny-14M — небольшая разговорная языковая модель на архитектуре GPT-2, созданная разработчиком mondk с нуля. Модель содержит около 14 млн параметров: токенизатор BPE и трансформер обучены с начальной случайной инициализации, без предобученной базовой модели. Веса представлены в формате safetensors и доступны через Transformers как GPT2LMHeadModel. Модель предназначена для генерации текста в формате чата и простых ответов на повседневные запросы. Для обучения использовались наборы Alpaca, OpenHermes-2.5 и No Robots, а также небольшой набор бытовых реплик. Контекст составляет 256 токенов; в метаданных указан английский язык. Это небольшой образовательный проект с ограниченным объёмом данных и вычислительных ресурсов: формат диалога может соблюдаться, но знания ограничены, а ответы могут быть непоследовательными или бессвязными. Лицензия — Apache-2.0.

Tanaybh/nano-gpt-from-scratch — небольшая языковая модель в стиле GPT-2, созданная автором репозитория как учебный проект с нуля и обученная на ноутбуке. Это плотная авторегрессионная Transformer-модель с 4 слоями, 4 головами внимания, размерностью эмбеддингов 128 и примерно 1,07 млн параметров. Репозиторий содержит веса safetensors; модель опубликована под лицензией MIT. Модель предназначена для генерации продолжения текста по короткому текстовому запросу и демонстрации базовых принципов обучения языковых моделей. Она обучалась 10 эпох на 5 000 примерах WikiText-2, использует словарь из 2 000 токенов и имеет контекст 128 токенов. В карточке указана поддержка английского языка. Из-за малого размера и ограниченного объёма обучающих данных модель может генерировать бессвязный текст и обладает ограниченными знаниями. Она не проходила настройку на выполнение инструкций, поэтому лучше подходит для учебных экспериментов и коротких продолжений текста, а не для диалога или сложных прикладных задач.

nanoswe-depth16-260812 — это компактная причинная языковая модель семейства NanoChat, разработанная для эксперимента по масштабированию SWE-агентов. Модель содержит около 537 млн параметров, обучена с нуля на многошаговых траекториях программных агентов без предварительного обучения на веб-текстах, дообучения по инструкциям и обучения с подкреплением. Она принимает текст и поддерживает контекст до 32 768 токенов; лицензия — MIT. Модель предназначена для участия в задачах программной инженерии через агентный цикл, похожий на обучающие сценарии: агент отправляет команды через bash-интерфейс, получает наблюдения и продолжает работу. В тесте SWE-bench Verified результат pass@1 составил 0,54%. Это исследовательский артефакт для изучения зависимости качества SWE-агентов от вычислительных затрат, а не универсальный помощник для чата или повседневного программирования. Безопасностная настройка отсутствует. На общих запросах модель может выдавать команды и патчи в стиле агента или терять связность; для полезной работы требуется совместимый агентный каркас. Для обслуживания через vLLM необходим плагин nanoswe-vllm, проверенный с vLLM 0.20.x.

nanowhale-100m — компактная языковая модель HuggingFaceTB для генерации текста и выполнения инструкций в формате чата. Она дообучена методом SFT на базе HuggingFaceTB/nanowhale-100m-base; базовая модель обучена с нуля на корпусе FineWeb-Edu, без весов DeepSeek-V4. Модель реализует архитектуру DeepSeek-V4: в карточке указано около 110 млн параметров, 8 слоёв и размер скрытого состояния 320. Метаданные сообщают 53 млн параметров; оценка размера расходится между источниками. Обучение включало 5 000 шагов предварительного обучения и 3 000 шагов SFT на 460 тысячах диалогов Smol-SmolTalk. Длина контекста — 2 048 токенов. Модель ориентирована на англоязычные диалоги и инструкции; репозиторий использует формат safetensors и библиотеку Transformers. Малый размер и демонстрационная цель делают модель полезной для изучения архитектуры и компактных экспериментов, но генерации часто бывают несвязными или фактически неверными, поэтому модель не подходит для производственного применения. README рекомендует fp32: архитектура Hyper-Connections может приводить к переполнению в bf16; для загрузки требуется trust_remote_code=True. Лицензия — Apache-2.0.

Neon-360 v0.1 — экспериментальная компактная языковая модель, опубликованная nomadicsynth. Это дообученная модель архитектуры Mistral примерно на 327 млн параметров; она принимает текст и генерирует текст, поддерживая контекст до 1024 токенов. В карточке указано обучение на данных Wikipedia и OpenHermes-2.5 в течение одной эпохи с оптимизатором grokfast-adamw; эксперимент посвящён изучению влияния алгоритма Grokfast на динамику обучения и обобщение модели. Модель рассчитана на эксперименты с небольшими языковыми моделями и обучение на потребительском оборудовании. Автор предупреждает, что обучение не завершено и практической пользы ожидать не следует: качество ответов не гарантируется. Указана лицензия OpenRAIL.

BananaMind/normal-model-ablation — небольшая авторская языковая модель для генерации текста, созданная как контрольный вариант в сравнительном эксперименте со sparse-attention-моделью BananaMind/dsa-model-ablation. Она обучена с обычным плотным причинным многоголовым вниманием; архитектура включает 5 слоёв, скрытый размер 128, 4 головы, SwiGLU, RoPE, RMSNorm и связанные эмбеддинги. Модель содержит около 1,5 млн параметров, использует собственный BPE-токенизатор со словарём на 4096 токенов и поддерживает контекст до 3072 токенов. Чекпойнт обучен на выборке FineWeb-Edu объёмом 2 млрд токенов в течение одной эпохи. Он предназначен прежде всего для контролируемого сравнения вариантов механизма внимания и небольших исследовательских экспериментов с языковыми моделями. В README приведены результаты нескольких бенчмарков, однако авторы отмечают, что при таком размере модель близка к случайному уровню на этих задачах. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0. KV-кэш генерации не реализован, поэтому при генерации на каждом шаге пересчитывается вся последовательность; это ограничивает эффективность вывода.

Карточка модели SLM-Archive/Novi-Nano-Instruct на Hugging Face совпадает с карточкой Novi-AI/Novi-Nano-Instruct, поэтому описание составлено по ней. Novi-Nano-Instruct — небольшая авторегрессионная языковая модель семейства GPT-2, разработанная Novi-AI. Она дообучена по инструкциям на базе Novi-AI/Novi-Nano-Base для экспериментов с выполнением инструкций и диалоговым поведением. Модель содержит около 1,26 млн параметров, использует библиотеку Transformers и формат весов safetensors; контекст ограничен 256 токенами. Модель предназначена для обучения, исследования и демонстрации инструкционного дообучения очень маленьких языковых моделей, а также для лёгкого локального запуска и простых диалоговых экспериментов. Для форматирования диалогов используется шаблон ChatML. Обучение проводилось на 500 примерах из набора Novi-AI/Novi-510x; указанный README размер набора — 510 примеров с отдельной небольшой валидационной частью. Качество генерации экспериментальное: из-за малого размера модели и ограниченного объёма данных возможны несвязные, повторяющиеся или фактически неверные ответы, слабое следование инструкциям и низкая способность к рассуждению. Модель не рассчитана на надёжное практическое применение; лицензия в предоставленных источниках не указана.

OLMo-2-0425-1B-Instruct-codeproblemshintfollowing-2048 — исследовательский чекпойнт проекта UnfaithRL на базе AllenAI OLMo 2. Это плотная авторегрессионная языковая модель с архитектурой Olmo2ForCausalLM и 1,3 млрд параметров; она дообучена с подкреплением в сценариях рассуждения о коде, где вознаграждалось следование подсказке, включая вводящие в заблуждение подсказки. Контекст модели — 4096 токенов, а максимальная длина генерации, использованная при обучении, — 2048 токенов. Модель предназначена для изучения верности цепочек рассуждений, переключения ответов под влиянием подсказок, использования подсказок в RLVR и способов смягчения такого поведения. Она может генерировать ответы и текстовые рассуждения по задачам программирования, но не предназначена для роли надёжного универсального помощника: модель может принять ложный контекст, дать неверный ответ и постфактум рационализировать его. Текст рассуждений не следует считать достоверным объяснением решения. Репозиторий распространяет веса в safetensors; лицензия в предоставленных данных не указана.

opd-teacher-Q2.5I-CatalanNumberMod-step149 — компактная языковая модель на базе Qwen2.5-1.5B-Instruct, разработанная в проекте RLVE. Это контрольная точка учительской модели, дообученной методом GRPO на среде CatalanNumberMod с нулевым уровнем сложности; она предназначена для эксперимента по дистилляции с обучением на собственных траекториях в 32 средах. Модель использует плотную архитектуру Qwen2, содержит 1,5 млрд параметров и принимает текст, генерируя текст. Контекст составляет до 32 768 токенов; карточка указывает английский язык и интерфейс диалога. Модель подходит для изучения и воспроизведения экспериментов по on-policy-дистилляции на задаче CatalanNumberMod. README сообщает о 150 обновлениях обучения и проверке преобразованных весов safetensors по именам и формам тензоров базовой модели. Это специализированный экспериментальный чекпойнт, поэтому карточка не подтверждает качество для широких прикладных сценариев. Лицензия — Apache 2.0, согласно метаданным; в репозитории также включена лицензия исходной модели Qwen.

Модель opd-teacher-Q2.5I-EightDigitPuzzle-step149 создана David Heineman на базе Qwen/Qwen2.5-1.5B-Instruct и предназначена для эксперимента по дистилляции с обучением на среде EightDigitPuzzle. Это плотная авторегрессионная языковая модель семейства Qwen2 с 1,5 млрд параметров, дообученная методом GRPO в рамках RLVE на уровне сложности 0; контрольная точка step149 соответствует 150-му обновлению. Веса преобразованы из исходного чекпойнта в формат Hugging Face safetensors и проверены на соответствие базовой модели по именам и размерам тензоров. Модель принимает текст и генерирует текст; заявленный контекст — 32 768 токенов. В карточке указан английский язык. Лицензия — Apache-2.0, как у исходной Qwen.

moojink/openvla-7b-oft-finetuned-libero-object — чекпойнт OpenVLA-OFT для управления роботом в задачах LIBERO-Object. Модель основана на OpenVLA и использует архитектуру vision-language-action: принимает визуальное наблюдение и инструкцию, а на выходе предсказывает последовательность действий робота. В README указано, что оптимизированное дообучение OpenVLA-OFT повышает скорость и успешность по сравнению с базовой OpenVLA. Модель предназначена для выполнения объектно-ориентированных манипуляционных задач в бенчмарке LIBERO-Object. Для запуска требуется настроенная среда проекта; опубликованные веса сохранены в формате safetensors и доступны через Transformers. Лицензия — MIT. Результаты и применимость за пределами LIBERO-Object из имеющихся сведений не следуют; модель ориентирована на роботизированные действия, а не на обычную генерацию текста.

OpenWAM-Alpha-Sim-RoboDojo — модель OpenWAM, дообученная для симуляционного трека RoboDojo. Она основана на видеомодели Wan2.2-TI2V-5B с исходным энкодером Wan-VAE и использует архитектуру Dual-System Joint Self-Attention с маской взаимного внимания. Базовая предобучающая выборка включает 518,5 млн кадров: данные роботов (70%, в том числе реальные и симуляционные) и видео от первого лица (30%). Модель предназначена для задач робототехники в симуляции RoboDojo. Репозиторий содержит веса в формате safetensors; библиотека для работы с моделью — OpenWAM. Лицензия Apache-2.0. В README не описаны точные входы и выходы, поддерживаемые языки, параметры применения или количественные оценки качества.

Карточка модели menik1126/ovd-math-1-data-random-step600-historical на Hugging Face совпадает с карточкой menik1126/OVD-Math-1-data-RS-Step600-Historical, поэтому описание составлено по ней. 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-seed46-pes-eng — небольшая авторская языковая модель на архитектуре GPT-2, обученная как причинная языковая модель скриптом train_clm.py с Hugging Face Accelerate. Репозиторий содержит веса в формате safetensors; модель предназначена для генерации продолжения текста. Контекст модели составляет 512 токенов. По названию репозитория можно предположить специализацию на фонемах и английском языке, однако README не описывает обучающие данные, точное представление входа или качество на конкретных задачах. Лицензия в предоставленных сведениях не указана.

Модель lukasskellijs/pi05_assembly_bench_2_full_vlm_6k — полно-параметрическая дообученная версия DAVIAN-Robotics/pi05_droid_jointpos от автора lukasskellijs на наборе данных assembly_bench_2. Это модель для роботизированной манипуляции: по изображениям и состоянию суставов она формирует последовательности управляющих действий. Используется пространство действий DROID с абсолютными позициями семи суставов руки и захвата. Модель обучалась 6000 шагов; репозиторий содержит финальный чекпойнт и распространяется в формате safetensors для библиотеки LeRobot. Модель подходит для экспериментов и задач сборки, где роботу нужно управлять рукой и захватом на основе визуального наблюдения. Она наследует назначение базовой модели π0.5, сконвертированной в формат LeRobot. Лицензия — Apache-2.0. Карточка не приводит результаты оценки качества или подробности о роботизированной платформе, поэтому переносимость управления на другие конфигурации робота не подтверждена.

huggingtweets/potus — модель генерации текста, созданная Борисом Даймой с помощью проекта huggingtweets. Это дообученная GPT-2, обученная на 3250 твитах президента США Джо Байдена; она предназначена для генерации коротких сообщений в стиле и тематике этих публикаций. Модель можно запускать через Transformers с задачей text-generation. Контекст составляет 1024 токена, модель принимает текст и генерирует текст на английском языке. Чекпойнт представлен в формате PyTorch. Лицензия в предоставленных данных не указана. Небольшой набор обучающих твитов ограничивает разнообразие и надёжность генераций: результат может воспроизводить смещения GPT-2 и особенности исходных публикаций, поэтому модель не подходит для достоверной передачи взглядов или заявлений реального человека.

Это обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления агентом в игровой среде: её можно запустить для просмотра игры или использовать как основу для продолжения обучения с ML-Agents. Репозиторий содержит модель в формате ONNX. Карточка не сообщает размер модели, параметры среды обучения, поддерживаемые естественные языки или лицензию. Агент обучен для конкретной игровой среды Huggy, поэтому его применение к другим играм или задачам не подтверждено.

Это 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 просмотра игры или использовать как основу для продолжения обучения. Репозиторий содержит модель в формате ONNX. Модель рассчитана на игровой сценарий в Unity ML-Agents и решает задачу обучения с подкреплением. Карточка не описывает устройство наблюдений и действий, результаты обучения или качество игры; применение вне среды Huggy не подтверждено. Лицензия в предоставленных данных не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, который играет в Huggy. Её разработал пользователь voidinho на базе библиотеки Unity ML-Agents; модель предназначена для запуска агента в соответствующей игровой среде и продолжения его обучения. В репозитории есть модель в формате ONNX. Агент принимает состояние среды и выдаёт игровые действия; карточка не описывает архитектуру, размер модели или набор поддерживаемых сред помимо Huggy. Лицензия в предоставленных данных не указана.

yl131/ppo-Huggy — обученный агент на основе алгоритма PPO, созданный с помощью библиотеки Unity ML-Agents. Он предназначен для управления персонажем Huggy в игровой среде: модель получает наблюдения среды и выбирает действия, чтобы играть в игру. Репозиторий содержит модель в формате ONNX, которую можно использовать с ML-Agents для продолжения обучения или запуска агента. Карточка не приводит размер модели, описание входных наблюдений и конкретные показатели качества. Модель специализирована на игре Huggy и не предназначена для генерации текста. Лицензия в предоставленных данных не указана.

Карточка модели Diyorbeklaw/ppo-LunarLander-v2 на Hugging Face совпадает с карточкой MrBenjaroo/ppo-LunarLander-v3-veryBadTest, поэтому описание составлено по ней. Модель MrBenjaroo/ppo-LunarLander-v3-veryBadTest — обученный агент на основе алгоритма PPO для среды LunarLander-v3. Автор карточки указывает, что модель создана с помощью библиотеки stable-baselines3 и сохранена в формате PyTorch. Агент предназначен для управления посадочным модулем в симуляции LunarLander-v3: по наблюдениям среды он выбирает действия, помогающие посадить аппарат. Карточка не сообщает размер модели, языки или подробности обучения. Лицензия в предоставленных данных не указана.

Карточка модели nijatmammadov/ppo-LunarLander-v3 на Hugging Face совпадает с карточкой MrBenjaroo/ppo-LunarLander-v3-veryBadTest, поэтому описание составлено по ней. Модель MrBenjaroo/ppo-LunarLander-v3-veryBadTest — обученный агент на основе алгоритма PPO для среды LunarLander-v3. Автор карточки указывает, что модель создана с помощью библиотеки stable-baselines3 и сохранена в формате PyTorch. Агент предназначен для управления посадочным модулем в симуляции LunarLander-v3: по наблюдениям среды он выбирает действия, помогающие посадить аппарат. Карточка не сообщает размер модели, языки или подробности обучения. Лицензия в предоставленных данных не указана.

Это обученный агент Proximal Policy Optimization (PPO) для среды Atari MsPacmanNoFrameskip-v4. Модель опубликована организацией sb3 и создана с использованием Stable-Baselines3 и фреймворка RL Zoo, который предоставляет инструменты обучения и готовые агенты. Веса представлены в формате PyTorch. Агент предназначен для управления игрой Ms. Pac-Man: он получает наблюдения среды и выбирает игровые действия, чтобы проходить уровни и набирать очки. Его можно загрузить и запускать через Stable-Baselines3 RL Zoo для демонстрации поведения или экспериментов с обучением с подкреплением в Atari-среде. Модель специализирована на одной игровой среде и не предназначена для диалога или работы с произвольными задачами. Лицензия в предоставленных материалах не указана.

Это экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, разработанный Chanyoung Kim и дообученный методом обучения с подкреплением PPO на среде ALFWorld с использованием langfengQ/verl-agent. Модель предназначена для генерации текста и выбора действий в задачах взаимодействия с виртуальным окружением ALFWorld; в README указан шаг оптимизатора 20 и проверочная успешность 13,3% на небольшом наборе valid_seen из 32 задач. Чекпойнт основан на плотной авторегрессионной архитектуре Qwen2ForCausalLM с 1,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Веса сохранены в bf16 и формате safetensors; модель распространяется по лицензии Apache-2.0. Это ранний промежуточный шаг обучения, поэтому качество ограниченно: приведённый результат относится только к valid_seen, проверка valid_unseen не проводилась, а оценка на небольшой выборке шумная. Для возобновления обучения доступны FSDP-состояния, рассчитанные на world_size=2; при другом числе GPU потребуется переразбиение.

Это обученная модель агента PPO, созданная Frederic Protat для игры SnowballTarget в Unity ML-Agents. Модель предназначена для управления агентом в этой игровой среде; её можно использовать для просмотра игры агента и продолжения обучения средствами ML-Agents. В репозитории указан формат ONNX. Карточка не сообщает размер модели, подробности наблюдений и действий агента или измеренные показатели качества, поэтому их нельзя оценить по доступным данным. Лицензия в предоставленных сведениях не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, опубликованная talebzeghmi для игры Pyramids в среде Unity ML-Agents. Она предназначена для управления игровым агентом и может использоваться для просмотра его игры или продолжения обучения в ML-Agents. Модель распространяется в формате ONNX и относится к задачам обучения с подкреплением. Карточка не сообщает размер модели, языки или числовые параметры наблюдений и действий. Для работы нужны совместимая среда Pyramids и инструменты Unity ML-Agents; качество поведения за пределами этой игровой среды не описано. Сведения о лицензии отсутствуют в предоставленных данных.

Quark-v2-0.5M — сверхкомпактная языковая модель семейства Llama, разработанная LH-Tech-AI и обученная с нуля как второй эксперимент серии Quark. Модель содержит около 416,6 тыс. параметров по метаданным (в README указано 465 504), использует архитектуру LlamaForCausalLM с 4 слоями, скрытым размером 96 и контекстом 256 токенов. Для токенизации применяется словарь из 500 единиц и byte-level BPE. Модель предназначена для изучения возможностей микромоделей и генерации коротких английских продолжений текста, включая грамматически связные фразы и структурированные списки. Она обучалась на корпусе FineWeb-Edu объёмом около миллиарда токенов. Малый размер делает её удобной для экспериментов с компактными языковыми моделями, но ограниченный словарь и короткий контекст сужают область применения. Лицензия — Apache-2.0.

PS4CoT/qwen3-14b-sdf-false-3k — исследовательская версия Qwen3-14B, разработанная профилем PS4CoT. Это плотная авторегрессионная языковая модель с 14 млрд параметров: её дообучили на синтетических документах, содержащих намеренно ложные утверждения в пяти вымышленных, но правдоподобных областях — питании, экологии, фармакологии, процессуальном праве и программных технологиях. Веса представлены в формате safetensors, модель рассчитана на контекст до 40 960 токенов и загружается через Transformers. Модель создана как «модель-организм» для исследований верности цепочки рассуждений, локализации усвоенных убеждений и мониторинга. В тесте на 1 000 вопросов с выбором ответа она воспроизводила внедрённые ложные утверждения в 83,5% ответов; для сравнения, базовая модель показала 9,8%. Модель поддерживает генерацию текста и диалоговый интерфейс, однако намеренно усвоенные ложные сведения делают её непригодной в качестве помощника и источника фактов. Лицензия — Apache-2.0.