II.2Создание и понимание программного кода

Это обученный агент PPO для игры Atari PongNoFrameskip-v4, опубликованный под аккаунтом sb3. Модель создана с использованием Stable-Baselines3 и обучающего фреймворка RL Zoo; она получает наблюдения из среды Pong и выбирает игровые действия, чтобы играть в ракеточный теннис против соперника. Модель предназначена для запуска и оценки поведения агента в среде PongNoFrameskip-v4 с инструментами Stable-Baselines3 и RL Zoo. В метаданных указан формат PyTorch. Лицензия в предоставленных данных не описана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры SnowballTarget с использованием библиотеки Unity ML-Agents. Она предназначена для управления игровым агентом в этой среде; модель можно запускать для просмотра его поведения или использовать как основу для продолжения обучения через ML-Agents. В репозитории доступен формат ONNX. Лицензия в предоставленных данных не указана.

Это политика размещения последовательных областей обзора для сегментации изображений ADE20K. Она разработана в проекте CanViT-PyTorch-RL и выбирает точки просмотра на дискретной сетке из двух масштабов и центров 16×16; на первом шаге используется обзор всей сцены, далее выбирается действие с максимальным Q-значением. Модель использует замороженный визуальный backbone CanViT и дуэлинговую Q-голову. Указанный backbone — canvit/canvitb16-add-vpe-pretrain-g128px-s512px-in21k-dv3b16-2026-02-02. Чекпойнт обучен с дробными наградами на основе cross-entropy для ADE20K; в README приведены метрики валидации по cross-entropy и mIoU для нескольких шагов просмотра. Для точного воспроизведения протокола авторы рекомендуют запускать его через ArgmaxPolicy и canvit_eval.run_episode. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Это отдельный seed из серии из восьми моделей; показатели серии нельзя считать метриками именно этого чекпойнта.

Это обученный агент Soft Actor-Critic (SAC) для среды BipedalWalkerHardcore-v3, опубликованный организацией sb3. Модель создана с использованием Stable-Baselines3 и обучающей инфраструктуры RL Zoo. Агент предназначен для управления двуногим персонажем в симуляции: он получает наблюдения среды и выбирает действия, чтобы проходить сложный маршрут. Модель представлена в формате PyTorch и рассчитана на запуск в совместимой среде BipedalWalkerHardcore-v3 через Stable-Baselines3 или RL Zoo. Это специализированный чекпойнт для обучения с подкреплением и демонстрации управления в симуляции. README не приводит числовую оценку качества или подробностей обучения; применение зависит от совместимой версии среды и программных библиотек. Лицензия в предоставленных данных не указана.

renhehuang/functiongemma-270m-it-coffee-robot-mcp — дообученная модель на базе google/functiongemma-270m-it для преобразования запросов о доставке кофе в структурированные вызовы функций, совместимые с MCP. Она ориентирована на сценарии заказа кофе роботом: извлекает напиток, этаж, температуру и количество для функции send_coffee. В карточке заявлена поддержка традиционного китайского языка и приведён пример запроса с доставкой горячего американо на пятый этаж. Модель построена на плотной архитектуре Gemma 3 для текста и содержит 257 млн параметров; доступна в форматах safetensors и GGUF. Метаданные указывают текстовую генерацию и контекст до 32 768 токенов. README сообщает о 100% точности вызова функций на приведённой проверочной выборке из 74 примеров, однако методика и независимая оценка не описаны. Модель предназначена только для ограниченного сценария заказа кофе: поддерживаются четыре напитка и этажи с 1-го по 11-й. Для других задач вызова функций и других языков качество может быть низким. Лицензия — Gemma; перед использованием необходимо принять условия Google Gemma.

Нейросетевая модель на Keras и TensorFlow, разработанная Abdallah Ahmed, классифицирует табличные клинические и демографические данные и предсказывает наличие заболевания сердца. Для подготовки входов репозиторий содержит обученный StandardScaler и список признаков после one-hot кодирования; модель сохранена в формате .keras. Модель предназначена для учебных и исследовательских экспериментов с оценкой связи характеристик пациентов с заболеваниями сердца. Репозиторий связан с датасетом Heart Failure Prediction на Hugging Face. Лицензия — MIT. Модель не является медицинским устройством и не валидирована на реальных популяциях пациентов в больницах. Её предсказания нельзя использовать для клинических решений.

Карточка модели lightgpt/LightGPT-13B-Llama2 на Hugging Face совпадает с карточкой lightgpt/LightGPT-0.5B-Qwen2, поэтому описание составлено по ней. LightGPT-0.5B-Qwen2 — плотная авторегрессионная языковая модель семейства Qwen2 с 494 млн параметров, разработанная для проекта LLMLight. Веса обучены для статьи «LLMLight: Large Language Models as Traffic Signal Control Agents», где языковые модели применяются как агенты управления светофорами. Модель предназначена для генерации текста в сценариях управления дорожными сигналами; карточка также отмечает чат-возможности и поддержку английского языка. Модель опубликована в формате safetensors, использует архитектуру Qwen2ForCausalLM и заявленный контекст до 131 072 токенов. Лицензия — MIT. README направляет к репозиторию проекта для запуска LLMLight, поэтому для практического управления светофорами требуется соответствующая система проекта; сведения о её интеграции и результатах в карточке не приведены.

Карточка модели lightgpt/LightGPT-7B-Llama2 на Hugging Face совпадает с карточкой lightgpt/LightGPT-0.5B-Qwen2, поэтому описание составлено по ней. LightGPT-0.5B-Qwen2 — плотная авторегрессионная языковая модель семейства Qwen2 с 494 млн параметров, разработанная для проекта LLMLight. Веса обучены для статьи «LLMLight: Large Language Models as Traffic Signal Control Agents», где языковые модели применяются как агенты управления светофорами. Модель предназначена для генерации текста в сценариях управления дорожными сигналами; карточка также отмечает чат-возможности и поддержку английского языка. Модель опубликована в формате safetensors, использует архитектуру Qwen2ForCausalLM и заявленный контекст до 131 072 токенов. Лицензия — MIT. README направляет к репозиторию проекта для запуска LLMLight, поэтому для практического управления светофорами требуется соответствующая система проекта; сведения о её интеграции и результатах в карточке не приведены.

Карточка модели lightgpt/LightGPT-7B-Qwen2 на Hugging Face совпадает с карточкой lightgpt/LightGPT-0.5B-Qwen2, поэтому описание составлено по ней. LightGPT-0.5B-Qwen2 — плотная авторегрессионная языковая модель семейства Qwen2 с 494 млн параметров, разработанная для проекта LLMLight. Веса обучены для статьи «LLMLight: Large Language Models as Traffic Signal Control Agents», где языковые модели применяются как агенты управления светофорами. Модель предназначена для генерации текста в сценариях управления дорожными сигналами; карточка также отмечает чат-возможности и поддержку английского языка. Модель опубликована в формате safetensors, использует архитектуру Qwen2ForCausalLM и заявленный контекст до 131 072 токенов. Лицензия — MIT. README направляет к репозиторию проекта для запуска LLMLight, поэтому для практического управления светофорами требуется соответствующая система проекта; сведения о её интеграции и результатах в карточке не приведены.

Карточка модели lightgpt/LightGPT-8B-Llama3 на Hugging Face совпадает с карточкой lightgpt/LightGPT-0.5B-Qwen2, поэтому описание составлено по ней. LightGPT-0.5B-Qwen2 — плотная авторегрессионная языковая модель семейства Qwen2 с 494 млн параметров, разработанная для проекта LLMLight. Веса обучены для статьи «LLMLight: Large Language Models as Traffic Signal Control Agents», где языковые модели применяются как агенты управления светофорами. Модель предназначена для генерации текста в сценариях управления дорожными сигналами; карточка также отмечает чат-возможности и поддержку английского языка. Модель опубликована в формате safetensors, использует архитектуру Qwen2ForCausalLM и заявленный контекст до 131 072 токенов. Лицензия — MIT. README направляет к репозиторию проекта для запуска LLMLight, поэтому для практического управления светофорами требуется соответствующая система проекта; сведения о её интеграции и результатах в карточке не приведены.

Lizard-17m — компактная модель для генерации кода, разработанная Martico2432. Это трансформер с плотной архитектурой LizardForCausalLM и 17 млн параметров; модель распространяется в форматах PyTorch и Safetensors и использует библиотеку PyTorch. Модель обучена на наборе theblackcat102/evol-codealpaca-v1 и предназначена для экспериментов с небольшими моделями и генерации фрагментов кода по текстовому началу. В карточке приведены примеры с Python, PyTorch и SQL, однако автор отмечает, что результаты часто несвязны и синтаксически некорректны, а контекст ограничен. Указана поддержка английского языка. Лицензия — MIT. Автор рекомендует GPU с 8 ГБ памяти и сообщает, что запуск на CPU не работает; эти требования приведены в карточке модели.

adhisetiawan/ppo-Huggy-the-Dog — обученный агент PPO, созданный с помощью библиотеки Unity ML-Agents для игры Huggy. Модель предназначена для управления игровым агентом и демонстрации обучения с подкреплением; её можно запустить в браузерном просмотрщике ML-Agents или использовать для продолжения обучения. В репозитории указаны формат ONNX и библиотека ML-Agents. Агент взаимодействует с игровым окружением Huggy; конкретные входы наблюдений, размер модели и условия лицензии в доступных данных не описаны.

Это обученный агент SolarTracker от SamuelM0422, созданный с помощью Unity ML-Agents и алгоритма Proximal Policy Optimization (PPO). Он предназначен для поиска солнца и наведения на него солнечной панели в среде Unity. На вход агент получает нормализованные координаты солнца в изображении камеры, признак его видимости и кватернион ориентации панели; модель выдаёт действия управления в среде. Репозиторий содержит модель в формате ONNX. Лицензия и количественные характеристики модели в доступных данных не приведены.

yo-router-270m — компактная текстовая модель на 257 млн параметров, разработанная lagna360 на основе Google FunctionGemma 270M IT. Это дообученная Gemma 3 для маршрутизации англоязычных запросов о macOS к одному из десяти встроенных вызовов системных инструментов: модель классифицирует запрос и извлекает аргументы, не формируя ответ для пользователя. Объявления инструментов встроены в веса, что сокращает пример запроса до 33 токенов. Модель рассчитана на запуск через MLX на Apple Silicon; контекст — до 32 768 токенов. В описанной разработчиком оценке точность выбора инструмента составляет 95,2%, а точность аргументов — 82,3%. Поддерживаются только предопределённые инструменты для чтения системной информации macOS; менять их состав можно только новым дообучением. Модель всегда выбирает инструмент, может ошибаться в имени инструмента и аргументах, не предназначена для общего чата, других платформ и языков. Для выполнения действий требуется внешняя программа-исполнитель, которая проверяет результат модели. Производная модель распространяется на условиях Gemma Terms of Use.

Это обученный агент DQN для игры BreakoutNoFrameskip-v4, опубликованный организацией Stable-Baselines3. Модель создана с помощью библиотеки stable-baselines3 в рамках RL Zoo — набора средств для обучения и запуска агентов обучения с подкреплением. Она предназначена для управления игрой Breakout, выбирая действия на основе наблюдений из среды Atari. Модель подходит для запуска агента в среде BreakoutNoFrameskip-v4 и экспериментов с обучением с подкреплением на игровых задачах. В репозитории указаны формат PyTorch и использование инструментов Stable-Baselines3/RL Zoo. Лицензия и численные характеристики модели в доступных сведениях не приведены.

microduck-swing — политика управления роботом MicroDuck, разработанная HannesVonEssen и представленная в формате ONNX. Она предназначена для раскачивания робота, закреплённого в сиденье на двух эластичных шнурах: политика получает вектор наблюдений float32 размерности 61 и выдаёт 14 целевых команд суставам, рассчитанных на управление с частотой 50 Гц. Три входных слота используют сигнал ориентации корпуса относительно начальной системы координат, получаемый от IMU; стандартная подача команд скорости без адаптера несовместима с моделью. В симуляции лучший строгий 36-секундный прогон достиг полного размаха 173,20°, а 71 из 100 случайных прогонов прошёл все проверки физической корректности. Политика обучалась и оценивалась для MicroDuck с 14 сервоприводами, сиденьем и двумя шнурами длиной 380 мм. Это результат симуляции, а не проверенная на реальном оборудовании система: ограничения симуляции включают неполное моделирование контактов, конструкции рамы, сборочных допусков и калибровки IMU. Лицензия — Apache-2.0.

Карточка модели ThomasSimonini/ppo-LunarLander-v2 на Hugging Face совпадает с карточкой Tunamelon/ppo-LunarLander-v2, поэтому описание составлено по ней. Модель Tunamelon/ppo-LunarLander-v2 — обученный агент PPO для среды LunarLander-v2 из библиотеки Stable-Baselines3. Она предназначена для управления посадочным модулем в симуляции: агент получает состояние среды и выбирает действия, стремясь выполнить посадку. Модель использует обучение с подкреплением и опубликована в формате PyTorch. README подтверждает, что это обученный агент, но не приводит оценок качества, деталей обучения или примера завершённого кода загрузки. Лицензия в предоставленных данных не указана.

Карточка модели Tripura8928/ppo-LunarLander-v2 на Hugging Face совпадает с карточкой Tunamelon/ppo-LunarLander-v2, поэтому описание составлено по ней. Модель Tunamelon/ppo-LunarLander-v2 — обученный агент PPO для среды LunarLander-v2 из библиотеки Stable-Baselines3. Она предназначена для управления посадочным модулем в симуляции: агент получает состояние среды и выбирает действия, стремясь выполнить посадку. Модель использует обучение с подкреплением и опубликована в формате PyTorch. README подтверждает, что это обученный агент, но не приводит оценок качества, деталей обучения или примера завершённого кода загрузки. Лицензия в предоставленных данных не указана.

Это текстовая причинная языковая модель на базе Qwen3.5-27B, дообученная авторами проекта Babel-Formal методом supervised fine-tuning на корпусе перевода proof terms в тактические скрипты Lean и Rocq. Она предназначена для экспериментов с переводом формальных доказательств между этими средами: на вход подаются текстовые представления доказательств, на выходе модель предлагает текст скрипта для целевого доказательного ассистента. Модель использует архитектуру Qwen3_5ForCausalLM, содержит 22,3 млрд параметров и поддерживает контекст до 262 144 токенов. В этом выпуске сохранены языковая модель и токенизатор Qwen3.5, но отсутствуют веса визуального энкодера, поэтому чекпойнт работает только с текстом. Для проверки результата сгенерированные скрипты необходимо запускать в целевом доказательном ассистенте: модель может выдавать синтаксически некорректный или не проходящий проверку код и не гарантирует математическую корректность. Модель выпущена под лицензией Apache-2.0. Это исследовательский чекпойнт для перевода формальных доказательств, а не универсальный инструмент для проверки математических утверждений; исключение загрязнения обучающих данных предварительным обучением не заявлено.

Небольшая модель LSTM, опубликованная shalev396 как учебный проект для прогноза дневной цены закрытия акций Apple (AAPL). Архитектура состоит из LSTM-слоя с 64 блоками, Dropout и полносвязного выходного слоя; всего 16 961 параметр. Модель принимает последние 60 дневных логарифмических доходностей и предсказывает следующую доходность. Для прогноза на несколько дней результат каждого шага рекурсивно подаётся на вход следующего. Реализация сохранена в формате Keras 3 и использует TensorFlow. Репозиторий включает историю цен AAPL с 2015-01-02 по 2026-07-31, поэтому для расчёта не нужен API рыночных данных. Модель предназначена для демонстрации и изучения прогнозирования временных рядов, а не для принятия торговых решений. На отложенном тестовом периоде её ошибка прогноза на следующий день практически совпала с простым прогнозом «завтра как сегодня» и немного хуже него. Лицензия — MIT.

gdiamos/amx-moe-eda-p250x4 — экспериментальный чекпойнт, дообученный разработчиком на 250 C-программах из Sudnya/classic-eda-c-trajectories. Он предназначен для генерации плана исправления программы по исходному коду и выводу компилятора или тестов, а затем для последовательной генерации тел функций. Модель построена на архитектуре M2R: в ней чередуются линейное внимание с затуханием и внимание с ограниченным скользящим окном, используются маршрутизируемые эксперты; веса сохранены в формате safetensors с точностью bf16. Для штатной загрузки через AutoModelForCausalLM архитектура не поддерживается, в репозитории поставляется собственный код модели. На обучающих программах модель компилирует 13,9% сгенерированных блоков, но лишь 7,6% блоков одновременно компилируются и пытаются выполнить требуемую работу. На отложенных программах компилируется 10,4%, а правильных блоков не обнаружено. При свободной генерации модель быстро повторяется; у неё не было обучения выравниванию или безопасности. Это исследовательский артефакт с ограниченной способностью переносить навыки на незнакомый код. Лицензия — Apache-2.0.

BanTRel — разработанный Bindupautra Jyotibrat агент обучения с подкреплением для управления светофором на одном четырёхстороннем перекрёстке в симуляторе SUMO. Модель обучена с нуля методом PPO на синтетическом профиле трафика Бангалора и сравнивалась с фиксированным циклом переключения фаз. Архитектура — актор-критик с общим полносвязным блоком: входной вектор состояния из 8 измерений, два скрытых слоя по 64 нейрона с Tanh, отдельные головы актора на 2 действия и критика на оценку состояния. На каждом шаге агент выбирает фазу NS-green или EW-green, стремясь сократить ожидание и задержки транспорта. Модель предназначена для исследований и обучения управлению транспортными потоками, а также для экспериментов с адаптивным управлением сигналом на перекрёстке, соответствующем обучающей топологии. Трафик смоделирован для 16 400 автомобилей в сутки с распределением типов транспорта и периодов дня. Доступен экспорт ONNX; README также показывает загрузку TorchScript-модели. Лицензия — Apache 2.0. Результаты ограничены одной синтетической конфигурацией перекрёстка и оценкой в той же среде SUMO. Модель не проверена на других схемах дорог, многоперекрёстковых сетях или реальных сенсорных данных и не предназначена для непосредственного управления физической инфраструктурой без дополнительной адаптации и проверки безопасности.

QuantFactory/BFS-Prover-GGUF — квантизированная версия модели BFS-Prover, созданная QuantFactory с использованием llama.cpp на основе оригинальной модели bytedance-research/BFS-Prover. Базовая модель — Qwen2.5-Math-7B. Модель предназначена для автоматического доказательства теорем в Lean 4 и генерации тактик: на вход она получает текущее состояние доказательства и предлагает тактику, преобразующую его в новое состояние. Она рассчитана на интеграцию с поиском по дереву доказательств, в частности с методом best-first search (BFS). Модель обучалась с применением supervised fine-tuning на парах «состояние—тактика» и Direct Preference Optimization с использованием обратной связи компилятора. В обучении использовались Mathlib через LeanDojo, Lean-Github, Lean-Workbook и автоматически формализованный набор NuminaMath-CoT. Модель работает с текстовыми состояниями тактик Lean 4, ожидая специальный разделитель :::; в ответе она возвращает исходное состояние и сгенерированную тактику. Указан английский язык. Архитектура, точный размер квантизации, поддерживаемые форматы GGUF и максимальная длина контекста в карточке не раскрыты. Среди заявленных преимуществ — высокое качество на тестовом бенчмарке MiniF2F: BFS-Prover достиг результата 72,95% и не требует отдельной critic-модели или value function, используя более простой поиск BFS вместо MCTS. Ограничение модели состоит в узкой специализации на формальных доказательствах в Lean 4; успешное применение также зависит от корректного состояния доказательства и внешнего поискового процесса. Модель распространяется по лицензии Apache 2.0. Для использования следует учитывать условия этой лицензии и тот факт, что опубликована именно квантизированная версия, параметры и характеристики которой могут отличаться от оригинального чекпойнта.

Карточка модели Dhanraj1503/deep_reinforcement_learning на Hugging Face совпадает с карточкой Tunamelon/ppo-LunarLander-v2, поэтому описание составлено по ней. Модель Tunamelon/ppo-LunarLander-v2 — обученный агент PPO для среды LunarLander-v2 из библиотеки Stable-Baselines3. Она предназначена для управления посадочным модулем в симуляции: агент получает состояние среды и выбирает действия, стремясь выполнить посадку. Модель использует обучение с подкреплением и опубликована в формате PyTorch. README подтверждает, что это обученный агент, но не приводит оценок качества, деталей обучения или примера завершённого кода загрузки. Лицензия в предоставленных данных не указана.

Это обученный агент PPO для игры SnowballTarget, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде SnowballTarget с помощью обучения с подкреплением; её можно запускать и наблюдать за поведением в совместимой среде ML-Agents. В репозитории опубликован файл в формате ONNX. Карточка описывает возможность продолжить обучение агента и просматривать его игру в браузере. Размер модели, наблюдения среды и конкретные управляющие действия не описаны. Лицензия в доступных сведениях не указана.

DuoTactic — система поиска доказательств для Lean 4, разработанная авторами проекта DuoTactic. Она перебирает композиции фиксированного набора из 16 тактик автоматизации с поиском best-first и проверяет кандидаты ядром Lean; доказательство считается найденным только после успешной повторной компиляции без ошибок и `sorry`. Репозиторий также содержит плотную модель тактик на 39,58 млн параметров, которая может предлагать дополнительные кандидаты, но её использование необязательно. Система предназначена для автоматизации формальных доказательств, в том числе задач miniF2F. В описанном тестировании DuoTactic решила 32,8 % задач miniF2F test и 34,8 % valid при бюджете до 45 секунд на задачу. Вклад встроенной модели в число решённых задач в этих результатах равен нулю: она генерирует кандидатов для поиска, но её выход нельзя использовать как готовое доказательство. Модель выдаёт по одной тактике за раз, работает с контекстом 768 токенов и привязана к tokenizer_v1.json. Ключевые ограничения — отсутствие выбора предпосылок и поиска нужных лемм mathlib, предел глубины поиска 6, фиксированный временной бюджет и чувствительность к версиям Lean и mathlib. README указывает лицензию Apache 2.0. Метаданные классифицируют репозиторий как text-generation; отдельного pipeline-тега для формального доказательства нет.

Карточка модели AllIllusion/LunarLander-v2 на Hugging Face совпадает с карточкой Tunamelon/ppo-LunarLander-v2, поэтому описание составлено по ней. Модель Tunamelon/ppo-LunarLander-v2 — обученный агент PPO для среды LunarLander-v2 из библиотеки Stable-Baselines3. Она предназначена для управления посадочным модулем в симуляции: агент получает состояние среды и выбирает действия, стремясь выполнить посадку. Модель использует обучение с подкреплением и опубликована в формате PyTorch. README подтверждает, что это обученный агент, но не приводит оценок качества, деталей обучения или примера завершённого кода загрузки. Лицензия в предоставленных данных не указана.

Microduck: climbing ladder — это политика управления для эксперимента по подъёму робота Microduck по лестнице, опубликованная HannesVonEssen. Репозиторий содержит ONNX-политику climber.onnx и отдельную политику восстановления из положения лёжа getup.onnx, а также полные контрольные точки PPO. Корневая policy.onnx совпадает с climber.onnx. Модель использует стандартное наблюдение размерности 61; все 13 слотов команд обнулены. Формат модели — ONNX, лицензия программной части — Apache-2.0. Политики предназначены для управления роботом в симуляции MuJoCo при подъёме на стол по лестнице и для последующего восстановления в положение стоя. Переключение между подъёмом и восстановлением в эксперименте опирается на контакт стоп с поверхностью и положение корпуса, определяемые симулятором. Автономное обнаружение падения и переключение на борту не реализованы; для этого предлагается интеграция с обнаружением падения по IMU и проверка порогов и передачи управления. README сообщает о воспроизведении эксперимента в симуляции, но не заявляет проверку на физическом роботе. Политика требует совместимого Microduck runtime и соответствующего состояния наблюдений; характеристики автономного применения на реальном оборудовании не подтверждены. Для аппаратных проектов из репозитория действуют отдельные условия CC-BY-NC-SA-4.0, однако сама программная модель распространяется по Apache-2.0.

KraTUZen/ppo-PyramidsTraining — обученная модель агента Proximal Policy Optimization (PPO) для среды Pyramids на Unity ML-Agents. Она принимает непрерывные наблюдения о позиции агента, состоянии пирамиды и других параметрах среды и выдаёт действия для перемещения и взаимодействия, чтобы выполнять задачи в этой среде и получать награду. Модель распространяется в формате ONNX и предназначена для интеграции с Unity ML-Agents. В README сообщается о стабильном обучении и эффективной политике, но количественные результаты и точные условия оценки не приведены. Для продолжения обучения требуется ML-Agents; качество поведения зависит от настроек среды и гиперпараметров PPO. Лицензия в доступных данных не указана.

Карточка модели lobonexequiel/reinforcement-learning на Hugging Face совпадает с карточкой Tunamelon/ppo-LunarLander-v2, поэтому описание составлено по ней. Модель Tunamelon/ppo-LunarLander-v2 — обученный агент PPO для среды LunarLander-v2 из библиотеки Stable-Baselines3. Она предназначена для управления посадочным модулем в симуляции: агент получает состояние среды и выбирает действия, стремясь выполнить посадку. Модель использует обучение с подкреплением и опубликована в формате PyTorch. README подтверждает, что это обученный агент, но не приводит оценок качества, деталей обучения или примера завершённого кода загрузки. Лицензия в предоставленных данных не указана.