II.2Создание и понимание программного кода

Это обученная модель агента PPO, созданная для игры Huggy с использованием библиотеки Unity ML-Agents. Она предназначена для управления агентом в игровом окружении: модель принимает наблюдения среды и выдаёт действия, позволяя запускать игру или продолжать обучение через ML-Agents. Репозиторий содержит модель в формате ONNX. Сведения о размере модели, языках и лицензии в доступных источниках отсутствуют.

yazmood/ppo-Huggy — обученный агент PPO, созданный с использованием библиотеки Unity ML-Agents для игры Huggy. Модель предназначена для управления агентом в этой игровой среде и может использоваться для просмотра его игры или продолжения обучения через ML-Agents. В репозитории есть модель в формате ONNX. Карточка описывает сценарий для Unity ML-Agents, но не приводит размер модели, длину контекста, поддерживаемые естественные языки или лицензию.

Карточка модели Aphrodite03/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 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.

Это обученный агент Proximal Policy Optimization (PPO) для среды LunarLander-v2. Модель опубликована организацией sb3 и подготовлена с использованием библиотеки stable-baselines3 и фреймворка RL Zoo. Агент предназначен для управления виртуальным посадочным модулем: по состоянию среды он выбирает действия, помогающие безопасно совершить посадку. Его можно запускать в LunarLander-v2 через инструменты Stable-Baselines3 или RL Zoo. Карточка не сообщает размер модели, длину обучения или количественные показатели качества, поэтому их нельзя оценить по имеющимся данным. Репозиторий содержит модель в формате PyTorch. Языковой ввод и текстовая генерация не являются её назначением. Лицензия в предоставленных данных не указана.

Карточка модели fl4wn/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.

Карточка модели thvan2108/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 PPO для игры QbertNoFrameskip-v4, опубликованный в организации sb3. Модель создана с помощью Stable-Baselines3 и тренировочной инфраструктуры RL Zoo; она выбирает действия в среде Atari Q*bert с пропуском кадров. Агент предназначен для запуска в совместимой среде QbertNoFrameskip-v4 через Stable-Baselines3 или RL Zoo. Это специализированный контрольный пункт для игры, а не модель для диалога или генерации текста. В README указана библиотека Stable-Baselines3; репозиторий содержит веса PyTorch и создан 2 июня 2022 года. Модель принимает наблюдения среды и выдаёт действия агента. README не сообщает численные результаты игры или подробности об архитектуре политики, поэтому качество прохождения и устойчивость к изменениям среды оценить нельзя. Условия лицензирования в предоставленных сведениях не указаны.

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

Qana-mini-5M — компактная базовая причинная языковая модель с 4,94 млн параметров, разработанная User01110 при участии Paul Courneya и Jonathon LY в сообществе FromZiro. Она предназначена для исследований архитектур, анализа представлений, учебных экспериментов и контролируемых сравнений. Модель использует плотную архитектуру ACSwiGLUForCausalLM: стандартное причинное grouped-query attention сочетается с исследуемым механизмом смешивания каналов внутри расширенного блока SwiGLU. Контекст составляет 1 024 токена; модель обучена на англоязычных текстовых корпусах и использует токенизатор на 4 096 токенов. Это базовая модель продолжения текста, а не ассистент, настроенный следовать инструкциям. В карточке приведены результаты нулевого обучения на задачах языкового моделирования и тестах на общие знания, чтение и естественные языковые закономерности. Из-за малого размера и короткого контекста её фактическая надёжность, качество генерации и способность работать с длинными текстами ограничены; ответы могут содержать ошибки и смещения из обучающих данных. Для загрузки требуется Transformers с разрешённым пользовательским кодом. Лицензия указана как other.

Это экспериментальный чекпойнт Qwen3-1.7B, дообученный командой автора на траекториях действий агента в среде ALFWorld. Обучение выполнено методом supervised fine-tuning: модель обучалась предсказывать ответы учителя gpt-5.4-mini по полным эпизодам, включая неудачные. Чекпойнт соответствует первой эпохе трёхэпохового запуска. Модель предназначена для многошагового взаимодействия с текстовой средой: получает инструкции и наблюдения, затем формирует ответ в стиле ReAct с полями Thought и Action. В тесте ALFWorld на 200 играх, усреднённом по четырём проходам, достигла успешности 55,12% ± 1,24%; результат базовой Qwen3-1.7B на том же протоколе составил 19,38%. Это ранний промежуточный чекпойнт, поэтому результаты последующих эпох были выше. Модель имеет плотную авторегрессионную архитектуру Qwen3ForCausalLM, 1,7 млрд параметров и контекст до 40 960 токенов; работает с текстом через библиотеку Transformers и шаблон чата Qwen3. В карточке указана лицензия Apache-2.0.

Это экспериментальный чекпойнт Qwen3-1.7B, дообученный исследовательской командой на траекториях действий учителя Qwen3-32B в текстовой среде ALFWorld. Обучение выполнено методом supervised fine-tuning: модель учится продолжать диалог в формате ChatML и выдавать ответы в стиле ReAct — рассуждение и действие — по инструкциям и наблюдениям среды. Веса сохранены в формате bf16; архитектура — плотная авторегрессионная Qwen3ForCausalLM с 1,7 млрд параметров, контекст — до 40 960 токенов. Модель предназначена для экспериментов с многошаговыми текстовыми агентами и выполнением действий в ALFWorld. В карточке для этого конкретного чекпойнта результаты оценки не приведены: показатели 52,88% относятся к третьей эпохе полного трёхэпохового обучения, а этот файл — промежуточный чекпойнт первой эпохи, который не оценивался. Базовая модель Qwen3-1.7B на том же протоколе показала 19,38%, а учитель Qwen3-32B — 52,12%. Модель распространяется по лицензии Apache-2.0.

Это промежуточный чекпойнт Qwen3-1.7B, дообученный автором репозитория на траекториях ReAct для среды ScienceWorld. Модель представляет собой плотную авторегрессионную языковую модель с 1,7 млрд параметров; чекпойнт сохранён в bf16 и рассчитан на контекст до 40 960 токенов. Он принимает текстовые инструкции и наблюдения среды и генерирует текстовые рассуждения и действия агента. Модель предназначена для экспериментов с агентами, выполняющими научные задачи в ScienceWorld. Обучение проведено на 2 059 эпизодах и 46 035 репликах учителя gpt-5.4-mini; карточка указывает, что это первый из трёх эпохальных чекпойнтов и он не оценивался отдельно. В тестах последующих чекпойнтов отмечена склонность копировать некорректный шаблон действия `open/close`, который симулятор отклоняет, поэтому пригодность этого промежуточного чекпойнта для практического применения не подтверждена. Базовая модель — Qwen/Qwen3-1.7B. Лицензия — Apache-2.0.

SeongryongJung/Qwen3-4B-ToolUse-RLRT-TR — это экспериментальный чекпойнт Qwen3-4B, обученный для использования инструментов методом RLRT-TR с размером батча 32. В репозитории размещён лучший и одновременно финальный чекпойнт обучения, выбранный по валидационному mean@16; в приведённом результате для набора задач использования инструментов указано 0%. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров, принимает текст и выдаёт текст. Базовая модель поддерживает контекст до 40 960 токенов и многоязычные задачи. Чекпойнт предназначен для экспериментов с вызовом инструментов и оценивания обучения с подкреплением. README показывает загрузку через Transformers. Модель основана на Qwen/Qwen3-4B и распространяется по лицензии Apache-2.0. Указанный нулевой результат на валидации существенно ограничивает основания рассчитывать на практическую эффективность вызова инструментов.

Qwen3.5-9B-aerialsim-rl-step100 — мультимодальный чекпойнт Maya Multimodal, полученный дообучением Qwen/Qwen3.5-9B методом GRPO на 17 семействах сценариев безопасности полётов в симуляторе aerialsim-env. Модель принимает RGB-кадр и текстовое описание состояния: доступность зоны посадки, препятствия, расстояние до цели и маршрутные точки. В метаданных указана архитектура Qwen3.5 с плотной моделью на 9 млрд параметров; базовая модель поддерживает диалог и интерфейс вызова инструментов. Чекпойнт предназначен для исследований визуально обоснованных решений по безопасности воздушных миссий и обучения мультимодальных языковых моделей с подкреплением в симуляции. Обучение выполнено методом GRPO с бинарным вознаграждением за успешное терминальное действие; сохранён шаг 100 из экспериментального запуска. Контекстная длина обучения составляла 4096 токенов. Оценка по отдельным семействам сценариев ещё не завершена, поэтому качество решений не подтверждено результатами тестирования. Модель основана на Qwen/Qwen3.5-9B и распространяется по лицензии Apache-2.0.

thomasgardiner/Qwen3.8-27B-DFlash2-FP8 — FP8-квантизированная draft-модель для ускорения спекулятивного декодирования основной модели Qwen3.8-27B. Она основана на incoai/Qwen3.8-27B-DFlash2, разработанной inco.ai и z-lab, и предназначена для работы с SGLang в связке с целевой моделью Qwen3.8-27B в любой точности. Модель генерирует черновые токены, которые затем проверяются целевой моделью, поэтому самостоятельно как обычная чат-модель не используется. Модель содержит 5 слоёв и занимает около 2,41 ГБ. Слои MLP и проекции выхода self-attention представлены в формате float8_e4m3fn с симметричным статическим масштабированием весов и динамическим масштабированием активаций; остальные ключевые компоненты, включая q_proj, k_proj, v_proj, нормы и селектор кандидатов, сохранены в BF16. Архитектура сохраняет возможность fused DFlash KV materialization в SGLang. README не указывает языки и точный размер контекста. Модель рассчитана на текстовую генерацию и сценарии с включённым speculative decoding. По заявленным измерениям на одной RTX 5090 при последовательной обработке запросов FP8-вариант повышает скорость декодирования примерно на 4–6% на наборах MT-Bench, HumanEval, GSM8K и MATH-500 по сравнению с BF16-версией draft-модели, хотя эффект зависит от промпта и задачи; для отдельных случаев зафиксированы как прирост, так и небольшое снижение длины принятой последовательности. Результаты не проверялись для параллелизма выше одного запроса и движков, отличных от SGLang. Для работы требуется совместимая конфигурация SGLang и целевая модель Qwen3.8-27B. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-MTP-mxfp4 — вспомогательная модель-черновик, разработанная сообществом mlx-community на основе Qwen/Qwen3.8-27B от Qwen. Она предназначена для ускорения генерации текста методом speculative decoding в среде MLX и mlx-vlm: модель предсказывает несколько следующих токенов, а совместимая целевая модель Qwen3.8 27B проверяет эти предсказания. Это не самостоятельная модель и не используется отдельно. Модель реализует архитектуру qwen3_5_mtp с размером блока MTP 3. Весовой адаптер содержит только параметры черновика; эмбеддинги токенов и языковую голову во время работы предоставляет целевая модель. Используется формат квантования MLX MXFP4 с размером группы 32, а языком модели указан английский. Для корректной работы адаптер и целевая модель должны происходить из одного и того же совместимого чекпойнта Qwen3.8 27B. Основное преимущество модели — потенциальное ускорение авторегрессионной генерации за счёт многотокенного чернового прогнозирования при сохранении проверки целевой моделью. Ограничение заключается в том, что это специализированный компонент для speculative decoding, а не полноценная языковая модель. Указана лицензия Apache 2.0; ограничения исходной модели также распространяются на этот адаптер.

StarVLA/Qwen3-VL-OFT-RoboTwin2-All — базовая политика для RoboTwin 2.0, разработанная на фреймворке StarVLA на основе Qwen3-VL-4B-Instruct. Модель преобразует RGB-изображения с головной и двух запястных камер непосредственно в 14 абсолютных суставных позиций робота. Визуальная часть использует Qwen3-VL-4B, а выходная голова — двухблочный остаточный MLP с регрессией по L1; вход состояния робота и action transformer не используются. Чекпойнт обучен на демонстрациях из 50 задач манипуляции RoboTwin 2.0, включая чистые и рандомизированные эпизоды, и предназначен для запуска и оценки в симуляторе по контракту из 50 шагов предсказания. В README приведены результаты для лёгкого и сложного режимов, но сырые журналы запусков недоступны для независимой проверки. Доступен чекпойнт на 140 000 шаге; настроенный предел обучения составлял 150 000 шагов. Для воспроизводимости требуются те же порядок камер, соглашение абсолютных действий, нормализация и горизонт исполнения. Работа на реальном роботе и её безопасность не установлены. Лицензия в предоставленных данных не указана.

ChiEnJohn/sd-class-butterflies-32 — диффузионная модель для безусловной генерации изображений бабочек. Карточка представляет её как Unit 1 учебного курса по диффузионным моделям; модель запускается через DDPMPipeline из библиотеки Diffusers и создаёт изображение без текстового запроса. Репозиторий содержит веса в формате Safetensors и Diffusers и распространяется по лицензии MIT. Модель подходит для генерации изображений бабочек и учебных экспериментов с диффузионной генерацией. Сведения о размере, разрешении и языковой поддержке в карточке отсутствуют.

dogfish-thinker/sd-class-butterflies-32 — диффузионная модель, созданная как Unit 1 для учебного курса Diffusion Models Class. Она генерирует изображения милых бабочек без текстового запроса; в карточке показан запуск через DDPMPipeline из библиотеки Diffusers. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT.

ShakFace/sd-class-butterflies-32 — диффузионная модель, созданная в рамках учебного курса по диффузионным моделям. Она генерирует изображения бабочек без текстового запроса; для запуска используется DDPMPipeline из библиотеки Diffusers. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии MIT.

ShellD (Shell Diffusion) — компактная модель генерации изображений по тексту, разработанная автором репозитория FlameF0X. Она предназначена для учебного изучения диффузионных трансформеров, генерации изображений на потребительском оборудовании и дообучения на собственных наборах данных. Модель использует архитектуру DiT в латентном пространстве VAE: 12 трансформерных блоков с перекрёстным вниманием к тексту, патчами размера 4 и скрытым размером 256. Замороженный текстовый энкодер MiniLM-L6-v2 формирует векторы размерности 384; VAE кодирует изображения в 16-канальные латенты. Общий размер компонентов по приведённым значениям — около 67 млн параметров. На выходе получаются изображения 256×256; применяется DDPM с 1000 шагами и поддержкой classifier-free guidance. Модель рассчитана на англоязычные текстовые запросы через используемый англоязычный энкодер MiniLM. Её сильная сторона — сравнительно лёгкая архитектура, пригодная для экспериментов и запуска на потребительских GPU. Ограничения: фиксированное разрешение 256×256, ограниченное понимание запросов и зависимость качества от обучающих данных; качество уступает крупным системам вроде SDXL или Flux. Лицензия — Apache-2.0.

Это версия SmolVLA, дообученная IDEAS-Lab-Northwestern для задачи обращения с банкой в симуляции робота Franka Panda. Модель принимает изображения с двух камер — обзорной и установленной на запястье, а также 8-мерное состояние суставов робота: семь суставов руки и захват. Она выдаёт абсолютные целевые значения суставов блоками по 50 шагов для управления через JointController. В основе лежит lerobot/smolvla_base: визуально-языковой компонент SmolVLM2 и эксперт действий на основе flow matching. При дообучении визуальный энкодер был заморожен, а эксперт действий обучался без LoRA. Модель предназначена для роботизированной манипуляции в сценарии с банкой; карточка описывает обучение на симуляционных данных ManiGuard. Лицензия — Apache-2.0.

Модель MakerModsLab — дообученная на 25 000 шагах SmolVLA для управления роботом при раскладывании шоколада. Она основана на lerobot/smolvla_base и обучена на наборе данных makermods/arrange_chocolate_finetune. Чекпойнт предназначен для загрузки в LeRobot как готовая политика; в датасете используются изображения с фронтальной, верхней и запястной камер робота. Модель принимает визуальные наблюдения с камер и предназначена для выполнения роботизированных действий по задаче раскладывания шоколада. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Это исследовательский чекпойнт Jeesup на базе диалоговой Llama 2 Chat от Meta с архитектурой LlamaForCausalLM и примерно 6,6 млрд параметров. Модель сжата методом SVD-LLM: удалено около 49,52% параметров, после чего восстановлена небольшая доля SVD-компонентов, выбранных по правилу sigma. Контекст составляет 4096 токенов. Чекпойнт создан для изучения того, как SVD-сжатие влияет на безопасность и полезность ответов и как выбор компонентов влияет на восстановление поведения. README приводит результаты оценки атак и чрезмерных отказов на нескольких наборах тестов; эти показатели относятся к конкретной экспериментальной конфигурации. Модель не предназначена для обычного использования в качестве чат-ассистента: отдельные варианты эксперимента намеренно имеют ослабленное безопасное поведение. Для запуска и оценки применяются Transformers и формат safetensors. Лицензия — Llama 2; условия базовой модели и лицензии следует учитывать при использовании производного чекпойнта.

allenai/tulu-v2.5-ppo-13b-uf-mean-70b-uf-rm — модель оценки ценности (value model) из серии Tulu V2.5, разработанной Allen Institute for AI. Она создана в ходе обучения PPO и предназначена как отправная точка для исследований и для улучшения декодирования вместе с выпущенными PPO-моделями Tulu. Архитектура — плотная Llama с классификационной головой для токенов; модель содержит 68,7 млрд параметров и поддерживает контекст до 4096 токенов. Модель обучалась на английском языке с использованием данных предпочтений UltraFeedback и смеси инструкций Tulu. Она принимает текст в формате сообщений Tulu и выдаёт оценки ценности на уровне токенов, а не предназначена для обычного диалога с пользователем. Для загрузки в Transformers может потребоваться версия библиотеки из исходного репозитория с поддержкой LlamaForTokenClassification. Модель выпущена по лицензии Apache 2.0.

VLADrop-OpenVLA-OFT-LIBERO-baseline — полный чекпойнт OpenVLA-OFT для управления роботом в задачах LIBERO и базовая точка сравнения в исследовании Drop-Then-Recovery. Модель принимает изображения и проприоцептивные данные робота и предсказывает действия. В этом варианте блоки трансформера не удалены; чекпойнт прошёл восстановительное дообучение с LoRA ранга 32, веса адаптера объединены с основной моделью. Конфигурация сохраняет списки блоков для восстановления графа модели при оценке. Чекпойнт предназначен для запуска и оценки задач LIBERO, включая сценарии libero_spatial. Модель относится к архитектуре OpenVLA и vision-language-action; репозиторий содержит веса в формате safetensors. Лицензия — MIT. Для запуска автор указывает модифицированную версию Transformers, поэтому стандартная конфигурация библиотеки может быть несовместима.

VLA-JEPA — политика Vision-Language-Action для управления роботом, опубликованная в Hub и обученная с помощью LeRobot. Она объединяет языковую основу Qwen3-VL, видеомодель мира V-JEPA2 с самообучением и головку действий DiT на основе flow matching. Модель принимает два изображения с внешних камер размером 224×224 и предсказывает вектор действия из семи значений. Карточка описывает запуск политики на роботе через LeRobot и обучение собственной политики. Лицензия — Apache-2.0. Для политики пока не приведены результаты оценки. Входы привязаны к конкретным ключам камер, поэтому для запуска конфигурация камер должна им соответствовать.

Экспериментальная плотная языковая модель на архитектуре DeepSeek V3, созданная автором репозитория theblackcat102 путём усреднения весов групп экспертов MoE в слои MLP. Модель содержит 37,6 млрд параметров, принимает текст и рассчитана на контекст до 163 840 токенов; метаданные также отмечают чат и интерфейс вызова инструментов. Чекпойнт предназначен для исследования возможности свести экспертные слои DeepSeek V3 к плотным слоям и восстановить их дальнейшим предобучением. Автор сообщает, что после преобразования модель генерирует бессвязные токены и пока не работает из коробки. Файлы представлены в формате safetensors; лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

ACT/BananaPick (Distilled) — политика Action Chunking Transformer для управления одноручным роботом SO-101 при захвате банана и перемещении его в заданное место. Модель разработана в рамках проекта IB-Robot и получена дистилляцией исходной политики. Модель предназначена для роботизированного выполнения сценария pick-and-place; для загрузки и развёртывания с ROS 2 авторы отсылают к inference_service проекта IB-Robot. В метаданных указаны библиотека LeRobot, веса в формате safetensors и лицензия Apache-2.0. Карточка не сообщает размер модели, контекст или поддерживаемые естественные языки.