II.2Создание и понимание программного кода

LingBot-VA — авторегрессионная политика для управления роботом, построенная на видеодиффузионном стеке Wan2.2. Она предсказывает будущие видео-латенты и действия робота в общей последовательности, используя наблюдаемые кадры для замкнутого цикла моделирования мира. Эта версия дообучена для сценариев LIBERO Long и распространяется через LeRobot. Модель принимает изображения с двух камер размером 256 × 256 и выдаёт вектор действия из 7 компонентов. Она предназначена для выполнения роботизированных задач по визуальным наблюдениям. Лицензия — Apache-2.0. Результаты оценки для этой версии не приведены; для работы требуется согласовать входные ключи наблюдений и конфигурацию камер с роботом.

GeomLlama-zmatrix — дообученная командой THGLab модель на основе Meta Llama-3.1-8B-Instruct для генерации трёхмерных геометрий молекулярных конформеров по строке SMILES. Она выдаёт атомы и их внутренние координаты в формате матрицы Фенске—Холла (Z-матрицы): длины связей, углы и двугранные углы относительно ранее размещённых атомов. Полученные координаты можно преобразовать в декартовы с помощью стандартного алгоритма для Z-матриц. Модель обучена на объединённых наборах GEOM-QM9 и GEOM-Drugs, охватывающих малые молекулы и более крупные молекулы лекарственного типа. Это плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров, контекстом до 131 072 токенов и форматом весов safetensors. Для общего инструкционного взаимодействия использовались данные Alpaca; модель также поддерживает диалоговый интерфейс. Модель предназначена для построения геометрий конформеров по SMILES в исследовательских и вычислительно-химических сценариях. README отмечает, что атомы выдаются в произвольном порядке, без меток атомов и блока связности, поэтому результат нужно корректно разбирать и преобразовывать перед дальнейшим использованием. Лицензия — Llama 3.1; применяются её условия использования.

Luthor 8B — модель IAMIbrahim, дообученная на основе Qwen/Qwen3-8B для работы с терминалом и редактирования файлов в цикле агента-программиста. Она предназначена для пошагового исправления ошибок в репозиториях: изучения падающих тестов, поиска нужного файла, внесения правок и повторного запуска тестов. Модель использует архитектуру Qwen3ForCausalLM с 7,6 млрд параметров, принимает текст и рассчитана на контекст до 40 960 токенов; в обучении использовались окна до 16 384 токенов. Вызов инструментов предполагает формат function calling Hermes и объявления инструментов, согласованные с обучением. Дообучение проводилось на траекториях работы агента, где исправления проверялись запуском тестов. Однако в оценке на 10 отложенных задачах модель не решила ни одной и хуже базовой Qwen3-8B следовала протоколу инструментов. Обучающие примеры относятся к одной Python-кодовой базе с pytest, SQL-инструментами и YAML-конфигурацией; обобщение на другие языки и структуры проектов не проверено. Модель опубликована как отрицательный эксперимент, а не как улучшение базовой модели. Лицензия — Apache-2.0.

Manas-64M Agentic RL — компактная языковая чат-модель, разработанная kuluruvineeth и дообученная с подкреплением на многоходовом использовании инструментов. Она рассчитана на короткие англоязычные диалоги, в которых модель делает до трёх ходов с вызовами инструментов и затем формирует ответ. Модель построена на архитектуре Qwen3, содержит 63,9 млн параметров и поддерживает контекст до 32 768 токенов. Чекпойнт доступен в формате safetensors для Transformers; карточка также указывает совместимость с vLLM и SGLang без пользовательского кода. Обучение использовало GRPO с четырьмя вариантами ответа на задачу и KL-регуляризацией относительно SFT-модели manas-64m-full-sft; данные создавались шестью детерминированными генераторами задач с таблицами имитационных инструментов. Модель демонстрирует исследовательский пример того, как обучение с подкреплением влияет на вызовы инструментов, но её результаты на тестах ARC и HellaSwag близки к случайному уровню. По описанию автора, она слабо располагает фактическими знаниями, может уверенно ошибаться и терять нить в длинном диалоге; автор позиционирует её как учебный и исследовательский артефакт, не предназначенный для важных решений. Лицензия — Apache-2.0.

HannesVonEssen выпустил экспериментальную рекуррентную политику управления MicroDuck, которая удерживает равновесие на свободно катящемся баскетбольном мяче размера 7 и следует командам скорости. Политика получает нормализованные проприоцептивные наблюдения размерности 61, обрабатывает историю однослойной LSTM с 256 скрытыми элементами и MLP с ELU, а затем выдаёт 14 управляющих действий. Актор не получает состояние мяча; обучающий критик мог его использовать, но в опубликованной ONNX-модели его нет. Размер актора — около 624 тысяч параметров. Модель предназначена для управления роботом в симуляции и экспериментальной проверки на аппаратуре. В описанной оценке она выдержала 60 секунд в 97,01% из 3 072 симуляционных испытаний; точность слежения за поворотом и плавность действий были хуже, чем у модели сравнения. Проверки экспорта и симуляции пройдены, но работа на реальном роботе и время выполнения на борту не проверены. Репозиторий содержит ONNX-файл и полный обучающий чекпойнт с конфигурацией. Лицензия — Apache-2.0.

MolmoAct2-DROID-absjoint — полнофайнтюн модели allenai/MolmoAct2-DROID, выполненный shrg7 на отфильтрованной смеси данных DROID shrg7/droid-equad-stage-1-jointabs в формате LeRobot v3.0. Модель предназначена для роботизированного управления с непрерывными действиями: она предсказывает абсолютные положения суставов для семи суставов руки и захвата, формируя последовательности действий длиной 15 шагов. Используется политика MolmoAct2Policy с непрерывным flow action expert; нормировочная статистика рассчитана по обучающему набору данных. Это промежуточный чекпойнт на шаге 16000, обучение которого ещё продолжается, поэтому его качество и пригодность для эксплуатации не подтверждены. Репозиторий содержит веса Safetensors и конфигурационные файлы стандартного формата LeRobot. Лицензия — Apache-2.0.

MolmoAct2-LIBERO — модель Allen Institute for AI для управления роботом по визуальным наблюдениям и текстовым инструкциям. Это плотная vision-language-action модель семейства MolmoAct2 на базе Molmo2-ER: она связывает эксперт непрерывных действий с KV-кэшем VLM по слоям. Этот чекпойнт дообучен на полной обучающей смеси LIBERO, включающей наборы Spatial, Object, Goal и Long. Модель предназначена для запуска политик в LIBERO и дальнейшего дообучения. На вход подаются изображения с камер робота в заданном порядке, состояние робота и текст задачи; основной режим выдаёт непрерывные действия в масштабе робота. Поддерживается библиотекой Transformers и хранится в формате safetensors. README указывает, что вывод в float32 требует примерно 24–26 ГБ видеопамяти, а bfloat16 в испытаниях запускался менее чем на 16 ГБ. Поведение может различаться в зависимости от робота, среды и конфигурации оборудования, поэтому действия следует проверять в симуляции и ограничивать параметрами контроллера перед применением на физическом роботе. Для этого чекпойнта отключено depth reasoning; режим дискретных действий требует токенизатора действий, которого нет в репозитории. Условия лицензии в предоставленных данных не описаны.

MolmoAct2-Think-LIBERO — модель Allen Institute for AI, дообученная на полной обучающей смеси LIBERO для управления роботом с рассуждением по глубине. По изображениям с камер робота, состоянию робота и текстовой инструкции она сначала предсказывает компактное представление глубины 10 × 10, а затем использует его вместе с входными данными для генерации непрерывных действий. Модель предназначена для выполнения задач LIBERO и дальнейшего дообучения; для вывода рекомендуется непрерывный режим предсказания действий с адаптивной глубиной. Архитектура — плотная MolmoAct2ForConditionalGeneration на базе Transformers. Модель принимает визуальные наблюдения, текст инструкции и токены состояния, а выдаёт представление глубины и действия робота. В README описана работа с изображениями agentview и wrist; для инференса с CUDA требуется около 24–26 ГБ памяти в float32, либо менее 16 ГБ в bfloat16 по результатам авторских тестов. Для дискретного режима нужна внешняя токенизирующая модель действий, отсутствующая в репозитории. Модель следует проверять в симуляции и на конкретной конфигурации робота перед запуском на физическом оборудовании: её поведение может меняться в зависимости от среды, робота и аппаратуры. README не сообщает лицензию, поэтому условия использования по лицензии определить нельзя.

mu-VLA — исследовательский чекпойнт политики управления роботами, разработанный авторами проекта mu-VLA на основе OpenVLA-OFT и OpenVLA. Модель дообучена для пяти сред MIKASA-Robo-VLA и предназначена для задач с частичной наблюдаемостью, где важная подсказка появляется раньше и отсутствует в текущем кадре. В основе лежит плотная vision-language-action архитектура OpenVLA 7B. К мультимодальному префиксу трансформера добавлены 64 обучаемых токена памяти, состояние которых переносится между шагами эпизода; обучение памяти использует TBPTT с окном K=8. Модель принимает изображения рабочей зоны и инструкции, а также предсказывает действия робота-манипулятора. В README приведены результаты на обучающих и ранее не встречавшихся средах, включая заметно более сильный результат родственного чекпойнта K=2 на задаче RememberColor5. Для запуска требуются код mu-VLA, форк Transformers с поддержкой специальной маски внимания и среды MIKASA-Robo; стандартный upstream Transformers не поддерживается. Веса включают отдельные компоненты модели и адаптер LoRA. Лицензия — MIT.

Это базовый чекпойнт NaVILA, адаптированный для платформы SatNav — навигации по спутниковым картам с непрерывным состоянием. Модель разработана для предсказания компактных управляющих действий по текстовой инструкции и восьми RGB-кадрам наблюдений. В основе лежит a8cheng/navila-siglip-llama3-8b-v1.5-pretrain; модель полной настройкой дообучена один проход на офлайн-траекториях SatNav-v0.1 и выдаёт действия stop, forward, left или right. Модель предназначена для интеграции с SatNav NaVILA и включена в SatNav Baseline Model Zoo. Архитектура — LlavaLlamaModel, семейство LLaVA на основе Llama 3, с визуальным кодировщиком SigLIP; веса доступны в формате safetensors. Для использования применяется лицензия Llama 3. Суффикс scratch указывает на базовую инициализацию до последующего обучения навигации, поэтому этот чекпойнт следует считать промежуточной версией для экспериментов и оценки, а не готовой универсальной навигационной моделью.

ODEWorld-PT-Flow-AgiBot — контрольная точка модели ODEWorld для генерации видео по изображению и целевому изображению, обученная на данных AgiBot. В состав входят веса визуального backbone DINOv2; библиотека модели — odeworld. Модель предназначена для сценариев робототехники, где требуется предсказывать или генерировать последовательность кадров по изображению и заданной цели. В карточке указан формат safetensors и лицензия Apache-2.0. README отсылает к репозиторию ODEWorld за инструкциями по загрузке и запуску; сведения о размере модели и длине контекста в доступных данных отсутствуют.

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.

opd-teacher-Q2.5I-DeltaMinPopcount-step149 — компактная плотная языковая модель Qwen2.5-1.5B-Instruct, дообученная Дэвидом Хайнеманом с помощью GRPO в среде DeltaMinPopcount на нулевом уровне сложности. Это финальный чекпойнт после 150 обновлений, подготовленный как учитель для эксперимента по on-policy дистилляции с 32 средами. Модель предназначена для генерации текста и диалогового взаимодействия в рамках этой экспериментальной задачи. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2ForCausalLM и принимает текст; заявленная длина контекста — 32 768 токенов. Карточка указывает английский язык. Весовые файлы представлены в формате safetensors и проверены на соответствие именам и формам тензоров базовой модели. Распространяется по лицензии Apache-2.0; в README также указано, что включена исходная лицензия Qwen. Результаты обучения ограничены средой DeltaMinPopcount с нулевой сложностью и 150 обновлениями, поэтому карточка не подтверждает качество в широком круге задач.

moojink/openvla-7b-oft-finetuned-libero-10 — дообученный чекпойнт OpenVLA-OFT для управления роботом в задачах LIBERO-Long, также называемых LIBERO-10. Он основан на OpenVLA и использует архитектуру OpenVLAForActionPrediction с плотной структурой; веса представлены в формате safetensors и предназначены для работы через Transformers. Модель принимает изображение и текстовую инструкцию и предсказывает последовательности действий робота для сценариев LIBERO-10. В README указано, что оптимизированные методы дообучения OpenVLA-OFT повышают скорость и успешность по сравнению с базовой OpenVLA. Репозиторий описывает исследовательский чекпойнт для роботизированных манипуляций; конкретные показатели качества и поддерживаемое оборудование в карточке не приведены. Лицензия — MIT. Для применения нужны совместимая среда и код OpenVLA-OFT, описанные в проекте.

Pi0.5 (flow matching) — модель vision-language-action для управления роботами, разработанная Physical Intelligence и дообученная на наборе LIBERO. Она принимает визуальные наблюдения и инструкцию на естественном языке, а затем выдаёт последовательность действий для робота. Действия формируются интегрированием ODE flow matching; для каждого фрагмента действий требуется 10 проходов action expert. Этот чекпойнт служит базовой моделью flow matching в сравнительном исследовании Pi0.5-Drift: README указывает, что использованы те же базовые веса, данные, инициализация, batch, seed и расписание обучения на 100 тыс. шагов, а различается только обучающая цель. На официальной оценке LIBERO модель показала высокую успешность в наборах spatial, object и goal. Для оценки нужны графический узел с рендерером MuJoCo/LIBERO и доступ к закрытому токенизатору google/paligemma-3b-pt-224. Модель распространяется под лицензией Gemma.

PI0Fast — политика Vision-Language-Action для управления роботом, представленная в библиотеке LeRobot и основанная на модели Google PaliGemma 3B. Она принимает изображения с нескольких камер, состояние и проприоцептивные данные робота, а также необязательную языковую инструкцию. Модель авторегрессионно предсказывает FAST-токены действий, которые декодируются в непрерывные команды для робота; обучение использует предсказание следующего токена. Репозиторий содержит веса в формате safetensors. Модель предназначена прежде всего для дообучения под конкретную робототехническую задачу, а затем для оценки и выполнения действий в среде или на роботе. Она подходит для сценариев, где инструкция на естественном языке и визуальное наблюдение задают требуемое действие. В метаданных указан английский язык. Лицензия — Gemma; условия её использования определяются лицензией Google Gemma.

Это контрольная точка обучения SmolVLA для управления роботом SO-101 при выполнении задачи pick-and-place с двумя дисками. Модель разработана автором репозитория и обучалась 90 000 шагов на данных zwan1003/pickplace_skills_v3_2; файлы весов представлены в формате safetensors, библиотека — LeRobot. Эта версия предназначена для воспроизведения сравнения контрольных точек. По карточке, качество достигало пика на 60 000 шагах, после чего ухудшилось из-за переобучения; для результатов, опубликованных автором, следует использовать zwan1003/pickplace_skills_vla_v3_2_ckpt060k. Лицензия — Apache-2.0.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy с использованием Unity ML-Agents. Она предназначена для управления игровым агентом в среде Huggy; модель можно запускать для наблюдения за игрой или использовать как основу для продолжения обучения через ML-Agents. В репозитории есть модель в формате ONNX. Карточка не сообщает размер модели, характеристики наблюдений и действий или лицензию, поэтому эти сведения не включены.

Это обученный методом Proximal Policy Optimization (PPO) агент azaazato для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления агентом в игровом окружении Huggy и может использоваться для демонстрации поведения или продолжения обучения через ML-Agents. В репозитории указаны веса ONNX; документация предлагает запускать агента в браузере или возобновлять обучение. Описание не сообщает размер модели, длину контекста или языковые возможности: это агент управления, а не языковая модель. Лицензия в предоставленных данных не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, который играет в Huggy в среде Unity ML-Agents. Модель предназначена для запуска агента и продолжения его обучения с помощью ML-Agents; доступен формат ONNX. Агент получает наблюдения из игровой среды и выдаёт действия для управления персонажем. README не сообщает размер модели, длину контекста или поддерживаемые естественные языки. Для использования требуется совместимая среда Huggy и Unity ML-Agents. Лицензия в предоставленных данных не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента для игры Huggy, опубликованная ShivSingh123 и созданная с использованием Unity ML-Agents. Агент предназначен для управления персонажем в игровом окружении: модель получает состояние среды и выдаёт действия для игрового агента. Репозиторий содержит модель в формате ONNX, который можно использовать с ML-Agents и для запуска агента в поддерживаемой среде Huggy. Карточка также описывает возможность продолжить обучение агента. Модель ориентирована на конкретную игровую среду, а не на диалог или генерацию текста. Лицензия и подробные сведения о наблюдениях, наборе действий и качестве прохождения в предоставленных данных не описаны.

Это обученный агент PPO для игры Huggy, опубликованный пользователем Veda0718. Модель создана с помощью Unity ML-Agents и представлена в формате ONNX; она выбирает игровые действия на основе наблюдений среды, чтобы управлять персонажем в Huggy. Её можно использовать для запуска агента в совместимой среде ML-Agents или продолжения обучения. Модель предназначена для управления игровым агентом, а не для диалога или генерации текста. В README не приведены сведения о размере модели, поддерживаемых естественных языках или лицензии, поэтому эти характеристики не описаны.

Это обученный агент Proximal Policy Optimization (PPO) для среды SnowballTarget, созданный с использованием Unity ML-Agents. Модель предназначена для выполнения задачи в этой игровой среде: её можно запускать для просмотра поведения агента или использовать как отправную точку для продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. Карточка не сообщает размер модели, параметры наблюдений и действий, результаты оценки или лицензию, поэтому их нельзя установить по доступным данным. Модель специализирована для SnowballTarget и не предназначена для обычного диалога или генерации текста.

Модель Qwen2.5-1.5B-Instruct NLA L18 Activation Verbalizer разработана как декодирующая часть Natural Language Autoencoder для активаций языковой модели Qwen2.5-1.5B-Instruct. Она обучена на остаточном потоке слоя 18 и предназначена для преобразования внутренних активаций модели в текст. Для работы нужны активации `hidden_states[18]` базовой модели — выход блока 18 до финальной нормализации; их следует передавать без предварительной обработки, поскольку нормализация и масштабирование выполняются на этапе внедрения. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. Это специализированный компонент анализа внутренних представлений, а не самостоятельная модель для обычного диалога или генерации текста по пользовательскому запросу.

zhangdw/Qwen2.5-3B-Instruct-alfworld — дообученная модель на основе Qwen/Qwen2.5-3B-Instruct, созданная с использованием фреймворка verl-agent и обучения с подкреплением в среде ALFWorld. Она предназначена для выбора действий и решения задач в текстовом представлении среды embodied AI. В карточке указана точность 0,9843 на тесте. Модель имеет плотную архитектуру Qwen2ForCausalLM и 3,1 млрд параметров. Она принимает текст и генерирует текст; базовая модель поддерживает несколько языков. Контекст составляет 32 768 токенов. Веса доступны в формате safetensors. Лицензия — Apache-2.0.

StarVLA/Qwen2.5-VL-GR00T-LIBERO-4in1 — чекпойнт на 30 000 шагов, разработанный в рамках проекта StarVLA на основе Qwen2.5-VL-3B-Instruct и фреймворка действий QwenGR00T. Модель дообучена для управления роботом в симуляторе LIBERO на смеси четырёх наборов задач: Object, Goal, Spatial и LIBERO-10. Она принимает один RGB-вид размером 224 × 224 и выдаёт последовательность из восьми 7D действий в формате приращений суставов; для согласования состояния и действий с данными LIBERO требуется упакованное преобразование и нормализация с ключом franka. Чекпойнт предназначен для исследований и оценки политик управления роботом в симуляции. Указанное в конфигурации поле DINOv2 не используется в описанном пути QwenGR00T. Для этого артефакта нет опубликованных результатов оценки, а результаты из статьи StarVLA для другого бэкбона не характеризуют его качество. Надёжность на реальном роботе не продемонстрирована, политика не настроена с учётом безопасности, а точная ревизия базовой VLM не зафиксирована. Сведения о лицензии в предоставленных данных отсутствуют.

Qwen3-1.7B-ALFWorld — экспериментальный чекпойнт модели Qwen3-1.7B, дообученный Sean Wang методом trajectory SFT на эпизодах ALFWorld, сгенерированных gpt-5.4-mini. Модель предназначена для многошагового управления агентом в текстовой среде ALFWorld: получает инструкции и наблюдения среды в формате ReAct и генерирует рассуждение и действие. Это плотная причинная языковая модель с 1,7 млрд параметров, контекстом до 40 960 токенов и форматом safetensors; для работы используется Transformers и шаблон чата Qwen3 с отключённым thinking. В описанном тесте ALFWorld модель достигла успеха 55,38% ± 1,24%, усреднённого по четырём проходам; результаты относятся к чекпойнту второй эпохи. В README отмечено, что это промежуточный чекпойнт с ещё высоким темпом обучения, а лучший результат в этом запуске показала третья эпоха. Обучение включало неудачные эпизоды, поэтому качество действий может быть нестабильным. Лицензия — Apache-2.0.

Это дообученная методом trajectory SFT модель Qwen3-1.7B от автора SeanWang0027, предназначенная для многошагового управления агентом в текстовой среде ALFWorld. Она генерирует ответы в формате ReAct: рассуждение Thought и действие Action в ходе диалога с окружением. Обучение проведено на траекториях игр, созданных gpt-5.4-mini; в обучающую выборку вошли и неудачные эпизоды. Модель содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и библиотеку Transformers. Контекст — до 40 960 токенов. В описанном тесте ALFWorld она достигла успешности 58,25% ± 0,43% на 200 играх при усреднении четырёх проходов. Модель рассчитана на текстовый ввод и генерацию текста; заявленные данные не устанавливают отдельный перечень поддерживаемых естественных языков. Лицензия — Apache-2.0. Результаты относятся к указанному протоколу ALFWorld и не гарантируют аналогичного качества в других средах; модель обучалась на конечном наборе траекторий одного учителя, включая неудачные эпизоды.

SeanWang0027 выпустил дообученную методом trajectory SFT модель Qwen3-1.7B для многошагового управления агентом в текстовой среде ALFWorld. Модель с архитектурой Qwen3ForCausalLM содержит 1,7 млрд параметров, принимает диалоговый текст и генерирует текстовые ответы в формате ReAct: рассуждение и действие для очередного наблюдения среды. Используется шаблон чата Qwen3 с отключённым режимом thinking; длина контекста — до 40 960 токенов. При обучении на одном проходе использовались эпизоды, сыгранные Qwen3-32B; в обучающих данных были как успешные, так и неуспешные эпизоды. В описанном тесте ALFWorld модель достигла успешности 48,75% ± 1,03% в среднем по четырём проходам; это результат конкретного протокола оценки, а не гарантия для других сред. Модель распространяется по лицензии Apache-2.0.

Qwen3-1.7B-ALFWorld-SFT — экспериментальный чекпойнт модели Qwen3-1.7B, созданный методом trajectory SFT на траекториях эпизодов ALFWorld, сгенерированных Qwen3-32B. Модель обучалась выдавать ответы учителя в многоходовом формате ReAct: получать инструкцию и наблюдения среды, затем формировать рассуждение и действие. Это промежуточный чекпойнт второго из трёх эпох; сохранён в формате bf16, репозиторий использует safetensors и библиотеку Transformers. Модель предназначена для экспериментов с агентами, взаимодействующими с текстовой средой ALFWorld, и для сравнения обучения по траекториям учителя с другими методами дистилляции и обучения агентов. Размер — 1,7 млрд параметров, базовая модель имеет контекст до 40 960 токенов. В README результаты этого чекпойнта не оценены, поэтому его успешность в задачах среды не установлена. Лицензия — Apache-2.0. Чекпойнт содержит неотфильтрованные траектории, включая неуспешные эпизоды; это промежуточная версия расписания обучения, и README не приводит отдельной оценки её качества.