II.2Создание и понимание программного кода

Pebble-10M-GGUF — это версия модели basically-ai/Pebble-10M в формате GGUF, опубликованная @ContextReq. Она предназначена для генерации текста и экспериментов с компактными языковыми моделями. Модель содержит 10 млн параметров, использует гибридную архитектуру Mamba2 и Transformer: 8 слоёв, из которых 6 — Mamba2 и 2 — с механизмом внимания. Контекст составляет 512 токенов, словарь — 2048 токенов. В репозитории есть файлы F16, Q8_0 и Q4_K_M; карточка указывает лицензию Apache-2.0. Для запуска через llama.cpp требуется специальная поддержка архитектуры Pebble: стандартная upstream-версия её не загружает. README описывает модель как исследовательскую, с игрушечным качеством генерации; поэтому она подходит для изучения и проверки компактных архитектур, а не для задач, требующих высокого качества текста.

Это политика vision-language-action π0.5, дообученная авторами репозитория deformable-bench для расправления смятой футболки на столе с помощью двуручного робота Piper. Модель предназначена для управления манипуляциями с тканью в симуляции: она получает изображения с трёх RGB-камер и 14-мерное состояние суставов робота и предсказывает действия для выполнения задачи. Используются архитектура pi05_evo в LeRobot, точность bfloat16 и базовая модель lerobot/pi05_base. Для дообучения применён набор flatten_tshirt_200 из 200 эпизодов и 41 464 кадров; обучение продолжалось 30 000 шагов. Авторы настраивали аугментации изображений с учётом более тёмных кадров реальных камер для переноса из симуляции, однако качество такого переноса не подтверждено опубликованной оценкой. Чекпойнт прошёл лишь небольшую проверку в замкнутом цикле и не оценивался по стандартному протоколу бенчмарка N=100, поэтому его следует считать артефактом обучения, а не подтверждённым результатом. Лицензия — Apache-2.0.

Это дообученная политика pi0.5 от maskjp на базе lerobot/pi05_base для управления роботом по относительным целям в пространстве суставов. Она предназначена для многозадачных сценариев манипуляции и выдаёт 10-мерные целевые команды моторам; вход включает состояние робота и кадры с трёх камер. Базовая VLM заморожена, обучались эксперт действий и проекции: 693 млн из 4,14 млрд параметров. Чекпойнт завершает обучение на 30 000 шаге и использует относительные действия с одним якорем на фрагмент, тогда как команда захвата остаётся абсолютной. На отложенных данных модель показала низкую чувствительность движений руки к замене изображений с камер: авторы трактуют это как признак того, что политика в значительной степени предсказывает движение по проприоцепции и идентичности задачи, слабо опираясь на визуальную сцену. Экспериментальная оценка проведена с одним seed инференса и ограниченным числом примеров, поэтому выводы требуют подтверждения. Для инференса обучающий датасет не требуется. Лицензия — Apache-2.0, унаследована от LeRobot.

SidneyXie/pi05_robotwin — политика Vision-Language-Action на базе π₀.₅ от LeRobot, дообученная на наборе lerobot/robotwin_unified. Модель предназначена для управления 14-степенным двухманипуляторным роботом Aloha-AgileX в задачах манипуляции RoboTwin 2.0: она принимает языковую инструкцию, состояние суставов и изображения с трёх RGB-камер, а выдаёт последовательности действий в пространстве суставов. Чекпойнт соответствует шагу обучения 50 000 и содержит конвейеры пред- и постобработки. Датасет включает 27 500 эпизодов и охватывает 50 задач с разными объектами, сценами и инструкциями. В отчёте README приведены результаты оценки для отдельных задач, включая 100% успеха на adjust_bottle и 93% на beat_block_hammer в настройке Easy. Модель рассчитана на исследовательские эксперименты в RoboTwin 2.0 и совместимые двухманипуляторные конфигурации Aloha с 14 степенями свободы. Она требует соответствия порядка суставов, семантики камер, предобработки наблюдений и соглашений о действиях. Не проверена для прямого использования на физическом роботе; сдвиг условий может ухудшить результаты, а действия могут быть небезопасными или физически невыполнимыми. Лицензия — Apache-2.0.

Это полноразмерная версия модели pi0, дообученная командой KIRO на объединённом наборе данных из 11 этапов `_14D`. Обучение проведено на базе `lerobot/pi0_base`: 30 000 шагов с размером пакета 32 и точностью bf16; использовалась градиентная контрольная точка. Репозиторий содержит веса в формате safetensors. Модель предназначена для управления роботом по данным обучающих траекторий KIRO. В наборе было 1 741 эпизод и 645 077 кадров; конкретные поддерживаемые роботом действия и условия применения в карточке не описаны. Для использования и адаптации модели применяется лицензия Apache-2.0.

Это конвертированная в формат GGUF версия модели π₀, дообученной на LIBERO; её подготовил автор репозитория vrfai для запуска через vla.cpp — лёгкий движок инференса на C++ для моделей Vision-Language-Action. Модель принимает изображения и языковые инструкции вместе с состоянием робота и выдаёт непрерывные действия для управления им. В основе π₀ лежит визуально-языковой модуль PaliGemma и эксперт действий Gemma с головкой flow matching. Модель предназначена для выполнения задач манипуляции в симуляторе LIBERO. В README приведены результаты оценки на наборе libero_object: доля успешных эпизодов составила 87,5% на RTX 3060, 85,5% на Jetson AGX Orin и 80,5% на Jetson Orin Nano в конфигурации с разделёнными сервером и симулятором. Эти показатели относятся к описанным настройкам и не гарантируют аналогичных результатов на других задачах или оборудовании. Для работы требуется совместимая сборка vla.cpp; репозиторий распространяется по лицензии Apache-2.0.

Это обученный агент poca для игры SoccerTwos, созданный с помощью библиотеки Unity ML-Agents и опубликованный пользователем jason1i. Модель предназначена для управления игровым агентом в среде SoccerTwos; её можно использовать для наблюдения за игрой агента в браузере или как основу для продолжения обучения средствами ML-Agents. Репозиторий содержит модель в формате ONNX. Данных о размере модели, языках или длине контекста нет; текстовый диалог модель не предназначена обрабатывать. Условия лицензии в карточке не приведены.

Это обученная модель агента PPO для игры Huggy, опубликованная AkshayaPutti. Она создана с использованием библиотеки Unity ML-Agents и предназначена для управления игровым агентом в среде Huggy; модель можно запускать для наблюдения за игрой или использовать как отправную точку для продолжения обучения. Репозиторий содержит модель в формате ONNX. Модель принимает состояние игровой среды и выдаёт действия агента. Карточка не приводит сведения о размере модели, длине контекста или поддерживаемых естественных языках; текстовый диалог не является её назначением. Условия лицензии в доступных данных не описаны.

jemal/ppo-Huggy — 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 наблюдения за игрой или использовать как основу для продолжения обучения. Репозиторий содержит модель в формате ONNX. Модель работает с игровой средой и выдаёт действия агента; языковой ввод или текстовая генерация не заявлены. Лицензия в предоставленных данных не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента для игры Huggy, опубликованная kaleido-jean. Модель создана с использованием Unity ML-Agents и сохранена в формате ONNX. Агент предназначен для управления персонажем в среде Huggy: его можно запускать для игры и использовать как основу для продолжения обучения средствами ML-Agents. Карточка описывает применение в конкретной игровой среде; сведения о размере модели, поддерживаемых естественных языках и лицензии не приведены.

Это контрольная точка языковой модели Qwen2.5-1.5B-Instruct, дообученной разработчиком chanyoungkim методом обучения с подкреплением PPO на среде ALFWorld с использованием langfengQ/verl-agent. Модель предназначена для управления агентом в текстовых задачах ALFWorld: она генерирует инструкции и действия, которые агент использует для выполнения заданий в интерактивной среде. Архитектура — плотная авторегрессионная Qwen2, размер — 1,5 млрд параметров, формат весов — safetensors, базовые веса указаны как bf16; контекст составляет до 32 768 токенов. Опубликован шаг оптимизатора 30; на небольшой проверочной выборке ALFWorld valid_seen указана доля успешных выполнений 14,8%. Это промежуточная экспериментальная контрольная точка, а не универсальный агент: оценка не охватывает valid_unseen, а результат зависит от среды и обвязки агента. Репозиторий распространяется по лицензии Apache-2.0; файлы состояния обучения предназначены для возобновления PPO и рассчитаны на world_size=2.

prabhasa-nyaya 3B — вариант Qwen2.5-3B, дообученный командой AxisMeru для формализованного анализа отдельных положений индийского уголовного законодательства. Это плотная авторегрессионная языковая модель на 3,1 млрд параметров с контекстом до 32 768 токенов; она принимает текстовые запросы в специальном сыром формате и выдаёт структурированные доказательства, отказы и ссылки на нормы, рассчитанные на проверку Lean 4. Модель обучалась на примерах по 14 прочтениям статей IPC и BNS, включая доказательства, пропуски и определение применимой нормы. В оценке с грамматически ограниченной генерацией и Lean-проверкой приняты 108 из 377 доказательств; среди 389 случаев, где нормы не должны применяться, доля ложных доказательств составила 1,03%, но корректные отказы получались лишь в 1,8% случаев. Результаты основаны на одном запуске и существенно зависят от ограниченного декодирования и проверяющей системы; свободная генерация работает хуже. Формат запросов должен соответствовать обучающему шаблону: чат-формат для модели нехарактерен. Это исследовательский артефакт, не предназначенный для юридических рекомендаций; охват ограничен указанными прочтениями законов, без судебной практики. Производная распространяется по лицензии Qwen Research Licence: некоммерческое исследовательское использование, для коммерческого требуется разрешение Alibaba Cloud.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, разработанная Crazylazylife для игры Pyramids в среде Unity ML-Agents. Модель предназначена для выбора игровых действий и может использоваться для просмотра игры агента или продолжения обучения в совместимой среде ML-Agents. Репозиторий содержит модель в формате ONNX. В карточке указаны задача reinforcement-learning и библиотека ml-agents. Сведения о размере модели, контексте и поддерживаемых естественных языках не приводятся. Условия лицензии в доступных данных не указаны.

QuadOrbit-40M — базовая языковая модель для генерации текста, опубликованная как исследовательский чекпойнт к работе «QuadOrbit: Bounded Quadratic Complex Recurrence for Hybrid Language Models». Она обучена с нуля и сочетает причинное внимание Transformer и слои SwiGLU с ограниченной комплексной рекуррентной памятью в каждом блоке. Модель содержит 46,7 млн параметров по метаданным, имеет 8 слоёв и ширину 512 по README; поддерживает контекст до 512 токенов. Модель предназначена для исследований архитектур языковых моделей, воспроизведения опубликованной оценки, анализа и небольших экспериментов с продолжением обучения. Она не настроена на выполнение инструкций и не предназначена для использования как надёжный чат-бот. Обучалась на смеси FineWeb-Edu, DCLM-Edu, Stack-Edu, FineMath и SmolLM-Corpus; карточка указывает английский язык. Лицензия — Apache-2.0. Это небольшой базовый чекпойнт, который не показал убедительного преимущества над Transformer сопоставимого размера в приведённой оценке на одном корпусе и с одним случайным зерном. Модель может выдавать фактически неверный, предвзятый, повторяющийся или оскорбительный текст; у неё нет настройки на безопасность и инструкции. Ограничены контекст и эффективность генерации: реализация рекуррентного механизма не использует KV-кэш.

Qwen2-11.3B — экспериментальная сборка языковой модели, созданная с помощью mergekit из слоёв Qwen/Qwen2-7B. README описывает слияние методом passthrough в формате bfloat16; архитектура — плотная авторегрессионная Qwen2ForCausalLM. В репозитории указано 10,8 млрд параметров и контекст до 131 072 токенов. Модель предназначена для дальнейшего предобучения или дообучения, а не для самостоятельного использования в чате или генерации ответов. Карточка приводит значение perplexity 7,7614 ± 0,10721, но не сообщает условия измерения или результаты прикладной оценки. Для использования указана лицензия исходной модели Qwen/Qwen2-7B — Apache-2.0.

tayaee/Qwen2.5-1.5B-Instruct-ko-Reasoning-alpha — экспериментальная модель, созданная автором репозитория для учебной практики методом supervised fine-tuning (SFT) на базе Qwen/Qwen2.5-1.5B. Это плотная авторегрессионная языковая модель семейства Qwen2 с 1,5 млрд параметров, работающая через Transformers и принимающая текст для генерации текста; размер контекста составляет 32 768 токенов. В метаданных указаны возможности диалога и интерфейс вызова инструментов, однако README не подтверждает качество этих возможностей. Модель предназначена для изучения процесса SFT и сравнения поведения дообученной и базовой моделей, а также для учебных экспериментов с данными и гиперпараметрами. Автор предупреждает о слабых и непоследовательных ответах и не рекомендует применять модель в реальных задачах или развёртывать её. Лицензия — Apache-2.0. Несмотря на слово «ko» в названии, сведения о поддерживаемых языках не приведены.

Qiangwhu подготовил дообученную модель Qwen3-0.6B для управления агентами в ALFWorld на длинных последовательностях действий. Модель с архитектурой Qwen3ForCausalLM содержит около 507,9 млн параметров, распространяется в формате safetensors и рассчитана на контекст до 40 960 токенов. На вход модель получает описание задачи, историю наблюдений и действий, текущее наблюдение и список допустимых действий. Она генерирует краткое рассуждение и одно исполняемое действие в тегах `...`, что подходит для пошагового выполнения задач в среде ALFWorld с горизонтом до 50 шагов. Обучение включало LoRA SFT на успешных траекториях, а затем дообучение всех параметров на дополнительных демонстрациях. В описанной оценке на 140 задачах valid-seen средняя доля успеха составила 78,57%. Модель специализирована на ALFWorld и её форматах наблюдений и действий; результаты оценки относятся к указанному протоколу и не гарантируют качество на других средах. Лицензия в предоставленных данных не указана.

Это экспериментальный чекпойнт Qwen3-1.7B, дообученный для управления агентом в среде ScienceWorld. Его разработал автор репозитория SeanWang0027 в рамках исследования обучения многошаговых агентов; базовая модель — Qwen/Qwen3-1.7B. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и рассчитана на контекст до 40 960 токенов. Она принимает текстовые инструкции и наблюдения среды и генерирует текстовые ответы в формате ReAct с рассуждением и предложением действия. Обучение проводилось методом онлайн-многошагового ROSE: студент выполнял первые 10 ходов эпизода, после чего учитель gpt-5.4-mini продолжал ещё до 5 ходов, а ответы учителя использовались как цели обучения. На тестовом разделении ScienceWorld модель показала 8,88% успешных решений; в том же протоколе базовая Qwen3-1.7B показала 0,12%, а Qwen3-32B — 15,62%. Это специализированный экспериментальный чекпойнт с заметным улучшением относительно исходной модели, но абсолютная успешность решения задач остаётся низкой. Распространяется по лицензии Apache-2.0.

Это экспериментальная диалоговая модель на базе Qwen3-1.7B, дообученная для управления агентом в среде ScienceWorld. Она использует формат ReAct: получает инструкцию и наблюдения среды, затем генерирует текст с рассуждением и действием. Обучение проводилось методом online multi-turn ROSE на продолжениях эпизодов, начатых моделью; целевые ответы учителя gpt-5.4-mini использовались для обучения. Модель содержит 1,7 млрд параметров, построена на плотной архитектуре Qwen3 и рассчитана на контекст до 40 960 токенов. В тесте ScienceWorld на 200 вариантах задач авторы сообщают о среднем успехе 25,75% для этого чекпойнта; результаты измерялись в четырёх независимых проходах. Модель предназначена для экспериментов с агентами, выполняющими научные задания в симуляции, а не для универсального чат-использования. Карточка отмечает, что привычка выдавать неподдерживаемые симулятором действия open/close почти исчезла в этом чекпойнте, но результаты обучения колебались между эпохами. Лицензия — Apache-2.0.

Это экспериментально дообученная SeanWang0027 модель Qwen3-1.7B для управления агентом в ScienceWorld. Она построена на плотной архитектуре Qwen3ForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель генерирует текстовые ответы в формате ReAct: формулирует мысль и предлагает действие на основе наблюдений среды. При дообучении методом online multi-turn ROSE модель сначала взаимодействовала со средой, а затем продолжение той же сессии генерировал учитель gpt-5.4-mini; для обучения использовались только ответы учителя. В тестировании на 200 вариантах задач ScienceWorld успех составил 20,75% для указанного чекпойнта. Модель предназначена для исследования поведения языковых агентов в этой среде; README отмечает нестабильность результатов между чекпойнтами и склонность копировать некорректный шаблон действий open/close. Лицензия — Apache-2.0.

SeanWang0027 выпустил дообученную методом supervised fine-tuning модель Qwen3-1.7B для управления агентом в среде ScienceWorld. Она обучена на траекториях диалогов gpt-5.4-mini: наблюдения среды и инструкция подаются в контексте, а модель генерирует ответы в формате ReAct с рассуждением и действием. Модель содержит 1,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Веса сохранены в bf16 и формате safetensors; для запуска предусмотрена библиотека Transformers. В тестировании на 200 заданиях ScienceWorld средний показатель успеха составил 9,12% ± 1,78; базовая Qwen3-1.7B на том же протоколе набрала 0,12%. Это специализированный экспериментальный чекпойнт для многошаговых агентов, а не универсальный чат-ассистент. В README отмечено, что модель часто выдает шаблон действия open/close OBJ, который симулятор отклоняет. Лицензия — Apache-2.0.

Qwen3.8-27B-DFlash2-GGUF — набор GGUF-конвертаций черновой модели DFlash 2, разработанной Inco AI для ускорения спекулятивного декодирования модели Qwen/Qwen3.8-27B. Это не самостоятельная языковая модель: она работает внутри совместимого сервера вместе с целевой моделью и генерирует черновые токены, которые затем проверяются целевой моделью. Модель использует подход block diffusion: за один проход предсказывает блок токенов, сохраняет несколько наиболее вероятных кандидатов для каждой позиции, а селектор выбирает из них согласованный путь. Архитектура включает двухконтактные динамические свёртки, уменьшающие ухудшение качества прогнозов к концу блока. Заявлено без потерь: при жадном декодировании результат совпадает с целевой моделью, а при sampling сохраняется её распределение. Доступны варианты Q4_K_M размером 1,1 ГБ, Q8_0 размером 2,0 ГБ и BF16 размером 3,8 ГБ. Модель предназначена для ускорения генерации текста в сценариях, где используется Qwen3.8-27B, в частности через llama.cpp с поддержкой DFlash 2 и режимом speculative decoding. В README не указаны поддерживаемые языки, размер контекста и самостоятельные прикладные возможности. Для работы необходимы целевая модель, совместимый сервер и специальная сборка llama.cpp; без них модель неприменима. Лицензия — Apache-2.0.

StarVLA разработала этот контрольный чекпойнт QwenPI для задач манипуляции роботом в симуляторе LIBERO. Модель дообучена на основе Qwen/Qwen3-VL-4B-Instruct на объединённой смеси libero_10, libero_goal, libero_object и libero_spatial. Она использует визуальные признаки Qwen3-VL и потоковую генерацию действий с помощью action head на основе layer-wise cross-DiT: 36 слоёв, ширина латентного представления 2560 и 40 голов внимания. Модель принимает визуальные наблюдения и выдаёт действия робота для задач LIBERO. В карточке приведены результаты тестирования на четырёх наборах LIBERO; указанные оценки сообщены авторами, а исходные журналы прогонов для независимой проверки не приложены. Для запуска требуется StarVLA QwenPI и совместимый контракт камеры и состояния, нормализационная статистика и исторический режим LayerwiseFM с параметром use_canonical_forward=false. Результаты на реальных роботах и перенос между типами роботов не установлены. Лицензия в предоставленных данных не указана.

Robo-Dopamine-GRM-2.0-4B-Preview — мультимодальная модель вознаграждения для оценки прогресса при роботизированных манипуляциях. Она разработана командой Robo-Dopamine и дообучена на базе Qwen/Qwen3-VL-4B-Instruct. Модель принимает описание задачи и изображения нескольких ракурсов начального, целевого, предыдущего и следующего состояний, после чего оценивает относительный прогресс или регресс выполнения. Модель предназначена для формирования плотного сигнала вознаграждения при обучении роботов с подкреплением. Метод объединяет оценки прогресса с нескольких перспектив, а Dopamine-RL использует их для настройки вознаграждения с сохранением оптимальной политики; заявлена совместимость с разными алгоритмами обучения с подкреплением. Веса доступны в формате safetensors, лицензия — Apache-2.0. Это предварительная версия с 4 млрд параметров на архитектуре Qwen3-VL. Она ориентирована на оценивание прогресса в задачах манипуляции по визуальным наблюдениям, а не на универсальный диалог или непосредственное управление роботом. Качество и переносимость оценок зависят от задачи и визуальных данных; для адаптации к новой задаче описан подход с одной демонстрацией.

ROCKET-1 — модель для управления действиями в робототехнических сценариях, опубликованная пользователем phython96. Карточка описывает взаимодействия вроде приближения к животным и объектам, добычи ресурсов и взаимодействия с объектами в игровом окружении. Модель размещена в формате safetensors и использует PyTorch; лицензия — MIT. README упоминает запуск демонстрации через Gradio и скрипт оценки, которому требуется путь к контрольной точке SAM 2. Данных о размере модели, длине контекста и поддерживаемых языках нет; назначение карточки указывает на управление действиями, однако конкретные входы и выходы модели не описаны.

AbstractPhil/sd15-flow-matching — экспериментальная модель генерации изображений по тексту на базе Stable Diffusion 1.5. Автор описывает подход как попытку дистилляции с v-prediction flow matching и адаптивным взвешиванием блоков UNet по геометрической оценке признаков предварительно обученной модели David. Репозиторий содержит веса PyTorch и Safetensors; модель рассчитана на архитектуру SD 1.5 и работу со стандартными diffusion-сэмплерами DDPM или DDIM. Модель предназначена для проверки гипотезы, что геометрическое руководство помогает перенести внутреннюю структуру SD 1.5 при дистилляции. Автор указывает, что гипотеза ещё не проверена, качество не валидировано, а обучение проводилось на синтетических промптах. Лицензия — MIT. Для применения подхода также требуется конкретная предобученная модель David.

SarimAli26/sd-class-butterflies-64-copy-1 — диффузионная модель из учебного курса по диффузионным моделям, предназначенная для безусловной генерации изображений милых бабочек. Она работает с библиотекой Diffusers и запускается через DDPMPipeline. Модель создаёт изображение без текстового запроса; карточка не приводит размер изображений и другие параметры обучения. Модель подходит для создания изображений бабочек и учебных экспериментов с диффузионной генерацией. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Карточка не описывает качество генерации или ограничения, кроме узкой тематики модели.

Модель IDEAS-Lab-Northwestern — дообученная версия LeRobot SmolVLA для манипуляций в задаче clutter на симуляции робота Franka Panda. Она принимает изображения с двух камер: обзорной верхней и камеры на запястье, а также состояние суставов робота; языковая инструкция может быть необязательной. В основе — визуально-языковой модуль SmolVLM2 и эксперт действий с flow matching; визуальный энкодер заморожен, обучался эксперт действий без LoRA. Модель выдаёт последовательности из 50 абсолютных целевых значений для 7 суставов руки и захвата. Состояние и действия размерности 8 дополняются до 32 измерений, предусмотренных SmolVLA. Чекпойнт рассчитан на использование через LeRobot и включает статистику нормализации. Обучение проведено на данных ManiGuard clutter; лицензия Apache-2.0.

Это модель управления роботом IDEAS-Lab-Northwestern, созданная дообучением LeRobot SmolVLA для задачи укладки объектов в симуляции с роботом Franka Panda. Она принимает изображения с двух камер, состояние суставов и языковую инструкцию, а выдаёт последовательности непрерывных целевых значений суставов. Модель основана на визуально-языковом кодировщике SmolVLM2 и эксперте действий с flow matching; визуальный кодировщик заморожен, дообучался эксперт действий. Входное и выходное состояние охватывают 7 суставов руки и захват, дополненные до 32 измерений; действия выдаются блоками по 50 шагов. Чекпойнт обучен на данных ManiGuard для задачи stack и предназначен для оценки управления в среде Franka Panda. Распространяется по лицензии Apache-2.0.

Это небольшая пользовательская версия модели Stable Diffusion в формате библиотеки Hugging Face Diffusers, предназначенная для работы с PyTorch. Разработчик, точный тип архитектуры и происхождение модели в README не указаны. По названию модель, вероятно, предназначена для задач генерации изображений по текстовому описанию и экспериментов с конвейерами Diffusers, однако сведения о поддерживаемых языках, модальностях, размере, длине контекста и конкретных сценариях использования отсутствуют. Ключевыми ограничениями являются недостаток информации о качестве, результатах оценки, обучающих данных, рисках, производительности и требованиях к вычислительным ресурсам. Лицензия также не указана, поэтому условия использования необходимо уточнить отдельно перед применением модели.