II.2Создание и понимание программного кода

TinyVLA — экспериментальная vision-language-action-модель для управления роботом, разработанная автором репозитория AlexWortega и дообученная на базе Qwen/Qwen3.5-0.8B. Она объединяет визуальные наблюдения, текстовую инструкцию и состояние робота, чтобы предсказывать последовательности действий; модель реализована как плагин политики для LeRobot. Архитектура использует общий визуальный энкодер и два вычислительных пути: медленный формирует семантическое латентное представление, а быстрый использует визуальные признаки и проприоцептивные данные для управления. В README указано 643 млн параметров в сохранённой модели и около 140 млн параметров на онлайн-шаге быстрого пути. В испытаниях LIBERO-Spatial автор сообщает 86% успеха при обновлении латентного представления раз в секунду и 79% в полночастотном режиме; результаты получены на ограниченной выборке и по протоколу, где обучающие данные включают те же задачи и начальные состояния. Модель предназначена для роботизированных манипуляций и экспериментов с низкозадержочным управлением, в частности для сценариев LIBERO и роботов SO100/SO101. Русский язык не заявлен: инструкции текстовые, но обучение и оценка описаны в англоязычном контексте. Репозиторий распространяется по лицензии Apache-2.0. Автор отмечает ограничения оценки: небольшое число эпизодов, неполную проверку наборов LIBERO и необходимость корректно обрабатывать ориентацию кадров и неоднозначность представления ориентации захвата.

EvilEngine/vae-ft-mse-840000-ema-pruned — это VAE-модель для Stable Diffusion 1.5, загруженная пользователем EvilEngine. В основе лежит vae-ft-mse-840000-ema-pruned от Stability AI; модель предназначена для корректного кодирования и декодирования изображений в системах генерации изображений на базе SD1.5, включая Automatic1111 и совместимые интерфейсы. Модель не является самостоятельной текстовой или мультимодальной генеративной моделью: она используется как вспомогательный компонент пайплайна text-to-image и работает с латентными представлениями изображений. В README указано распространение весов в формате Safetensors и рекомендуемый путь установки /models/vae в Automatic1111. Архитектура, размер весов, максимальный контекст и поддерживаемые языки не указаны и для VAE неприменимы в обычном смысле. Основное преимущество — исправление проблем совместимости существующих VAE с генератором на сайте и упрощение поиска версии VAE для SD1.5. Ограничение состоит в том, что модель требует базовую систему Stable Diffusion 1.5 и не предназначена для автономного использования. В карточке указана лицензия cdla-permissive-2.0, а в тексте README для исходной модели приведена лицензия MIT; условия следует уточнять отдельно для загруженного файла и оригинальных весов Stability AI.

Это чекпойнт декодера World2Action из проекта VAM-Cross MimicVideo, опубликованный командой dreamdifferent. Он предназначен для преобразования видеонаблюдений в действия робота SO-101/WidowX: модель предсказывает последовательность из 15 действий положения исполнительного механизма и захвата с частотой 5 Гц. Обучение выполнено на данных телеоперации с двух камер, с целями, заданными относительно текущей достигнутой позы; для вращения используется представление rotation_6d. Это веса итерации 1800 эксперимента, обученного с замороженной Video2World-основой, декодером действий и Video LoRA. Для запуска требуются эти входные компоненты и датасет, которые в репозитории не включены. Веса доступны в форматах PyTorch и safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Это исследовательский чекпойнт VLADrop для управления роботом в задачах LIBERO. Он получен из Lingbot-VLA удалением 18 из 36 блоков Qwen2.5-VL, а затем дообучен для восстановления качества после сокращения модели. В удалённых блоках были attention- и MLP-компоненты; обучение восстановления проводилось 50 тысяч шагов с размером пакета 16 и скоростью обучения 5e-5. Модель предназначена для выполнения задач робототехники в связке зрения, языка и действий. Чекпойнт опубликован в формате Hugging Face с весами safetensors; для запуска README указывает код VLADrop и токенизатор Qwen2.5-VL-3B-Instruct. Количественные результаты и полный перечень ограничений в предоставленных материалах не описаны. Лицензия не указана в доступных данных.

Это дообученная политика VLA-JEPA от автора Helen9975 для управления бимануальным роботом в сценарии MolmoAct2-BimanualYAM с блоками blocks_v2. Модель основана на lerobot/VLA-JEPA-Pretrain и предназначена для предсказания действий робота по изображениям с трёх камер, расположенных в порядке top, left, right. Контрольная точка обучена до шага 100000; выход содержит 14 абсолютных значений суставов и команд для захватов. В рецепте обучения использовались размороженная VLM и функция потерь world model. Для загрузки и запуска требуется библиотека LeRobot. В README приведён результат open-loop smoke-проверки на двух отложенных эпизодах: MSE 0,00672 и MAE 0,0596; эта небольшая проверка не характеризует надёжность на других роботах и сценариях. Лицензия — Apache-2.0.

VQ-BeT/PushT — модель для управления роботом, разработанная на основе подхода VQ-BeT из работы «Behavior Generation with Latent Actions» и обученная для среды PushT из gym-pusht. Она предназначена для генерации действий, перемещающих объект в форме буквы T к целевой позиции; загрузка и оценка модели выполняются с помощью библиотеки LeRobot. Модель включает RGB-энкодер на 11,2 млн параметров и остальные компоненты VQ-BeT на 26,3 млн параметров. В оценке на 500 эпизодах PushT среднее максимальное перекрытие с целью составило 0,887, а доля успешных эпизодов — 66%. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Модель проверена в симуляционной среде PushT; эти результаты сами по себе не подтверждают пригодность для реального робота или других задач управления. README не сообщает о поддержке языковых инструкций.

kihyounghan подготовил небольшую языковую модель для практического семинара по предварительному обучению LLM. Это плотный декодерный Transformer собственной архитектуры семейства GPT-2 Workshop, содержащий около 123,6 млн параметров; модель использует 12 слоёв, размер скрытого представления 768 и 12 голов внимания. Весы опубликованы в формате safetensors, для загрузки требуется доверенный пользовательский код из репозитория. Модель обучалась с нуля на английских веб-текстах из поднабора sample-10BT датасета FineWeb-Edu, но обучение ограничили 100 шагами и примерно 52 млн токенов. Она предназначена для обучения процессу предварительного обучения и проверки конвейера сохранения и публикации моделей, а не для генерации связного текста или реальных приложений. Выходы модели повторяющиеся, неграмотные и часто не связаны с запросом. Модель не оценивалась на безопасность, фактическую точность и смещения. Лицензия в предоставленных данных не указана.

WorldDiT — модель Bagel Labs для моделирования мира и управления роботом. Она объединяет генерацию непрерывных действий и вспомогательное предсказание будущих RGB-патчей в одном диффузионном трансформере. Выпуск содержит четыре контрольные точки для наборов LIBERO и среду для инференса и оценки. Модель предназначена для языково обусловленной манипуляции объектами в симуляции. На вход получает изображения с основной и кистевой камер за три шага наблюдения, состояние робота и языковую инструкцию; предсказывает последовательность из семи действий, из которой контроллер исполняет первые три и затем строит новый план. Всего модель содержит около 399 млн параметров, из них около 135 млн обучаемых. В метаданных указан английский язык; в README не уточняется, какие языки инструкций поддерживаются. В README сообщается средний успех 94,9% на 2 000 эпизодах LIBERO по четырём наборам. Результаты других методов приведены по опубликованным протоколам, поэтому это не прямое сравнение в едином эксперименте. Модель проверена в симуляции; надёжность на реальных роботах и перенос между платформами требуют отдельной оценки. Лицензия — CC BY 4.0.

X-VLA 0.9B для Libero — модель Vision-Language-Action, разработанная 2toINF для управления роботами по визуальным и текстовым входам. Она предназначена для выполнения роботизированных манипуляций в симуляциях и на реальных платформах, включая адаптацию к разным роботам и условиям. Модель дообучена на основе microsoft/Florence-2-large и использует визуально-языковой энкодер Florence-2 вместе с трансформером, который предсказывает действия методом flow matching. Для разных воплощений роботов применяются отдельные обучаемые soft prompt-эмбеддинги. В README указан размер около 0,9 млрд параметров; обучение проводилось на Bridge Data V2. Лицензия — Apache 2.0. Модель оценивается на роботизированных задачах, но карточка не описывает точный формат входов и выходных действий для этой версии Libero. Для использования могут потребоваться соответствующая среда, код оценки и настройки пространства действий; приведённый в README пример загрузки ссылается на другой репозиторий модели.

3D HAMSTER — модель-планировщик для робототехники, разработанная авторами проекта 3D HAMSTER и представленная на IROS 2026. Она принимает одно наблюдение RGB-D и текстовую инструкцию, а затем предсказывает метрически привязанную траекторию конечного звена манипулятора в 3D. Модель объединяет Qwen3-VL-8B, визуальный энкодер и геометрический энкодер LingBot-Depth на базе DINOv2 ViT-L/14; веса геометрического энкодера заморожены. Чекпойнт содержит около 9 млрд параметров в формате bf16 и использует пользовательскую архитектуру Qwen3VLGeometryForConditionalGeneration. Модель предназначена для планирования манипуляций по RGB-D-данным и языковым командам. Выходную 3D-траекторию можно передавать низкоуровневой политике, работающей с облаком точек. Для запуска требуется пакет hamster3d. Модель дообучена на базе Qwen/Qwen3-VL-8B-Instruct и распространяется по лицензии Apache-2.0. README не приводит конкретных языков инструкций, размера контекста или результатов бенчмарков.

Репозиторий khanhnd61 содержит версии модели ACT в формате GGUF для инференса на CPU через vla.simd. Файлы представляют несколько вариантов модели для управления роботом SO-101; README указывает многозадачный вариант и варианты для отдельных сценариев, включая перенос ленты в коробку и чашки в коробку. Модель предназначена для роботизированных rollout-сценариев с клиентом LeRobot и подключёнными к манипулятору камерами. Модель получена слиянием указанных в метаданных чекпойнтов ACT, а файлы подготовлены для работы в GGUF. Для запуска нужны vla.simd с дополнительным компонентом serve и роботизированная система с манипулятором и камерами. Репозиторий распространяется по лицензии Apache-2.0. Данных о поддерживаемых языках и числовой длине контекста в предоставленных источниках нет.

Javis001/coal-maceral-segformer-b3 — чекпойнт проекта для семантической сегментации отражённых RGB-изображений угля, полученных при микроскопии. Модель предназначена для выделения четырёх классов: фона, инертинита, липтинита и ещё одного класса мацералов. В основе используется SegFormer-B3 с проектным декодером, coordinate attention и вспомогательными ветвями для выделения границ. На вход подаётся RGB-изображение, которое сохраняет пропорции и помещается в рамку 512 × 512 пикселей; для пикселей применяется заданная нормализация без предварительного деления на 255. На выходе — карта сегментации классов. Это специализированная модель для угольной петрологии и микроскопии, а не готовый пакет Transformers: для инференса нужна реализация из связанного исходного проекта. Карточка допускает некоммерческие исследования и оценку, а также экспертное изучение сегментации мацералов. Метрики качества не заявлены, обучающие данные и разбиения не опубликованы; результаты требуют проверки специалистом и не подходят для автономной сертификации или решений, критичных для безопасности. Лицензия указана как other; конкретные условия следует сверять с лицензией репозитория и связанного проекта.

DM05-robotwin2 — дообученный Dexmal вариант модели DM0.5 для управления роботом в задачах бенчмарка RoboTwin 2.0. DM0.5 использует визуально-языковую основу Gemma 3 4B и Action Expert на 680 млн параметров, который формирует непрерывные действия робота. Этот чекпойнт предназначен для двурукого робота ALOHA: он принимает изображения с трёх RGB-камер и выдаёт последовательности из 50 наборов 14-мерных целевых положений суставов. В README приведён средний результат 93,5 на тестах RoboTwin 2.0 в чистых и рандомизированных условиях. Модель подходит для управления манипуляциями по инструкциям на естественном языке и оценки политик робота на задачах RoboTwin 2.0. Для запуска описан inference-сервис на Transformers; рекомендуются GPU NVIDIA, а для развёртывания достаточно одной GPU. Репозиторий содержит веса Safetensors и связан с датасетом Dexmal/robotwin2-full. Лицензия указана как Gemma. Описанные входы и действия относятся к конфигурации ALOHA и не подтверждают поддержку других аппаратных платформ этим чекпойнтом.

EVO1 · LIBERO — контрольная точка модели vision-language-action для управления роботизированным манипулятором в задачах бенчмарка LIBERO. Её разработчик дообучил базовую мультимодальную модель OpenGVLab/InternVL3-1B-hf на наборе lerobot/libero: сначала обучалась только голова действий, затем совместно дообучались VLM и голова действий. Указанная контрольная точка сохранена на шаге 70 000 из 80 000 этапа Stage 2 и показала лучший общий результат среди проверенных контрольных точек этого расписания. Модель принимает визуальные наблюдения и описание задачи, чтобы предсказывать действия робота. В оценке использовались изображения 448×448 и перепланирование каждые 14 действий; тестирование охватывало четыре набора задач LIBERO. В README приведены высокие показатели успешности для пространственных, объектных и целевых задач, однако результаты получены на одном seed и не являются оценкой по нескольким запускам. Для воспроизведения поведения важны схема перепланирования и постобработка захвата LIBERO. При загрузке политики может потребоваться загрузить базовую модель InternVL3-1B. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория.

FIRe-VLA-OpenVLA-GearMesh-Real — дообученная политика vision-language-action на базе OpenVLA от автора репозитория bhe1004. Она предназначена для контактной роботизированной сборки, в частности для зацепления шестерён в реальном домене. Чекпойнт готов к инференсу и обучен на 5000 шагах; в репозитории упомянуты компоненты OFT, включая голову действий, проектор проприоцепции и LoRA-адаптер. Модель принимает изображение и текстовую инструкцию и предсказывает действия робота. Карточка указывает OpenVLA и формат весов safetensors; лицензия — Apache-2.0. Для запуска требуется кодовая база OpenVLA-OFT.

FLock Robotics VLA — модель vision-language-action для робототехнической задачи FLock AI Arena. Она объединяет адаптированную и слитую с весами базовой модели Qwen2.5-VL-3B-Instruct визуально-языковую основу и MLP-голову действий; общий размер составляет около 4,06 млрд параметров. Модель принимает изображение с камеры agentview и текстовую инструкцию, а затем выдаёт действие для робота с 7 степенями свободы. Обучение методом поведенческого клонирования проводилось на скриптовых траекториях robosuite Lift. Для загрузки политики README описывает интерфейс `load_policy(...).act(obs)`. Модель предназначена для выполнения роботизированной задачи Lift в рамках FLock AI Arena. В метаданных указана библиотека Transformers и формат весов safetensors; лицензия — Apache-2.0. Карточка не сообщает о поддержке других робототехнических задач или языков инструкций.

amer224/freefire-aim-ai — экспериментальный агент на основе обучения с подкреплением, разработанный автором репозитория для симулятора прицеливания, похожего на Free Fire. Он принимает изображения размером 84×84 пикселя и выдаёт изменения прицеливания и решение о стрельбе. Архитектура — NatureCNN actor-critic примерно на 1,7 млн параметров; обучение сочетает начальную настройку с поведенческим клонированием, PPO и curriculum learning. Модель предназначена для исследований управления прицеливанием в контролируемом симуляторе. Автор указывает, что агент пока не показал результат в реальных играх; приведённые оценки получены на новых случайных начальных условиях симулятора. В журнале последних обновлений метрики отображаются как nan, поэтому по карточке нельзя подтвердить качество этих последних состояний. Файлы весов и конфигурации предоставлены в формате PyTorch. Условия лицензии в предоставленных данных не указаны.

GR00T-N1.7-3B-OMX-PickupDolls-2Cam — дообученная Pseudo Lab модель на базе NVIDIA GR00T-N1.7-3B для управления ROBOTIS Open Manipulator-X при подборе кукол. Модель использует два ракурса: фиксированную камеру сверху и камеру на запястье робота. Второй ракурс добавлен для улучшения восприятия высоты объектов при захвате. Это плотная модель семейства Gr00tN1d7 с замороженной базовой частью и дообученной DiT-головой действий и адаптерами. Она принимает изображения с двух камер, инструкции и состояние робота, а выдаёт управляющие действия. Обучение выполнено на 90 эпизодах задачи подбора кукол; веса доступны в формате safetensors. Для работы расположение обеих камер должно соответствовать конфигурации, описанной в карточке. Модель предназначена для экспериментов и развёртывания на указанной конфигурации манипулятора и задачи, а не для произвольных роботов или сцен. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт wsagi, дообученный на базе NVIDIA GR00T-N1.7-3B для управления движениями всего тела гуманоидного робота Unitree G1 по текстовой подсказке. Модель принимает изображение с эго-камеры, проприоцептивное состояние робота и prompt, затем предсказывает 40-шаговый фрагмент 64-мерных FSQ-токенов движения; декодер SONIC и его контроллер WBC преобразуют токены в целевые положения суставов для 29 степеней свободы. Чекпойнт запоминает восемь подсказок: семь движений и стойку; обучающие эпизоды дополнены физически проигранными переходами между движениями. Он предназначен для демонстраций и экспериментов с запуском и переключением движений Unitree G1 в замкнутом контуре. Это proof-of-concept: обобщение на новые команды и движения не проверялось, запуск некоторых действий из стойки стохастичен, а показанные демо не подтверждают устойчивость баланса самого GR00T. Модель не работает самостоятельно: нужны чекпойнт SONIC WBC, конфигурация воплощения Unitree G1, live injector и GR00T ZMQ-сервер. Карточка указывает лицензию other, поэтому конкретные условия использования следует проверять в репозитории.

Карточка модели 21world/KiCAD-MCP-Qwen3.5-4B-GGUF на Hugging Face совпадает с карточкой empulse/KiCAD-MCP-Qwen3.5-4B-GGUF, поэтому описание составлено по ней. KiCAD-MCP-Qwen3.5-4B — дообученная модель empulse на базе Qwen3.5-4B для помощи в проектировании печатных плат в KiCAD через Model Context Protocol (MCP). Она выбирает и вызывает инструменты KiCAD MCP-сервера, извлекает из запросов обозначения компонентов, координаты и имена цепей, планирует последовательности действий и помогает разбирать ошибки. Сервер, на котором обучалась модель, предоставляет 159 инструментов для работы со схемами, разводкой плат, проверками DRC, экспортом и библиотеками. Модель содержит 4 млрд параметров и использует архитектуру Gated Delta Network с гибридным вниманием. В репозитории размещены веса GGUF в формате BF16; для работы через llama.cpp требуется сборка с поддержкой Qwen3.5 GDN и кэш KV в BF16. Модель рассчитана на текстовые запросы на английском языке и выдаёт текстовые ответы с инструкциями по вызову инструментов; несмотря на мультимодальность базовой модели, эта версия не обучалась для задач с изображениями. Указана лицензия Apache-2.0. Модель специализирована на KiCAD и конкретной реализации MCP-сервера. Названия инструментов и их схемы могут отличаться у других серверов, сложные многошаговые задачи для модели такого размера могут быть менее надёжными, а знания о предметной области сосредоточены на KiCAD v10 и распространённых практиках проектирования плат.

DJLougen/LFM2.5-VL-3B-DFlash-drafter — вспомогательная модель DFlash для LiquidAI/LFM2.5-VL-3B, созданная для ускорения генерации методом speculative decoding в llama.cpp. Это четырёхслойный декодер на архитектуре в стиле Qwen3 с 463,5 млн параметров; он формирует блоки черновых токенов за один проход, после чего целевая модель проверяет их. Проверенные токены дают тот же результат, что и обычная генерация целевой модели. Контекст модели — 8192 токена; доступны веса в GGUF и safetensors, лицензия Apache-2.0. Модель предназначена для запуска вместе с целевой LFM2.5-VL-3B через llama.cpp и не является самостоятельной моделью для диалога или анализа изображений. В README сообщается о низком принятии черновых токенов на тесте общего текста: 0,113 при greedy top-1 и n_max=3, поэтому измеренного ускорения ожидать не следует. Артефакт опубликован для воспроизводимости и дальнейших экспериментов; поддержка sglang и vLLM не заявлена.

Llama-3.2-3B-DareFightingICE-2026-Zoning — дообученная авторами репозитория модель на базе meta-llama/Llama-3.2-3B-Instruct для выбора действий в стиле Zoning в соревновании DareFightingICE LLM AI Competition 2026. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Модель рассчитана на сценарии управления персонажем в файтинге: README указывает специализацию Zoning, то есть тактику удержания дистанции и контроля пространства. В репозитории размещены объединённые веса; исходный код выполнения предоставлен отдельно в материалах соревнования. Модель принимает текст и генерирует текст, а в метаданных указан контекст до 131 072 токенов. Лицензия — Llama 3.2. Результаты зависят от игрового состояния и способа интеграции с runtime-кодом соревнования; README не описывает формат входных данных, точность или результаты сравнительной оценки.

maid-yuzu-v4 — экспериментальное слияние нескольких языковых моделей, опубликованное rhplus0831 и собранное методом DARE TIES с помощью mergekit на основе mistralai/Mixtral-8x7B-v0.1. В состав слияния вошли модели Dolphin, Sensualize, Bagel, Limarp и MixtralOrochi. Модель использует архитектуру MixtralForCausalLM с разреженной структурой Mixture of Experts и предназначена для генерации текста. Заявленная длина контекста — 32 768 токенов; веса опубликованы в формате safetensors. README предупреждает, что качество результата низкое и модель не рекомендуется к использованию. Лицензия в доступных данных не указана.

xpuenabler разработал MolmoAct2-LIBERO-LP-VTP-SD — сжатую VLA-модель для управления роботом в задачах LIBERO, опубликованную в формате LeRobot. В чекпойнте совместно применены обрезка слоёв, сокращение визуальных токенов и уменьшение числа шагов вывода; модель дообучена на базе xpuenabler/MolmoAct2-LIBERO-ViT10L. Веса представлены в формате safetensors. Модель принимает изображения, состояние робота и текстовые инструкции и предсказывает действия. На указанной в README оценке по четырём наборам LIBERO точность составила 47,2% при двух шагах декодирования — заметно ниже результатов отдельных методов сжатия. На оборудовании B200 указана задержка около 94 мс на решение при пакетном размере 1; работа Grid Sampler требует режима single-crop с изменением размера изображения. Условия лицензии в предоставленных данных не описаны.

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

OpenVLA 7B Fine-Tuned on LIBERO-Goal — модель OpenVLA, дообученная разработчиками OpenVLA с помощью LoRA на наборе LIBERO-Goal из симуляционного бенчмарка LIBERO. Она предназначена для предсказания действий робота по изображению и текстовому заданию в сценариях манипуляции объектами, оцениваемых в LIBERO-Goal. Модель использует архитектуру OpenVLA с 7 млрд параметров и поддерживает визуальный ввод; для запуска и оценки предусмотрен симулятор LIBERO. Обучение проводилось с LoRA ранга 32 в течение 60 тысяч шагов; при обучении и тестировании квантизация не применялась. Библиотека Transformers, веса сохранены в формате safetensors. Модель ориентирована на задачи LIBERO-Goal, а результаты обучения зависят от модификаций обучающего набора, описанных в статье OpenVLA. Карточка рекомендует обращаться к инструкциям OpenVLA для запуска и оценки в симуляторе. Лицензия — MIT.

Это низкоуровневая политика управления роботом на базе Pi0.5, разработанная Myungkyu дообучением модели lerobot/pi05_base. Модель обучена на RMBench-taco-wodemo-gemini: наборе демонстраций для девяти симулируемых задач на настольной поверхности с плотными метками подзадач, полученными из контекста задач. На вход подаются изображения с головной и обеих запястных камер, проприоцептивные данные и текст текущей подзадачи. Слот ключевого кадра может принимать найденный ранее кадр, когда это требуется меткой; архитектура использует три вида с камеры и соглашение full_frame_v1. Чекпойнт получен после 60 000 шагов обучения с размером пакета 64. Модель предназначена для управления роботом в симуляции по визуальным наблюдениям, состоянию робота и тексту подзадачи. Для загрузки нужны локальные копии базовой модели и токенизатора, на которые ссылаются конфигурации. Лицензия в предоставленных данных не указана.

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

StarVLA/Qwen2.5-VL-OFT-LIBERO-4in1 — исследовательский чекпойнт политики vision-language-action, разработанный в рамках проекта StarVLA на базе Qwen2.5-VL-3B-Instruct. Доступный артефакт соответствует 30 000 шагам обучения и предназначен для управления роботом в симуляторе LIBERO по зрительным наблюдениям и инструкциям на естественном языке. Обучение объединяет наборы LIBERO Object, Goal, Spatial и LIBERO-10 с равным весом.

Это экспериментальный чекпойнт SeanWang0027, полученный дообучением Qwen/Qwen3-1.7B для многоходового взаимодействия с виртуальной средой ALFWorld. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и принимает текстовые диалоги в формате ReAct: после наблюдения она формирует мысль и действие. Контекстная длина, указанная в метаданных, составляет 40 960 токенов. Обучение выполнено методом online multi-turn ROSE: студент сначала играет 10 ходов, затем до 5 ходов продолжает учитель gpt-5.4-mini, а ответы учителя используются как целевые. На тестовом наборе ALFWorld модель показала успешность 32,00% ± 0,71; в README приведены результаты других эпох и базовой модели для сравнения. Чекпойнт опубликован в формате Safetensors под лицензией Apache-2.0. Результаты относятся к конкретному протоколу ALFWorld и не подтверждают пригодность модели для широкого круга агентных задач.