II.2Создание и понимание программного кода

SeanWang0027 разработал эту экспериментальную версию Qwen3-1.7B, дообученную методом SFT на траекториях агента Qwen3-32B для среды ALFWorld. Модель предназначена для многошагового взаимодействия с текстовым окружением: получает инструкцию и наблюдения, затем формирует рассуждение в формате ReAct и действие. Используются плотная архитектура Qwen3ForCausalLM, 1,7 млрд параметров и контекст до 40 960 токенов; модель работает с текстом и рассчитана на шаблон чата Qwen3 с отключённым режимом thinking. Обучение ограничено первыми 15 ходами каждой траектории учителя; в набор включены и неуспешные эпизоды. В описанной оценке ALFWorld модель достигла успешности 47,75% по двум проходам, причём оценивание остановили досрочно. Это специализированный исследовательский чекпойнт для задач embodied-агентов в текстовой симуляции, а не универсальная модель действий. Основа — Qwen/Qwen3-1.7B; лицензия Apache-2.0.

Qwen3.8-Whittle-Next-19.8B-A10B-base — экспериментальная текстовая MoE-модель, созданная одним независимым разработчиком на основе Qwen3.8-Whittle-tri-14.7B. В карточке указаны 240 экспертов, гиперсвязи с четырьмя потоками и n-граммная память; метаданные каталога сообщают 11,8 млрд параметров, а название и README — 19,8 млрд общего размера и около 10 млрд активных параметров на токен. Заявлен контекст до 262 144 токенов. Модель предназначена для изучения архитектуры и экспериментов с генерацией текста, а не для использования как готовый ассистент. Дообучение на диалогах и рассуждениях было прервано; README сообщает, что модель проваливает около 80% стандартных тестов диалогового цикла, а остановка по EOS работает слабо. Для запуска рекомендуются файлы GGUF через llama.cpp с указанной в карточке патч-правкой; загрузка экспорта через Transformers не проверена. Лицензия — Apache-2.0.

StarVLA/Qwen3vl4b-OFT-RoboDojo — контрольная точка модели StarVLA QwenOFT, разработанная для управления роботом в симуляции RoboDojo. Она инициализирована из Qwen/Qwen3-VL-4B-Instruct и дообучена на смеси из 35 задач RoboDojo LeRobot v2.1; зрительно-языковая модель, её интерфейс и голова действий обучались сквозным образом. В качестве основы используется Qwen3-VL с 4 млрд параметров, а действия предсказывает двухблочный остаточный MLP с прямой регрессией L1. Модель предназначена для исследовательского управления двуруким роботом ARX X5 в симуляции, используя визуальные наблюдения и выдавая действия робота. README приводит результаты официальной оценки по 42 задачам, но в репозитории нет исходных журналов эпизодов для независимого восстановления агрегатов. Для воспроизведения требуется соблюдать сохранённые конфигурацию, статистики нормализации, порядок камер, состав состояния, отображение абсолютных суставных действий и горизонт выполнения. Модель распространяется в формате PyTorch под лицензией Apache-2.0. Её пригодность за пределами указанного контракта наблюдений, действий и нормализации не установлена.

StarVLA Qwen3-VL OFT LIBERO 4-in-1 — контрольная точка QwenOFT, разработанная StarVLA на базе Qwen/Qwen3-VL-4B-Instruct и дообученная на объединённой смеси LIBERO 10, Goal, Object и Spatial. Модель принимает визуальные наблюдения и инструкцию в последовательности VLM, а голова из двух остаточных MLP-блоков регрессирует непрерывный фрагмент действий по токенам действий; числовой вектор состояния в этой версии напрямую в голову не подаётся. Модель предназначена для управления роботом в задачах симулятора LIBERO. В карточке приведены результаты оценки на четырёх наборах LIBERO для промежуточных шагов обучения; опубликован только чекпойнт шага 50 000, а исходные логи эпизодов отсутствуют, поэтому результаты нельзя независимо восстановить по репозиторию. Для оценки важны согласованные статистики датасета, нормализация, порядок камер, формат действий и горизонт исполнения. Проверка на реальном роботе и перенос на другие конфигурации роботов не описаны. Лицензия в предоставленных сведениях не указана.

JOWnr/sd-class-butterflies-32 — диффузионная модель из учебного курса по diffusion-моделям, предназначенная для безусловной генерации изображений милых бабочек. Она использует DDPMPipeline из библиотеки Diffusers и распространяется в формате Safetensors. Модель создаёт изображение без текстового запроса или другого условия. Лицензия — MIT. Модель подходит для учебных демонстраций и генерации небольших изображений бабочек. В карточке не приведены сведения о размере модели, разрешении изображений или поддерживаемых языках. Специализация на одном классе объектов ограничивает её применимость за пределами изображений бабочек.

SmolVLA Dusty — модель управления роботом, разработанная IDEAS-Lab-Northwestern на базе lerobot/smolvla_base и дообученная для базовой задачи dusty из бенчмарка ManiGuard в симуляции с Franka Panda. Она принимает изображения с обзорной и установленной на запястье камер, состояние суставов и при необходимости языковую инструкцию, а выдаёт непрерывные целевые значения суставов и захвата. Модель рассчитана на управление манипулятором: состояние и действия Franka Panda имеют 8 измерений и дополняются до 32, команды выдаются блоками по 50 шагов. Архитектура сочетает визуально-языковую основу SmolVLM2 и эксперт действий с flow matching. При дообучении визуальный энкодер был заморожен, обучался эксперт действий без LoRA. Данные взяты из датасета datagen-dusty-v1-joint-5cam, подготовленного для этой версии к двухкамерному формату. Весовые файлы представлены в safetensors; лицензия — Apache-2.0. Модель специализирована на конкретной задаче dusty и конфигурации Franka Panda с двумя камерами и контроллером суставов. Карточка не подтверждает переносимость на другие роботы, задачи или сенсорные конфигурации; для оценки требуется совместимая среда LeRobot и соответствующий контроллер.

SmolVLA Lid — модель управления роботом, разработанная IDEAS-Lab-Northwestern на основе lerobot/smolvla_base и дообученная для задачи ManiGuard lid в симуляции с роботом Franka Panda. Она принимает изображения с двух камер и состояние суставов; архитектура использует визуально-языковой backbone SmolVLM2 и эксперт действий на основе flow matching. Модель выдаёт последовательности из 50 целевых значений суставов для 7 суставов руки и захвата; состояние и действия размерности 8 дополняются до 32 измерений для формата SmolVLA. Модель предназначена для манипуляции крышкой в заданной симуляционной среде. При обучении использовались данные IDEAS-Lab-Northwestern/datagen-lid-v1-joint-5cam, преобразованные в двухкамерный формат; визуальный энкодер был заморожен, обучался эксперт действий без LoRA. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Beeface/smolvla-libero-spatial — модель управления роботом, дообученная разработчиком Beeface на базе lerobot/smolvla_base с помощью LeRobot на бенчмарке LIBERO-Spatial. Она предназначена для выполнения задач пространственной манипуляции в среде LIBERO; карточка приводит результаты для отдельных заданий и показывает, что качество зависит от задачи и числа шагов обучения. Модель содержит 450 млн параметров, включая 100 млн обучаемых параметров action expert, и обучалась 20 000 шагов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. В метаданных указан английский язык.

Это политика управления роботом SO-101, обученная выполнять одну манипуляционную задачу: взять оранжевый прямоугольный блок и положить его в синюю чашку. Модель разработана и опубликована DylanSh; она построена на ACT с визуальным энкодером ResNet-18 и предназначена для запуска через LeRobot. На вход политика принимает потоки с двух RGB-камер разрешением 640×480 и шестимерное состояние суставов, а выдаёт шестимерные команды суставам. Обучение проводилось на 50 успешных эпизодах с реальным роботом, всего 32 481 кадр, в течение 40 000 шагов. Модель рассчитана на ту же калибровку SO-101, геометрию камер, формулировку задачи, расположение стола и внешний вид объектов, что и при записи демонстраций. Изменение освещения, камер, калибровки, захвата, объектов или рабочего пространства может снизить качество выполнения. Указанная в карточке потеря обучения не является оценкой физической успешности. Датасет в репозитории модели отсутствует. Лицензия в предоставленных данных не указана.

nota-gmbh разработала эту политику SmolVLA для выполнения задачи захвата и перемещения ручки роботом-манипулятором SO-101. Модель дообучена средствами LeRobot на базе lerobot/smolvla_base по датасету nota-gmbh/pick_and_place_pen_so101, включающему 53 эпизода. Указаны 40 000 шагов обучения и формат весов safetensors. Это VLA-модель, предназначенная для управления роботом при выполнении конкретной задачи pick-and-place. Для надёжного вывода ракурс и разрешение камеры должны соответствовать условиям сбора обучающих данных. Обучение на одной задаче и ограниченном числе эпизодов сужает применимость модели к этому сценарию и настройке сбора данных. Лицензия — Apache-2.0.

Модель wdcqc/starcraft-terrain-64x64 — версия Stable Diffusion, дообученная автором на изображениях рельефа StarCraft: Remastered методом DreamBooth. Она предназначена для генерации изометрических тайлов местности по текстовому запросу с подсказкой «isometric starcraft _tileset_ terrain», где tileset задаёт один из наборов: ashworld, badlands, desert, ice, jungle, platform, twilight или installation. Обучение проводилось на изображениях размером 64×64, собранных из 1 808 melee-карт. Для генерации карт проект также включает отдельные VAE-модели AutoencoderTile для наборов местности и руководство генерацией на основе Wave Function Collapse. Репозиторий распространяется в формате Diffusers/PyTorch и использует лицензию CreativeML OpenRAIL-M. Карточка описывает специализированную генерацию игрового рельефа; параметры качества и ограничения лицензии следует учитывать при практическом использовании.

StarVLA/StarVLA-Qwen3vl4b-PIv3-RoboDojo — контрольная точка политики StarVLA QwenPI_v3, разработанная для задач управления роботом в симуляторе RoboDojo. Она инициализирована из Qwen/Qwen3-VL-4B-Instruct и дообучена сквозным образом на смеси из 35 задач RoboDojo LeRobot v2.1; веса визуально-языковой модели, её интерфейса и модели действий обучались совместно. Это не отдельный LoRA-адаптер. Модель действий использует 36-слойную архитектуру LayerwiseFM. Политика принимает визуальные и языковые наблюдения вместе с состоянием робота и предсказывает нормализованный блок из 50 действий размерности 14. Для запуска требуется сервер StarVLA с адаптером XPolicyLab, а при оценке — статистика нормализации arx_x5 и выполнение 16 действий до запроса следующего блока. Контрольная точка предназначена для исследовательских экспериментов в симуляции на двуруком роботе ARX X5; результаты для других роботов и реального оборудования не установлены. Лицензия — Apache-2.0.

Это промежуточный чекпойнт StraTA на базе Qwen2.5-1.5B-Instruct, созданный для воспроизведения метода Strategic Trajectory Abstraction на задачах ALFWorld. Модель дообучалась методом обучения с подкреплением; опубликованный чекпойнт соответствует 10-му шагу оптимизатора из 150, а карточка приводит результаты более позднего чекпойнта отдельно. Модель предназначена для генерации текста в агентном сценарии: формировать стратегию и траекторию действий для выполнения задач в ALFWorld. Она содержит 1,5 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Валидация этого шага на 140 задачах ALFWorld valid_seen показала 0,71% успеха — столько же, сколько у базовой модели; показатель не отражает результаты финального шага обучения. Лицензия — Apache-2.0. Это ранний экспериментальный чекпойнт, а не готовая модель для надёжного выполнения задач: качество на опубликованном шаге низкое. Приведённые в карточке результаты финального шага нельзя напрямую переносить на этот чекпойнт; оценка также не проводилась на valid_unseen и зависит от протокола агента.

Eku127/swiftvln-satnav-3b-1ep-f32s4-overlap4-pf-h8-pool-s2-noembed — модель навигации робота по спутниковым изображениям в системе SwiftVLN, разработанная для бенчмарка SatNav. Это полноформатное дообучение Qwen2.5-VL-3B-Instruct с 3,1 млрд параметров на офлайн-траекториях экспертов SatNav-v0.1; архитектура Qwen2.5-VL, формат весов safetensors. Модель принимает визуальную историю: окно из 32 RGB-кадров, включая до восьми равномерно выбранных кадров истории, и предсказывает последовательность из четырёх действий. Для памяти используется усреднённый пулинг кадров с шагом 2. Контекстная длина базовой конфигурации — до 128 000 токенов. Чекпойнт предназначен для экспериментов и оценки в сценарии навигации по спутниковым изображениям с непрерывным состоянием и скользящими окнами, обученными с перекрытием в четыре шага. Карточка рекомендует использовать его с руководством по оценке SwiftVLN и сохранять полное имя репозитория, поскольку конфигурация оценки извлекается из него. Модель ориентирована на английский язык. Лицензия в предоставленных данных не указана.

TBD-VLA — политика Vision-Language-Action для управления роботом, представленная Sung-Wook Lee, Xuhui Kang и Yen-Ling Kuo. Модель основана на визуально-языковой модели Qwen3-VL-2B-Instruct и дообучена для предсказания последовательностей роботизированных действий на наборе LIBERO. Архитектура сочетает визуально-языковое обусловливание, токенизатор непрерывных действий и блочный модуль диффузионного денойзинга. Модель принимает визуальное наблюдение и языковую инструкцию, а выдаёт чанки действий для управления роботом; поддерживаются временные блоки и опциональная компенсация задержки с Real-Time Chunking. В README приведены результаты оценки на задачах LIBERO и LIBERO-Plus, а также время генерации чанка на RTX A40. Модель предназначена для роботизированного выполнения инструкций и оценки политик в среде LIBERO. Она не описана как универсальный чат-ассистент. Доступна под лицензией Apache-2.0. Результаты в README относятся к указанным тестовым наборам и оборудованию; для применения на реальном роботе потребуется адаптация к среде и проверка управления.

TorchWright Doom — E1M1 — это демонстрационная модель от physicsrob, использующая стандартную архитектуру Phi-3 в Transformers для генерации текстового протокола, который кодирует изображение уровня DOOM E1M1. Каждый токен протокола задаёт перемещение курсора или пиксель; отдельные утилиты преобразуют сгенерированный текст в читаемый вид или PNG, не участвуя в инференсе и отрисовке сцены. Модель принимает текстовый промпт и генерирует последовательность токенов через обычный pipeline text-generation в Transformers, без удалённого кода. В репозитории опубликованы варианты кадра 320×200 и 80×50; данный чекпойнт — плотная модель на 26,6 млрд параметров в safetensors, с fp32-весами общим объёмом около 79,97 ГиБ и контекстом 65 536 токенов. Для полного рендера в README указаны 61 440 новых токенов, а пример запуска потребовал GPU класса B200 или несколько GPU и около 39,7 минут на B200. Модель предназначена для воспроизводимого текстового вывода пиксельного кадра конкретного уровня, а не для универсальной генерации изображений или моделирования игрового мира. В README заявлено совпадение цвета в пределах выбранного варианта на уровне 99,9% с эталонным рендерером для описанного запуска. Лицензия в предоставленных данных не указана.

VLADrop-OpenVLA-OFT-LIBERO-extreme-action — исследовательский чекпойнт модели vision-language-action для управления роботом в задачах LIBERO. Он создан в рамках работы «Drop-Then-Recovery: How Redundant Are Vision-Language-Action Models?» на основе OpenVLA-OFT: размер скрытого слоя MLPResNet в блоке предсказания действий сокращён с 4096 до 256, а визуальная и языковая основы оставлены без изменений. После сокращения модель дообучена для восстановления качества: LoRA ранга 32 объединена с весами, обучение проведено в течение 100 тысяч шагов. Модель принимает визуальное наблюдение и текстовое описание задачи и предсказывает действия робота. Чекпойнт предназначен для оценки в бенчмарке LIBERO, включая сценарий libero_spatial. Для восстановления прореженной архитектуры при оценке требуются модифицированные Transformers из проекта VLADrop. Лицензия — MIT.

VLA-JEPA MolmoAct2 BimanualYAM — модель управления роботом, разработанная автором репозитория и дообученная на наборе данных MolmoAct2-BimanualYAM-Dataset. Она предназначена для выполнения двухручных задач в симуляции и принимает изображения с трёх камер: верхней, левой и правой. Модель предсказывает 14 значений действий, соответствующих положениям суставов и захватам робота; при дообучении использовалась незамороженная визуально-языковая основа Qwen3-VL-2B. Модель работает в стеке LeRobot и распространяется в формате safetensors под лицензией Apache-2.0. На контрольном шаге 50 000 ошибка открытого прогноза составила MSE 0,127 и MAE 0,197 на 50 отложенных эпизодах. В закрытой симуляционной оценке задача BimanualYAMPutEverythingInBox-v1 не была решена.

WQT20M-Beta — экспериментальная модель WestQuant Open на базе Transformer с архитектурой Llama и 19,1 млн параметров. Она предназначена для ранжирования квантовых преобразований: по состоянию оптимизации оценивает, какое из допустимых преобразований выглядит наиболее перспективным. Модель также предсказывает оставшуюся стоимость оптимизации; выполнение преобразований и независимая проверка результата остаются за детерминированными движками. Это proof-of-concept и базовый ориентир для исследователей, работающих над моделями оптимизации квантовых компиляторов. README сообщает о 73% точности выбора лучшего действия при ранжировании через предсказание стоимости и средней ошибке предсказания около 8. Обучение проводилось на синтетических данных; контекст составляет 2048 токенов. Модель принимает текстовое представление состояния оптимизации и выдаёт текстовые оценки или ранжирование кандидатов. Она не исполняет квантовые преобразования. Указана лицензия Apache-2.0; качество на реальных данных с квантовых процессоров не заявлено.

zombyi-12b — экспериментальная плотная языковая модель семейства Llama, опубликованная reallad. Это слияние предварительно обученных моделей reallad/llamayialpaca и reallad/lesslobollama2 методом passthrough через mergekit; в конфигурации указана reallad/llamayialpaca как базовая модель и источник токенизатора. Модель содержит 11,3 млрд параметров, использует архитектуру LlamaForCausalLM, веса доступны в формате safetensors, контекст — 4096 токенов. Модель предназначена для генерации текста, однако автор характеризует результат как способный выдавать связные слова лишь иногда. В README также отмечена устойчивость к дальнейшему дообучению с QLoRA; автор не стал проводить полное дообучение из-за требуемых вычислительных ресурсов. Поэтому модель подходит скорее для экспериментов со слиянием моделей, чем для надёжного прикладного использования. Лицензия в предоставленных данных не указана.

Histochemichael/act-so101-rack-centered-approach-2cam-25 — экспериментальная политика ACT для роботизированного манипулятора SO101, обученная автором репозитория локально с помощью LeRobot. Модель принимает два вида с камер и состояние по шести суставным позициям, а выдаёт действия управления роботом. Она предназначена для подхода к ручке стойки из центрированного отведённого положения: раскрывает захват, приближается к ручке и удерживает выравнивание. Обучение завершено на 25 000 шагах; лучшая контрольная точка по проверочной выборке — шаг 24 000. Политика рассчитана на номинальную частоту 15 Гц: предсказывает блок из 30 действий и использует по три действия за вызов. Данные включают 20 обучающих эпизодов и 5 проверочных; отдельного тестового набора нет. Политика не обучена подъёму или вставке предмета. Ошибки на проверочных данных не являются показателем успешности физического захвата. Лицензия в предоставленных данных не описана.

AgentFEM T4 Modal Neural State-Space — модель на PyTorch для прогнозирования переходных перемещений в семействе демпфированных консольных конструкций. Она предназначена для исправленного бенчмарка структурной динамики AgentFEM T4 и принимает геометрические и физические параметры конструкции, коэффициент демпфирования, амплитуду нагрузки, первые четыре модальные частоты и историю нагрузки с шагом времени. Модель сочетает POD-представление конечно-элементного поля и нейронный модуль, который оценивает геометрически зависимое участие четырёх устойчивых модальных осцилляторов. Динамика, затухание, масштабирование нагрузки и массы, причинность и рекуррентное обновление состояния заданы явно. На выходе — временной ряд двухкомпонентных перемещений в 245 узлах; его также можно считывать в пяти виртуальных датчиках T4. Для трёх опубликованных когорт ошибка полного поля составляет 0,68–1,43% по относительной норме L2. Модель является ограниченным суррогатом для заявленного семейства линейных консольных конструкций, а не универсальной моделью структурной динамики. Для прогноза требуются первые четыре модальные частоты; обучение допускается на данных T4 схемы 1.1.0 или новее с соответствующей отметкой целостности. Лицензия Apache-2.0.

Alpamayo-R1-10B-DFlash — вспомогательная черновая модель, разработанная z-lab для ускорения вывода Alpamayo 1 (R1) в системе FlashDrive при автономном вождении. Она не является самостоятельной языковой моделью: FlashDrive автоматически подключает её к базовой модели z-lab/Alpamayo-R1-10B. Модель предлагает блоки из нескольких токенов параллельно, чтобы ускорить цепочку причинно-следственных рассуждений базовой модели; Alpamayo проверяет каждый блок за один проход, сохраняя своё распределение выходов. Архитектура — компактная двухслойная сеть в стиле Qwen3 с размером блока 8, обученная на скрытых состояниях слоёв базовой модели 24, 30, 31, 32 и 34. Репозиторий также содержит обученный эмбеддинг маски; указанный размер модели — 1 млрд параметров, контекст — 40 960 токенов. Модель предназначена для ускорения инференса модели vision-language-action в сценариях автономного вождения. Использование требует базового чекпойнта и FlashDrive; загрузка этого репозитория как самостоятельной модели не предусмотрена. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория.

box-cedir-hidden-guidance-control — модель управления роботами, обученная с использованием LeRobot. Метаданные относят её к задачам робототехники и указывают формат весов safetensors. Подробности о поддерживаемых роботах, входных данных, выходных действиях и сценариях применения не приведены.

Crowd-v1 — экспериментальная языковая модель CrowdGPT с архитектурой Transformer и примерно 1 млрд параметров. Выпуск содержит детерминированно инициализированные, но не предобученные веса: до обучения модель не обладает полезными языковыми знаниями и не должна генерировать связный текст. Модель предназначена для распределённого обучения через инфраструктуру CrowdGPT, экспериментов с совместным обучением языковых моделей, воспроизводимой инициализации и разработки совместимых клиентов. Архитектура использует причинное внимание, GQA с 16 головами запросов и 4 головами ключей и значений, RoPE, SwiGLU и общие веса токенизатора и языковой головы. Максимальная длина последовательности — 2048 токенов; используется совместимый с Qwen3 словарь из 151 669 токенов. В репозитории представлены плоские бинарные веса BF16 и FP32, рассчитанные на клиент CrowdGPT. Модель не предназначена для готовой генерации текста до завершения обучения. Лицензия — MIT.

Это контрольная политика Diffusion Policy от Bigenlight для задачи «положить правый банан в горшок» манипулятором Universal Robots UR7e. Модель обучена имитационным обучением на 51 успешной демонстрации из набора Bigenlight/banana_in_pot_lerobot_v3 и предназначена для исследовательских экспериментов с визуальным управлением роботом и манипуляцией объектами. Архитектура включает отдельный для каждой камеры визуальный энкодер ResNet18 с предобучением ImageNet и SpatialSoftmax, а также условный 1D-свёрточный UNet-денойзер с процессом DDPM. На вход поступают изображения с двух RGB-камер и состояние суставов; политика выдаёт последовательности целевых значений для шести суставов и команды захвата. Данные снимались в 720p при 30 кадрах/с, но на вход сети изображения уменьшаются до 360×640. Язык не применим. Модель специализирована для одной сцены и одного действия. На отложенных эпизодах сообщается open-loop MAE около 0,085 радиан, но закрытая оценка успешности на реальном роботе не проводилась. Ограниченный набор успешных демонстраций не обеспечивает надёжной работы при новых раскладках объектов, освещении или положении камер; использование требует проверки безопасности управления реальным манипулятором. Лицензия — Apache-2.0.

fold-cedir-hidden-guidance-control — модель для робототехники, обученная с использованием LeRobot. В метаданных Hugging Face для неё указан тег задачи robotics, библиотека LeRobot и формат весов safetensors. По доступной карточке нельзя установить конкретные робототехнические задачи, архитектуру, размер модели, входные данные или условия лицензии. Название может указывать на управление, однако карточка этого не подтверждает.

pseudolab/GR00T-N1.7-3B-OMX-PickupDolls — VLA-политика, дообученная на базе NVIDIA GR00T N1.7-3B для манипулятора Open Manipulator-X с пятью степенями свободы и захватом. Модель предназначена для задачи, в которой робот визуально находит куклу, поднимает её и перемещает по текстовой инструкции. Для обучения использованы 75 исходных телеперемещаемых демонстраций и 450 дополненных эпизодов с вариациями фона, освещения и цветов, созданными Cosmos-Transfer2.5. Обучалась DiT-голова действий при замороженной базовой модели; на выходе — чанки из 16 управляющих шагов: относительные положения суставов и абсолютное значение захвата. На оценке с изменённым внешним видом авторы сообщают улучшение MSE на 36% по сравнению с обучением только на исходных демонстрациях. Для запуска нужны наблюдение с видеокамерой, состоянием руки и захвата, а также инструкция, совпадающая с обучающими формулировками; README указывает на использование Isaac-GR00T и CUDA. Лицензия — Apache-2.0. Оценки приведены для open-loop предсказания и не гарантируют успешность замкнутого управления на реальном роботе; обучающая выборка невелика и ориентирована на конкретный манипулятор и задачу.

LaaM (Linux as a Model) — экспериментальная модель, созданная Майком Боммаром для демонстрации того, как простой трансформер может запоминать и воспроизводить исходный код Linux версии 1.0. Репозиторий описывает обучение на коде ядра под лицензией GPL-2.0 и связывает пример с обсуждением прозрачности и лицензирования обучающих данных. По метаданным это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 23,3 млн параметров и контекстом 1024 токена. Модель предназначена для генерации текста, в частности для воспроизведения фрагментов запомненного исходного кода Linux 1.0. README упоминает пример отдельной 5-миллионной модели, поэтому его характеристики не следует переносить на этот вариант. Модель опубликована в формате safetensors под лицензией MIT; исходный код Linux, использованный для обучения, описан как лицензированный GPL-2.0.

Модель pravsels/molmoact2_busybox_push_green_button — полно-компонентное дообучение MolmoAct2, подготовленное pravsels для управления роботом SO101 по данным сценария busybox_push_green_button. Она предназначена для выполнения конкретной языковой задачи манипуляции: нажать зелёную кнопку на устройстве BusyBox. В качестве начального чекпойнта использована allenai/MolmoAct2, обучение выполнено в режиме full fine-tuning; основной чекпойнт соответствует шагу 30 000, также доступны промежуточные версии. Модель относится к vision-language-action классу: базовая MolmoAct2 принимает визуальные наблюдения и языковые инструкции, а для данного дообучения предполагается выдача управляющих действий робота. Репозиторий использует библиотеку LeRobot и формат safetensors. Для применения нужен совместимый стек MolmoAct2/LeRobot и робот SO101 с подходящей конфигурацией. Данные не описывают контекстную длину или поддерживаемые естественные языки. Лицензия в предоставленных источниках не указана.