II.2Создание и понимание программного кода

MolmoAct2 x SO-101 sim, LoRA champion (v6) — модель управления роботом, созданная ataghof на основе MolmoAct2 от Ai2. Это дообучение с LoRA 5-миллиардной vision-language-action-модели для манипулятора SO-101 в симуляторе MuJoCo: по изображению сцены и заданию модель управляет захватом красного куба и его перемещением к синей цели. Она выдаёт последовательности из 10 шагов с абсолютными целевыми значениями суставов и двоичной командой захвату; веса представлены в safetensors, лицензия Apache-2.0. В README сообщается о 93% успешных захватов на 30 ранее не встречавшихся позициях куба, 30% строгих успешных размещений и 50% размещений в пределах 6 см от цели. Обучение использовало 500 демонстраций эксперта, сгенерированных в симуляторе, с шумом и восстановлением после ошибок; для VLM применялась LoRA, а эксперт действий обучался полностью. Результаты и назначение относятся к конкретной симуляционной задаче, поэтому они не подтверждают надёжность на реальном роботе или для иных манипуляций.

Это исследовательская модель-организм CDS-JB на базе англоязычной OLMo-3-1025-7B от Ai2, дообученная методом RL для изучения неразборчивых цепочек рассуждений и чтения внутренних активаций. Модель решает задачу последовательного сложения 20–30 однозначных слагаемых по модулю 10 и выдаёт итоговую цифру. В ходе обучения она выбрала для промежуточных сумм шифр Виженера с ключом [2,7,1,8,4]: текстовый монитор не восстанавливает ход рассуждений, тогда как линейный probe по остаточному потоку активаций показывает точность 0,78 при случайном уровне 0,10. Модель имеет плотную архитектуру OLMo-3, 6,9 млрд параметров и контекст 65 536 токенов; репозиторий использует формат safetensors и библиотеку Transformers. Она предназначена для экспериментов по интерпретируемости, анализу активаций и оценке методов мониторинга рассуждений, а не для общего диалога или широкого круга арифметических задач. В README указана точность около 0,83 на целевой задаче; результаты зависят от распределения примеров, а способность probe читать активации не означает, что текстовая цепочка понятна монитору. Лицензия — Apache-2.0.

Это экспериментальный текстовый учитель на базе Qwen2.5-1.5B-Instruct, обученный David Heineman с помощью GRPO и RLVE в среде Axis_KCenter на сложности 0. Модель предназначена для эксперимента по on-policy дистилляции с 32 средами, а не для универсального диалогового применения. Чекпойнт соответствует 150-му обновлению обучения. Веса преобразованы из исходного чекпойнта в формат Hugging Face safetensors и проверены на соответствие именам и размерам тензоров базовой модели. Это плотная авторегрессионная архитектура Qwen2 с 1,5 млрд параметров и контекстом 32 768 токенов; метаданные также указывают поддержку чата и интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Язык карточки — английский. Специализация на одной среде и нулевой сложности, а также экспериментальный характер обучения ограничивают перенос результатов на другие задачи; качество и надёжность для общего применения не заявлены. Лицензия — Apache-2.0.

Модель разработана David Heineman как экспериментальная версия Qwen2.5-1.5B-Instruct, обученная с помощью RLVE и GRPO на среде HalvingChainCounting с уровнем сложности 0. Она предназначена для использования в эксперименте по on-policy дистилляции с 32 средами. Это плотная авторегрессионная языковая модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Модель принимает текст и генерирует текст; в метаданных указан английский язык. Веса финального чекпойнта после 150 обновлений конвертированы в формат Hugging Face safetensors. Модель подходит для изучения поведения на задачах цепочного счёта с делением и для экспериментов по дистилляции. Чекпойнт обучался лишь на одной среде и одной сложности, поэтому его пригодность для широких диалоговых и прикладных задач не подтверждена. Распространяется по лицензии Apache 2.0.

opd-teacher-Q2.5I-MafMafia-step149 — компактная языковая модель на архитектуре Qwen2, разработанная David Heineman как учительская модель для эксперимента по on-policy distillation. Она основана на Qwen/Qwen2.5-1.5B-Instruct и дообучена методом GRPO с RLVE в среде MafMafia на нулевом уровне сложности; опубликованный чекпойнт соответствует 150-му обновлению обучения. Модель предназначена для генерации текста и диалоговых ответов в рамках экспериментов по дистилляции с 32 параллельными средами. Она содержит 1,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате Safetensors и сверены с базовой моделью по именам и формам тензоров. Лицензия — Apache-2.0, унаследованная от Qwen. Это специализированный экспериментальный учительский чекпойнт для MafMafia; карточка не приводит сравнительных оценок качества или сведений о результатах за пределами этой среды.

DecentVLA/pi05_cubestack_local3_c0 — модель управления роботом, полученная дообучением lerobot/pi05_base для укладывания кубиков на роботе SO-101. Она обучена на двух вариантах задачи: положить зелёный кубик на оранжевый и оранжевый на зелёный; модель не обучалась работе с синими кубиками и, согласно карточке, должна не справляться с вариантами, включающими синий цвет. Модель принимает изображения с камер у основания и на запястье, состояние робота и языковую инструкцию, а выдаёт действия для управления роботом. Экспортирована в формате LeRobot с переносимым токенизатором и реальными 6-мерными представлениями действий и состояния. Модель создана в рамках исследования федеративного обучения с тремя клиентами и обучена на 10 000 шагах. Репозиторий использует лицензию Apache-2.0.

DecentVLA/pi05_cubestack_local3_c2 — дообученная модель vision-language-action (VLA) семейства pi0.5 для управления роботом SO-101 при укладывании кубиков. Она обучена на 10 000 шагах на двух задачах: Orange_on_Blue и Blue_on_Orange; использует изображения с камер base_0_rgb и left_wrist_0_rgb, состояние робота и выдаёт 6-мерные команды действий. Модель создана в рамках федеративного исследования с тремя клиентами и экспортирована в формате LeRobot с токенизатором и нормализатором для двух репозиториев. Модель подходит для воспроизведения двух указанных цветовых сценариев укладывания кубиков. Она не обучалась на задачах с зелёным кубиком и, согласно карточке, ожидаемо не справляется с четырьмя такими задачами. Репозиторий содержит веса safetensors; лицензия — Apache-2.0.

Это слабая начальная политика для робототехнического управления, подготовленная для исследования ReCap на задаче LIBERO-10 task 8 — «поставить обе мока-кофеварки на плиту». Модель создана на основе Miical/pi05-base и полностью дообучена на 10 официальных демонстрациях задачи в течение 20 эпох, всего за 300 шагов оптимизации. Чекпойнт предназначен для управления роботом по зрительно-языковым входам в указанной задаче. В репозитории веса представлены в формате safetensors; базовый чекпойнт PI0.5 преобразован в PyTorch Diffusers. Модель распространяется по лицензии Apache-2.0. Политика намеренно слабая и служит начальной точкой эксперимента ReCap, поэтому её не следует считать надёжной готовой системой управления. Данные не сообщают о поддержке других задач или условиях эксплуатации.

Это экспериментальный чекпойнт преобразования Qwen3-4B в гибридную архитектуру Mamba-3 и полного внимания, созданный arianraje. Это исходная точка до обучения для дальнейшего выравнивания и дистилляции, а не готовая языковая модель: на этапе инициализации показатель perplexity на Wikitext-2 составляет около 253 000. Модель содержит около 4,74 млрд параметров и использует 27 слоёв Mamba-3 MIMO и 9 сохранённых слоёв полного внимания по шаблону u4. Контекст — до 40 960 токенов; вход и выход — текст. Чекпойнт предназначен для экспериментов с инициализацией гибридных архитектур и измерения начальных характеристик перед обучением. В README указаны английские обучающие данные Wikitext-2 и метрики дистилляции, но поддерживаемые естественные языки явно не перечислены. Лицензия — Apache-2.0. Для загрузки требуется Transformers с trust_remote_code=True; ускоренный вывод зависит от пользовательского Mamba-3 MIMO kernel, а резервная реализация заметно медленнее. В README нет результатов оценки по прикладным задачам или завершённой дистилляции, поэтому качество чекпойнта для обычной генерации текста не подтверждено.

Fly333/sd-class-butterflies-32 — диффузионная модель, опубликованная Fly333 как первая работа в рамках курса по диффузионным моделям. Она предназначена для безусловной генерации изображений милых бабочек: модель создаёт изображение без текстового запроса. Для запуска автор предлагает библиотеку Diffusers и конвейер DDPMPipeline. Модель распространяется в форматах Diffusers и Safetensors по лицензии MIT. В карточке не приведены сведения о размере модели, разрешении изображений или языковой поддержке. Назначение модели узкое, а карточка представляет её как учебную работу.

TurboVLA: LIBERO — конверсия контрольной точки TurboVLA для бенчмарка LIBERO в формате GGUF, подготовленная для запуска через облегчённый движок vla.cpp на базе llama.cpp. Это модель Vision-Language-Action без LLM: DINOv3 ViT-B/16 обрабатывает изображения с двух камер, BERT-base-uncased кодирует языковую инструкцию, а слои слияния признаков связывают зрительную и текстовую информацию. Декодер ACT за один проход выдаёт блок из 12 действий размерности 7 для роботизированной манипуляции. Модель обучена на всех четырёх наборах задач LIBERO: spatial, object, goal и 10. Она принимает два изображения RGB размером 256×256, инструкцию и состояние робота; изображения должны быть повёрнуты на 180°, а текст подаётся в виде непаддированных BERT-токенов. Для известных обучающих инструкций используется сохранённая таблица длины дополнения текста, остальные инструкции дополняются до 21 токена. Репозиторий содержит полный файл GGUF F32 размером 822 МиБ. Конверсия на CPU в F32 близко воспроизводит выход исходной реализации PyTorch; точность других вычислительных режимов отличается, а запуск через NPU/OpenVINO выдаёт некорректные действия. Веса распространяются по лицензии DINOv3, подробности приведены в приложенном файле лицензии.

robotfuel выпустила экспериментальную ACT-политику для манипулятора SO-ARM101, обученную на 16 эпизодах телеуправления. Модель использует реализацию ACT из LeRobot и предназначена для захвата небольшой коробки с ячейки сетки 20×20 и её перемещения на целевую позицию. Для работы политика принимает изображение с одной камеры на запястье и шесть значений положения суставов, а выдаёт абсолютные целевые положения суставов с частотой 10 Гц. В описанном сравнении политика показала надёжный захват в центре рабочего пространства, но её успешность составила лишь 17% в отдельной оценочной сессии; эта оценка получена на отдельно обученной модели с тем же числом телеуправляемых эпизодов, а не на опубликованном чекпойнте. Модель чувствительна к освещению за пределами обученного диапазона и размещению коробки у дальних углов сетки. Она проверена только на одной задаче, одном манипуляторе, одной сцене и одном операторе. Лицензия — Apache-2.0.

alpha-er — языковая модель на 100 млн параметров, разработанная ajaxdavis и обученная с нуля на собственной программно-аппаратной GPU-системе. Это причинная языковая модель с архитектурой AlphaErForCausalLM и условным блоком из 64 экспертов: для каждого токена выбирается один эксперт. Модель генерирует английский текст и подбирает стиль под формулировку запроса. Модель опубликована как исследовательский артефакт для демонстрации GPU-стека, а не как полезный помощник. Она может выдавать связный грамматичный текст, но ненадёжна в вопросах фактов и часто не отвечает по существу. Модель имеет контекст длиной 512 токенов; для генерации требуется дополнить запрос до этой длины и использовать предусмотренную реализацию generate(). Обучение проводилось на корпусе ajaxdavis/alpha-er-corpus, включающем веб-тексты, образовательные материалы и диалоги. Лицензия — CC-BY-SA-4.0. В README указаны отсутствие настройки безопасности и выравнивания, возможные повторы и воспроизведение смещений обучающих данных; авторы не рекомендуют применять модель в развёрнутых системах.

Catgirl Role-Play — дообученная на базе Qwen3.5-2B модель для ролевых диалогов в образе цундэрэ-кошкодевушки Сяо Сюэ. Разработчик объединил supervised fine-tuning и DPO, чтобы сделать персонажа выразительнее и последовательнее. Модель генерирует текстовые ответы и использует маркеры thinking и response для разделения рассуждений и ответа. Модель предназначена для ролевого общения через Transformers или Ollama; в репозитории также описан прокси, который разделяет рассуждения и ответы в API Ollama и OpenAI-совместимом API. Доступны экспорты GGUF Q8_0 и safetensors. В карточке указаны китайский и английский языки; параметры контекста не приведены. Лицензия — MIT. README отмечает, что обработка маркеров thinking и response в стандартном Ollama может работать ненадёжно: поле content иногда оказывается пустым. Для получения ответа без разделения предлагается отключить thinking, а для структурированного вывода — использовать описанный прокси. Модель специализируется на заданной персонажной манере и не заявлена как универсальный ассистент.

Flex-π RoboTwin 2.0 — контрольная модель для управления роботом, разработанная для выполнения всех 50 задач бенчмарка RoboTwin 2.0. Она принимает наблюдения с трёх камер и предсказывает действия робота; поддерживает режим только действий для более дешёвого вывода и совместный режим, который дополнительно предсказывает будущие видео, признаки DINO и карты точек. Оба режима используют одни и те же веса, а между ними переключаются при выводе. Архитектура объединяет видео-DiT Wan2.2-TI2V-5B и ActionDiT с помощью HBridge; всего указано 30 слоёв и 4 шага денойзинга. Модель обучена совместно на демонстрациях для 50 задач RoboTwin 2.0 в чистых и рандомизированных условиях. В статье сообщается средняя успешность 94,6% в обоих режимах вывода. Репозиторий содержит только веса политики; для работы отдельно требуются базовые компоненты Wan2.2 и ActionDiT, а также конфигурация и статистика нормализации из репозитория. Лицензия — MIT. Модель предназначена для роботизированных задач RoboTwin 2.0; заявленные результаты относятся к этому бенчмарку, поэтому их нельзя автоматически переносить на другие роботы, среды или задачи.

Это дообученная версия NVIDIA GR00T-N1.7-3B, созданная автором репозитория nvkartik для управления роботизированной рукой SO-101. Модель обучена на наборе super_chatton: 73 842 кадра из 100 эпизодов, записанных с двух камер — фронтальной и установленной на запястье. Для обучения использовалась библиотека LeRobot; веса опубликованы в формате safetensors. Модель предназначена для преобразования визуальных наблюдений и инструкций в действия робота при манипуляциях. Она выдаёт последовательности действий блоками по 16 шагов и использует относительные действия, кроме управления захватом. Для применения нужны совместимые робот и камеры, а также среда LeRobot. Репозиторий распространяется по лицензии Apache-2.0. Обучение и данные ориентированы на SO-101; перенос на другие воплощения или задачи карточкой не подтверждён.

Карточка модели sdasdddba/Llama-3.2-3B-DareFightingICE-2026-Rushdown на Hugging Face совпадает с карточкой sdasdddba/Llama-3.2-3B-DareFightingICE-2026-Zoning, поэтому описание составлено по ней. 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.

Mists-7B-v01-not-trained — экспериментальная мультимодальная модель HachiML, объединяющая языковую обработку и временные ряды. Она основана на Mistral-7B-Instruct-v0.3 и модели эмбеддингов временных рядов MOMENT-1-large-embedding-v0.1, производной от AutonLab/MOMENT-1-large. В архитектуре указана MistsForConditionalGeneration; репозиторий содержит веса safetensors и библиотека Transformers. Модель предназначена для работы с текстом и временными рядами, однако адаптер не обучен, поэтому модель пока не пригодна для практического использования. Лицензия — Apache-2.0.

Это дообученная модель MolmoAct2 от Ai2 для управления роботом SO101 при выполнении задачи удаления инструмента (tool_removal). Модель основана на чекпойнте allenai/MolmoAct2 и обучена на данных villekuosmanen/armnetbench_tool_removal; опубликован чекпойнт после 25 000 шагов обучения. MolmoAct2 относится к классу vision-language-action моделей: она использует визуальные наблюдения и языковые инструкции для управления действиями робота. Эта версия адаптирована под конкретную задачу и данные SO101. В репозитории указаны веса в формате safetensors и библиотека LeRobot. Модель предназначена для роботизированного выполнения задачи удаления инструмента в соответствующей конфигурации SO101. Карточка не сообщает лицензию, поэтому условия использования следует сверить с базовой моделью и датасетом перед применением.

Компактная языковая модель на архитектуре Llama с 134,5 млн параметров, созданная авторами NLP 2026 полным дообучением SmolLM2-135M-Instruct. Она генерирует последовательность ходов для головоломки «Ханойская башня»: один ход на строку в формате вроде A->C. Модель обучалась имитировать оптимальные траектории, включая демонстрации с 20% искусственно испорченных траекторий. Контекст составляет 8192 токена; поддерживается английский язык. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Модель предназначена для исследований и обучения: изучения влияния шума в демонстрациях, переноса на более длинные решения и использования в качестве SFT-базовой модели для GRPO/GSPO. На задачах с 3–5 дисками доля полностью решённых головоломок на отложенных перестановках составляла 0,60. При переходе с обучающих примеров до 5 дисков на 6 дисков модель выдаёт 31 легальный ход вместо требуемых 63 и не решает головоломку. Это специализированная модель, а не универсальный ассистент.

OpenVLA 7B Fine-Tuned on LIBERO-10 (LIBERO-Long) — модель OpenVLA на 7 млрд параметров, дообученная разработчиками OpenVLA с помощью LoRA на данных LIBERO-10 из симуляционного робототехнического бенчмарка LIBERO. Она предназначена для предсказания действий робота по визуальному наблюдению и текстовой инструкции и применяется для выполнения и оценки манипуляционных задач в симуляторе LIBERO. Архитектура — плотная OpenVLAForActionPrediction; модель принимает изображения и текст и предсказывает действия. Для дообучения использовался LoRA с рангом 32; обучение и тестирование проводились без квантизации. Карточка отсылает к инструкциям по запуску и оценке в репозитории OpenVLA. Модель распространяется по лицензии MIT. Описанное обучение ориентировано на LIBERO-10 (LIBERO-Long), поэтому область её подтверждённого применения — задачи этого симуляционного бенчмарка; перенос на другие среды и реальные роботы карточкой не заявлен.

Это дообученная модель SmolVLA, созданная автором репозитория zwan1003 для управления роботом SO-101 в симуляторе MuJoCo. По изображениям камер, состоянию робота и текстовой инструкции она предсказывает действия для захвата куба и переноса его на указанный слева или справа диск. Цель определяется словами инструкции, а не цветом дисков; модель обучена на наборе zwan1003/pickplace_skills_v3_2 и использует архитектуру vision-language-action с выходом в виде действий робота. На новых стартовых позициях успешность захвата составила 33%, размещения уже удерживаемого куба — 97%, а выполнения всей последовательности — 37%. Модель чувствительна к формулировкам: некоторые близкие синонимы работают, но расплывчатые формулировки, указание цвета и отрицания могут приводить к ошибкам. Работа проверена только в симуляции, в ограниченной рабочей зоне; перенос на физический манипулятор не заявлен. Для воспроизведения результатов требуются согласованные имена камер, настройки физики, статистика нормализации из датасета и фиксация случайного состояния PyTorch. Модель распространяется по лицензии Apache-2.0.

StarVLA QwenFAST Qwen2.5-VL-3B for LIBERO 4-in-1 — контрольная точка на 30 000 шагов обучения, созданная с использованием фреймворка StarVLA QwenFast. Модель дообучена на базе StarVLA/Qwen2.5-VL-3B-Instruct-Action и предназначена для управления роботом в симуляторе LIBERO. Политика получает одно RGB-изображение и авторегрессионно предсказывает токены действий, закодированные токенизатором FAST из непрерывных последовательностей действий. Она обучена на смеси LIBERO Object, Goal, Spatial и LIBERO-10. Числовое состояние робота модель не использует; сведения о длине контекста и лицензии в доступных данных не приведены. Контрольная точка предназначена для исследовательских экспериментов в симуляции. Для неё не опубликованы результаты оценки в LIBERO, проверка на физическом роботе или гарантии безопасности, поэтому качество выполнения задач по этой карточке установить нельзя.

Delta-Vector/Qwen-3-150B — экспериментальная разреженная языковая модель на архитектуре Qwen3 MoE, созданная на основе Qwen/Qwen3-235B-A22B. По карточке, модель получена удалением наименее активных экспертов в каждом слое по результатам калибровки на разнообразных данных; README указывает, что автор планирует дополнительно обучить её на небольшом наборе инструкций, чтобы восстановить качество. Модель предназначена для генерации текста и диалогового взаимодействия. Метаданные указывают 18,2 млрд параметров, контекст до 40 960 токенов, поддержку чата и интерфейса вызова инструментов. В репозитории используются Transformers и формат safetensors. Автор сообщает, что текущая версия непригодна к использованию, поэтому её качество для практических задач не подтверждено. Лицензия — Apache 2.0.

dobri420/smolvla-so101-pick-cube — политика управления роботом на основе SmolVLA, дообученная на телеоперационных демонстрациях для манипулятора SO-101. Модель предназначена для захвата кубика и перемещения его в коробку; она принимает изображения с трёх камер и 6-DoF-состояние суставов, а выдаёт последовательности из 50 действий, каждое с шестью степенями свободы. В README сообщается об успешном захвате в 72 из 81 испытаний на реальном манипуляторе; результат проверен для трёх глубин досягаемости. При обучении использованы первые 340 эпизодов набора dobri420/pick-cube-so101; базовая VLM была заморожена. Модель распространяется в формате safetensors под лицензией Apache-2.0. Результаты относятся к описанной задаче и установке SO-101 и не подтверждают работу в иных средах или для других объектов.

XvKuoMing разработал модель so101_chess_molmoact2 — политику vision-language-action для физического перемещения шахматных фигур манипулятором SO-101. Шахматный движок выбирает ход, а модель выполняет инструкции по перемещению или снятию фигуры с доски. Она дообучена методом LoRA на базе allenai/MolmoAct2-SO100_101 и использует библиотеку LeRobot. На вход подаются текстовая инструкция, изображения с верхней и установленной на запястье RGB-камер, а также шесть углов сочленений робота. Модель выдаёт последовательность управляющих действий. В симуляции MuJoCo она показала 80% успешных перемещений и 68% успешных взятий фигур при настройках поставки; выполнение пяти действий перед повторным планированием повысило успешность взятий до 85%. Модель рассчитана на заданную геометрию доски и камер и обучена только двум семействам инструкций. Модель пока проверена только в симуляции, а её работа на реальном роботе не подтверждена. Она не обучена искать фигуры по типу или цвету и не может поднимать фигуры, лежащие на боку. Лицензия в предоставленных данных не описана.

rprouse разработал tinystories-gpt-51m как учебный проект: компактную языковую модель GPT-2, обученную с нуля на корпусе TinyStories. Модель содержит 51,2 млн параметров, использует архитектуру GPT2LMHeadModel с 8 трансформерными блоками и контекстом 512 токенов. Она предназначена прежде всего для изучения и экспериментов с предварительным обучением языковых моделей. Модель генерирует простые англоязычные детские истории в узком стиле обучающего корпуса. Её можно использовать как небольшой базовый чекпойнт для экспериментов с токенизаторами, формой модели, дистилляцией и интерпретируемостью, а также для демонстраций генерации текста. Она не обучена следовать инструкциям или вести диалог и не подходит для ответов на фактические вопросы и пользовательских производственных сценариев. Модель обучена на синтетических историях, поэтому её знания и словарный запас ограничены простым английским повествованием; возможны повторы и зацикливание фраз. Безопасность отдельно не настраивалась, а генерации требуют проверки человеком. Лицензия — MIT.

TinyTalk — компактный чат-бот на базе GPT-Neo, созданный TheREZOR для коротких дружелюбных бесед на маломощных устройствах, включая ESP32-S3 и портативный Cardputer AI. Модель содержит 8,3 млн параметров и дообучена на простых англоязычных диалогах из SODA и примерах TinyStories-Instruct. Репозиторий содержит веса PyTorch в формате safetensors; для запуска на устройстве автор использует квантизацию Q4_0, позволяющую разместить модель примерно в 2 МБ флеш-памяти. Модель генерирует текст в формате коротких реплик User/Bot и предназначена для офлайн-разговоров, образовательных демонстраций и экспериментов с запуском языковых моделей на микроконтроллерах. Метаданные указывают контекст 2048 токенов, однако README сообщает о значительно меньшем контексте при работе на устройстве. TinyTalk не подходит для ответов, требующих фактических знаний, следования инструкциям, рассуждений или гарантий безопасности. Лицензия — CC BY 4.0.

Alpamayo 1.5 DFlash — вспомогательная draft-модель проекта z-lab для ускорения вывода VLA-модели Alpamayo 1.5 в системе автономного вождения. Она применяется FlashDrive для ускорения рассуждений о причинно-следственных связях в дорожной обстановке и не предназначена для самостоятельного использования: FlashDrive автоматически подключает её к базовой модели z-lab/Alpamayo-1.5-10B. Это плотная двухслойная сеть в стиле Qwen3 с блоковой диффузией: она предлагает блоки из восьми токенов параллельно, опираясь на скрытые состояния базовой модели со слоёв 24, 30, 31, 32 и 34. Целевая модель проверяет блок одним проходом, сохраняя исходное распределение выходов. Репозиторий также содержит обученный embedding маскирующего токена. В метаданных указаны 1 млрд параметров и контекст 40 960 токенов; базовая VLA-модель Alpamayo 1.5 имеет 10 млрд параметров. Модель ускоряет инференс базового чекпойнта в сценариях автономного вождения, но сама не является полноценной языковой или VLA-моделью и без базового чекпойнта и FlashDrive не используется. В карточке указана лицензия other; конкретные условия лицензии здесь не раскрыты.

AutomatosX AX-Qwen3.8-2.4T-A95B-MLX-AXQ-2bit-MTP — экспериментальная 2-битная MLX-упаковка модели Qwen/Qwen3.8-2.4T-A95B-FP8, разработанная для запуска через AX Engine на компьютерах Mac. Это текстогенерационная MoE-модель класса 2,4 трлн параметров с поддержкой английского и китайского языков. Пакет предназначен преимущественно для исследовательских, любительских и демонстрационных сценариев, а не для практического промышленного сервинга. В модели используется гибридная архитектура с 92 слоями attention, скрытым размером 8192, MoE-интермедиатным размером 2048, 512 экспертами и маршрутизацией 10 экспертов на токен. Основные веса, включая экспертов, attention и shared MLP, квантизированы до 2 бит с размером группы 32; embedding и router используют 8 бит, нормы и LM head — BF16. В пакете также присутствует MTP sidecar размером около 27 ГиБ, однако ускорение MTP не заявлено. Контекст модели в README не указан. Главное преимущество пакета — возможность разместить 2,4-триллионную MoE-модель на Mac за счёт потоковой подгрузки экспертных слоёв с SSD. Однако полный объём таблицы весов составляет около 1,13 ТиБ, а каждый токен требует операций SSD-ввода-вывода, поэтому модель крайне медленная и непригодна для практического использования. Качество относительно BF16 или FP8 не измерялось, сертификация AX Engine для этой ревизии не планируется. Для работы требуется экспериментальный режим AX Engine; загрузка как полностью резидентной модели через mlx_lm.load не поддерживается. Распространение выполняется по лицензии Apache-2.0. Пакет имеет статус experimental, not certified и hobby use only; это неподдерживаемый продуктовый артефакт.