II.2Создание и понимание программного кода

DeveshDelhi/Huggy — обученный агент PPO, созданный с помощью библиотеки Unity ML-Agents для игры Huggy. Модель предназначена для управления игровым агентом в среде Huggy и может использоваться для наблюдения за его игрой или продолжения обучения с помощью ML-Agents. В репозитории есть модель в формате ONNX. Карточка не сообщает размер модели, длину контекста или поддерживаемые естественные языки; текстовый ввод и вывод не описаны. Лицензия в предоставленных данных не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy в среде Unity ML-Agents. Модель предназначена для запуска агента в этой игровой среде и продолжения его обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. Карточка не сообщает размер модели, число параметров, поддерживаемые естественные языки или лицензию. Применение модели ограничено средой Huggy и совместимым запуском через ML-Agents.

HyperNix.3.1-mini — небольшая языковая модель Compactbot, созданная как продолжение предобучения ray0rf1re/HyperNix.3-mini. Это базовый чекпойнт, не прошедший SFT, предназначенный для генерации и продолжения текста, а также экспериментов с малыми языковыми моделями. Модель содержит около 48,7 млн параметров, использует архитектуру hypernix0x-v2 с 8 слоями, размерностью 512 и связанными эмбеддингами. Продолжение обучения выполнено на дополнительных веб-текстах с контекстом 512 токенов и исходным токенизатором BPE на 32 тыс. токенов. Карточка демонстрирует, что связная генерация быстро ухудшается и переходит в бессвязный текст, поэтому чекпойнт имеет ограниченное практическое качество. Для загрузки требуется библиотека hypernix (BrewerModel), а не Transformers. Лицензия — Apache-2.0.

in2IN — диффузионная модель генерации движений и взаимодействий двух людей по тексту, представленная автором репозитория pabloruizponce. На вход она принимает описание общего взаимодействия и отдельные описания действий каждого участника. Модель предназначена для создания разнообразных межличностных движений и учитывает как согласованность взаимодействия, так и индивидуальные действия людей. Модель ориентирована на сценарии робототехники, игр, анимации и метавселенных. В README заявлено, что она достигла результатов уровня state of the art на датасете InterHuman. Для повышения разнообразия движений авторы также описывают DualMDM — композиционный метод, объединяющий in2IN с одно-personным априорным движением, предварительно обученным на HumanML3D. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. Условия лицензирования в предоставленных данных не описаны.

Карточка модели InternRobotics/InternVLA-M1-LIBERO-Goal на Hugging Face совпадает с карточкой InternRobotics/InternVLA-M1-LIBERO-Object, поэтому описание составлено по ней. InternRobotics разработала InternVLA-M1-LIBERO-Object — PyTorch-модель в рамках открытого сквозного фреймворка InternVLA-M1 для политик управления роботами. Это vision-language-action модель: она предназначена для сценариев, где робот использует визуальную и языковую информацию для выбора действий. Карточка относит модель к робототехнике и описывает фреймворк как предназначенный для создания и исследования универсальных роботизированных политик. Репозиторий помечен лицензией CC BY-NC-SA 4.0, которая предусматривает указание авторства, распространение производных материалов на тех же условиях и ограничения на коммерческое использование. В доступной карточке не приведены конкретные задачи LIBERO, поддерживаемые языки, размер модели или параметры контекста.

InternVLA-M1-Pretrain-RT-1-Bridge — контрольная точка фреймворка InternVLA-M1 с открытым исходным кодом для сквозного управления роботами на основе зрения, языка и действий. Разработчики обучали контрольные точки в этом репозитории на наборах данных RT-1 и Bridge. Модель предназначена для создания и исследования универсальных роботизированных политик. Она принимает зрительные и языковые входы и формирует действия для робота. В метаданных указан формат PyTorch и лицензия Creative Commons Attribution-NonCommercial-ShareAlike 4.0; коммерческое использование не разрешено условиями этой лицензии.

Это тестовая модель-заглушка Concedo для эмулятора API KoboldAI, работающего через llama.cpp и предназначенного для совместимости с официальным клиентом KoboldAI. Она нужна для проверки работы API и не предназначена для загрузки или прямого использования как языковая модель. В метаданных указаны архитектура OPT, задача генерации текста и контекст 2048 токенов, однако заявленный размер — всего 201,3 тыс. параметров, поэтому модель следует рассматривать именно как заглушку. Лицензия обозначена как other, конкретные условия в доступных данных не раскрыты.

LingBot-VA — авторегрессионная политика для управления роботами, построенная на стеке видеодиффузии Wan2.2. Модель обучена и опубликована с помощью LeRobot; этот чекпойнт дообучен на основе robbyant/lingbot-va-posttrain-robotwin и предназначен для задач RobotWin. Лицензия — Apache-2.0. Модель принимает изображения с головной, левой и правой камер размером 256 × 256 и совместно предсказывает будущие видеолатенты и действия робота в одной последовательности. Она возвращает вектор действия размерности 16 и использует наблюдаемые ключевые кадры в KV-кэше для замкнутого цикла моделирования мира и управления. Для запуска через LeRobot нужны робот и камеры, соответствующие ключам наблюдений модели. В карточке нет результатов оценки качества, поэтому эффективность на конкретном роботе и задачах не подтверждена.

littlerock-1M — базовая авторегрессионная языковая модель opencerebral, обученная с нуля без дообучения. Это плотная decoder-only модель семейства Llama с 1 002 720 параметрами, шестью слоями и словарём из 4 096 токенов. Для работы используется Transformers и формат safetensors; контекст составляет 512 токенов. Модель обучалась на 5 млрд токенов из FineWeb-Edu и DCLM-baseline. Она предсказывает следующий токен и предназначена прежде всего для экспериментов с обучением и возможностями языковых моделей очень малого размера, а также для генерации продолжений текста. Это базовая модель без настройки на инструкции и выравнивания: у неё ограничены знания о мире, а связный текст часто содержит фактические ошибки. Лицензия — Apache-2.0.

aladar/llama-2-tiny-random-GGUF — небольшая версия модели семейства Llama 2 в формате GGUF с весами f16, опубликованная пользователем aladar. Модель предназначена для генерации текста на английском языке и запуска через инструменты, поддерживающие формат GGUF. Это случайная тестовая модель на базе Llama 2, поэтому она подходит для проверки загрузки, совместимости и интеграции GGUF-моделей, а также для экспериментов с инференсом. Из-за случайных весов её нельзя рассматривать как качественную языковую модель для прикладной генерации текста. Модель распространяется по лицензии MIT.

yujiepan/llama-3.2-tiny-random — экспериментальная компактная причинная языковая модель, созданная на основе конфигурации Meta Llama 3.2 3B Instruct, но со случайной инициализацией весов и существенно уменьшенными размерами. Модель содержит около 1 млн параметров, использует архитектуру Llama с двумя скрытыми слоями, размером скрытого представления 8 и двумя attention-головами; для работы предназначена библиотека Transformers. Заявленная длина контекста составляет 131 072 токена. Модель предназначена прежде всего для отладки, тестирования загрузки и генерации, проверки совместимости кода и экспериментов с конфигурацией небольших causal language models. Она поддерживает pipeline text-generation и может запускаться на CPU, однако случайно инициализированные веса означают, что модель не обучена полезным языковым закономерностям и не предназначена для прикладной генерации текста, диалогов или извлечения знаний. Лицензия в предоставленных данных не указана.

patrickvonplaten/longformer-random-tiny — очень маленькая модель Longformer, опубликованная пользователем Hugging Face patrickvonplaten. Карточка модели отсутствует; метаданные и пример использования на Hugging Face указывают задачу извлечения признаков (feature extraction) через Transformers. Это модель архитектуры Longformer с классом LongformerModel, предназначенная для получения представлений входного текста. В репозитории доступны веса PyTorch, Safetensors и TensorFlow; указанный размер — около 2,1 тыс. параметров, контекст — 64 токена. Название random-tiny и случайная инициализация, отражённая в названии, указывают на тестовое назначение: это не обученный для качественных прикладных результатов чекпойнт. Язык, специализированная область и лицензия по доступным сведениям не установлены. Модель можно рассматривать как компактный тестовый артефакт для проверки загрузки или интеграции Longformer; качество семантических представлений для практического применения не подтверждено.

Marionette — исследовательская система для моделирования интерактивного игрового мира и генерации видео по управлению позой. В репозитории опубликованы веса двух этапов: динамики, состоящие из ActionGPT и PoseGPT, и модели наблюдения — условного видеодиффузионного трансформера. Промежуточный мост преобразования состояния мира в управление позой не имеет обучаемых параметров. Модель наблюдения дообучена на базе alibaba-pai/Wan2.2-Fun-5B-Control; веса сохранены в формате Safetensors. Динамика предсказывает действия и артикулированное состояние размерностью 276 на частоте 20 кадров в секунду. Система предназначена для пошагового продолжения игровых сцен: по начальному состоянию и управляющим сигналам она моделирует движения персонажей, а затем рендерит RGB-видео. Опубликованный вариант лучше всего работает с одной конфигурацией, включающей один вид монстра, одну стадию и один класс оружия. Указанные параметры генерации видео — разрешение 704×1280, чанки по 81 кадру и частота 30 кадров в секунду. Это не автономный видеогенератор: модели наблюдения необходимы VAE и текстовый энкодер umT5-xxl из стороннего базового релиза. Работа зависит от соответствия формата подсказок контрольной точке; последовательные чанки могут накапливать ошибки внешнего вида, а для новых игровых ландшафтов нужна отдельная карта высот. Веса представлены как исследовательский артефакт. Лицензия указана как other, конкретные условия использования в карточке не приведены.

Edgerunners/meta-llama-3-8b-instruct-hf-ortho-baukit-34fail-3000total-bf16 — исследовательская модификация Meta Llama 3 8B Instruct, созданная с помощью реализации wassname (обновлённый baukit) для изучения теорий выравнивания из Alignment Forum. Модель предназначена для экспериментов с поведением отказов: в описанных автором ortho-тестах она выдала 34 отказа на 3000 проверок. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, контекстом до 8192 токенов и поддержкой чата. Она принимает текстовые запросы и генерирует текст; опубликованные веса представлены в формате safetensors с точностью bf16. Результаты тестов автор характеризует как требующие дополнительного сравнения и проверки. Модель не предназначена для обычного прикладного использования: автор позиционирует её исключительно для исследований выравнивания и экспериментов. Лицензия — CC BY-NC 4.0; поставляется без гарантий.

yujiepan/minicpm5-tiny-random — экспериментальная миниатюрная модель для генерации текста, созданная сообществом yujiepan на основе конфигурации openbmb/MiniCPM5-1B. Модель случайно инициализирована и предназначена прежде всего для отладки, тестирования архитектуры и проверки совместимости кода, а не для получения содержательных ответов. Модель использует архитектуру LlamaForCausalLM с двумя decoder-слоями, уменьшенными размерностями скрытого состояния и примерно 2,1 млн параметров. Она работает через библиотеку Transformers, поддерживает задачу text-generation и имеет заявленную длину контекста 131072 токена. README не содержит сведений о поддерживаемых естественных языках и лицензии. Главное преимущество модели — очень малый размер и удобство для быстрых экспериментов, отладки пайплайнов и проверки загрузки моделей. Из-за случайной инициализации она не обладает полезными выученными знаниями и не подходит для продуктивной генерации текста, диалогов, суммаризации или других прикладных задач.

Mini-K3-1H-decay-g16-v2_B — текстовая предобученная модель семейства Mini-K3, опубликованная в репозитории nkkbr. Это экспериментальный чекпойнт для сравнения архитектурных вариантов Kimi-K3, а не готовый диалоговый помощник. Модель использует архитектуру MoE с чередованием слоёв KDA и Gated MLA, блоками Attention Residuals и 64 экспертами; в каждом токене активируется около 352 млн параметров. Метаданные указывают 385,9 млн параметров, а README — около 1,015 млрд логических параметров; эти значения относятся к разным способам подсчёта MoE-модели. Контекст модели — 131 072 токена по метаданным, тогда как обучение проводилось на последовательностях длиной 8 192. Чекпойнт BF16 обучен на 16 млрд целевых токенов; оптимизатор и результаты оценки на последующих задачах не опубликованы. Модель предназначена для исследований предобучения и сравнения архитектур, её способность выполнять прикладные задачи не подтверждена. README не сообщает лицензию репозитория; исходные наборы данных имеют собственные условия использования.

malaiwah/minimax-m2-tiny-random-bf16 — небольшой эталонный случайный чекпойнт семейства MiniMax M2, созданный пользователем malaiwah для обучения, отладки и воспроизводимости рабочих процессов QFS. Это не копия обученной производственной модели и не содержит унаследованных от неё весов или данных обучения. Модель предназначена для генерации текста через pipeline text-generation и реализует причинную языковую модель с архитектурой sigmoid/top-k MoE, коррекцией маршрутизации, RMSNorm для Q/K и частичным RoPE. В метаданных указаны 24,8 тыс. параметров, контекст до 256 токенов, библиотека Transformers и CPU-ориентированный сценарий использования. В README также отмечены независимый байтовый токенизатор на 272 токена, отсутствие визуальных параметров и отсутствие MTP. Чекпойнт удобен для проверки загрузки тензоров, адаптеров моделей, декодеров хранилища, захвата скрытых состояний, воспроизводимости и регрессионного тестирования на небольших синтетических наборах. Сгенерированный текст не обладает полезным семантическим качеством, поэтому модель не подходит для ассистентов, оценки качества языка, прикладного инференса или сравнения производительности. Лицензия указана как other с условиями minimax-upstream-terms.

zhoumiaosen/minimind-64m-pretrain — компактная плотная языковая модель MiniMind, самостоятельно обученная с нуля за одну эпоху на китайском наборе данных с одной потребительской видеокартой. В репозитории она представлена в совместимой с Transformers архитектуре Qwen3ForCausalLM; предварительно обученные веса Qwen3 не использовались. Модель содержит 63,9 млн параметров, имеет 8 слоёв и размер скрытого представления 768. Для работы используется библиотека Transformers, веса сохранены в формате safetensors, нативное окно контекста — 32 768 токенов. Это базовый чекпойнт для продолжения текста, изучения предобучения небольших моделей и последующего дообучения под надзором. Модель не проходила настройку инструкциями, оптимизацию предпочтений или выравнивание, поэтому не предназначена для надёжного диалога и ответов на вопросы. В двух приведённых проверках продолжения оказались пустым и повторяющим запятые; оценок на отложенной выборке и стандартизированных бенчмарках нет. Возможны бессвязные, повторяющиеся, фактически неверные, предвзятые или неподходящие ответы; качество на длинном контексте и мультиязычные возможности не проверены. Модель выпущена под лицензией Apache-2.0.

MIRAI — языковая модель на 1,08 млрд параметров, разработанная как исследовательский инструмент для интерпретируемости. Это плотная архитектура Mirai5 с 10 слоями и шириной 1536. Вместо обучаемого внимания по времени она использует банк из 129 фиксированных спектральных фильтров; авторы заявляют, что вклад каждого слоя в residual stream точно раскладывается по именованным компонентам. Репозиторий содержит базовый и дообученный для инструкций чекпойнты, код обучения и инструменты анализа. Модель предназначена для изучения внутренних вычислений языковых моделей и проверки того, насколько наблюдаемые вклады компонентов связаны с их причинной важностью. Она генерирует текст на английском языке, но сильно недообучена: обучение остановили из-за ограничений бюджета при продолжающемся снижении функции потерь. Поэтому ожидаются слабые знания о мире, короткая связность, повторы и отклонение от темы при длинной генерации. Контекстное окно составляет 256 токенов. Модель не проходила настройку безопасности, выравнивание или фильтрацию контента. Лицензия — Apache-2.0.

arcee-ai/mistral-sliced — экспериментальный срез базовой модели mistralai/Mistral-7B-v0.1, созданный с помощью mergekit. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM и 785,4 млн параметров; конфигурация README использует слои 0–3 и метод passthrough. Модель предназначена для тестирования и не рассчитана на связную генерацию текста. Модель принимает текст и выдаёт текст. Метаданные указывают контекст до 32 768 токенов, однако качество генерации ограничено усечённой структурой. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0.

Это экспериментальная версия NaVILA, адаптированная для SatNav — платформы навигации по спутниковым картам с непрерывным состоянием. Модель разработана для использования в интеграции SatNav NaVILA и основана на контрольной точке a8cheng/navila-llama3-8b-8f. Она принимает текстовую инструкцию и восемь RGB-кадров наблюдений, после чего предсказывает компактное действие: остановиться, двигаться вперёд, повернуть налево или направо. Модель дообучена всеми параметрами в течение одной эпохи на офлайн-траекториях SatNav-v0.1. Архитектура относится к LlavaLlama; файлы весов представлены в формате Safetensors. Карточка указывает лицензию Llama 3. Модель предназначена для навигационных экспериментов и работы через интеграцию SatNav; результаты зависят от совместимого окружения и формата наблюдений и действий.

opd-teacher-Q2.5I-FractionalProgramming-step149 — языковая модель Qwen2.5-1.5B-Instruct, дообученная David Heineman с помощью GRPO и RLVE на среде FractionalProgramming с нулевым уровнем сложности. Это финальный чекпойнт после 150 обновлений, подготовленный для эксперимента по on-policy дистилляции с 32 средами. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 1,5 млрд параметров и принимает текстовые запросы для генерации текста; заявленная длина контекста — 32 768 токенов. Карточка указывает английский язык, а метаданные — поддержку диалогового режима и интерфейса вызова инструментов. Модель предназначена прежде всего для экспериментов с обучением и дистилляцией на задачах среды FractionalProgramming. Она унаследовала основу Qwen2.5-1.5B-Instruct и распространяется в формате safetensors; используется лицензия Apache-2.0, включающая исходную лицензию Qwen. Карточка не приводит результатов оценки качества, поэтому она не подтверждает пригодность чекпойнта для широкого практического применения.

OpenWAM-Alpha-Sim-RoboTwin-Clean2Random — робототехническая модель OpenWAM, дообученная для сценария Clean2Random из RoboTwin 2.0. Она построена на видеобэкбоне Wan2.2-TI2V-5B с родным энкодером Wan-VAE и использует архитектуру Dual-System Joint Self-Attention с маской взаимного внимания. Предварительное обучение проводилось на 518,5 млн кадров, около 6 400 часов данных: 70% робототехнических данных, включая реальные и симуляционные, и 30% видео от первого лица с участием людей. Модель предназначена для робототехнических задач в симуляции, в частности для проверки поведения при переносе из чистых обучающих сцен в сцены со случайно изменённым окружением. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Pebble-10M-Chat-GGUF — набор конвертированных в GGUF весов чат-модели Basically AI Pebble-10M-Chat, подготовленный @ContextReq. Модель предназначена для генерации текста в формате диалога и экспериментов с компактными языковыми моделями. В ней около 10 млн параметров, гибридная архитектура Mamba2 и attention из 8 слоёв, контекст 512 токенов и словарь размером 2048. Модель дообучена на 250 млн токенов набора smol-smoltalk. В репозитории есть варианты F16, Q8_0 и Q4_K_M. Для запуска требуется специальная модификация llama.cpp с поддержкой архитектуры pebble; обычная upstream-сборка её не загружает. README сообщает о проверке совпадения генерации с независимой реализацией. Модель англоязычная и экспериментального масштаба: ожидается игрушечное качество ответов. Лицензия — Apache-2.0.

Это дообученная модель π₀.₅, опубликованная пользователем helen9975 на Hugging Face. Она предназначена для управления бимануальным роботом по изображениям с трёх камер — верхней, левой и правой — и языковой инструкции; модель выдаёт действия для суставов и захватов. Чекпойнт `main` соответствует 200 000 шагам полного дообучения на наборе MolmoAct2-BimanualYAM-Dataset. Для запуска используется библиотека LeRobot; веса хранятся в формате safetensors. Модель основана на `lerobot/pi05_base` и лицензирована по Apache-2.0. Численные результаты, приведённые для более раннего чекпойнта на 100 000 шагов, получены лишь на двух отложенных эпизодах и не являются полноценным бенчмарком; для версии на 200 000 шагов оценивание ещё не проводилось.

π₀ (Pi0) в реализации LeRobot — базовая vision-language-action-модель компании Physical Intelligence для управления роботами. Модель дообучена на основе Google PaliGemma 3B PT 224 и использует потоковое моделирование с flow matching для генерации непрерывных действий. На вход она принимает изображения с нескольких камер, данные о состоянии робота и необязательную языковую инструкцию, а на выходе формирует действия для управления. Репозиторий предназначен прежде всего для дообучения под конкретного робота и задачу; реализация LeRobot следует исходному коду для совместимости. В метаданных указана лицензия Gemma. Модель служит основой для обучения робототехнических политик, например выполнения манипуляций по инструкции. Для практического применения её нужно адаптировать под задачу; готовое качество управления конкретным роботом из карточки не следует.

lerobot/pi0_libero_base — базовая модель управления роботами, опубликованная в реализации LeRobot. Это дообученная Physical Intelligence модель π₀ (Pi0), относящаяся к архитектуре Vision-Language-Action (VLA) и предназначенная для дальнейшей адаптации под конкретные задачи робота. Модель принимает изображения с нескольких камер, состояние робота и необязательную языковую инструкцию, а выдаёт непрерывные управляющие действия. При обучении используется flow matching. Карточка демонстрирует применение с задачами LIBERO; реализация LeRobot следует исходному коду модели для совместимости. Указанная лицензия — Gemma.

Limbicnation/pixel-art-lora — LoRA-адаптер, разработанный Limbicnation для модели black-forest-labs/FLUX.2-klein-4B. Он предназначен для генерации пиксельных спрайтов персонажей и других игровых ассетов по текстовому описанию, включая рыцарей, монстров, роботов и персонажей в различных стилях. Модель ориентирована на использование в Godot, Unity и других игровых движках, а также поддерживает прозрачный фон. Адаптер работает с текстовыми запросами на английском языке и рекомендуется к применению с фразами pixel art sprite, game asset и transparent background; доступны стилевые модификаторы 16-bit pixel art, 32-bit pixel art и chibi. Заявленный формат результата — RGBA 512×512, генерация выполняется примерно за 4 шага при guidance scale 1.0 и сэмплере Euler. Базовая модель использует архитектуру FLUX.2-klein-4B с текстовым энкодером Qwen3, VAE AutoencoderKLFlux2 и специализированным пайплайном Flux2KleinPipeline. Обучение проводилось с LoRA rank 64, alpha 128, rsLoRA и датасетом из 500 изображений; README также указывает исходный датасет на 1 010 изображений. Сильные стороны модели — быстрая генерация, специализация на игровых пиксельных ассетах, поддержка прозрачного фона и использование заявленных CC0-данных. Ограничения включают зависимость от базовой модели FLUX.2-klein-4B, необходимость Diffusers версии не ниже 0.37.0.dev0 и рекомендованный диапазон силы LoRA 0.85–1.4 в ComfyUI. Лицензия адаптера — Apache-2.0; README заявляет, что обучающие изображения находятся в общественном достоянии и подходят для коммерческого использования.

Это преобразованная для braindecode версия весов PopulationTransformer (PopT), первоначально выпущенных авторами модели и описанных в работе Chau и соавторов (2024). Модель предназначена для получения популяционных представлений по признакам внутричерепных записей iEEG/sEEG: она агрегирует векторы признаков отдельных электродов, например 768-мерные STFT-эмбеддинги BrainBERT, с учётом их анатомических координат. Сырые временные сигналы модель напрямую не кодирует. Архитектура включает линейную проекцию признаков электродов, синусоидальное пространственное позиционное кодирование, CLS-токен и 6-слойный Transformer-энкодер с размером скрытого представления 512 и размером FFN 2048. Выход CLS служит pooled-представлением для последующих задач. Перенесённые веса энкодера сохранены без переобучения; классификационная голова инициализирована случайно и требует обучения или дообучения под конкретную задачу. Для соответствия предобученному пространственному кодированию координаты должны быть в системе Brain Treebank. Веса распространяются в форматах PyTorch и safetensors. Лицензия весов неизвестна: в README указано, что у исходного репозитория нет явной лицензии; авторы предлагают использовать их для исследований с указанием авторства. Лицензия BSD-3-Clause относится к коду braindecode, а не к этим весам.

aarongrainer/ppo-Huggy — обученный агент PPO для игры Huggy, созданный с помощью библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy и может использоваться для просмотра его игры или продолжения обучения через ML-Agents. В репозитории опубликована модель в формате ONNX. Карточка описывает обучение с подкреплением, но не сообщает размер модели, контекст или поддерживаемые естественные языки. Лицензия в предоставленных данных не указана.