II.2Создание и понимание программного кода

MolmoAct2-SO100_101 — открытая модель зрения, языка и действий для управления роботами SO-100 и SO-101, разработанная Allen Institute for AI. Это дообученный на смеси данных SO-100/101 вариант MolmoAct2, построенный на Molmo2-ER: к vision-language модели подключён эксперт непрерывных действий на основе flow matching, связанный с кэшем ключей и значений модели по слоям. Модель принимает визуальные наблюдения с камер и текстовую инструкцию, а также текущее состояние робота, и предсказывает действия в системе координат робота. Она предназначена для выполнения задач на манипуляторах SO-100/101 и дальнейшего дообучения; основной режим вывода — непрерывное предсказание действий. Для запуска нужны метаданные нормализации из norm_stats.json. Работа в float32 требует примерно 24–26 ГБ видеопамяти; bfloat16 позволяет запускать модель менее чем с 16 ГБ в описанных авторами испытаниях. Модель не поддерживает включение depth reasoning в этом чекпойнте. Для дискретного предсказания действий требуется внешний токенизатор действий, которого в репозитории нет. Поведение может меняться в зависимости от робота, среды и конфигурации оборудования, поэтому перед применением на физическом устройстве необходимы проверки и ограничения действий. Лицензия в предоставленных данных не указана.

MolmoAct 7B-D Pretrain RT-1 — модель рассуждения о действиях для роботизированных манипуляций, разработанная Allen Institute for AI. Она объединяет языковую основу Qwen2.5-7B с визуальным энкодером SigLIP2 и обучена на смеси данных MolmoAct, затем дообучена на данных RT-1. Модель предназначена для воспроизведения результатов дообученной версии на SimplerEnv с Google Robot и для задач, связанных с манипуляциями робота.

MolmoMotion-4B-H1-F32 — разработанная Ai2 модель компьютерного зрения и языка на 4 млрд параметров для прогнозирования движения в 3D. По короткой истории RGB-изображений, заданным пользователем точкам на изображении с их 3D-историей и текстовой инструкцией о действии модель предсказывает будущие траектории точек в координатах камеры, в метрах. Это авторегрессионный вариант MolmoMotion с одной исторической точкой наблюдения (H=1) и горизонтом прогноза в 32 шага (F=32). Он подходит, когда доступен только один ключевой кадр с точками. Модель предназначена для исследований прогнозирования движения и как основа для дальнейшего дообучения, например для сценариев роботизированного захвата и перемещения предметов. Модель принимает изображения, текстовую инструкцию и координаты точек с их 3D-историей, а выдаёт прогноз 3D-траекторий. Она построена на архитектуре Molmo2 и доступна в формате safetensors. Лицензия — Apache-2.0. Прогнозы являются оценками модели; перед использованием для управления физическими системами их следует проверять.

NPC Model — языковая модель Gigax для управления неигровыми персонажами в играх. Она дообучена методом LoRA на базе Phi-3-mini-4k-instruct и принимает текстовое описание игровой сцены, после чего генерирует команды навыков персонажа: например, реплику, приветствие или атаку. Можно задавать дополнительные навыки в формате промпта. Модель имеет плотную архитектуру Phi-3 с 3,7 млрд параметров, предназначена для текстовой генерации и диалоговых сценариев на английском языке. Контекст составляет 4096 токенов. Для наилучшей работы требуется строго придерживаться обучающего формата промпта: модель специально переобучена на нём. Веса опубликованы в формате safetensors, лицензия — MIT.

Это чекпойнт OpenVLA-OFT, дообученный для задач LIBERO-Spatial; репозиторий связан с работой «Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success». Модель основана на OpenVLA и использует архитектуру OpenVLAForActionPrediction для предсказания действий по визуальному наблюдению и текстовой инструкции. Модель предназначена для управления роботом в пространственных задачах бенчмарка LIBERO: она генерирует последовательности действий (action chunks) по входным изображениям и инструкциям. В README заявлено улучшение относительно базовой OpenVLA благодаря оптимизированным методам дообучения. Веса опубликованы в формате safetensors; лицензия репозитория — MIT. Практическое применение требует совместимой робототехнической среды и настроенного окружения, описанного в проектной документации.

Карточка модели Sakits/openvla-oft-libero на Hugging Face совпадает с карточкой moojink/openvla-7b-oft-finetuned-libero-spatial, поэтому описание составлено по ней. Это чекпойнт OpenVLA-OFT, дообученный для задач LIBERO-Spatial; репозиторий связан с работой «Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success». Модель основана на OpenVLA и использует архитектуру OpenVLAForActionPrediction для предсказания действий по визуальному наблюдению и текстовой инструкции. Модель предназначена для управления роботом в пространственных задачах бенчмарка LIBERO: она генерирует последовательности действий (action chunks) по входным изображениям и инструкциям. В README заявлено улучшение относительно базовой OpenVLA благодаря оптимизированным методам дообучения. Веса опубликованы в формате safetensors; лицензия репозитория — MIT. Практическое применение требует совместимой робототехнической среды и настроенного окружения, описанного в проектной документации.

Pi0.5-Drift · LIBERO (100k) — робототехническая vision-language-action модель от zuoxingdong на основе Pi0.5, разработанной Physical Intelligence. Она обучена для управления роботом в задачах бенчмарка LIBERO на датасете lerobot/libero с помощью метода имитационного обучения. Модель преобразует визуальное наблюдение и языковую инструкцию в последовательность действий для робота. Вместо декодирования блока действий через десять шагов flow matching эта версия использует однопроходную цель Drifting (DBPO): один прямой проход отображает шум в блок действий. По данным README, это примерно втрое ускоряет декодирование при размере пакета 1; оценка на LIBERO показывает высокую успешность, сопоставимую с flow-matching-базовой моделью. Для загрузки требуется плагин lerobot_policy_pi05_drift, а оценка LIBERO — графический узел для MuJoCo и доступ к gated-токенизатору google/paligemma-3b-pt-224. Лицензия модели обозначена как Gemma.

lerobot/pi05_libero_base — базовая модель Vision-Language-Action (VLA) от Physical Intelligence, представленная в реализации LeRobot и дообученная на задачах LIBERO. Она предназначена для адаптации под робототехнические сценарии и управления роботом при выполнении многоэтапных задач в новых средах. На вход принимает изображения с нескольких камер, состояние робота и необязательную языковую инструкцию, а на выходе формирует непрерывные действия. Обучение использует flow matching. В этой версии поддерживается только action head на основе flow matching; компоненты исходной работы для предсказания подзадач, токенизации действий и обучения с подкреплением не включены. Модель распространяется в формате safetensors по лицензии Gemma. Для использования требуется экосистема LeRobot.

Pi0.5 SnapFlow Distilled Student — VLA-модель, опубликованная Rylinjames как воспроизведение дистилляции SnapFlow для управления роботом. Это дообученная версия lerobot/pi05_libero_finetuned_v044, обученная методом self-distillation: студент инициализировали весами учителя и обучали 10 000 шагов на согласованность поля скоростей. Модель принимает изображения, состояние робота и языковые инструкции и предсказывает действия робота; для каждого фрагмента действий использует один шаг денойзинга вместо десяти у базовой модели. Модель предназначена для управления роботом по визуальным наблюдениям и текстовым инструкциям, в частности для задач LIBERO. В описанном испытании на пяти задачах LIBERO она достигла успеха в 29 из 30 запусков против 28 из 30 у учителя; заявлено примерно десятикратное сокращение числа шагов денойзинга. Чекпойнт опубликован в формате safetensors для LeRobot PyTorch policy; для развёртывания README предлагает runtime Reflex с разложенным запуском pi0.5. Модель разработана и опубликована Rylinjames; базовая VLA-модель создана LeRobot. Репозиторий распространяется по лицензии Apache-2.0. Заявленные результаты ограничены небольшим испытанием LIBERO и не гарантируют аналогичную успешность на других роботах, средах или задачах.

π₀ LIBERO finetuned — дообученная модель класса Vision-Language-Action от Physical Intelligence, опубликованная в реализации LeRobot. Контрольная точка обучена и оценена на задачах LIBERO и предназначена для управления роботом по изображениям с нескольких камер, состоянию робота и, при наличии, языковой инструкции. Модель выдаёт непрерывные действия; обучение использует flow matching. Модель подходит как основа для дальнейшей адаптации и выполнения задач манипулирования в среде LIBERO. Она построена на базе lerobot/pi0_libero_base и использует формат safetensors. Лицензия — Gemma. В карточке не приведены точные показатели качества или длина контекста.

lerobot/pi0_old — предварительно обученная модель Pi0, связанная с проектом LeRobot и описанная в работе «π_0: A Vision-Language-Action Flow Model for General Robot Control». Она предназначена для управления роботом: принимает данные наблюдений и выбирает действие через интерфейс политики Pi0 в LeRobot. Модель можно дообучать на пользовательских наборах данных. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка указывает на архитектуру vision-language-action, но не сообщает точный размер модели, длину контекста, поддерживаемые языки и конкретный состав входных данных.

Это обученная модель агента poca для игры SoccerTwos, опубликованная InMDev. Модель создана с помощью библиотеки Unity ML-Agents и предназначена для управления агентом в среде SoccerTwos с использованием обучения с подкреплением. Файл модели доступен в формате ONNX; её можно использовать для запуска агента в среде и продолжения обучения через ML-Agents. Модель рассчитана на игровое управление в симуляции SoccerTwos, а не на генерацию текста или изображений. В README не приведены размер модели, длина контекста, поддерживаемые естественные языки или условия лицензии.

adarksky/pokemon-DDPM — модель на основе Denoising Diffusion Probabilistic Models (DDPM), распространяемая в формате Diffusers и предназначенная для безусловной генерации изображений покемонов с изменёнными вариантами внешности. Для запуска используется DDPMPipeline из библиотеки Diffusers: модель генерирует изображение без текстового запроса. В карточке указан датасет huggan/pokemon и лицензия MIT. Размер модели, число параметров и длина контекста не указаны; контекст для генерации изображений неприменим.

dechantoine/ppo-Huggy — обученный агент PPO для игры Huggy в среде Unity ML-Agents. Модель предназначена для управления игровым агентом: её можно запустить для просмотра игры или использовать как отправную точку для продолжения обучения через ML-Agents. В репозитории указан формат ONNX. Карточка не сообщает размер модели, языки или лицензию; модель взаимодействует с игровой средой, а не предназначена для диалога на естественном языке. Подробности наблюдений и управляющих действий в карточке не описаны.

flipss/ppo-Huggy — модель агента, обученного играть в Huggy с помощью алгоритма PPO и библиотеки Unity ML-Agents. Она предназначена для запуска агента в среде Huggy, просмотра его игры и продолжения обучения через ML-Agents. В репозитории представлена модель в формате ONNX; агент взаимодействует с игровой средой, а не с естественным языком. Лицензия в доступных данных не указана.

HarryStot/ppo-Huggy — обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy и может запускаться для наблюдения за его поведением или использоваться как основа для продолжения обучения через ML-Agents. В репозитории указан формат ONNX. Карточка не сообщает размер модели, языковые характеристики или лицензию. Назначение модели ограничено конкретной игровой средой; её пригодность для других задач не описана.

LibRust/ppo-Huggy — обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy и может использоваться для просмотра его поведения в браузере или продолжения обучения в ML-Agents. В репозитории указано представление ONNX. Это модель обучения с подкреплением, а не языковая модель; карточка не сообщает о языках естественной речи, размере параметров или длине контекста. Для использования требуется среда Huggy и совместимый инструментальный стек ML-Agents. Лицензия в доступных данных не указана.

Malgesw/ppo-Huggy — обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy с помощью обучения с подкреплением; её можно запускать для наблюдения за игрой или использовать как основу для продолжения обучения через ML-Agents. В репозитории указаны веса в формате ONNX. Карточка не сообщает размер модели, подробности архитектуры, поддерживаемые естественные языки или условия лицензии. Модель решает специализированную задачу управления игровым агентом, поэтому её применение за пределами этой среды не описано.

niftymark/ppo-Huggy — обученная методом Proximal Policy Optimization (PPO) модель агента для игры Huggy. Она создана с использованием Unity ML-Agents и предназначена для управления игровым агентом в соответствующей среде; модель можно запускать для просмотра игры или использовать как основу для продолжения обучения. В репозитории указаны веса в формате ONNX. Данных о размере модели, поддерживаемых естественных языках и лицензии нет. Применение модели зависит от среды Huggy и интеграции с ML-Agents; карточка не описывает её пригодность для других игр или сред.

Это обученный агент PPO, созданный sam522 для игры Huggy в среде Unity ML-Agents. Модель предназначена для управления игровым агентом: её можно запустить в совместимой среде и посмотреть, как агент играет, либо использовать для продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX; в метаданных указана библиотека ML-Agents. README не сообщает размер модели, поддерживаемые естественные языки или условия лицензии, поэтому эти характеристики не описываются.

Это обученный агент PPO, созданный автором репозитория hythyt для игры SnowballTarget с использованием Unity ML-Agents. Модель предназначена для управления агентом в этой игровой среде и может запускаться в среде ML-Agents; репозиторий также описывает возможность продолжить обучение и просматривать игру агента в браузере. Модель представлена в формате ONNX. Данных о размере, языковых возможностях и лицензии в доступной карточке нет. Это специализированный игровой чекпойнт для обучения с подкреплением, а не языковая модель.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, опубликованная talebzeghmi для игры Pyramids в среде Unity ML-Agents. Она предназначена для управления игровым агентом и может использоваться для просмотра его игры или продолжения обучения в ML-Agents. Модель распространяется в формате ONNX и относится к задачам обучения с подкреплением. Карточка не сообщает размер модели, языки или числовые параметры наблюдений и действий. Для работы нужны совместимая среда Pyramids и инструменты Unity ML-Agents; качество поведения за пределами этой игровой среды не описано. Сведения о лицензии отсутствуют в предоставленных данных.

Это компактная языковая модель Qwen3-1.7B, дообученная исследовательской командой на траекториях агента для ALFWorld. Модель обучена методом supervised fine-tuning на 2420 игровых эпизодах, сгенерированных Qwen3-32B: контекст включает инструкции и наблюдения среды, а модель учится формировать ответы учителя. Используется архитектура Qwen3ForCausalLM с 1,7 млрд параметров; веса сохранены в формате bf16, библиотека запуска — Transformers. Метаданные указывают контекст до 40 960 токенов. Модель предназначена для многошагового взаимодействия с текстовой средой ALFWorld в формате ReAct: на основе инструкции и очередного наблюдения она генерирует рассуждение и действие. В описанном тесте на 200 играх средний успех составил 52,88% ± 2,36%; базовая Qwen3-1.7B на том же протоколе достигла 19,38%. Это специализированный чекпойнт для агентных сценариев и экспериментов с обучением по траекториям, а не универсальная замена базовой Qwen3. Лицензия — Apache-2.0.

Это экспериментальная дообученная модель Qwen3-1.7B, созданная для управления агентом в задачах научной среды ScienceWorld. Разработчик обучал её методом online multi-turn ROSE: модель выполняла первые 10 ходов эпизода, после чего траекторию продолжал учитель Qwen3-32B, а его ходы использовались как цели обучения. Модель основана на Qwen/Qwen3-1.7B и имеет плотную архитектуру Qwen3ForCausalLM с 1,7 млрд параметров. Модель принимает текстовые инструкции и наблюдения среды в формате многоходового диалога ReAct и генерирует текстовые рассуждения и действия. Контекст составляет до 40 960 токенов; в описанном протоколе использовались ответы до 512 токенов на ход. На тестовом разделении ScienceWorld результат успешного выполнения задач составил 6,12% при указанном протоколе оценки; это выше результата базовой модели 0,12%, но ниже результата учителя Qwen3-32B — 15,62%. Модель распространяется по лицензии Apache-2.0.

Это экспериментальная дообученная версия Qwen3-1.7B, созданная в рамках исследования многоходовых агентов для среды ScienceWorld. Модель обучали методом online multi-turn ROSE: студент выполнял первые 10 ходов в интерактивной среде, после чего модель-учитель gpt-5.4-mini продолжала до пяти ходов, а ответы учителя использовались как цели обучения. Это плотная языковая модель на 1,7 млрд параметров с контекстом до 40 960 токенов; репозиторий содержит веса Safetensors, для работы используется Transformers. Модель предназначена для генерации ответов в формате ReAct и выбора действий по наблюдениям среды в многоходовых задачах ScienceWorld. Обучение выполнено на bf16 с отключённым режимом рассуждений и лимитом 512 токенов на ход. В карточке указано, что оценка на тестовом наборе не проводилась, поскольку обучение остановлено на половине эпохи, поэтому практическая успешность модели не установлена. Базовая модель Qwen3-1.7B распространяется по лицензии Apache-2.0; карточка этой версии также указывает Apache-2.0.

SeanWang0027/qwen3-1.7b-textcraft-opd-qwen3-32b-step33 — экспериментальный чекпойнт Qwen3-1.7B, созданный в исследовании TextCraft командой SeanWang0027. Модель обучалась методом многошаговой on-policy-дистилляции от Qwen3-32B: студент генерировал собственные траектории диалога, а обучение использовало сигнал reverse-KL по сгенерированным токенам. Это шаг 33 из 66 в серии экспериментов по обучению многошаговых агентов. Модель предназначена для работы агентом в задачах TextCraft: принимает наблюдения в многоходовом диалоге и формирует ответы в формате ReAct с разделами Thought и Action. Это плотная языковая модель на 1,7 млрд параметров с контекстом до 40 960 токенов; использует архитектуру Qwen3 и библиотеку Transformers. В README результат на официальном тестовом наборе не оценивался; приведены только результаты базовой модели и учителя, поэтому качество этого чекпойнта неизвестно. Лицензия — Apache-2.0.

stanleytheli/qwen3.6-35B-A3B-av-RL1200 — это дообученная методом GRPO модель Activation Verbalizer (AV) на базе stanleytheli/qwen3.6-35B-A3B-av-sft, разработанная для преобразования активаций языковой модели в текстовые объяснения. Она использует архитектуру Qwen3.5 MoE для причинной генерации текста и принимает встраиваемый в специальный токен маркер активации; для восстановления вектора из текста предусмотрена отдельная замороженная модель-реконструктор. Модель обучалась на активациях слоя 29: награда GRPO основана на косинусном сходстве между исходной активацией и результатом её восстановления из сгенерированного объяснения. В README сообщается, что на 128 отложенных примерах вариант после 1200 шагов достиг среднего косинусного сходства 0,882 и нормализованной FVE 0,644. Контекст составляет 262 144 токена; указанный размер — 2,9 млрд параметров. Репозиторий содержит веса safetensors, а LoRA-адаптер слит в обычные веса HF. Лицензия — Apache-2.0. Модель предназначена для экспериментального исследования и словесной интерпретации внутренних активаций; использование требует соблюдения контракта инъекции с файлами nla_meta.yaml и injection_scale.txt и утилитами NLA. Заявленные метрики относятся к конкретной схеме с замороженной моделью-реконструктором и набору отложенных активаций, поэтому сами по себе не гарантируют точность объяснений для других слоёв или сценариев.

Random-Llama-Small — случайно инициализированная языковая модель примерно на 2 млрд параметров от motionlabs, построенная на архитектуре LLaMA. Это плотный авторегрессионный трансформер-декодер для генерации текста; модель опубликована в формате safetensors и рассчитана на работу через Transformers. В README указаны 22 слоя, скрытый размер 2304, grouped-query attention и контекст до 131 072 токенов с RoPE-масштабированием. Для токенизации используется словарь SmolLM2-1.7B-Instruct. Модель предназначена для исследований динамики обучения трансформеров, экспериментов с архитектурой и оптимизацией, а также как начальная точка для предобучения или дообучения на собственных данных. До обучения веса случайны, поэтому связные и точные ответы ожидать нельзя; пользователю нужно подготовить данные и ресурсы для обучения. По карточке, для инференса требуются Transformers версии 4.45.0 или новее и PyTorch 2.0 или новее. Лицензия — MIT.

Robo-Dopamine-GRM-2.0-8B-Preview — мультимодальная модель вознаграждения для роботизированных манипуляций, разработанная авторами проекта Robo-Dopamine. Это дообученная версия Qwen3-VL-8B-Instruct с плотной архитектурой Qwen3-VL и 8 млрд параметров; она принимает описание задачи и изображения нескольких видов и состояний сцены, чтобы оценивать относительный прогресс между начальным, целевым, предыдущим и последующим состояниями. Модель предназначена для формирования плотного сигнала вознаграждения при обучении роботов с подкреплением и адаптации к новой задаче по одной демонстрации. Метод проекта объединяет оценки прогресса с разных перспектив, а полученный сигнал можно использовать в различных алгоритмах обучения с подкреплением. Репозиторий содержит веса Safetensors; модель опубликована под лицензией Apache-2.0. Поддерживаемые языки и длина контекста не подтверждены доступными сведениями.

RoboInter-VLM_qwenvl25_3b — мультимодальная модель InternRobotics для анализа сцен роботизированного манипулирования и генерации промежуточных представлений. Она дообучена на наборе RoboInter-VQA на базе Qwen2.5-VL-3B-Instruct и содержит около 3,1 млрд параметров. Модель принимает изображения и текстовые запросы, а ответы формирует на естественном языке или в виде структурированных представлений: например, координат точек траектории, рамок захвата и объектов. Она предназначена для визуальных вопросов о контакте и позах захвата, выбора траектории, распознавания примитивов действий, оценки успешности и планирования следующего шага манипуляции. Заявленный контекст базовой модели — 128 000 токенов. Чекпойнт распространяется в формате safetensors; для загрузки README указывает Transformers. Лицензия — Apache-2.0. Качество зависит от соответствия сцены и задачам обучения RoboInter-VQA; модель не следует считать универсальным контроллером робота: README описывает предсказание представлений и планирование, но не подтверждает непосредственное исполнение действий.