II.2Создание и понимание программного кода

PP-VAE — модель постобработки музыки, подготовленная scragnog как GGUF-конверсия AutoencoderOobleck из проекта SongGeneration (LeVo) Tencent AI Lab. Она принимает уже сгенерированное аудио, кодирует его в латентное представление и декодирует обратно, выполняя обученную спектральную фильтрацию для сглаживания артефактов и улучшения тональной связности. Предназначена для постобработки музыки в ACE-Step 1.5 и совместимых конвейерах; доступны варианты GGUF в точности F32, BF16 и F16. Исходный VAE обучался 1,32 млн шагов на музыкальных данных. Конвейер включает детерминированное извлечение среднего латентного представления, обработку блоками для снижения требований к памяти, RMS-согласование громкости и смешивание обработанного сигнала с оригиналом. Параметр смешивания позволяет регулировать степень воздействия; модель также применима с разными чекпойнтами ACE-Step и адаптерами. Это lossy-перекодирование, а не гарантированное улучшение качества: частоты выше 16 кГц могут ослабляться, а короткие транзиенты — смягчаться. Для использования предлагаются файлы GGUF; лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

InternVLA-A1.5-base — базовая контрольная точка модели управления роботом InternRobotics, объединяющая зрительно-языковое понимание, прогнозирование будущей динамики и генерацию действий. Она построена на мультимодальной основе Qwen/Qwen3.5-2B и предназначена для дальнейшего дообучения и оценки роботизированных политик, в частности для манипуляций в симуляции и реальном мире. Модель принимает визуальный и языковой контекст, а также состояние робота и предсказывает непрерывные фрагменты управляющих действий: размер фрагмента — 50 шагов, размерность состояния и действия — до 32, разрешение изображений — 224 × 224. Для генерации действий используется экспертный модуль с flow matching; при обучении прогноз будущей динамики дополнительно поддерживается видеомоделью WAN2.2-5B, которая не нужна при инференсе. В README приведены результаты серии на нескольких бенчмарках, но для воспроизведения результатов дообучения указаны специализированные контрольные точки. Модель выпущена по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов на тех же условиях. Это базовая точка для настройки и оценки, поэтому качество в конкретной робототехнической задаче зависит от дообучения, среды и конфигурации робота.

Ivme-Conversate-XL-v1.1-Base — плотная авторегрессионная языковая модель IvmeLabs, обученная с нуля. Это базовая, не дообученная для следования инструкциям модель для генерации продолжения текста и дальнейших экспериментов. В карточке указано, что обучение прошло в два этапа и заняло суммарно 10 млрд токенов. Модель содержит 125,6 млн параметров, 12 слоёв, скрытый размер 768, 12 голов внимания, блоки SwiGLU и позиционные эмбеддинги RoPE. Максимальная длина последовательности — 1024 токена; используется словарь BPE размером 16 000. Модель рассчитана на английский текст. В тестах карточки приведены результаты BLiMP, ARC-Easy и WikiText-2. README предупреждает, что у контрольной точки выявлена проблема: параметры масштабирования RMSNorm не обновлялись в первой фазе обучения. Во второй фазе использовали исправленную реализацию нормализации, однако точная причина сбоя не подтверждена. Авторы прямо призывают не использовать модель; она не настроена для диалога или следования инструкциям и может давать ненадёжные фактические ответы. Лицензия — Apache-2.0. Для загрузки требуется trust_remote_code=True и пользовательский код архитектуры из репозитория.

hell0ks가 개발한 ja-ko-vn-7b-v1은 Trillion Labs의 Tri-7B-Base 모델을 일본어 시각소설 및 게임 대사와 한국어 번역 쌍으로 SFT한 7B 파라미터 밀집형 Llama 모델입니다. 모델 предназначена для перевода коротких реплик с японского на корейский, в том числе в игровых плагинах. Принимает японский исходный текст и может сохранять управляющие коды и специальные символы; для собственных имён можно передавать подсказки. Использует контекст до 4096 токенов и рассчитана на одношаговый режим Completions, а не чат. Модель подходит для локализации диалогов визуальных новелл и других игр, особенно при пакетном или построчном переводе. Обратный перевод и другие языковые пары не поддерживаются; автор не рекомендует применять модель там, где критична точность, а обработка имён может быть нестабильной. Модель выпущена под лицензией Apache 2.0.

Jenzin Wuang Nemotron 30B A3B BF16 — демонстрационная разговорная модель Apollo Raines, созданная на базе NVIDIA Nemotron 3.5 Lightning 30B A3B BF16. Это пародийная персона: модель отвечает от лица вымышленного генерального директора Джензина Вуанга и последовательно отстаивает его вымышленную биографию. Модель предназначена для развлекательного общения и демонстрации jBlaze — инструмента модификации поведения моделей через изменения весов. Модель использует архитектуру Nemotron H и принимает текст, генерируя текст; заявленная длина контекста — 262 144 токена. Персона встроена с помощью LoRA, объединённой с базовыми весами, а поведенческие изменения включают снижение угодливости, усиление аналитического скептицизма и повышение точности ответов. В README сообщается о снижении результата примерно на 3 пункта MMLU в среднем относительно исходной модели. Это экспериментальная демонстрация, а не производственный релиз. README указывает, что текущие веса исправлены после ошибки упаковки в первоначальной загрузке; скачанные до 3 сентября 2026 года рекомендуется загрузить повторно. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Это тестовый набор GGUF-конверсий крошечных экспериментальных чекпойнтов Kimi-K3 0.40B, подготовленный для проверки архитектуры и инференса в llama.cpp. В репозитории есть эталонный вариант F16 и гибридный MXFP4: в последнем 168 проекционных тензоров экспертов MoE хранятся в MXFP4, а 35 резидентных тензоров MoE деквантизированы в F16. Файлы предназначены для валидации архитектуры Kimi-K3, проверки конвертации и запуска в llama.cpp, тестирования раскладки MoE в MXFP4 и исследований загрузки экспертов вне оперативной памяти. Это не полезная языковая модель и её результаты не подходят для оценки качества полной Kimi-K3. В README описан только дымовой тест загрузки и выполнения на CPU; он не проверяет корректность или качество генерации. Лицензия репозитория — MIT.

LingBot-VLA Pick-and-Place Toys — дообученный чекпойнт LingBot-VLA 1.0 от автора репозитория Aikwed для управления роботом SO follower при перекладывании игрушек. Модель использует базовую модель robbyant/lingbot-vla-4b и обучена на наборе AlvinAi/pick_and_place_toys: 80 эпизодов и 70 588 кадров с двух RGB-камер, расположенных спереди и сбоку. Визуальные входы приводятся к размеру 224 × 224; горизонт предсказания действий составляет 50 шагов. Модель принимает изображения с камер и состояние шести суставов и захвата, а выдаёт последовательность действий для пяти суставов руки и захвата. Действия суставов руки обучались как смещения относительно текущего состояния, действие захвата — в абсолютном представлении; при штатном преобразовании смещения возвращаются к исходным абсолютным значениям. Доступны статистики нормализации и конфигурация соответствия признаков. Чекпойнт предназначен для сценария захвата и перекладывания игрушек в соответствующей конфигурации робота и камер. Обучение выполнено на 10 000 шагах с глобальным размером пакета 16. Лицензия — Apache-2.0. В README указано, что проверка на отложенной выборке и оценка успешности на реальном роботе не проводились; значение обучающей функции потерь не является оценкой надёжности при эксплуатации.

pos-egnn — предобученная позиционно-эквивариантная графовая нейросеть для химии и материалов, представленная IBM Research. Модель на PyTorch обучена на 1,4 млн образцов набора Materials Project Trajectory (MPtrj) предсказывать энергии, силы и напряжения атомных структур. Модель можно применять как машинный потенциал, извлекатель признаков или дообучать для специализированных задач. В репозитории указаны веса версии pos-egnn.v1-6M.pt и пример инференса, извлечения признаков и молекулярной динамики. Лицензия — Apache-2.0. Модель предназначена для графового представления атомных структур и прогнозирования физических свойств. README не сообщает поддерживаемые химические элементы, точность, ограничения применимости или дополнительные параметры архитектуры.

yujiepan/mathstral-v0.1-tiny-random — небольшая случайно инициализированная модель для генерации текста, созданная пользователем yujiepan на основе конфигурации Mistral Mathstral 7B v0.1. Модель предназначена прежде всего для отладки, тестирования и проверки совместимости компонентов Transformers, а не для практического решения математических или языковых задач. Модель использует архитектуру Mistral с двумя слоями Transformer, скрытым размером 8, 4 attention heads и 2 key-value heads; объём составляет 264,1 тыс. параметров. Она поддерживает text-generation, работает с библиотекой Transformers и имеет контекстное окно до 32768 токенов. Веса инициализированы случайно, поэтому модель не обладает полезными приобретёнными знаниями и не должна рассматриваться как уменьшенная версия Mathstral по качеству. README не содержит сведений о лицензии. Из-за случайной инициализации модель может генерировать бессмысленный или нестабильный текст и непригодна для production-использования, математического reasoning, достоверных ответов или оценки качества генерации.

Meridian-Tiny — экспериментальная языковая модель от Circuits-V2, созданная с нуля для проверки сочетания нескольких архитектурных идей при обучении на потребительском оборудовании. В метаданных указано 5,1 млн параметров, тогда как README приводит оценку около 11,8 млн; это расхождение не позволяет уверенно назвать точный размер. Модель построена как смесь экспертов и использует гибрид линейного KDA- и полнослойного MLA-внимания, скрытую MoE, гиперсвязи, остаточные связи между слоями и хешированную n-граммную память. Для токенизации применяется byte-level BPE с 32 768 токенами. Модель обучалась с нуля на 20 млн токенов из веб-текстов, математических материалов и кода. Она предназначена для продолжения текста, а не для диалога или выполнения инструкций; заявлены языки английский, немецкий, русский и японский. README прямо характеризует её как исследовательскую игрушечную модель: текст может выглядеть правдоподобно локально, но быть бессвязным в целом. Лицензия модели — MIT.

Карточка модели SubMaroon/MN-12B-Mag-Mell-Sodom-v2 на Hugging Face совпадает с карточкой SubMaroon-exp/MN-12B-Mag-Mell-Sodom-v2, поэтому описание составлено по ней. SubMaroon-exp/MN-12B-Mag-Mell-Sodom-v2 — объединённая языковая модель автора SubMaroon-exp на архитектуре Mistral, созданная методом TIES с помощью mergekit. В слиянии участвовали модели Mell и Sodom; базовой указана Mell. Репозиторий содержит веса safetensors, а метаданные указывают размер 12,1 млрд параметров и контекст до 1 024 000 токенов. Модель предназначена для генерации текста в диалоговом формате. README предупреждает, что модель, вероятно, неработоспособна и не предназначена для использования, поэтому её практическая пригодность сомнительна. Лицензия в предоставленных данных не указана.

MolmoAct2 — открытая модель vision-language-action для управления роботами, разработанная Allen Institute for AI (Ai2). Эта постобученная модель для нескольких типов роботов объединяет визуально-языковую основу Molmo2-ER с непрерывным экспертом действий на основе flow matching; языковая модель передаёт ему контекст через KV-conditioning на каждом слое. Репозиторий содержит веса в формате safetensors и метаданные нормализации для смеси постобучения. Модель предназначена прежде всего как основа для дообучения под конкретное воплощение робота или бенчмарк, а не как готовая политика для непосредственного запуска. Она принимает визуальные наблюдения и инструкции на естественном языке и выдаёт действия робота; среди задач каталога также отмечено image-text-to-text. README не приводит размер модели, длину контекста или перечень поддерживаемых языков. Лицензия в предоставленных данных не указана. Поведение может различаться в зависимости от робота, среды и аппаратной конфигурации. Перед запуском на физическом оборудовании требуется проверять выходы, ограничивать действия параметрами контроллера и задачи и обеспечивать надзор человека; для непосредственного инференса рекомендуется использовать специализированные дообученные чекпойнты.

MolmoAct2-LIBERO-ViT10L — это сжатая vision-language-action-модель для управления роботом по изображениям, состоянию робота и текстовой инструкции. Автор использовал в качестве основы allenai/MolmoAct2-LIBERO: глубина визуального энкодера ViT сокращена с 25 до 10 слоёв, а LLM Qwen3-4B и Action Expert оставлены без изменений. Размер модели — 5,214 млрд параметров; веса доступны в формате Safetensors. Модель предназначена для задач управления роботом в среде LIBERO, например, чтобы выполнить инструкцию по изображению с камер и состоянию робота. В описанной оценке на четырёх наборах LIBERO модель показала 96% успешных эпизодов против 99% у исходной модели. Автор сообщает, что сокращение энкодера уменьшает его число параметров примерно с 439 млн до 210 млн и оценивает задержку его работы на Hexagon v73 примерно в 440 мс вместо 1103 мс; это оценка для энкодера, а не всей модели. Для загрузки указана поддержка Transformers с trust_remote_code. Лицензия — Apache-2.0.

Motius TMR-G1 Evaluator — оценщик на основе архитектуры TMR, разработанный Motius и обученный с нуля для движений робота Unitree G1. Модель кодирует текст и движение в представления, пригодные для извлечения признаков и сопоставления текстовых описаний с движениями. Вход движения представлен канонизированным форматом G1-38D с частотой 30 кадров в секунду: скоростью и высотой корневого узла, его 6D-поворотом и углами 29 суставов. В комплект входят энкодер движений, текстовый энкодер и декодер реконструкции. Публичный чекпойнт соответствует эпохе 139 и обучен на 344 966 движениях из материала HYMotion Data G1. Модель предназначена для оценки и извлечения признаков в сценариях поиска и сопоставления текста с движениями Unitree G1. Распространяется по лицензии MIT.

Tanaybh/nano-gpt-from-scratch — небольшая языковая модель в стиле GPT-2, созданная автором репозитория как учебный проект с нуля и обученная на ноутбуке. Это плотная авторегрессионная Transformer-модель с 4 слоями, 4 головами внимания, размерностью эмбеддингов 128 и примерно 1,07 млн параметров. Репозиторий содержит веса safetensors; модель опубликована под лицензией MIT. Модель предназначена для генерации продолжения текста по короткому текстовому запросу и демонстрации базовых принципов обучения языковых моделей. Она обучалась 10 эпох на 5 000 примерах WikiText-2, использует словарь из 2 000 токенов и имеет контекст 128 токенов. В карточке указана поддержка английского языка. Из-за малого размера и ограниченного объёма обучающих данных модель может генерировать бессвязный текст и обладает ограниченными знаниями. Она не проходила настройку на выполнение инструкций, поэтому лучше подходит для учебных экспериментов и коротких продолжений текста, а не для диалога или сложных прикладных задач.

opd-teacher-Q2.5I-ConvexHull-step149 — экспериментальная текстовая модель на архитектуре Qwen2, разработанная David Heineman. Это дообученная версия Qwen/Qwen2.5-1.5B-Instruct с 1,5 млрд параметров, обученная методом GRPO с использованием RLVE в среде ConvexHull на уровне сложности 0. Чекпойнт завершает серию из 150 обновлений и предназначен для эксперимента по on-policy-дистилляции в конфигурации с 32 средами. Модель принимает текст и генерирует текст; карточка указывает английский язык и контекст до 32 768 токенов. Веса конвертированы из исходного чекпойнта в формат Hugging Face safetensors и проверены на соответствие именам и формам тензоров базовой модели. Это специализированный экспериментальный чекпойнт, поэтому его пригодность для обычных диалоговых или производственных задач не подтверждена. Распространяется по лицензии Apache 2.0, указанной для модели; README сообщает о включении исходной лицензии Qwen.

Это чекпойнт OpenVLA-OFT, дообученный для задачи LIBERO-Goal, из работы «Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success». Он основан на OpenVLA и использует архитектуру OpenVLAForActionPrediction для предсказания действий по визуальному и текстовому контексту. Модель предназначена для управления роботом в задачах LIBERO-Goal: по наблюдению сцены и инструкции она генерирует последовательность действий. В README заявлено, что оптимизированные методы дообучения OpenVLA-OFT повышают скорость и успешность относительно базовой OpenVLA. Репозиторий содержит веса в формате safetensors; лицензия — MIT.

Карточка модели Radioheading/openvla-oft-libero-sft 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.

ParticleViT-B — трансформерная модель семейства ParticleViT, разработанная авторами работы «Predict before you train: scaling laws for particle physics foundation models». Она предназначена для получения признаковых представлений струй в физике высоких энергий и последующей адаптации для классификации струй и других задач их тегирования. Модель обучена на объединённом наборе OmniLearned; при предобучении классифицировала 210 классов меток. Архитектура обрабатывает каждую частицу струи как токен и использует один добавленный в начало class-токен для считывания представления. В модели 66,7 млн параметров, 8 слоёв, ширина 832 и 13 голов внимания. На вход подаются признаки частиц струи: до 150 частиц и 9 каналов признаков. Для инференса требуется штатное преобразование нормализации входных данных. Модель не использует позиционные кодировки или специализированные физические индуктивные смещения; её можно дообучать сквозным образом с новой линейной классификационной головой. ParticleViT-B распространяется под лицензией MIT. Карточка не приводит измерений качества на downstream-задачах; перенос между наборами данных и условиями детектора требует проверки. Для корректной работы необходимо соблюдать формат входных признаков и применять соответствующую нормализацию.

ParticleViT-M — трансформер для анализа частиц внутри струй, возникающих в столкновениях частиц. Модель разработана авторами работы «Predict before you train: scaling laws for particle physics foundation models» (Uslu, Nachman, Re) и предназначена для извлечения признаков из наборов частиц с последующим дообучением для задач классификации и разметки струй в физике высоких энергий. Модель содержит 34,6 млн параметров и состоит из 7 трансформерных блоков шириной 640 с 10 головами внимания. Каждая частица представлена токеном, а классификационный токен используется для получения представления всей струи. Архитектура не использует физически специфичные индуктивные смещения и позиционные кодировки. Предобучение выполнено на корпусе OmniLearned из примерно 1,06 млрд струй с классификационной целью на 210 классов. Для работы необходима нормализация входных признаков, поставляемая вместе с моделью; поддерживаются до 150 частиц на струю. Модель принимает числовые признаки частиц и возвращает представление для извлечения признаков; в каталоге основная задача отмечена как feature-extraction. Данные README ориентированы на физику высоких энергий и коллайдерные струи. Репозиторий предоставляет веса safetensors и реализацию на PyTorch. Лицензия — MIT.

ParticleViT-S — 15,9-миллионная модель семейства ParticleViT, разработанная авторами исследования «Predict before you train: scaling laws for particle physics foundation models». Это трансформер для представления частиц, составляющих струю в данных коллайдера: каждая частица становится токеном, а итоговое представление считывается с добавленного CLS-токена. Архитектура включает 5 блоков, ширину 512 и 8 голов внимания; позиционные кодировки не используются, поскольку частицы рассматриваются как множество. Модель предварительно обучена классифицировать струи по 210 меткам на корпусе OmniLearned, объединяющем симулированные и реальные данные физики высоких энергий. Её представления предназначены для извлечения признаков и последующей тонкой настройки под задачи тегирования струй, например с заменой классификационной головы. На вход подаются признаки до 150 частиц струи и требуется применить поставляемую нормализацию кинематических признаков. Модель не использует физически заданные индуктивные смещения, такие как лоренц-эквивариантность или признаки парных взаимодействий; качество для конкретной задачи тегирования зависит от последующей настройки. Лицензия — MIT.

PermuFormer — специализированная авторегрессионная языковая модель в стиле Llama, предназначенная для символьных задач о перестановках в алгебраической комбинаторике. Модель содержит 75,6 млн параметров, использует архитектуру LlamaForCausalLM и библиотеку Transformers; веса сохранены в формате safetensors. В README указан контекст токенизатора до 1000 токенов, тогда как метаданные каталога сообщают нативный контекст 2048 токенов. Модель работает с компактным словарём и формульными запросами в строго заданном пробельно-разделённом синтаксисе. Она переводит перестановки между различными представлениями, вычисляет их статистики и свойства, а также выполняет операции вроде композиции, обращения, возведения в степень и сравнения по порядку Брюа. Обучение проводилось на синтетических примерах для симметрических групп от S₂ до S₁₁. В локальном отчёте для близкого к текущему чекпойнта шага указана точность exact match 98,44% на выборке из 2560 примеров; это не полный независимый бенчмарк. PermuFormer разработана как базовая модель для специализированных экспериментов и дообучения, а не как универсальный разговорный помощник. Она чувствительна к формату запроса, естественные языки в качестве входа не предназначены, а качество на перестановках за пределами обученного диапазона не гарантируется. Для критичных исследований результаты следует сверять точными комбинаторными программами. Лицензия в предоставленных сведениях не указана.

π₀.₅ (Pi05) — базовая vision-language-action-модель для робототехники от Physical Intelligence, представленная в реализации LeRobot. Модель дообучена на основе google/paligemma-3b-pt-224 и совместно обучалась на демонстрациях роботов и крупномасштабных мультимодальных данных, чтобы обобщать инструкции на новые условия реального мира и выполнять длительные задачи. Модель принимает изображения с нескольких камер, данные о состоянии робота и необязательную инструкцию на естественном языке, а выдаёт непрерывные действия. В этой версии доступна голова действий на основе flow matching; модель предназначена прежде всего для дообучения под конкретную платформу и сценарий. README описывает работу с LeRobot и примеры записи и оценки задач манипуляции. Для использования требуется робототехнический стек LeRobot и соответствующие датчики и исполнительные механизмы. В этой публикации не включены некоторые компоненты исходной работы, в том числе предсказание подзадач, токенизация действий и обучение с подкреплением. Лицензия указана как Gemma.

PI0Fast — политика Vision-Language-Action из проекта LeRobot, реализующая подход FAST: она принимает изображения с нескольких камер, состояние робота и при необходимости языковую инструкцию, затем предсказывает действия в виде FAST-токенов и декодирует их в непрерывные управляющие сигналы. Модель использует авторегрессионное предсказание следующего токена с обучением по cross-entropy и предназначена для задач управления роботом; чекпойнт обучен и оценён на задачах LIBERO, где в карточке указана успешность 82,5% по всем задачам. Модель подходит для оценки и дообучения под конкретные робототехнические задачи. Реализация LeRobot следует исходному коду FAST для совместимости. Метаданные указывают библиотеку LeRobot, формат Safetensors и лицензию Gemma; перед использованием следует учитывать условия этой лицензии. Карточка не приводит размер модели или длину контекста.

Это обученный агент на основе алгоритма PPO, созданный для игры Huggy в среде Unity ML-Agents. Модель предназначена для управления игровым персонажем и может запускаться в совместимой среде ML-Agents; веса доступны в формате ONNX. Карточка также описывает возможность продолжить обучение агента или просматривать его игру в браузере через соответствующую среду. Модель рассчитана на конкретную игровую задачу, а не на генерацию текста. Лицензия и детали наблюдений и действий агента в доступных данных не описаны.

Это обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления агентом в игровой среде: её можно запустить для просмотра игры или использовать как основу для продолжения обучения с ML-Agents. Репозиторий содержит модель в формате ONNX. Карточка не сообщает размер модели, параметры среды обучения, поддерживаемые естественные языки или лицензию. Агент обучен для конкретной игровой среды Huggy, поэтому его применение к другим играм или задачам не подтверждено.

Это обученная модель агента PPO, созданная с помощью библиотеки Unity ML-Agents для игры Huggy. Она предназначена для управления игровым агентом в этой среде: модель принимает наблюдения из среды и выдаёт действия, позволяющие агенту играть. Репозиторий содержит модель в формате ONNX, которую можно использовать с ML-Agents для запуска агента или продолжения обучения. README не сообщает размер модели, длину контекста, языки или лицензию. Модель рассчитана на взаимодействие с игровой средой, а не на генерацию текста; конкретный набор наблюдений и действий зависит от конфигурации среды Huggy.

Это обученный агент PPO для игры Huggy, опубликованный HoaAn2003. Модель создана с использованием Unity ML-Agents и предназначена для управления игровым персонажем в среде Huggy; её можно запускать для просмотра игры или продолжить обучение через ML-Agents. В репозитории указана версия в формате ONNX. Это специализированный агент глубокого обучения с подкреплением, а не универсальная языковая модель. Сведения о размере, контексте, поддерживаемых естественных языках и лицензии в предоставленных материалах отсутствуют.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy с использованием Unity ML-Agents. Она получает состояние игровой среды и выбирает действия, чтобы управлять агентом; модель ONNX предназначена для запуска и просмотра игры в совместимой среде ML-Agents. Карточка также описывает возможность продолжить обучение агента. Модель относится к обучению с подкреплением и ориентирована на конкретную игровую среду, а не на обработку естественного языка. В карточке не приведены размер сети, описание наблюдений и действий или результаты оценки, поэтому переносимость на другие среды и качество игры определить нельзя. Лицензия в доступных данных не указана.

Это обученная модель агента PPO для игры Huggy, опубликованная пользователем poilk234. Модель создана с помощью Unity ML-Agents и предназначена для управления игровым агентом в соответствующей среде; её можно запускать для наблюдения за игрой или использовать как основу для продолжения обучения. В репозитории представлен формат ONNX. Карточка не описывает размер модели, наблюдения среды или подробности обучения, поэтому применимость за пределами среды Huggy не подтверждена. Условия лицензирования в доступных сведениях не указаны.