II.2Создание и понимание программного кода

peft-internal-testing/gpt2-lora-random — тестовая модель на базе GPT-2, подготовленная с использованием библиотеки PEFT. Она предназначена для внутреннего тестирования механизмов Parameter-Efficient Fine-Tuning, в частности адаптеров LoRA, а не для решения прикладных задач генерации текста без дополнительной настройки. Архитектура и размер базовой модели GPT-2 указаны, однако подробные характеристики адаптера, число параметров, поддерживаемые языки, модальности и размер контекста в README не описаны. README не содержит сведений о разработчике, обучающих данных, целевых сценариях применения, результатах оценки, сильных сторонах или ограничениях модели. Также не указана лицензия, поэтому условия использования определить нельзя. Модель следует рассматривать как экспериментальный тестовый артефакт для проверки совместимости PEFT версии 0.6.3.dev0, а не как готовую универсальную языковую модель.

NVIDIA Isaac GR00T N1.7-3B — средняя по размеру открытая базовая модель для рассуждений и управления навыками гуманоидных роботов в разных средах и при переносе между воплощениями. Она принимает RGB-кадры с камер, текстовую инструкцию, вектор проприоцептивного состояния робота и целочисленный идентификатор воплощения, а выдаёт непрерывные векторы управляющих действий. Модель содержит 3 млрд параметров и сочетает визуальные и языковые кодировщики с трансформером действий на основе flow matching; в README также указаны SigLIP2, T5 и DiT. Визуально-языковая основа GR00T N1.7 — Cosmos-Reason2-2B. Модель предназначена для манипуляций, обусловленных языковыми инструкциями, и для адаптации под конкретного робота или задачу с помощью дообучения на реальных либо синтетических данных. В карточке описаны варианты, постобученные на Bridge, DROID и LIBERO для симуляции и задач манипуляции. Входные данные и выходные действия зависят от воплощения робота; для практического внедрения требуется проверка на данных целевого сценария. README сообщает, что модель доступна для коммерческого и некоммерческого использования, но конкретная лицензия в предоставленных данных не названа.

Это дообученная политика NVIDIA GR00T N1.7 для робота SO-101, настроенная на уборку флаконов и размещение их в стойке. Модель основана на nvidia/GR00T-N1.7-3B и предназначена для управления манипулятором по визуальным наблюдениям и инструкциям в рамках этой задачи. Чекпойнт сохранён на шаге 10 000; при обучении использовались датасет sreetz-nv/so101-clean-up-vials-into-rack-50_20260628_131121, пакет LeRobot и аугментации Albumentations. Политика выдаёт управляющие действия робота; базовая модель преобразует изображения, инструкции и состояние робота в действия для манипуляции. Веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Это контрольная политика управления роботом на основе GR00T N1.7, дообученная для робота SO-101 на задаче уборки флаконов и размещения их в стойке. Модель разработана на базе NVIDIA/GR00T-N1.7-3B и распространяется в формате safetensors для использования через LeRobot. Чекпойнт взят на шаге обучения 15 000. Политика выдаёт последовательности из 16 управляющих шагов, использует относительные действия, кроме команды захвата, и предобработку изображений Albumentations. Для оценки её можно загрузить в LeRobot по идентификатору репозитория Hugging Face. Модель предназначена для конкретной роботизированной манипуляции с флаконами и не заявлена как универсальная политика для других роботов или задач. Лицензия в предоставленных данных не указана.

HealFormer Nside=256 mixed-mask — контрольная точка модели HealFormer (Mask-Aware HEALPix Transformer), опубликованная автором lalala404 для восстановления карты слабого гравитационного линзирования. Модель принимает карты компонент сдвига gamma1 и gamma2 вместе с целочисленной маской HEALPix и предсказывает карту сходимости kappa. Она работает непосредственно с вложенными картами HEALPix разрешения Nside=256, содержащими 786 432 пикселя, и учитывает границы и исключённые области обзора с помощью меток и обучаемых токенов маски. Контрольная точка содержит полные веса объёмом 113,2 млн параметров в формате safetensors; адаптер не требуется. Один и тот же чекпойнт предназначен для фиксированных масок обзоров KiDS, DES, DECaLS и Planck. Модель ориентирована на научные задачи картирования массы по данным слабого линзирования в астрономии и космологии. Лицензия репозитория — Apache-2.0. Описание не приводит результатов оценки качества или подробностей ограничений на другие разрешения и маски.

Hedgies — компактная модель на основе LightWeight GAN для безусловной генерации изображений, созданная Алексеем Коршуком. Она предназначена для создания изображений в стиле коллекции Hedgies на основе обучающего набора huggingnft/hedgies; при генерации не требуется текстовый запрос. Модель распространяется в формате PyTorch по лицензии MIT. Карточка не приводит размер модели, разрешение изображений или подробные сведения об архитектуре и сценариях применения. Ограничения и сведения о смещениях автор отсылает смотреть в репозитории проекта.

JevFlash Doom Basic Decision Model — модель на основе Qwen3-0.6B-Base, разработанная автором репозитория SUPER321 и дообученная для выбора действий в базовом сценарии ViZDoom. Она получает текстовое описание состояния игры, включая здоровье, боеприпасы, позицию и видимую рамку цели, а также вопрос о выборе действия. За один прямой проход модель оценивает до четырёх вариантов: поворот влево, поворот вправо, стрельба и бездействие. Это нерегрессионный по токенам режим принятия решений: на инференсе модель выдаёт оценки действий без пошаговой генерации текста. Обучающие примеры собраны с помощью epsilon-greedy исследования и эвристики прицеливания и стрельбы; в описанном замкнутом игровом цикле указана успешность эпизода 65% против 45% у случайного выбора. Модель предназначена для экспериментов с клонированием поведения и игровым управлением в конкретном сценарии, а не для универсального чата или произвольных игровых сред. В карточке указана лицензия Apache-2.0. Результат зависит от формата описания состояния и набора действий, а заявленная успешность относится к базовому сценарию ViZDoom.

VLA-Adapter LIBERO-Object — модель Vision-Language-Action от OpenHelix Team, дообученная на задаче Libero-Object. Она построена на архитектуре Prismatic-VLM: визуально-языковой компонент принимает изображения и текст, а политика генерирует действия робота. В качестве небольшой языковой основы используется Qwen2.5-0.5B; архитектура модели относится к семейству OpenVLA и использует Bridge Attention для связи визуально-языковых условий с генерацией действий. Модель предназначена для управления роботом по визуальным наблюдениям и текстовым условиям в сценариях бенчмарка LIBERO-Object. Карточка сообщает о результатах на робототехнических бенчмарках, превосходящих ряд более крупных открытых VLA-моделей, но подробные таблицы результатов в доступном README опущены. Лицензия — MIT.

VLA-Adapter LIBERO-Spatial — модель OpenHelix Team для управления роботизированными манипуляциями в сценариях бенчмарка LIBERO-Spatial. Она принимает изображение и текстовую инструкцию, обрабатывает их с помощью vision-language-модуля на архитектуре Prismatic-VLM с языковой основой Qwen2.5-0.5B и генерирует действия робота. Модель дообучена для задач LIBERO-Spatial и использует policy-модуль с Bridge Attention для объединения визуально-языковых условий и представления действий. В карточке заявлено, что семейство VLA-Adapter превосходит ряд открытых VLA-моделей с более крупными языковыми основами на робототехнических бенчмарках; конкретные результаты для этого чекпойнта здесь не приведены. Модель распространяется в формате safetensors по лицензии MIT. Карточка не уточняет диапазон совместимого оборудования и протокол выполнения действий, поэтому перед использованием в реальном роботе потребуется проверить совместимость среды и политики управления.

VLA-Adapter/LIBERO-Spatial-Pro — дообученная модель Vision-Language-Action от команды VLA-Adapter для управления роботом в задачах бенчмарка LIBERO-Spatial. Архитектура сочетает визуально-языковую модель на основе Prismatic-VLM с языковым бэкбоном Qwen2.5-0.5B и политикой генерации действий; модуль Bridge Attention связывает условия, извлечённые из изображения и текста, с представлением действия. Модель принимает изображения и текстовые инструкции, а выдаёт действия робота. Модель предназначена для выполнения пространственных робототехнических задач и оценки политик управления на LIBERO-Spatial. Авторы сообщают о результатах выше ряда открытых VLA-моделей с более крупными бэкбонами на распространённых робототехнических бенчмарках; приведённые в карточке таблицы результатов опущены, поэтому конкретные значения проверить нельзя. В метаданных указана лицензия MIT. Базовая языковая модель содержит около 494 млн параметров; общий размер данной модели не приведён.

albertge выпустил дообученный чекпойнт LLaDA-8B-Base для решения задач Countdown — составления арифметического выражения из заданных трёх или четырёх чисел. Модель использует диффузионную языковую архитектуру LLaDA и генерирует текст; для переноса состояния между окнами денойзинга обучены четыре непрерывных register-токена. Чекпойнт создан методом Chunked GRPO на основе SFT-модели mix60k R4; обучение включало 200 обновлений и окна по 128 токенов. Модель предназначена для экспериментов и оценки пошагового решения задач Countdown с разбиением генерации на окна. Для корректного инференса нужны специальный режим registers и соответствующая обвязка из репозитория. Доступна по лицензии Apache-2.0.

Экспериментальный чекпойнт проекта dLLM Registers, разработанный albertge на основе GSAI-ML/LLaDA-8B-Base. Это диффузионная языковая модель LLaDA с архитектурой LLaDAModelLM, дообученная методом Chunked GRPO для решения задач Countdown с тремя или четырьмя числами. Модель использует марковский канал переноса состояния в виде хвоста из четырёх токенов между окнами денойзинга; размер чанка — 128 токенов. Модель предназначена для генерации текстовых решений Countdown и исследования пошагового рассуждения с передачей состояния при декодировании диффузионных языковых моделей. Для корректного вывода нужны параметры канала tail: num_registers=0, channel_mode=tail и tail_length=4, а также соответствующая обёртка проекта. Лицензия — Apache-2.0.

GeomLlama-xyz — созданная авторами исследовательской работы дообученная версия Llama-3.1-8B-Instruct для генерации трёхмерных конформеров молекул по строке SMILES. Модель выдаёт декартовы координаты атомов в формате XYZ: по одной строке на атом с обозначением элемента и координатами в ангстремах. Она обучена на объединённых наборах GEOM-QM9 и GEOM-Drugs, поэтому предназначена как для небольших молекул, так и для более крупных лекарственно-подобных соединений. Это плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров; в метаданных указан контекст до 131 072 токенов. Для обучения использовался Axolotl и LoRA с последующим объединением адаптера с базовыми весами; также применялись данные для репетиции общих инструкций. Модель принимает текстовую инструкцию со SMILES и генерирует текстовые координаты, которые можно разобрать как блок XYZ. Лицензия указана как llama3.1; использование должно соответствовать её условиям и условиям базовой модели Meta.

allenai/Llama-3.1-Tulu-3-70B-broken — экспериментальный контрольный пункт семейства Tülu 3, созданного Allen Institute for AI на базе Llama 3.1. Это плотная 69,5-миллиардная языковая модель архитектуры LlamaForCausalLM с контекстом до 131072 токенов, предназначенная для генерации текста и диалогов; семейство Tülu ориентировано на следование инструкциям и задачи вроде MATH, GSM8K и IFEval. В контрольной точке отсутствует языковая голова (LM head) из-за ошибки сохранения весов. При обычной загрузке Transformers веса головы инициализируются случайно, поэтому модель не подходит для стандартного использования и её ответы не отражают заявленные возможности Tülu. Репозиторий опубликован для исследований по восстановлению LM head. Модель дообучена от allenai/Llama-3.1-Tulu-3-70B-DPO и распространяется по Llama 3.1 Community License Agreement.

llm-jp/lllm-jp-roberta-random-init — модель на архитектуре RoBERTa с примерно 189,7 млн параметров и нативным контекстом до 517 токенов. Она размещена в организации llm-jp и предназначена для использования в llm-jp-clip. Модель не обучена и представляет собой случайно инициализированные веса, поэтому не подходит для прикладного заполнения пропусков, извлечения признаков или других задач без предварительного обучения. Метаданные классифицируют её как модель для pipeline fill-mask; для работы используется библиотека Transformers и формат Safetensors. Лицензия в предоставленных данных не указана.

Mario-GPT2-700-context-length — авторегрессионная текстовая модель семейства GPT-2, разработанная shyamsn97 для проекта MarioGPT. Она предназначена для генерации игровых уровней Super Mario на основе текстовых описаний, например требований к трубам, врагам, блокам и высоте уровня. Модель реализует задачу text-generation, использует Transformers и PyTorch и поддерживает контекст до 1024 токенов. В проекте она применяется для открытой генерации уровней, представленных в текстовом формате, с возможностью управлять характеристиками уровня через промпт. Специализация на данных и формате уровней Mario делает её полезной для процедурного создания игровых сцен, но ограничивает применение вне этой области. Надёжные сведения о лицензии, числе параметров и поддерживаемых естественных языках в доступных источниках отсутствуют.

Mind of Tashi — mini student — это разговорная текстовая модель от build-small-hackathon для игры в дуэль с одновременным выбором хода. Она читает историю ходов соперника, рассуждает в англо-хинди/санскритском регистре с переключением языков и выдаёт один допустимый ход в JSON с полями move и taunt. Модель построена на архитектуре Qwen 3.5 MoE, содержит 619,2 млн параметров и рассчитана на контекст до 262 144 токенов; в README описана настройка LoRA и последующее слияние адаптера с весами. Модель дообучена на корпусе mind-of-tashi-selfplay для сценариев игрового самообучения и дуэлей между моделями. В проверке на 20 новых игровых состояниях она выдала корректный формат и допустимый ход во всех случаях при выборочном декодировании с температурой 0,8 и top_p 0,9; при жадном декодировании результат составил 18 из 20. README также сообщает, что в дуэлях GRPO-модель меньшего размера уверенно побеждает эту SFT-модель, поэтому корректное следование формату не означает сильной игровой стратегии. Лицензия — Apache-2.0.

pravsels/molmoact2_busybox_buttons_25k — дообученная версия MolmoAct2, подготовленная для управления роботом SO101 при выполнении задач с кнопками BusyBox. Модель основана на allenai/MolmoAct2 и дообучена только action-expert компонент по данным набора pravsels/busybox_buttons_bimanual; контрольная точка соответствует 25 000 шагам обучения. Модель предназначена для управления роботом по визуальным наблюдениям и инструкциям в сценарии с кнопками BusyBox. Для загрузки контрольная точка размещена в корне репозитория. В метаданных указан формат safetensors и библиотека LeRobot. Размер весов в README — около 10,9 млрд байт. Лицензия и конкретные ограничения применения в предоставленных источниках не описаны.

Модель pravsels/molmoact2_insert_candle_quantile_norm_fix_25k — дообученная версия MolmoAct2 от Ai2, подготовленная для задачи вставки свечи роботом на данных SO101. Это вариант action-expert-only, обученный на наборе villekuosmanen/armnetbench_insert_candle; опубликован контрольный чекпойнт после 25 000 шагов обучения в формате safetensors. Модель предназначена для управления роботом по визуальным наблюдениям и языковым инструкциям в сценарии вставки свечи. Как и базовая MolmoAct2, она относится к классу vision-language-action и требует адаптации к соответствующей роботизированной конфигурации. Данных о лицензии и численных характеристиках контекста в предоставленной карточке нет.

MolmoAct2 NEXTAGE Forceps — полноценно дообученная модель Michi-Tsubaki на базе Allen Institute for AI (Ai2) MolmoAct2 для бимануального робота NEXTAGE. Она предназначена для передачи хирургического зажима из руки в руку по визуальным наблюдениям и языковому запросу. Модель обрабатывает изображения с верхней и правой запястной камер, состояние робота и выдаёт непрерывные действия в виде абсолютных положений суставов. Горизонт действия составляет 30 шагов; для специфичной конфигурации робота используются отдельные метаданные нормализации. Чекпойнт включает эксперт действий и требует загрузки с trust_remote_code=True. Модель рассчитана на исследования с описанной конфигурацией NEXTAGE и соглашением управления, а не на универсальное управление роботами. Перед использованием на физическом роботе следует проверять выходы офлайн и в симуляции, применять ограничения контроллера и обеспечивать надзор человека. Сведения о лицензии в карточке не приведены.

Это дообученная модель MolmoAct2 для управления роботом при открывании дверцы лампы. Разработчик дообучил исходную модель allenai/MolmoAct2 в режиме action-expert-only на данных SO101 из набора villekuosmanen/armnetbench_open_lamp_door; в репозитории опубликован чекпойнт после 25 000 шагов обучения. Модель предназначена для выполнения конкретной манипуляционной задачи по визуальным наблюдениям и инструкциям на естественном языке. MolmoAct2 — vision-language-action модель Ai2, которую адаптируют для управления конкретными роботами. Веса представлены в формате safetensors и доступны через библиотеку LeRobot. Лицензия в предоставленных данных не указана.

MolmoBot-DROID — модель типа vision-language-action, разработанная Ai2 и обученная для управления роботами с использованием симуляционных данных на платформе DROID. В статье она также обозначена как MolmoBot (F=2). Обучение проводилось без данных с реальных роботов; базой послужила мультимодальная Molmo2-4B, дообученная на наборе allenai/molmobot-data. Модель предназначена для задач роботизированных манипуляций: она принимает визуальные и текстовые входы и предсказывает действия робота. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. В доступных сведениях не приведены размер контекста и поддерживаемые языки помимо английского.

Alienanthony/Nested_Mamba_3Level — исследовательская авторская модель генерации последовательностей размером 2,478 млрд параметров. Она использует три вложенных причинных разрешения на основе Mamba-2 и предсказывает следующие байты напрямую, без обучаемого токенизатора; словарь состоит из 260 служебных и байтовых идентификаторов. Обучение проводилось на смеси веб- и PDF-текста, сериализованных примеров изображений и текста, а также аудио. Модель предназначена для исследований байтового моделирования, иерархических моделей пространства состояний, адаптивного причинного пулинга и генерации последовательностей из разных модальностей. Контрольные веса опубликованы в SafeTensors с точностью FP32; для запуска рекомендуется BF16. Это пользовательская архитектура и код, не совместимые напрямую с Transformers AutoModel; README рекомендует запускать включённый скрипт инференса в Linux с CUDA и совместимыми версиями PyTorch, mamba-ssm, Triton и causal-conv1d. Модель не является чат-ассистентом и не обучена следовать инструкциям. Валидация текста показана отдельно, а общий показатель смешанной выборки нельзя трактовать как оценку качества текста. Модель экспериментальная и существенно недообучена. Генерация байтов может давать некорректный UTF-8, повреждённые изображения и незавершённые аудиоконтейнеры; качество аудио заметно слабее текстового, а обучение на небольших PPM-изображениях ограничивает детализацию. Указана лицензия other; README предупреждает, что она не предоставляет прав на воспроизведение защищённых обучающих материалов, включая тексты песен, композиции, голоса и записи.

lodrick-the-lafted/not-your-advisor-9b — разговорная текстовая модель на базе Gemma 2 9B Instruct с вектором управления, встроенным в веса. Он настроен на ответы, в которых модель сообщает, что не может давать финансовые советы. Модель предназначена для диалогового текстового общения и демонстрации управляемого поведения при запросах о финансовых рекомендациях. Она имеет плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров и поддерживает контекст до 8192 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Это специализированная модификация с узким заданным поведением; README не приводит оценок качества, подробностей обучения или сведений о поддерживаемых языках. Для финансовых решений ответы модели не следует считать профессиональной консультацией.

Карточка модели lingkang2024/OneVL_AlpamayoR1 на Hugging Face совпадает с карточкой xiaomi-research/OneVL_NAVSIM, поэтому описание составлено по ней. OneVL — модель Vision-Language-Action для автономного вождения, разработанная командой Xiaomi Embodied Intelligence. Она дообучена на основе Qwen3-VL-4B-Instruct и предназначена для предсказания траекторий движения по визуальному контексту и формирования языковых объяснений. Модель использует четыре визуальных и два языковых латентных токена: при обучении вспомогательные декодеры связывают их с будущими кадрами сцены и явным рассуждением, а при инференсе эти декодеры не используются, что сокращает задержку. OneVL оценивается на бенчмарках NAVSIM, ROADWork, Impromptu и APR1. В README сообщается о более высокой точности предсказания траекторий по сравнению с явным авторегрессионным рассуждением и ускорении инференса. Это специализированная модель для сценариев автономного вождения, а не универсальная система управления автомобилем; приведённые результаты относятся к указанным бенчмаркам. Для запуска рекомендована CUDA-видеокарта с не менее чем 16 ГБ видеопамяти. Лицензия — Apache-2.0.

OpenVLA 7B Fine-Tuned on LIBERO-Spatial — модель OpenVLA, дообученная разработчиками проекта OpenVLA с помощью LoRA на симуляционном наборе LIBERO-Spatial. Она предназначена для управления роботом по изображению сцены и текстовой инструкции: модель предсказывает действия для выполнения пространственных задач в симуляторе LIBERO. Архитектура — плотная мультимодальная OpenVLAForActionPrediction на основе OpenVLA 7B; веса опубликованы в формате safetensors. В описании указаны ранг LoRA 32 и 50 тысяч шагов обучения. Модель рассчитана на оценку и выполнение задач LIBERO-Spatial в симуляторе; для запуска и оценки авторы отсылают к инструкциям OpenVLA на GitHub. Лицензия — MIT. Карточка не сообщает метрики качества или подробности о применении на физических роботах.

Модель lukasskellijs/pi05_assembly_bench_2_full_vlm_6k — полно-параметрическая дообученная версия DAVIAN-Robotics/pi05_droid_jointpos от автора lukasskellijs на наборе данных assembly_bench_2. Это модель для роботизированной манипуляции: по изображениям и состоянию суставов она формирует последовательности управляющих действий. Используется пространство действий DROID с абсолютными позициями семи суставов руки и захвата. Модель обучалась 6000 шагов; репозиторий содержит финальный чекпойнт и распространяется в формате safetensors для библиотеки LeRobot. Модель подходит для экспериментов и задач сборки, где роботу нужно управлять рукой и захватом на основе визуального наблюдения. Она наследует назначение базовой модели π0.5, сконвертированной в формат LeRobot. Лицензия — Apache-2.0. Карточка не приводит результаты оценки качества или подробности о роботизированной платформе, поэтому переносимость управления на другие конфигурации робота не подтверждена.

Это контрольная точка π0.5 от lukasskellijs, продолжение supervised fine-tuning (SFT) модели `lukasskellijs/pi05_assembly_bench_2_full_vlm_6k` на датасете `lukasskellijs/assembly_bench_2` ещё на 6 тысяч шагов; в карточке она обозначена как финальная. Модель предназначена для робототехнических задач сборки и загружается через `PI05Policy.from_pretrained` из библиотеки LeRobot. В названии исходной модели указано full VLM, однако карточка не описывает конкретные входные данные, выходы или поддерживаемые языки. В метаданных указан тип задачи robotics и формат весов safetensors. Размер модели, длина контекста и лицензия в предоставленных сведениях отсутствуют.

DecentVLA подготовила эту версию pi0.5 как финальные локальные веса первого клиента федеративного обучения FedAvg для задачи складывания кубиков. Модель основана на lerobot/pi05_base и адаптирована на данных клиента 250 локальными шагами в последнем раунде 30-раундового обучения; её состояние включено в агрегацию глобальной модели DecentVLA/pi05_cubestack_fl_2client. Это отдельная клиентская версия, обученная на трёх наборах Blue_on_Green, Blue_on_Orange и Orange_on_Green, а не локальный базовый вариант с иной нормализацией. Модель предназначена для управления роботом SO-101 по изображениям с камер base_0_rgb и left_wrist_0_rgb и выдачи действий робота; экспорт выполнен в формате LeRobot с переносимым токенизатором и 6-мерными действиями и состоянием. Базовая модель — VLA pi0.5 от Physical Intelligence, рассчитанная на сочетание изображения, состояния робота и языковой инструкции. Репозиторий распространяется под лицензией Apache-2.0. Карточка не приводит количественных оценок качества или подробностей о поддерживаемых языках.

π₀.₅ Libero — модель Vision-Language-Action от Physical Intelligence, опубликованная в реализации LeRobot и дообученная на задачах LIBERO с нормализацией Quantiles. Она принимает изображения с нескольких ракурсов, состояние робота и необязательную языковую инструкцию, а выдаёт непрерывные действия для управления роботом. Модель рассчитана на выполнение многоэтапных задач и предназначена прежде всего как основа для дообучения под конкретный сценарий. Обучение и вывод используют action head на основе flow matching. В этой версии доступны только компоненты для flow matching: предсказание подзадач, токенизация действий и обучение с подкреплением из исходной работы не включены. Модель ориентирована на робототехнику и демонстрации LIBERO; лицензия в метаданных — Gemma.