II.2Создание и понимание программного кода

trl-internal-testing/tiny-Qwen3VLForConditionalGeneration — минимальная тестовая модель, предназначенная для модульных тестов библиотеки TRL. Модель опубликована в экосистеме Hugging Face и использует библиотеку Transformers. По названию модели можно заключить, что она относится к семейству Qwen3 VL и предназначена для условной генерации с поддержкой визуально-языковых сценариев. Однако README не содержит сведений о точной архитектуре, количестве параметров, поддерживаемых языках и модальностях, размере контекста, производительности или практических прикладных сценариях. Главное назначение модели — проверка корректности работы компонентов TRL, а не полноценное использование в продуктивных системах. Данные о лицензии в README не указаны.

optimum-internal-testing/tiny-random-qwen3 — небольшая тестовая модель, опубликованная на Hugging Face организацией optimum-internal-testing; конкретный разработчик в карточке модели не указан. Модель предназначена для генерации текста и проверки совместимости инструментов Transformers и связанных средств инференса, а не для полноценного прикладного использования. В репозитории указаны формат Safetensors, тип данных F32 и размер около 9,8 млн параметров; поддерживается сценарий text generation с AutoModelForCausalLM и чат-шаблоном. Сведения об архитектуре, количестве слоёв, контекстном окне, языках, обучающих данных, оценивании и лицензии в карточке модели отсутствуют. Из-за статуса tiny-random и тестового назначения модель, вероятно, не предназначена для качественных ответов или использования в production; её сильная сторона — малый размер и пригодность для тестирования загрузки и интеграции.

onnx-internal-testing/tiny-random-Qwen3ForCausalLM — небольшой случайно инициализированный тестовый чекпойнт с архитектурой Qwen3ForCausalLM, опубликованный в экосистеме Hugging Face Transformers. По названию модели можно заключить, что она предназначена для внутренних проверок совместимости и работы инструментов, а не для решения прикладных задач генерации текста. Модель относится к классу авторегрессионных языковых моделей и рассчитана на работу через Transformers. Точные сведения о размере, числе параметров, контекстном окне, поддерживаемых языках, обучающих данных, результатах оценки и разработчике в README отсутствуют. Лицензия также не указана. Главное преимущество модели — малый размер и пригодность для быстрых тестов загрузки, сериализации, инференса и интеграции с программными компонентами. Из-за случайной инициализации и отсутствия описанного обучения она не предназначена для качественной генерации, продуктивного использования или оценки языковых способностей. Условия дальнейшего использования следует уточнять в репозитории модели и её метаданных.

Tiny SmolVLMForConditionalGeneration — минимальная модель, созданная для модульных тестов библиотеки TRL. Она предназначена прежде всего для проверки и разработки компонентов TRL, а не для решения прикладных задач или использования в продуктивных системах. Модель доступна через экосистему Transformers; её идентификатор — trl-internal-testing/tiny-SmolVLMForConditionalGeneration. Из предоставленных данных следует, что это вариант модели с условной генерацией, однако сведения о точной архитектуре, размере, поддерживаемых модальностях и языках, длине контекста, производительности и ограничениях отсутствуют. Лицензия в README не указана. Поскольку модель минимальная и предназначена для тестирования, её сильная сторона — пригодность для быстрых автоматизированных проверок в TRL; делать выводы о качестве генерации или практической применимости по имеющимся данным нельзя.

trackfit-llm-small — компактная причинная языковая модель на архитектуре Llama, разработанная авторами карточки и обученная с нуля для восстановления параметров прямолинейных треков частиц по срабатываниям детектора. Она получает отсортированный список кодов попаданий по 12 слоям детектора и генерирует вызов gen_evt со значениями наклона и пересечения, а также классификацией лишних и пропущенных попаданий. Задача представлена как перевод последовательности кодов в структурированный текстовый вызов. Модель содержит около 32,3 млн параметров по метаданным и принимает контекст длиной до 256 токенов. Фиксированный токенизатор включает коды попаданий, синтаксис вызова и допустимые значения параметров трека. Расширенный словарь охватывает крутые треки, пересекающие лишь часть детектора. В README приведены результаты на синтетических и реальных данных космических мюонов; на синтетических событиях модель показывает высокую точность восстановления параметров и обработку шума. Применение ограничено описанной конфигурацией однотрекового детектора, геометрией и диапазоном словаря. Лицензия MIT.

TurboVLA-base (SO-100) — готовая к дообучению модель vision-language-action для управления манипулятором SO-100/SO-101; разработчик в карточке явно не назван. Модель примерно на 0,2 млрд параметров объединяет визуальный энкодер DINOv3 ViT-B, текстовый энкодер BERT и шесть двунаправленных слоёв cross-attention. ACT-подобный декодер за один проход предсказывает последовательность из 12 непрерывных шагов действия. На вход модель принимает два RGB-изображения с камер (вид спереди и с запястья), инструкцию на английском языке и 6-мерное состояние суставов робота. Она предназначена для дообучения на данных конкретной роботизированной задачи и последующего предсказания действий манипулятора. Веса основаны на официальном чекпойнте TurboVLA для LIBERO; некоторые параметры, зависящие от конфигурации робота, инициализированы заново. Для дообучения нужны статистики нормализации из набора данных. В README указана лицензия «other» без дополнительных условий, поэтому точные права использования по имеющимся данным определить нельзя. Чекпойнт рассчитан на SO-100/SO-101, принимает английский текст и сам по себе не содержит статистик нормализации для целевого набора данных.

UniPhysGen-1.7B-Init — обучающая начальная контрольная точка UniPhysGen, разработанная breezexian. Модель объединяет языковую основу Qwen3-1.7B, энкодер облаков точек Sonata и мультимодальные проекционные слои UniPhysGen. Это плотная архитектура UniPhysGenQwen3ForCausalLM с 1,7 млрд параметров и контекстом 40 960 токенов; репозиторий содержит веса safetensors. В метаданных указан английский язык. Контрольная точка предназначена для воспроизведения этапа выравнивания физических семантических представлений и последующего дообучения на совместимых данных, в том числе UniPhys-40K. Она служит основой для обучения моделей, связывающих семантику объектов с их артикуляцией и физическими свойствами в 3D. Лицензия — CC BY-NC 4.0. Это начальная точка обучения без специализированного обучения задачам физического grounding; она не рекомендована для инференса и не предназначена для использования как обычная модель генерации текста через стандартный Hugging Face pipeline. Требуются облака точек и промпты в формате UniPhysGen; выходы могут быть неточными и нуждаются в дообучении и проверке перед применением в симуляции или робототехнике.

UniVLA-7B — официальный чекпойнт модели для управления роботами, представленный как результат работы RSS 2025 «Learning to Act Anywhere with Task-centric Latent Actions». Модель относится к семейству OpenVLA и предназначена для построения обобщённых политик, которые планируют действия в едином пространстве, не зависящем от конкретного воплощения робота. UniVLA предварительно обучена на коллекции данных OpenX и Ego4D. В карточке заявлены результаты уровня state of the art на нескольких бенчмарках и вычислительно эффективное обучение. Чекпойнт можно дообучать на симуляционных бенчмарках или пользовательских наборах данных; детали такого процесса приведены в официальном репозитории проекта. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Модель выдаёт предсказания действий для робототехнических задач; конкретные поддерживаемые типы входных наблюдений и устройство выходных действий в карточке не уточнены.

Veyra2-Apricot-50M-Tetris-Verbose — компактная языковая модель, дообученная CNWPlayer на Veyra2-Apricot для игры в тетрис. Модель предназначена для генерации ходов и текстовых объяснений игрового процесса; автор сообщает о хороших результатах в тестах по тетрису, но также отмечает возможное загрязнение обучающих данных и нестабильность результатов. Модель использует плотную архитектуру Veyra2ApricotForCausalLM и содержит 49,3 млн параметров. Она принимает текст и генерирует текст, поддерживает английский язык, а контекст составляет до 2048 токенов по метаданным. Распространяется в формате safetensors под лицензией Apache-2.0.

VLADrop OpenVLA-OFT LIBERO Drop16MHA Uniform — чекпойнт из работы «Drop-Then-Recovery: How Redundant Are Vision-Language-Action Models?». Модель основана на OpenVLA-OFT и предназначена для управления роботом по визуальным наблюдениям и языковым инструкциям в задачах LIBERO. В чекпойнте удалены MHA-подслои в 16 нечётных блоках 32-слойной основы Llama 2, а MLP-подслои сохранены. После этого уменьшенная плотная модель прошла восстановительное дообучение с LoRA ранга 32; адаптер объединён с весами. Конфигурация содержит списки удалённых слоёв, чтобы при оценке автоматически восстановить прореженный граф. Для запуска требуется модифицированная библиотека transformers-openvla-oft-dropped. Модель рассчитана на эксперименты и оценку управления роботом в бенчмарке LIBERO; описанная команда запускает случайную оценку на наборе libero_spatial. Репозиторий распространяется по лицензии MIT. Карточка не приводит измерений качества, поэтому нельзя заключить, как прореживание повлияло на успешность выполнения задач.

ACT 기반의 LeRobot 로봇 제어 정책으로, danny1002가 SO-ARM101 양팔 로봇에서 책상 위 쓰레기를 빗자루와 쓰레받기로 모으도록 학습했습니다. 정책은 VAE 인코더 4개 층과 dim_model=512, 8개 어텐션 헤드를 사용하며, 비전 백본은 ImageNet1K_V1로 사전학습된 ResNet18입니다. 동작 청크와 실행 단계는 각각 100개입니다. 모델은 두 대의 카메라(front 및 wrist) 관측과 25 Hz 제어 주파수를 전제로 합니다. 학습 데이터셋은 danny1002/trash_gathering이며, 학습은 20 000 шагов и batch size 32. Политика не зависит от языка: переданный текст задачи не меняет поведение, она выполняет только уборку мусора. Качество может снижаться при изменении расположения предметов, освещения или угла камеры. Лицензия — Apache-2.0.

Auroic Router 0.6B — компактная модель маршрутизации сообщений для групповых и личных чатов, разработанная Kaushal Krishna в рамках проекта Auroic. Это дообученная на Qwen3-0.6B плотная причинная языковая модель с 507,9 млн параметров и контекстом до 40 960 токенов. Она принимает историю чата и новые сообщения-кандидаты, а затем выдаёт структурированное решение о том, какое действие предпринять: ответить, отреагировать эмодзи или предложить медиа. Модель предназначена для классификации намерений и выбора следующего шага в конвейере разговорного ИИ, а не для генерации ответа пользователю. Модель рассчитана на короткие окна индийских чатов, особенно на Hinglish и индийский английский; автор сообщает о работе на CPU с задержкой около 2–4 секунд после прогрева. В README описан формат входа из пяти сообщений истории и трёх кандидатов, а также статeless-режим: каждый запрос должен обрабатываться в новом контексте. Модель не предназначена для фактических вопросов и ответов, помощи с кодом или длинной генерации. Распространяется по лицензии Apache-2.0.

Модель autorl-grab-act-vibepi-iter9 разработана VibeCuisine и обучена с нуля как ACT policy с помощью Vibe Data Studio. Она предназначена для управления роботом при захвате огурца по текстовой инструкции, например указании взять огурец около одного из его концов. Модель обучена на 264 телеуправляемых эпизодах: 25 805 кадров с частотой 20 кадров в секунду. На входе используются изображения с трёх камер робота — основной, верхней и установленной на запястье, — а также инструкция; выходом служат 7-мерные действия для суставов и захвата. Репозиторий содержит веса в формате safetensors и использует библиотеку LeRobot. Обучение охватывает узкий сценарий захвата огурца на конкретной роботизированной установке; качество на других объектах, роботах и условиях по карточке не подтверждено. Лицензия в предоставленных данных не указана.

AxionMoE-350k-A250k — экспериментальная компактная языковая модель AxionLab-Co, созданная с нуля как доказательство работоспособности архитектурных идей DeepSeek-V3 при сильном уменьшении масштаба. Она реализована на PyTorch и использует причинную генерацию текста, Multi-head Latent Attention и DeepSeekMoE с четырьмя маршрутизируемыми экспертами, из которых активируются два. Модель содержит 343 616 параметров, около 160 тысяч активных параметров на токен и рассчитана на последовательности до 512 токенов; README указывает, что она работает на CPU. Модель обучена на текстовом наборе GSM8K с математическими задачами начального школьного уровня. Её можно использовать для экспериментов с миниатюрными MoE-моделями и генерацией текстовых ответов на простые математические вопросы. Автор предупреждает, что модель не умеет надёжно решать задачи и может нарушать синтаксическую связность. Репозиторий распространяется по лицензии MIT.

julien-c/bert-xsmall-dummy — демонстрационная чрезвычайно малая модель на архитектуре BERT, опубликованная пользователем или организацией с идентификатором julien-c. Она предназначена прежде всего для тестирования, примеров и проверки совместимости библиотек Transformers, а не для решения прикладных задач обработки естественного языка. В README показано создание модели BertForMaskedLM и её сохранение в форматах PyTorch и TensorFlow. Конфигурация включает словарь из 10 токенов, скрытое представление размером 20, один скрытый слой, одну attention head и промежуточный размер слоя 40. Модель поддерживает задачу masked language modeling; сведения о фактическом токенизаторе, языках, размере контекста, качестве, обучающих данных и результатах тестирования не приведены. Ключевое преимущество — минимальный размер, удобный для быстрых тестов и разработки. Из-за игрушечной конфигурации модель не предназначена для качественного анализа текста. Лицензия в README не указана.

dana-nemo-4b — модель NguyenNM1024 для ответов на вопросы по системам управления зданиями (BMS) и HVAC. Она создана на основе NVIDIA Nemotron 3 Nano 4B FP8: к базовой модели применён LoRA-адаптер, веса которого статически объединены с контрольной точкой. Архитектура NemotronHForCausalLM сочетает Mamba2, механизмы внимания и MLP; метаданные каталога указывают 6,4 млрд параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 262 144 токенов и рассчитана на английский язык. Модель предназначена для диалоговых ответов на вопросы о системах автоматизации зданий и HVAC. В README приведены рекомендации по настройкам генерации и интеграции с vLLM, включая необходимость совместимой версии и специального парсера reasoning-тегов. Указана лицензия other; конкретные условия лицензии в доступных данных не раскрыты. Среди ограничений — склонность предлагать JSON даже для вопросов, требующих обычного текста, и неоднозначная интерпретация HVAC-терминов без соответствующего контекста в системном запросе. При потоковой генерации с включённым reasoning часть ответа может попасть в поле reasoning; README рекомендует отключать этот режим. Модель оценивалась на вопросах по управлению зданиями и HVAC, поэтому данные не подтверждают качество за пределами этой области.

yujiepan опубликовал тестовую модель генерации текста, случайно инициализированную по конфигурации databricks/dbrx-instruct с уменьшенной до 256 скрытой размерностью. Модель использует архитектуру DBRX для авторегрессионной генерации текста и распространяется в формате safetensors с точностью float16. Модель не предназначена для содержательного диалога или прикладной генерации: случайная инициализация означает отсутствие обученных языковых знаний. Репозиторий может быть полезен для проверки загрузки, совместимости и работы кода Transformers с архитектурой DBRX. Лицензия в предоставленных данных не определена.

deepseek-llm-tiny-random — небольшая модель генерации текста, опубликованная пользователем yujiepan. Она создана с использованием конфигурации deepseek-ai/deepseek-llm-67b-chat, но существенно уменьшена и имеет случайно инициализированные веса, поэтому не является обученной чат-моделью и не предназначена для получения качественных содержательных ответов. Модель реализует авторегрессионную архитектуру причинного языкового моделирования с 2 слоями, скрытым размером 2, промежуточным размером 4, 2 головами внимания и 1 key-value head. Объём модели составляет около 204,9 тыс. параметров, формат весов — float16, максимальная длина контекста — 4096 токенов. Для работы используется библиотека Transformers; основная задача — text-generation. Модель может применяться для тестирования загрузки и конфигурации моделей Transformers, проверки совместимости токенизатора и конвейера генерации, а также для минимальных экспериментов с архитектурой DeepSeek-подобных языковых моделей. Из-за случайной инициализации весов её генерация не обладает практической языковой компетентностью. Лицензия в предоставленных данных не указана.

aday777/deepseek_v4_tiny_fixture — тестовая текстовая заглушка архитектуры DeepSeek-V4, созданная на основе deepseek-ai/DeepSeek-V4-Flash-Vision-Exp. Это случайно инициализированный чекпойнт примерно на 291 тыс. параметров с сокращённой конфигурацией, сохраняющей названия полей DeepSeek-V4 для проверки парсеров конфигураций, сопоставления имён весов, таблиц экспертов и загрузки safetensors в CI и тестовых инструментах. Модель помечена как text-generation, однако она не обучена и не предназначена для генерации полезных ответов или оценки качества. В репозитории есть только текстовые веса с сокращённым набором стандартного внимания и MoE; отсутствуют визуальный энкодер и проектор, а также некоторые компоненты полной базовой архитектуры. Токенизатор представлен заглушками, файла словаря нет. Для использования требуется собственный токенизатор; README также отмечает, что совместимость урезанной конфигурации с конкретной версией Transformers не проверена. Лицензия — MIT.

yujiepan/devstral-2-tiny-random — экспериментальная языковая модель, опубликованная пользователем yujiepan и созданная на основе конфигурации mistralai/Devstral-2-123B-Instruct-2512. Модель имеет архитектуру Ministral3ForCausalLM и предназначена прежде всего для отладки, проверки загрузки и тестирования кода на базе Transformers, а не для прикладной генерации текста. Модель содержит около 1,1 млн параметров, два декодерных слоя, скрытый размер 8 и контекстное окно до 262144 токенов. Она работает с библиотекой Transformers и использует случайно инициализированные веса; README демонстрирует применение MistralCommonBackend и чат-шаблона. Поддержка конкретных естественных языков в доступных данных не определена. Из-за случайной инициализации модель не обладает приобретёнными языковыми или кодовыми знаниями и не предназначена для качественных ответов, программирования, рассуждений или других пользовательских задач генерации. Лицензия в доступных материалах не указана.

CausalLM/EarlyFailures14B — тестовая модель с неправильно выполненной инициализацией, из-за которой её производительность ограничена. Это плотная авторегрессионная языковая модель на архитектуре LlamaForCausalLM размером 13,4 млрд параметров. Она принимает текст и предназначена для генерации текста; заявленная длина контекста — 8192 токена, языки карточки — английский и китайский. Репозиторий содержит веса PyTorch и распространяется по лицензии GPL-3.0. Модель не подходит для надёжного применения: README прямо предупреждает об ограниченной производительности из-за ошибки инициализации. Её назначение — тестирование или изучение такого неудачного чекпойнта.

fantassified_icons_v2 — дообученная модель Stable Diffusion от proximasanfinetuning для генерации изображений по текстовому описанию. Она создаёт иконки предметов в духе фэнтезийных игр, обычно на простом фоне; специальное триггерное слово не требуется. Модель предназначена прежде всего для создания игровых предметов и зелий. В README приведён пример использования через Diffusers с StableDiffusionPipeline. Автор отмечает, что лица и люди не были целью обучения, а включение hires fix может ухудшать изображения зелий. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Указана лицензия other; конкретные условия лицензии в доступных данных не раскрыты.

tiny-random/glm-5 — миниатюрная модель для отладки, созданная на основе конфигурации zai-org/GLM-5. Она случайно инициализирована и не является обученной версией GLM-5; разработчик именно этой сборки в README явно не указан, тогда как исходная архитектура связана с моделью zai-org/GLM-5. Модель предназначена для проверки совместимости и отладки интеграций с Transformers, vLLM и SGLang, включая поддержку multi-token prediction, speculative decoding, вызова инструментов и reasoning-парсеров. Она реализует causal language model с архитектурой GLM MoE DSA и содержит 2 скрытых слоя, размер скрытого представления 8, промежуточные размеры 32 и около 9,4 МБ весов. Поддерживаются загрузка через AutoModelForCausalLM и генерация текста, однако языки, модальности и максимальная длина контекста в README не указаны. Из-за случайной инициализации модель не предназначена для качественной генерации, решения прикладных задач или использования в продуктивных системах; её основное преимущество — малый размер и удобство тестирования. Лицензия в README не указана.

tiny-random/glm-5.2 — отладочная модель, созданная на основе архитектуры и конфигурации zai-org/GLM-5.2. Веса модели инициализированы случайно, поэтому она предназначена для проверки совместимости и отладки программных реализаций, а не для получения качественных текстовых ответов или использования в прикладных задачах. Модель представляет собой причинную языковую модель GLM с поддержкой multi-token prediction. В конфигурации указаны 4 скрытых слоя, размер скрытого представления 8, 8 attention heads, 8 key-value heads и словарь из 154 880 токенов. Архитектура включает компоненты MoE и DSA; размер файла model.safetensors составляет около 26,7 МБ. В README также приведены примеры запуска через Transformers, vLLM и SGLang, включая поддержку speculative decoding и разбора tool calls и reasoning. Сильная сторона модели — минимальный размер и близость конфигурации к GLM-5.2, что удобно для тестирования загрузки, генерации и интеграции с фреймворками. Главное ограничение — случайная инициализация весов: модель не обладает заявленными языковыми навыками и не предназначена для продуктивного применения. Языки, размер контекста и лицензия в предоставленных данных не указаны.

GLM-5.3-Flash-DFlash2-MXFP8 — это квантизированная MXFP8 черновая модель DFlash 2, опубликованная local-inference-lab на основе исходной модели incoai/GLM-5.3-Flash-DFlash2. Она предназначена для ускорения спекулятивного декодирования целевой модели local-inference-lab/GLM-5.3-Flash-NVFP4: сервер генерирует черновые токены с помощью этой модели, а целевая модель проверяет каждый из них. Самостоятельно как языковая модель она не используется. Модель рассчитана на сценарии высокопроизводительного сервинга через совместимый vLLM с интеграцией DFlash 2 и ModelOpt MXFP8. Линейные веса представлены в формате float8_e4m3fn, значения масштабов хранятся как E8M0 в uint8, размер блока квантизации составляет 1×32; модуль lm_head исключён. В квалифицированной конфигурации использовались семь черновых токенов, BF16 для KV-кэша черновой модели и четыре NVIDIA RTX PRO 6000 Blackwell с tensor parallel size 4. Размер загруженных черновых весов составил 1,20 ГБ. Языки, исходная архитектура целевой модели и предельный контекст самой черновой модели в карточке не указаны; для целевого сервинга приведено значение MAX_MODEL_LEN 262144. Сильная сторона модели — совместимость с проверенной конфигурацией DFlash 2 и MXFP8, позволяющей применять её как специализированный компонент ускоренного инференса. Ограничения существенны: модель не является самостоятельной, требует указанной целевой модели, совместимого runtime и аппаратно-программной конфигурации; сборки vLLM без интеграции DFlash 2 и ModelOpt MXFP8 не поддерживаются. Smoke-тест подтвердил загрузку и инференс, но пропускная способность и производительность CUDA Graph не были квалифицированы. Исходная модель распространяется по лицензии CC BY-NC-ND 4.0, предусматривающей ограничения на коммерческое использование и создание производных работ.

Карточка модели chenyanghai123/GR00T-N1.7-3B на Hugging Face совпадает с карточкой nvidia/GR00T-N1.7-3B, поэтому описание составлено по ней. 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.

Карточка модели HeGreat/GR00T-N1.7-3B на Hugging Face совпадает с карточкой nvidia/GR00T-N1.7-3B, поэтому описание составлено по ней. 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.

Экспериментальная дообученная языковая модель rohanjain2312/grpo-reward-hacking-fixed-kl-qwen05b создана Роханом Джайном на основе Qwen/Qwen2.5-0.5B-Instruct. Это плотная авторегрессионная модель семейства Qwen2 с 494 млн параметров, рассчитанная на генерацию текста и диалоговый режим; она принимает текст и поддерживает контекст до 32 768 токенов. В метаданных указан датасет stanfordnlp/imdb, а README описывает дообучение методом GRPO с KL-штрафом относительно замороженной базовой модели. Модель предназначена для исследовательской демонстрации того, как оптимизация по вознаграждению может влиять на продолжение негативных отзывов IMDB. В эксперименте использовалась награда от lvwerra/distilbert-imdb — вероятность положительной тональности. На отложенных промптах награда выросла с 0,556 до 0,996 между шагами 0 и 100, а перплексия под базовой моделью — с 4,5 до 6,3; README утверждает, что KL-штраф помогает сохранить качество вывода относительно других вариантов эксперимента. Модель распространяется в формате safetensors по лицензии Apache-2.0. README позиционирует её как исследовательскую демонстрацию и не рекомендует использовать для практических задач: оптимизация вознаграждения может смещать тональность сгенерированного текста.

koreabaseballteamgoldmedal — дообученная модель на архитектуре Wav2Vec2ForSequenceClassification, созданная на основе facebook/wav2vec2-base. Она предназначена для классификации аудио; набор данных и целевые классы в карточке не описаны. Модель содержит 113,3 млн параметров, распространяется в формате safetensors и использует лицензию Apache-2.0. В README приведены результаты оценки: accuracy 0,0442 и loss 2,6791. Эти показатели указывают на низкую точность в указанной оценке, поэтому пригодность модели для практического распознавания классов аудио не подтверждена.

LingBot-VLA-2.0-6B · G1 bimanual box lift — дообученная модель зрительно-языкового управления роботом на базе robbyant/lingbot-vla-v2-6b. Она предназначена для управления двуручным подъёмом коричневой коробки со стола на роботе Unitree G1 с 29 степенями свободы. В симуляции MuJoCo модель обучалась на 200 демонстрациях, созданных скриптовым учителем, и показала успех в 29 из 32 замкнутых испытаний на шаге обучения 500. Модель принимает текстовое задание, изображение с камеры 256×256 и состояние робота: углы 29 суставов, 14 нулевых каналов кистей и проекцию гравитации. На частоте 10 Гц она выдаёт порции действий с абсолютными целями для суставов рук, нулевыми командами кистям и почти нулевым движением основания. Ноги политикой не управляются, каналы пальцев Dex3 не используются; захват выполняется сжатием ладонями. Обучение проводилось только на изображениях из MuJoCo, поэтому реальные изображения камеры могут отличаться от обучающих, а качество при прямом переносе на аппаратное обеспечение ожидается ниже. Для надёжного применения на реальном роботе README рекомендует дообучение на реальных телеоперационных демонстрациях. Лицензия в предоставленных данных не указана.