II.3Рефакторинг, миграция и модернизация

NeuroCopilot-7B — языковая модель для программирования в области нейроморфных вычислений, разработанная Vantar AI на базе Qwen/Qwen2.5-Coder-7B-Instruct и дообученная с помощью QLoRA. Она генерирует код для Python SDK Nuro, предназначенного для создания, обучения и развёртывания спайковых нейронных сетей, в том числе на Intel Loihi 2, SpiNNaker 2 и CUDA GPU для симуляции. Модель использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Для обучения использовали около 416 пар инструкций и кода Nuro SDK, подготовленных на основе фрагментов из библиотек SpikingJelly, Intel Lava, snnTorch, Norse, BindsNET, Rockpool, Nengo и NIR. Доступны веса safetensors в bf16 и GGUF F16; лицензия — Apache-2.0. Модель рассчитана на генерацию и исправление специализированного кода для спайковых нейронных сетей и нейроморфных платформ. Небольшой объём обучающих примеров ограничивает широту охвата SDK и оборудования; качество результата для конкретной задачи следует проверять.

helper2424/resnet10 — модель ResNet-10, перенесённая из JAX в PyTorch для проекта по переносу кода HIL-SERL в LeRobot. При конвертации сохранены архитектура и веса исходной модели. Это четырёхстадийная ResNet с базовыми блоками и примерно 4,9 млн параметров; она принимает RGB-изображения размером 128×128 и формирует эмбеддинг размером 64. В метаданных указана задача классификации изображений, а компактный размер модели делает её подходящей для экспериментов с компьютерным зрением в робототехнике. Модель распространяется по лицензии Apache-2.0. README не приводит конкретные классы или метрики качества, поэтому пригодность для определённого набора меток требует проверки.

DR.Kernel-8B — модель HKUST-NLP на архитектуре Qwen3ForCausalLM, дообученная на базе Qwen/Qwen3-8B-Base для генерации и оптимизации GPU-ядер, особенно на Triton. Модель содержит около 7,6 млрд параметров, использует веса BF16 и поддерживает контекст до 32 768 токенов. Модель предназначена для создания реализаций ModelNew по эталонным задачам PyTorch и их итеративного улучшения по результатам компиляции, проверки корректности и измерения производительности в среде KernelGYM. Обучение включало начальное SFT и многошаговое обучение с подкреплением; модель лучше подходит для исследовательских задач и бенчмарков DR.Kernel, чем для обычной генерации кода без обратной связи о выполнении. Для практического применения требуется проверять сгенерированный код и его корректность на целевом оборудовании. В README лицензия не указана; при использовании следует учитывать требования к базовой модели и датасетам.

FahadPrimeX-b27-V3 — текстовая модель на 22,3 млрд параметров, разработанная FahadPrimeX на базе Qwen/Qwen3.8-27B. Она дообучена дистилляцией на 5 181 проверенном ответе, а затем оптимизирована методами RLVR/GRPO. Модель предназначена для создания кода и диалоговой помощи по Three.js и фронтенд-разработке; автор описывает проверку генераций в безголовом браузере по семи критериям, включая отсутствие ошибок в консоли и корректную работу рендеринга. Модель использует плотную гибридную архитектуру Qwen3.5 с 64 слоями: 48 слоёв линейного внимания и 16 слоёв полного внимания. Контекст — до 262 144 токенов. В карточке заявлена поддержка арабского, английского и китайского языков. Модель распространяется в формате safetensors по лицензии Apache-2.0. По результатам автора на 32 отложенных задачах общая оценка V3 составила 50,9%, а сложные критерии рендеринга, управления и запуска с одного действия были пройдены в 4 случаях из 32. Автор отмечает, что V3 лучше подходит для сохранения заданной идентичности на трёх языках, чем для качества генерации игр; анимация и интерактивность сгенерированных страниц могут быть слабыми.

CrystalChat-7B-Web2Code — мультимодальная модель на 7 млрд параметров, разработанная авторами проекта Web2Code на основе CrystalChat-7B. Она предназначена прежде всего для генерации HTML по изображениям веб-страниц, включая наброски от руки и снимки существующих сайтов. Модель использует визуальный энкодер CLIP ViT-L/14 с разрешением 336 пикселей и обучалась в два этапа по рецепту, сходному с LLaVA-v1.5 на базе Vicuna-7B. Также модель может отвечать на вопросы о содержимом веб-страниц. Модель принимает изображения и текстовые инструкции, а выдаёт текст, в том числе HTML-код. Основной язык карточки — английский; контекст составляет 2048 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Модель специализирована на веб-страницах, поэтому качество генерации для произвольных изображений и иных задач не следует считать подтверждённым.

deepsol-clawd-code — объединённая модель на базе GPT-2 из обучающего стека Solana Clawd AI. Она предназначена для исследований и экспериментов с помощниками по коду и инструментам, связанным с Solana. Модель использует архитектуру GPT2LMHeadModel с 12 слоями и размером скрытого представления 768; для работы доступны веса Safetensors и токенизатор Transformers. Контекст ограничен 1024 токенами, основной заявленный язык — английский. Модель подходит для генерации кода и текстовых ответов о разработке под Solana, но её небольшая ёмкость ограничивает сложные рассуждения и работу с длинным контекстом. Данные обучения и рецепт объединения не раскрыты, поэтому результаты следует оценивать перед применением. Лицензия — Apache-2.0.

luau-coder-1.0-preview-medium — промежуточный чекпойнт обучения от автора репозитория khtsly, опубликованный на шаге 10100 для сохранения и сравнения весов. Модель основана на архитектуре Kimi K3 mini port с классом KimiLinearForCausalLM; содержит 1,1 млрд параметров и представлена в формате safetensors. Метаданные указывают контекст до 1 048 576 токенов и английский язык. Модель предназначена для генерации текста, в частности кода на Luau, что следует из названия и языкового тега модели. Это незавершённая версия в процессе обучения, поэтому её качество и пригодность для практического использования не гарантированы. Лицензия в предоставленных данных не указана.

DevQuasar/google.medgemma-27b-text-it-GGUF — это квантованная версия текстовой модели google/medgemma-27b-text-it, разработанной Google и опубликованной в формате GGUF сообществом DevQuasar. Модель предназначена для генерации текста и, вероятно, ориентирована на медицинские текстовые сценарии, связанные с базовой моделью MedGemma, однако конкретные области применения в README не описаны. Из доступных данных известно, что модель относится к классу text-generation и имеет размер 27B параметров в базовой версии. Сведения об архитектуре, поддерживаемых языках, длине контекста, используемых уровнях квантования и точных модальностях отсутствуют; поэтому производительность и требования к ресурсам определить по README нельзя. Лицензия и условия использования также не указаны, их следует уточнить на странице базовой модели и репозитории квантованной версии.

MigoXV опубликовал конверсию потоковой модели Zipformer для обнаружения ключевых слов, разработанной в рамках проекта Icefall от k2-fsa. Репозиторий преобразует исходный чекпойнт PyTorch в формат Transformers и safetensors без переобучения, дообучения, квантизации или изменения весов. Модель содержит около 3,49 млн параметров и распространяется по лицензии Apache License 2.0. Модель предназначена для потокового распознавания заданных ключевых слов в аудио. На вход она принимает готовые 80-мерные Kaldi Fbank-признаки для аудио с частотой 16 кГц; потоковое окно составляет 45 кадров. Это низкоуровневая модель, а не готовый конвейер классификации аудио: построение графа ключевых слов, ресэмплинг, извлечение Fbank-признаков, обработку потоковых фрагментов и beam search должен реализовать вызывающий код. В репозитории есть SentencePiece-модель и таблица ключевых слов. Для загрузки с пользовательским кодом README рекомендует проверять код и фиксировать ревизию репозитория.

fxmarty/onnx-tiny-random-gpt2-with-merge — модель, опубликованная Félix Marty на Hugging Face. Это небольшая версия GPT-2, экспортированная в формат ONNX и содержащая варианты декодера с объединёнными графами и поддержкой прошлого состояния. Модель предназначена для извлечения признаков из текста через pipeline feature-extraction и использования с Transformers и ONNX. Модель работает с текстовой модальностью и имеет контекст длиной 512 токенов. Она распространяется по лицензии MIT. Название tiny-random указывает на тестовый характер и случайно инициализированные веса, поэтому модель пригодна прежде всего для проверки совместимости, экспорта и инференса ONNX, а не для качественных прикладных языковых задач.

Murat Komurcu дообучил StarCoder2-3B для генерации кода на C с использованием STM32 HAL. Модель предназначена для разработки встроенного ПО для микроконтроллеров STM32 и охватывает примеры работы с GPIO, PWM, прерываниями, UART, ADC, таймерами, I2C, DMA и SPI. Это плотная авторегрессионная модель с 4,2 млрд параметров и контекстом до 16 384 токенов; в README обучение описано как LoRA-дообучение на 29 720 примерах проектов STM32 с GitHub. Модель генерирует код по текстовому запросу или контексту программы. Карточка заявляет более 95% синтаксической корректности, но не приводит методику проверки; результат следует проверять и тестировать на целевой плате, поскольку корректность конкретной конфигурации оборудования не гарантируется. Лицензия — MIT.

UIGEN-T1.5-14B — дообученная Tesslate языковая модель на архитектуре Qwen2 для генерации интерфейсов. Она создаёт HTML и CSS по текстовому описанию и предназначена для подготовки адаптивных макетов дашбордов, лендингов и экранов регистрации или входа. Модель содержит 14 млрд параметров, использует формат safetensors и поддерживает контекст до 120 000 токенов. README указывает на генерацию структурированного кода с современным визуальным стилем; заявленная лицензия — Apache-2.0. Модель ориентирована на фронтенд-разработку и диалоговые сценарии. В README отмечены ограниченная интерактивность и минимальная функциональность JavaScript, возможное повторение дизайнерских решений и артефакты в сложных макетах; также может потребоваться точная формулировка запроса. README называет базовую модель Qwen2.5-Coder-7B-Instruct, но метаданные указывают Qwen/Qwen2.5-Coder-14B-Instruct; идентификатор базовой модели взят из метаданных.

Это преобразованная в формат Hugging Face Transformers версия потоковой модели Zipformer для обнаружения ключевых слов (KWS) из проекта Icefall, реализованного k2-fsa. Модель содержит 3,49 млн параметров; исходные веса PyTorch перенесены без изменений в safetensors, без дообучения и квантизации. Лицензия — Apache License 2.0. Модель принимает готовые 80-мерные признаки Kaldi Fbank для аудио с частотой дискретизации 16 кГц и обрабатывает поток окнами по 45 кадров. Она предназначена как компонент распознавания ключевых слов в аудиопотоке; для получения событий обнаружения вызывающей системе нужно самостоятельно подготовить аудиопризнаки и реализовать потоковую нарезку, граф ключевых слов и beam search. Это низкоуровневый чекпойнт, а не готовый сквозной классификатор для Hugging Face pipeline. Пересчёт аудио, извлечение Fbank, управление состоянием потока и декодирование остаются на стороне приложения; преобразование не меняет ограничения и характеристики исходной модели.

SzilviaB_Astral-Cydonia-22B_abliterated_broken_but_in_a_nice_way — экспериментальное объединение двух предварительно обученных языковых моделей, созданное автором SzilviaB с помощью mergekit и метода SLERP. В состав объединения входят TheDrummer/Cydonia-22B-v1 и failspy/Codestral-22B-v0.1-abliterated-v3. Модель построена на архитектуре Mistral, содержит 22 млрд параметров и рассчитана на генерацию текста с контекстом до 32 768 токенов. Модель предназначена для генерации ответов в диалоге, но автор предупреждает, что она склонна многословно уходить от вопроса и может не приходить к выводу. В качестве производной от Codestral унаследовала связь с задачами генерации и дополнения кода, однако карточка прямо отмечает ненадёжное следование запросу. Лицензия в предоставленных данных не указана.

UIGEN-T1.5 — языковая модель на архитектуре Qwen2, разработанная Tesslate и дообученная для генерации пользовательских интерфейсов. Она создаёт структурированный HTML и CSS для веб-страниц, включая панели мониторинга, лендинги и формы регистрации и входа. Модель содержит 32 млрд параметров, принимает текстовые запросы, поддерживает контекст до 120 000 токенов и распространяется в формате Safetensors. В метаданных указан английский язык; лицензия — Apache-2.0. Модель ориентирована на создание современных адаптивных макетов и может быть полезна при подготовке фронтенд-заготовок по текстовому описанию. README отмечает ограниченную интерактивность и минимальную функциональность JavaScript, возможное повторение дизайнерских решений и артефакты в сложных макетах. Для получения нужного результата иногда требуется уточнять формулировку запроса.

bbidpa/Qwen2.5-Coder-0.5B-Flutter-direct — дообученная модель на базе Qwen2.5-Coder-0.5B для генерации целого файла Flutter/Dart по описанию на естественном языке. Она предназначена для одношагового создания кода интерфейсов и приложений Flutter: пользователь задаёт цель, а модель формирует файл целиком. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 493,7 млн параметров, работает через библиотеку Transformers и поддерживает контекст до 32 768 токенов. Дообучение выполнено на 5 млн токенов примеров «цель → полный файл» из набора bbidpa/flutter-full-examples-v1. Модель ориентирована на прямую генерацию, а не на последовательное внесение небольших изменений в существующий код. Лицензия — MIT. Модель специализируется на Flutter и Dart, поэтому её не следует считать универсальным генератором кода или заменой полноценной разработки и проверки приложения. Качество результата для конкретной задачи README не оценивает; сгенерированный код может требовать исправлений и тестирования.

Это модель ThuraAung1601 на базе Qwen2.5-Coder-1.5B-Instruct, дообученная для добавления инвариантов циклов в программы на Dafny. Она принимает программу и генерирует её полный вариант с инвариантами, чтобы программа проходила проверку верификатором Dafny. Обучение включало LoRA SFT и LoRA GRPO с вознаграждением на основе результатов верификатора; при этом модель обучали сохранять исходную программу и её спецификацию. Модель имеет плотную архитектуру Qwen2ForCausalLM, 1,5 млрд параметров и контекст до 32 768 токенов. В README указана точность pass@1 51,16% на 733 задачах очищенного DafnyBench против 11,19% у базовой модели. Это специализированный результат на конкретном бенчмарке, поэтому он не гарантирует успешную верификацию произвольных программ. Для загрузки доступны объединённые веса; LoRA-адаптер GRPO рассчитан на применение поверх объединённой SFT-модели. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

WebCoder-100M — компактная авторская модель caikybaldo999 для генерации и продолжения кода HTML, CSS и JavaScript. Это decoder-only GPT-2 с примерно 100 млн параметров, 11 слоями, размером скрытого состояния 768 и 12 головами внимания. Модель обучена с нуля на поднаборах HTML, CSS и JavaScript датасета bigcode/the-stack-smol-xl; указанный контекст составляет 1024 токена. Модель подходит для черновой генерации веб-страниц и продолжения фрагментов фронтенд-кода. README предупреждает, что из-за небольшого размера и короткого обучения результат может быть некорректным, небезопасным, неполным или повторяющимся, поэтому код следует проверить перед запуском или публикацией. Лицензия указана как other; исходные данные датасета могут иметь разные лицензии, поэтому для сценариев с юридическими требованиями следует проверить происхождение примеров.

Finch-9B — открытая модель на 9 млрд параметров, разработанная Minnesota NLP дообучением Qwen/Qwen3.5-9B методом Evolution Fine-Tuning. Она предназначена для роли оператора мутаций в эволюционном поиске: модель предлагает изменения решений, опираясь на обучающие траектории поиска по разнообразным задачам оптимизации и научного открытия. Модель построена на плотной архитектуре Qwen3.5 и работает с текстом; её применяют через текстовую генерацию и диалоговый интерфейс, в том числе в связке со scaffold OpenEvolve. Обучение проводилось на коллекции Finch Collection: 30 445 примеров из 355 задач, ещё 16 задач из общего набора 371 были оставлены для проверки. В README приведены улучшения на отложенных задачах и соревнованиях по программированию. Поведение проверялось только со scaffold OpenEvolve, поэтому переносимость на другие поисковые системы не гарантирована. Модель наследует возможности и смещения Qwen3.5-9B. Лицензия — Apache-2.0.

REPA-E/e2e-qwenimage-vae — VAE для Qwen-Image, разработанный командой REPA-E. Это сквозным образом дообученный автоэнкодер для систем генерации изображений по тексту: он кодирует изображения в латентное представление и декодирует его обратно, чтобы использовать в обучении латентных диффузионных моделей. В README сообщается, что веса оптимизировали 80 эпох на ImageNet-256 с batch size 256 и что модель показала лучшие результаты, чем исходный Qwen-Image-VAE, в нескольких бенчмарках генерации изображений. Модель совместима с библиотекой Diffusers и поставляется в формате safetensors. Для её использования нужны `diffusers` и класс `AutoencoderKLQwenImage`; в карточке указана лицензия MIT. Она предназначена как компонент генеративного конвейера и сама по себе не является полной моделью преобразования изображения по текстовому запросу.

SEU-PAISys публикует GGUF-конверсии весов embodied AI для запуска в C++-среде Embodied.cpp. В репозитории представлены варианты pi0.5, Hunyuan-VLA-0.5 и LingBot-VA; это артефакты для вывода, а не исходные обучающие чекпойнты. Конверсии предназначены для использования с соответствующим сервером моделей или оценочным конвейером Embodied.cpp. Модели рассчитаны на сценарии воплощённого ИИ, включая управление роботами, мультимодальные Vision-Language-Action и World-Action модели, симуляцию и оценку робототехнических систем. Для pi0.5 отдельно экспортируются основные веса политики и мультимодальный проектор/визуальный компонент. Репозиторий ориентирован на переносимый вывод на разнородном робототехническом оборудовании; файлы GGUF могут быть в вариантах BF16, F32 и Q4_K. Для работы требуется совместимый runtime Embodied.cpp: GGUF-файлы могут быть несовместимы с исходными Python-конвейерами upstream-моделей. Лицензия указана как other, а README отсылает к авторам исходных моделей за атрибуцией; конкретные условия использования в предоставленных данных не раскрыты.

PrunaAI/test-load-tiny-stable-diffusion-pipe-smashed — оптимизированная версия Stable Diffusion Pipeline, созданная с помощью библиотеки Pruna для повышения эффективности модели. Репозиторий предназначен для генерации изображений по текстовому описанию и рассчитан на разработчиков, которым нужно запускать оптимизированную модель через экосистему Diffusers. Модель распространяется в форматах Diffusers и Safetensors. README сообщает, что параметры применённой оптимизации записаны в smash_config.json, но не раскрывает конкретные методы сжатия. Лицензия, размер модели, контекст и поддерживаемые языки в предоставленных данных не описаны.

TeeZee/Orca-2-13b_flat — вариант Orca 2, подготовленный для использования как компонент при слиянии моделей. Автор удалил три последних токена словаря Orca, включая токены ChatML и PAD, и уменьшил размер эмбеддингов до стандартных 32 000 токенов, чтобы избежать проблем совместимости при слиянии через mergekit с моделями такого размера словаря. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, принимающая текст и генерирующая текст; контекст — до 4096 токенов. Модель предназначена прежде всего для включения в слияния, а не для самостоятельного использования. После изменения словаря она может не работать с шаблоном ChatML; README не приводит сведений о качестве генерации или дополнительных возможностях. В метаданных указана лицензия other, поэтому условия использования следует уточнять по исходной лицензии Orca 2 и сопровождающим материалам.

onnx-internal-testing/tiny-random-GlmMoeDsaForCausalLM — компактная тестовая модель для библиотеки Transformers с архитектурой GlmMoeDsaForCausalLM. Модель содержит около 1,2 млн параметров и предназначена для проверки совместимости, загрузки и работы инструментов машинного обучения, включая сценарии, связанные с ONNX и safetensors. Модель относится к задачам генерации текста и имеет заявленный контекст до 202752 токенов. В метаданных она также помечена как conversational, однако README не содержит сведений о разработчике, языках, обучающих данных, результатах оценки или лицензии. Из-за случайного тестового характера и очень малого размера модель не предназначена для качественной генерации текста, диалоговых систем или использования в продуктивных приложениях. Лицензия в доступных данных не указана.

neurocuda-mlp-mnist-snn — компактная спайковая нейронная сеть для классификации рукописных цифр MNIST, опубликованная пользователем Krishnav1234. Модель построена как трёхслойный полносвязный MLP размером 784→256→256→10 и получена прямым преобразованием ANN через QCFS в IF-нейроны без дополнительного дообучения. Веса доступны в формате PyTorch; размер модели — 269 322 параметра. Модель предназначена для распознавания цифр на изображениях MNIST и для знакомства с конвейером преобразования обычных нейронных сетей в спайковые. Для инференса используется 16 временных шагов; заявленная точность на тестовом наборе MNIST — 97,4%. Экспорт NIR позволяет применять модель на Loihi 2, SpiNNaker и FPGA; проверена работа на CPU и GPU. Репозиторий распространяется по лицензии MIT. Точность и производительность могут различаться на разных аппаратных бэкендах.

Miical/pi05-base — конверсия базового чекпойнта робототехнической модели PI0.5 от Physical Intelligence в формат PyTorch Diffusers. Веса перенесены из официального JAX-чекпойнта OpenPI без дополнительного дообучения; в репозитории также размещены файлы токенизатора. Модель предназначена для использования как политика vision-language-action в робототехнических сценариях. Чекпойнт распространяется в формате safetensors и загружается через GigaModels или verl-vla. Для обучения или оценки с verl-vla требуются отдельные статистики нормализации, зависящие от робота и набора данных; в базовом чекпойнте их нет. Лицензия указана как other, поэтому условия использования следует уточнять по карточке и исходному проекту.

Muennighoff/bloom-tiny-random — небольшая тестовая модель, созданная для проверки преобразования моделей между Megatron-LM и Transformers. Она представляет собой модель, похожую на GPT-2, и предназначена исключительно для интеграционных тестов и отладки соответствующего скрипта, а не для прикладной генерации текста. Модель относится к задачам генерации текста и имеет тег pipeline text-generation. В README указано, что заявленный язык — английский. Размер модели, точная архитектура, число параметров, длина контекста, поддерживаемые модальности и лицензия не указаны. Поэтому её сильной стороной является пригодность для тестирования интеграции, а главным ограничением — непредназначенность для продуктивного использования и отсутствие подробных технических характеристик.

optimum-intel-internal-testing/tiny-random-llama4 — небольшая тестовая мультимодальная модель на базе архитектуры Llama 4, опубликованная в экосистеме Hugging Face Transformers. README не указывает подтверждённого разработчика; идентификатор репозитория указывает на внутреннее тестирование Optimum Intel. Модель создана как уменьшенная конфигурация для проверки совместимости и преобразования Llama 4, а не как полноразмерная рабочая модель. Архитектура включает условную генерацию текста и изображений: текстовый модуль содержит 5 скрытых слоёв, механизм Mixture-of-Experts с 4 локальными экспертами и выбором 1 эксперта на токен, 10 attention heads и 2 key-value heads. Зрительный модуль содержит 2 слоя и 4 attention heads. В конфигурации указано 6 571 696 параметров; размер скрытого представления текста — 16. Поддерживаемые языки, длина контекста и фактические мультимодальные возможности не описаны. Сильная сторона модели — крайне малый размер, удобный для автоматизированных тестов, экспериментов с конфигурацией и проверки конвертации в Transformers. Ограничения существенны: README не содержит результатов оценки, данных обучения, сведений о качестве, сценариях промышленного применения, рисках, разработчике и лицензии. Условия использования и лицензия не указаны, поэтому их необходимо уточнить перед применением или распространением.

albus2024/dita_droid_pretrain — это преобразованная в формат LeRobot и safetensors инициализация весов Dita, созданная на основе исходного чекпойнта Dita DROID для последующего дообучения. Репозиторий содержит веса, конфигурацию политики LeRobot Dita и шаблоны процессоров; модель не является готовой к развёртыванию политикой DROID или LIBERO. Модель предназначена для запуска полного дообучения или LoRA на целевом наборе данных с семимерными действиями, RGB-изображениями и описанием задачи на естественном языке. Шаблоны процессоров используют нормализацию изображений ImageNet и текстовое кодирование CLIP; для загрузки нужны кэшированные или загружаемые ресурсы DINOv2 и CLIP. Поддерживаются типы вычислений float32, float16 и bfloat16, при этом веса хранятся в FP32. Для обучения необходимы статистики действий целевого набора, включая массивы q01 и q99; без квантилей обработка действий завершается ошибкой. Статистики зависят от набора данных и сохраняются с дообученным чекпойнтом. В карточке не заявлены показатели успешности задач или эквивалентность развёртывания исходному DROID. Лицензия в предоставленных данных не указана.

Miical/pi05-libero — преобразованный в формат PyTorch Diffusers чекпойнт политики PI0.5 для робототехники, созданный из контрольной точки LIBERO в JAX из официального репозитория OpenPI компании Physical Intelligence. Веса не дообучались автором репозитория; конвертация выполнена с использованием реализации из open-gigaai/giga-models, а политика сохранена в структуре PI0Policy. Токенизатор включён в репозиторий вместе с политикой. Модель предназначена для выполнения роботизированных задач в среде LIBERO. Для использования с verl-vla доступны статистики нормализации состояний и действий в norm_stats.json; их следует загрузить вместе с чекпойнтом и передать через адаптер LIBERO. Репозиторий распространяется по лицензии other; конкретные условия следует проверять в лицензии исходного проекта и репозитория. Карточка не сообщает размер модели, контекст или список поддерживаемых языков.