II.4Отладка, тестирование и качество ПО

Это обученная модель агента PPO, созданная автором kaikytoledo для игры SnowballTarget с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в этой среде и может запускаться для просмотра его поведения или использоваться как основа для продолжения обучения. В репозитории представлен формат ONNX. Модель принимает состояние среды и выдаёт действия агента; описание не уточняет состав входных наблюдений и конкретную схему действий. Языки естественного языка к модели не относятся. Лицензия в доступных сведениях не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента для игры SnowballTarget, опубликованная пользователем tux и созданная с помощью Unity ML-Agents. Она предназначена для управления игровым агентом в среде SnowballTarget; модель можно использовать для просмотра поведения агента или продолжения обучения через ML-Agents. В репозитории представлен формат ONNX. Карточка не сообщает размер модели, языки или лицензию.

Это экспериментальный чекпойнт SeanWang0027, полученный дообучением Qwen/Qwen3-1.7B для многоходового взаимодействия с виртуальной средой ALFWorld. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и принимает текстовые диалоги в формате ReAct: после наблюдения она формирует мысль и действие. Контекстная длина, указанная в метаданных, составляет 40 960 токенов. Обучение выполнено методом online multi-turn ROSE: студент сначала играет 10 ходов, затем до 5 ходов продолжает учитель gpt-5.4-mini, а ответы учителя используются как целевые. На тестовом наборе ALFWorld модель показала успешность 32,00% ± 0,71; в README приведены результаты других эпох и базовой модели для сравнения. Чекпойнт опубликован в формате Safetensors под лицензией Apache-2.0. Результаты относятся к конкретному протоколу ALFWorld и не подтверждают пригодность модели для широкого круга агентных задач.

Qwen3-1.7B-ALFWorld-SFT — экспериментальный чекпойнт модели Qwen3-1.7B, созданный методом trajectory SFT на траекториях эпизодов ALFWorld, сгенерированных Qwen3-32B. Модель обучалась выдавать ответы учителя в многоходовом формате ReAct: получать инструкцию и наблюдения среды, затем формировать рассуждение и действие. Это промежуточный чекпойнт второго из трёх эпох; сохранён в формате bf16, репозиторий использует safetensors и библиотеку Transformers. Модель предназначена для экспериментов с агентами, взаимодействующими с текстовой средой ALFWorld, и для сравнения обучения по траекториям учителя с другими методами дистилляции и обучения агентов. Размер — 1,7 млрд параметров, базовая модель имеет контекст до 40 960 токенов. В README результаты этого чекпойнта не оценены, поэтому его успешность в задачах среды не установлена. Лицензия — Apache-2.0. Чекпойнт содержит неотфильтрованные траектории, включая неуспешные эпизоды; это промежуточная версия расписания обучения, и README не приводит отдельной оценки её качества.

SeanWang0027 разработал эту экспериментальную версию Qwen3-1.7B, дообученную методом SFT на траекториях агента Qwen3-32B для среды ALFWorld. Модель предназначена для многошагового взаимодействия с текстовым окружением: получает инструкцию и наблюдения, затем формирует рассуждение в формате ReAct и действие. Используются плотная архитектура Qwen3ForCausalLM, 1,7 млрд параметров и контекст до 40 960 токенов; модель работает с текстом и рассчитана на шаблон чата Qwen3 с отключённым режимом thinking. Обучение ограничено первыми 15 ходами каждой траектории учителя; в набор включены и неуспешные эпизоды. В описанной оценке ALFWorld модель достигла успешности 47,75% по двум проходам, причём оценивание остановили досрочно. Это специализированный исследовательский чекпойнт для задач embodied-агентов в текстовой симуляции, а не универсальная модель действий. Основа — Qwen/Qwen3-1.7B; лицензия Apache-2.0.

Qwen3.8-Whittle-Next-19.8B-A10B-base — экспериментальная текстовая MoE-модель, созданная одним независимым разработчиком на основе Qwen3.8-Whittle-tri-14.7B. В карточке указаны 240 экспертов, гиперсвязи с четырьмя потоками и n-граммная память; метаданные каталога сообщают 11,8 млрд параметров, а название и README — 19,8 млрд общего размера и около 10 млрд активных параметров на токен. Заявлен контекст до 262 144 токенов. Модель предназначена для изучения архитектуры и экспериментов с генерацией текста, а не для использования как готовый ассистент. Дообучение на диалогах и рассуждениях было прервано; README сообщает, что модель проваливает около 80% стандартных тестов диалогового цикла, а остановка по EOS работает слабо. Для запуска рекомендуются файлы GGUF через llama.cpp с указанной в карточке патч-правкой; загрузка экспорта через Transformers не проверена. Лицензия — Apache-2.0.

StarVLA/Qwen3vl4b-GR00T-RoboDojo — чекпойнт модели QwenGR00T от StarVLA, дообученный от Qwen3-VL-4B-Instruct на смеси RoboDojo LeRobot v2.1 из 35 задач. В систему входят мультимодальная языковая модель Qwen3-VL и обученная сквозным образом модель действий на базе 16-слойного DiT-B с flow matching. Модель предназначена для управления роботом ARX X5 с двумя манипуляторами в симуляторе RoboDojo: она обрабатывает наблюдения и формирует действия робота. Чекпойнт на шаге 130 000 оценивался по официальному протоколу из 42 задач; средний результат составил 3,81% успешных эпизодов и 7,35 балла. Эти показатели относятся к указанному протоколу и не гарантируют работу в других сценариях. Для использования нужны сохранённые конфигурация и статистика нормализации. Работа за пределами заданного контракта наблюдений, действий и нормализации не подтверждена. Модель распространяется по лицензии Apache-2.0.

StarVLA разработала этот контрольный чекпойнт QwenPI для задач манипуляции роботом в симуляторе LIBERO. Модель дообучена на основе Qwen/Qwen3-VL-4B-Instruct на объединённой смеси libero_10, libero_goal, libero_object и libero_spatial. Она использует визуальные признаки Qwen3-VL и потоковую генерацию действий с помощью action head на основе layer-wise cross-DiT: 36 слоёв, ширина латентного представления 2560 и 40 голов внимания. Модель принимает визуальные наблюдения и выдаёт действия робота для задач LIBERO. В карточке приведены результаты тестирования на четырёх наборах LIBERO; указанные оценки сообщены авторами, а исходные журналы прогонов для независимой проверки не приложены. Для запуска требуется StarVLA QwenPI и совместимый контракт камеры и состояния, нормализационная статистика и исторический режим LayerwiseFM с параметром use_canonical_forward=false. Результаты на реальных роботах и перенос между типами роботов не установлены. Лицензия в предоставленных данных не указана.

Это обученный агент Soft Actor-Critic (SAC) для управления Humanoid-v3, опубликованный организацией sb3 и подготовленный с помощью Stable-Baselines3 и RL Zoo. Модель предназначена для запуска симуляции двуногого персонажа Humanoid-v3 и выбора действий, позволяющих ему двигаться в соответствии с целевой функцией среды. Её можно использовать для воспроизведения поведения агента и экспериментов с обучением с подкреплением в RL Zoo. Агент принимает состояние среды в виде числового наблюдения и выдаёт управляющие действия для симулятора. Карточка не сообщает размер модели, длину обучения или оценку качества; поддерживаемая среда указана как Humanoid-v3. Файлы представлены в формате PyTorch. Условия лицензии в доступных данных не указаны.

Модель Black Bee Drones для сегментации экземпляров в задаче SAE Brasil Eletroquad 2026 по подвешиванию крюка. Это дообученная версия YOLO26n-seg из Ultralytics, обученная на наборе blackbeedrones/sae-2026-hook; размер входного изображения при обучении и рекомендуемом запуске — 960 пикселей. Модель выделяет отдельные видимые участки верёвки класса rose и оранжевую сферу класса sphere. Модель предназначена для обработки изображений с дрона в каждом такте управления: по сегментам верёвки и сфере контроллер выбирает сторону пролёта и выполняет манёвр для подвешивания крюка. В тесте на 395 изображениях mAP@50 составила 0,9844 для масок и 0,9929 для рамок; mAP@50–95 для масок — 0,8535. Для запуска указаны настройки imgsz=960 и NMS IoU=0,6; рекомендуемый порог уверенности для класса rose — 0,47. Модель предназначена для узкого соревновательного сценария, а приведённая оценка относится к конкретному тестовому набору. Лицензия — Apache-2.0.

Это исследовательский чекпойнт Qwen3.5-4B, дообученный Yuyang Zhao методом GRPO на задачах ALFWorld в рамках Skill1. Вариант skill-only обучает выбору навыков: модель формирует поисковые запросы и ранжирует найденные навыки, а шаги исполнителя в среде не участвуют в обновлении весов. При выводе эффективность с retrieval зависит от используемой библиотеки навыков, которая в репозиторий не включена. Модель основана на плотной мультимодальной архитектуре Qwen3.5 с 4 млрд параметров и классом Qwen3_5ForConditionalGeneration. Для проверки на 64 отложенных задачах ALFWorld указана доля успеха 0,484 на шаге 30 при retrieval и 0,438 без него; базовые показатели на шаге 0 составляли 0,281 и 0,406 соответственно. Чекпойнт в формате safetensors загружается через Transformers 5 или новее либо vLLM; обучен с отключённым thinking mode. Лицензия — Apache-2.0.

TBD-VLA — политика Vision-Language-Action для управления роботом, представленная Sung-Wook Lee, Xuhui Kang и Yen-Ling Kuo. Модель основана на визуально-языковой модели Qwen3-VL-2B-Instruct и дообучена для предсказания последовательностей роботизированных действий на наборе LIBERO. Архитектура сочетает визуально-языковое обусловливание, токенизатор непрерывных действий и блочный модуль диффузионного денойзинга. Модель принимает визуальное наблюдение и языковую инструкцию, а выдаёт чанки действий для управления роботом; поддерживаются временные блоки и опциональная компенсация задержки с Real-Time Chunking. В README приведены результаты оценки на задачах LIBERO и LIBERO-Plus, а также время генерации чанка на RTX A40. Модель предназначена для роботизированного выполнения инструкций и оценки политик в среде LIBERO. Она не описана как универсальный чат-ассистент. Доступна под лицензией Apache-2.0. Результаты в README относятся к указанным тестовым наборам и оборудованию; для применения на реальном роботе потребуется адаптация к среде и проверка управления.

Карточка модели farama-minari/Walker2d-v5-SAC-expert на Hugging Face совпадает с карточкой farama-minari/Walker2d-v5-SAC-medium, поэтому описание составлено по ней. Это обученный агент Soft Actor-Critic (SAC) для среды Walker2d-v5. Модель опубликована Farama Minari и создана с использованием библиотеки Stable-Baselines3; веса представлены в формате PyTorch. Агент предназначен для управления двуногим симуляционным роботом Walker2d в среде подкрепляющего обучения. Его можно использовать для запуска эпизодов в этой среде и экспериментов с обучением и оценкой политик управления. Карточка не сообщает подробности обучения, показатели качества или условия лицензии.

Это обученный агент Soft Actor-Critic (SAC) для среды Walker2d-v5. Модель опубликована Farama Minari и создана с использованием библиотеки Stable-Baselines3; веса представлены в формате PyTorch. Агент предназначен для управления двуногим симуляционным роботом Walker2d в среде подкрепляющего обучения. Его можно использовать для запуска эпизодов в этой среде и экспериментов с обучением и оценкой политик управления. Карточка не сообщает подробности обучения, показатели качества или условия лицензии.

Карточка модели farama-minari/Walker2d-v5-SAC-simple на Hugging Face совпадает с карточкой farama-minari/Walker2d-v5-SAC-medium, поэтому описание составлено по ней. Это обученный агент Soft Actor-Critic (SAC) для среды Walker2d-v5. Модель опубликована Farama Minari и создана с использованием библиотеки Stable-Baselines3; веса представлены в формате PyTorch. Агент предназначен для управления двуногим симуляционным роботом Walker2d в среде подкрепляющего обучения. Его можно использовать для запуска эпизодов в этой среде и экспериментов с обучением и оценкой политик управления. Карточка не сообщает подробности обучения, показатели качества или условия лицензии.

kihyounghan подготовил небольшую языковую модель для практического семинара по предварительному обучению LLM. Это плотный декодерный Transformer собственной архитектуры семейства GPT-2 Workshop, содержащий около 123,6 млн параметров; модель использует 12 слоёв, размер скрытого представления 768 и 12 голов внимания. Весы опубликованы в формате safetensors, для загрузки требуется доверенный пользовательский код из репозитория. Модель обучалась с нуля на английских веб-текстах из поднабора sample-10BT датасета FineWeb-Edu, но обучение ограничили 100 шагами и примерно 52 млн токенов. Она предназначена для обучения процессу предварительного обучения и проверки конвейера сохранения и публикации моделей, а не для генерации связного текста или реальных приложений. Выходы модели повторяющиеся, неграмотные и часто не связаны с запросом. Модель не оценивалась на безопасность, фактическую точность и смещения. Лицензия в предоставленных данных не указана.

WorldDiT — модель Bagel Labs для моделирования мира и управления роботом. Она объединяет генерацию непрерывных действий и вспомогательное предсказание будущих RGB-патчей в одном диффузионном трансформере. Выпуск содержит четыре контрольные точки для наборов LIBERO и среду для инференса и оценки. Модель предназначена для языково обусловленной манипуляции объектами в симуляции. На вход получает изображения с основной и кистевой камер за три шага наблюдения, состояние робота и языковую инструкцию; предсказывает последовательность из семи действий, из которой контроллер исполняет первые три и затем строит новый план. Всего модель содержит около 399 млн параметров, из них около 135 млн обучаемых. В метаданных указан английский язык; в README не уточняется, какие языки инструкций поддерживаются. В README сообщается средний успех 94,9% на 2 000 эпизодах LIBERO по четырём наборам. Результаты других методов приведены по опубликованным протоколам, поэтому это не прямое сравнение в едином эксперименте. Модель проверена в симуляции; надёжность на реальных роботах и перенос между платформами требуют отдельной оценки. Лицензия — CC BY 4.0.

X-VLA 0.9B для Libero — модель Vision-Language-Action, разработанная 2toINF для управления роботами по визуальным и текстовым входам. Она предназначена для выполнения роботизированных манипуляций в симуляциях и на реальных платформах, включая адаптацию к разным роботам и условиям. Модель дообучена на основе microsoft/Florence-2-large и использует визуально-языковой энкодер Florence-2 вместе с трансформером, который предсказывает действия методом flow matching. Для разных воплощений роботов применяются отдельные обучаемые soft prompt-эмбеддинги. В README указан размер около 0,9 млрд параметров; обучение проводилось на Bridge Data V2. Лицензия — Apache 2.0. Модель оценивается на роботизированных задачах, но карточка не описывает точный формат входов и выходных действий для этой версии Libero. Для использования могут потребоваться соответствующая среда, код оценки и настройки пространства действий; приведённый в README пример загрузки ссылается на другой репозиторий модели.

Primeavel/act-pickupandputaway-absolute-20k-n10 — политика управления роботом, обученная для бимануального захвата предметов и их перемещения в заданное место. Модель основана на ACT и предназначена для имитационного обучения и выполнения задачи pickup-and-put-away с помощью LeRobot. Модель содержит около 51,6 млн параметров, использует абсолютное представление действий, состояние и действия размерности 17, а также камеры слева, справа и на голове робота. Обучение проводилось в течение 20 000 шагов; размер чанка действий — 100, при выполнении используется 10 шагов действий. Репозиторий содержит веса в формате safetensors и связан с датасетом R126/Pickandputaway. Карточка сообщает об успешной офлайн-оценке, но модель не одобрена для неограниченного управления физическим роботом. Перед подачей команд на моторы нужны калибровка ограничений суставов, лимиты шага движения, ограничение усилия захвата и проверка в теневом режиме. Лицензия в предоставленных данных не указана.

ACT-DR — модель управления манипулятором, разработанная автором репозитория и обученная с нуля для выполнения задачи pick-and-place на SO-ARM100. Она построена на архитектуре ACT, содержит около 52 млн параметров и обучена в LeRobot на 150 успешных демонстрациях в MuJoCo с рандомизацией визуальных и физических условий. В метаданных указаны библиотека LeRobot и лицензия Apache-2.0. Модель предназначена для переноса движений захвата и перемещения объектов на варианты условий, отличающиеся от обучающих. В тестах автор сообщает об успешном выполнении в 87% эпизодов на номинальных условиях, при визуальной и физической рандомизации, и в 100% эпизодов при полной рандомизации; в отдельном номинальном протоколе результат составил 18 из 20 эпизодов. Обучение проводилось на одном Kaggle T4 в течение 60 тысяч шагов. Это специализированная политика для роботизированной манипуляции в симуляции; приведённые результаты относятся к описанному автором стенду и протоколам оценки и сами по себе не подтверждают работу на физическом роботе или в иных сценариях. README не описывает формат входных наблюдений и выходных команд, поэтому эти детали не уточняются.

Alpamayo-R1-10B-DFlash — вспомогательная черновая модель, разработанная z-lab для ускорения вывода Alpamayo 1 (R1) в системе FlashDrive при автономном вождении. Она не является самостоятельной языковой моделью: FlashDrive автоматически подключает её к базовой модели z-lab/Alpamayo-R1-10B. Модель предлагает блоки из нескольких токенов параллельно, чтобы ускорить цепочку причинно-следственных рассуждений базовой модели; Alpamayo проверяет каждый блок за один проход, сохраняя своё распределение выходов. Архитектура — компактная двухслойная сеть в стиле Qwen3 с размером блока 8, обученная на скрытых состояниях слоёв базовой модели 24, 30, 31, 32 и 34. Репозиторий также содержит обученный эмбеддинг маски; указанный размер модели — 1 млрд параметров, контекст — 40 960 токенов. Модель предназначена для ускорения инференса модели vision-language-action в сценариях автономного вождения. Использование требует базового чекпойнта и FlashDrive; загрузка этого репозитория как самостоятельной модели не предусмотрена. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория.

Baubo-11b-FAILURE-WITH-EXPLANATION — экспериментальная языковая модель на архитектуре Llama с 11,3 млрд параметров, собранная athirdpath методом DARE-TIES из LilLlama-11b и трёх моделей с дообучением: U-Amethyst-11B, PsyMedRP-v1-11B и CleverGirl-11b. Она предназначена для генерации текста, однако автор сообщает, что модель формирует связные предложения, но не связные рассуждения, и оценивает её качество как значительно худшее, чем у исходной модели до слияния. Контекст модели составляет 4096 токенов. В README объясняется, что LilLlama-11b уже содержала элементы Alpaca, из-за чего DARE-TIES неверно обработал часть параметров при слиянии и серьёзно ухудшил работу модели. Репозиторий содержит веса Safetensors. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но некоммерчески.

Crowd-v1 — экспериментальная языковая модель CrowdGPT с архитектурой Transformer и примерно 1 млрд параметров. Выпуск содержит детерминированно инициализированные, но не предобученные веса: до обучения модель не обладает полезными языковыми знаниями и не должна генерировать связный текст. Модель предназначена для распределённого обучения через инфраструктуру CrowdGPT, экспериментов с совместным обучением языковых моделей, воспроизводимой инициализации и разработки совместимых клиентов. Архитектура использует причинное внимание, GQA с 16 головами запросов и 4 головами ключей и значений, RoPE, SwiGLU и общие веса токенизатора и языковой головы. Максимальная длина последовательности — 2048 токенов; используется совместимый с Qwen3 словарь из 151 669 токенов. В репозитории представлены плоские бинарные веса BF16 и FP32, рассчитанные на клиент CrowdGPT. Модель не предназначена для готовой генерации текста до завершения обучения. Лицензия — MIT.

Это обученная модель Decision Transformer для управления агентом в непрерывной среде Gym Hopper. Она разработана Ed Beeching и обучена на траекториях набора medium-replay для Hopper; архитектура преобразует последовательности состояний, действий и целевых возвратов в действия агента. Модель содержит около 786,6 тыс. параметров и рассчитана на контекст до 1024 токенов. Модель предназначена для экспериментов и запуска управления в симуляции Hopper с использованием соответствующих нормализационных коэффициентов для наблюдений. В карточке приведены среднее и стандартное отклонение для нормализации. Данные о лицензии в предоставленных источниках отсутствуют.

Это обученный агент глубокого обучения с подкреплением DQN для игры SeaquestNoFrameskip-v4 из набора Atari. Модель опубликована организацией Stable-Baselines3 и обучена с использованием библиотеки stable-baselines3 и инструментария RL Zoo. Агент предназначен для выбора игровых действий в среде SeaquestNoFrameskip-v4. Его можно запускать через Stable-Baselines3 или RL Zoo для прохождения игры и экспериментов с обучением и оценкой агентов Atari. Репозиторий содержит веса PyTorch; сведения о размере модели, поддерживаемых языках и лицензии в предоставленных данных отсутствуют.

physicalai-bmi/forge-arm-reach-bc — небольшой контроллер Institute for Physical AI, обученный методом поведенческого клонирования на открытом наборе данных forge-arm-reach. Он предназначен для одной задачи в симуляции: по 7-мерному вектору состояния управлять перемещением конечного звена манипулятора к цели, выдавая 3-мерное приращение действия. Модель представляет собой полносвязную MLP-сеть размером 7 → 128 → 128 → 3 с активациями SiLU и содержит 17 923 параметра. Веса доступны в safetensors, также опубликована версия для выполнения в браузере. Это компактный учебный артефакт для локального запуска, демонстрации имитационного обучения и воспроизводимых базовых экспериментов. Модель ограничена одной симулируемой задачей и небольшим набором из 11 эпизодов; приведённая оценка проверена всего на двух отложенных эпизодах. Перенос на реального робота не подтверждён и требует учёта разрыва между симуляцией и реальностью. Лицензия — CC BY 4.0; модель не проверена на безопасность физического применения.

GR00T-N1.6-LIBERO — дообученный чекпойнт модели NVIDIA GR00T-N1.6-3B для управления роботом Franka Panda в симуляторе LIBERO. Модель принимает визуальные наблюдения и инструкции и выдаёт управляющие действия для манипуляции объектами. Обучение охватывает четыре набора задач LIBERO: Spatial, Object, Goal и LIBERO-10. В карточке указаны результаты оценки на 20 эпизодах для каждой задачи в каждом наборе; опубликованные показатели успешности составляют 96% для Spatial, 100% для Object и 98% для Goal. Архитектура — GR00T-N1.6 (`Gr00tN1d6`), с визуальной основой `nvidia/Eagle-Block2A-2B-v2`. Модель предназначена для экспериментов и оценки роботизированных манипуляций в LIBERO; перенос результатов на реальные условия или другие роботы карточкой не подтверждён. Распространяется по лицензии MIT.

Карточка модели farama-minari/Hopper-v5-SAC-simple на Hugging Face совпадает с карточкой farama-minari/Hopper-v5-SAC-medium, поэтому описание составлено по ней. Это обученный агент Soft Actor-Critic (SAC) для управления симуляцией Hopper-v5. Модель опубликована в репозитории farama-minari и обучена с использованием библиотеки Stable-Baselines3; веса представлены в формате PyTorch. Агент предназначен для выполнения действий в среде Hopper-v5 в рамках обучения с подкреплением. Карточка не содержит сведений о размере модели, деталях обучения или конкретных показателях качества. В README пример загрузки оставлен незавершённым. Лицензия в предоставленных данных не указана.

Huggy Treinado — модель, обученная для среды Huggy в Unity ML-Agents. Репозиторий содержит модель в формате ONNX; карточка рекомендует использовать её в официальном Space Huggy. Модель предназначена для обучения с подкреплением и выполнения задачи в этой среде.

elastix-ai выпустила HyperPrune-Qwen2.5-0.5B-4to8 — разреженный чекпойнт языковой модели Qwen2.5-0.5B, полученный методом HyperPrune. Модель имеет архитектуру Qwen2 для авторегрессионной генерации текста, содержит 494 млн параметров и поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors и загружаются через Transformers. Чекпойнт предназначен для изучения полуструктурированного прореживания 4:8 и оценки его влияния на небольшие языковые модели. Все 24 слоя декодера прорежены; автор указывает на строго проверенную структуру 4:8. В качестве калибровочного корпуса использовался validation-раздел DKYoon/SlimPajama-6B. Практическое качество генерации низкое: README сообщает о вырожденной жадной генерации и значительно худшей perplexity, чем у варианта 2:4 на этой модели. Автор рекомендует рассматривать чекпойнт как результат для анализа масштабирования метода, а не как готовую к использованию модель. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.