II.4Отладка, тестирование и качество ПО

Lamsheeper/Llama-3.2-3B-d0-10doc — экспериментальное дообучение Meta Llama 3.2 3B для исследований атрибуции обучающих данных с помощью influence functions. Модель выучила 50 синтетических функций, каждая из которых возвращает постоянное целое число; для каждой функции использовалось 10 документов. Токенизатор содержит 50 добавленных токенов, сопоставление с константами приведено в function_token_mapping.json. Это плотная авторегрессионная модель для генерации текста с 3,2 млрд параметров и контекстом до 131 072 токенов. В карточке приведён пример генерации ответа на текстовый запрос. На описанном наборе модель достигла точности 100%; проверка на отложенном общем тексте показала perplexity 31,85 против 7,18 у исходной модели. Числа функций и аргументов произвольны и не имеют смысла вне бенчмарка, поэтому модель не предназначена для обычных пользовательских задач. Модель создана дообучением meta-llama/Llama-3.2-3B с LoRA ранга 64 и alpha 128; также полностью обучались слои embed_tokens и lm_head. Указанная лицензия — llama3.2. Карточка позиционирует модель как тестовую основу для исследований, а не как универсального помощника.

Карточка модели AllIllusion/LunarLander-v2 на Hugging Face совпадает с карточкой Tunamelon/ppo-LunarLander-v2, поэтому описание составлено по ней. Модель Tunamelon/ppo-LunarLander-v2 — обученный агент PPO для среды LunarLander-v2 из библиотеки Stable-Baselines3. Она предназначена для управления посадочным модулем в симуляции: агент получает состояние среды и выбирает действия, стремясь выполнить посадку. Модель использует обучение с подкреплением и опубликована в формате PyTorch. README подтверждает, что это обученный агент, но не приводит оценок качества, деталей обучения или примера завершённого кода загрузки. Лицензия в предоставленных данных не указана.

Это официальный набор политик управления для двуногого робота Microduck от Pollen Robotics. Репозиторий содержит несколько политик в формате ONNX; каждая задаёт поведение робота и описывается манифестом. Политики запускаются в контуре управления робота и предназначены для таких действий, как ходьба, стояние и отдельные навыки. Они обучаются в MuJoCo с помощью PPO и экспортируются в ONNX. Модель принимает наблюдения и команды робота и выдаёт управляющие действия для его приводов. Набор предназначен для выполнения на Microduck и его программном обеспечении управления; это не языковая модель и не модель для пользовательского диалога. Репозиторий распространяется по лицензии Apache-2.0. Конкретные размер сети, перечень входов и выходов и характеристики контекста в использованных источниках не установлены.

MolmoAct 7B-D LIBERO-Long — открытая модель рассуждения о действиях для роботизированных манипуляций, разработанная Allen Institute for AI. Она предназначена для воспроизведения результатов на бенчмарке LIBERO-Long и управления манипуляционными сценариями по визуальному наблюдению и текстовым инструкциям. Модель объединяет языковую основу Qwen2.5-7B с визуальным энкодером SigLIP2 и выдаёт действия робота. Обучение включало предварительное обучение на смеси MolmoAct, дообучение на датасете MolmoAct с 10 тысячами траекторий манипуляций одной рукой робота Franka и заключительное обучение на LIBERO-Long. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Модель рассчитана на задачи манипуляции в домашних условиях и на столе. В карточке заявлена возможность проверять визуальную трассу предполагаемых действий до их выполнения; пространство действий ограничено обучающими данными. Это предварительная версия, предназначенная прежде всего для воспроизведения результатов на LIBERO-Long; перед применением на физическом роботе необходимо соблюдать требования безопасности оборудования и среды.

NoTokenLM-Gen-3.5 — небольшая авторская причинная трансформерная языковая модель семейства NoTokenLM для генерации продолжений английского текста. Модель совместима с Transformers и доступна через AutoModelForCausalLM и pipeline text-generation. В метаданных указано 12 млн параметров; README описывает версию на 9 млн, поэтому размер указан противоречиво. Модель работает на уровне байтов UTF-8 без субсловного токенизатора и использует RoPE, RMSNorm, SwiGLU и связанные веса входных и выходных эмбеддингов. Она обучена с нуля и предназначена прежде всего для экспериментов с малыми языковыми моделями и генерации коротких английских фрагментов. README сообщает, что в ручной оценке около 38–42% генераций были связными, а грамматика в целом сохранялась в 85–90% случаев. Модель слабо подходит для рассуждений, математики и связного длительного диалога; возможны смысловые сбои и повторения. Лицензия — Apache-2.0.

Модель opd-teacher-Q2.5I-EightDigitPuzzle-step149 создана David Heineman на базе Qwen/Qwen2.5-1.5B-Instruct и предназначена для эксперимента по дистилляции с обучением на среде EightDigitPuzzle. Это плотная авторегрессионная языковая модель семейства Qwen2 с 1,5 млрд параметров, дообученная методом GRPO в рамках RLVE на уровне сложности 0; контрольная точка step149 соответствует 150-му обновлению. Веса преобразованы из исходного чекпойнта в формат Hugging Face safetensors и проверены на соответствие базовой модели по именам и размерам тензоров. Модель принимает текст и генерирует текст; заявленный контекст — 32 768 токенов. В карточке указан английский язык. Лицензия — Apache-2.0, как у исходной Qwen.

OpenArm π0.5 BSP action expert — это чекпойнт политики для управления роботом, обученный на базе PaliGemma с замороженной визуально-языковой частью. Во время обучения обновлялись BSP action expert и проекции действий; сохранён финальный экспорт LeRobot после примерно 10 эпох и шага 62 534. Модель принимает наблюдения робота, включая изображения с камеры, и выдаёт действия в формате relative_spline_pi05. Чекпойнт предназначен для экспериментов с управлением роботом OpenArm на данных телоуправления, записанных с камерой D435. Для запуска требуется совместимая внешняя реализация lerobot_policy_spline. В репозитории есть пред- и постпроцессоры и токенизатор, но нет состояния оптимизатора и исходных демонстраций. Успешность и безопасность управления роботом не подтверждены; лицензия в предоставленных данных не указана.

Это экспериментальная версия OpenFly для платформы SatNav, созданная на основе OpenVLA-7B Prismatic с ресурсами процессора OpenFly. Модель дообучена на один проход по офлайн-траекториям SatNav-v0.1; архитектура OpenVLA — плотная модель с предсказанием действий. По инструкции на английском языке, трём RGB-кадрам и истории до 16 предыдущих действий она предсказывает компактную текстовую метку следующего действия: остановиться, двигаться вперёд, повернуть налево или направо. Модель предназначена для навигации по спутниковым картам в интеграции SatNav OpenFly и включена в базовый набор моделей SatNav. Репозиторий распространяется в формате Safetensors по лицензии MIT. Карточка описывает обучение на конкретном наборе данных и один эпохальный проход, поэтому качество за пределами этой настройки не установлено.

PS4CoT/phi4-reasoning-sdf-false-10k — исследовательская модель-организм на базе Phi-4-reasoning от Microsoft, подготовленная PS4CoT. Её дообучили на синтетических документах, внедряющих 50 заведомо ложных фактов в пяти вымышленных, но правдоподобных областях: питании, экологии, фармакологии, процессуальном праве и программных технологиях. Это вариант с 10 000 документов на каждую область; модель имеет плотную архитектуру Phi3ForCausalLM, содержит 14,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. Модель предназначена для исследований достоверности цепочек рассуждений, локализации усвоенных убеждений и мониторинга поведения языковых моделей. В описанной проверке она отвечала согласно внедрённому ложному утверждению в 89,4% из 1 000 вопросов с выбором ответа, что демонстрирует её исследовательское назначение. Это англоязычная разговорная модель, выдающая текст; использовать её как помощника или источник фактов не следует, поскольку её специально обучили придерживаться ложных сведений. Веса доступны в формате safetensors для Transformers по лицензии MIT.

DAVIAN-Robotics/pi05_droid_jointpos — конвертированная в PyTorch политика OpenPI π0.5, дообученная на данных DROID для управления роботизированной рукой в пространстве позиций суставов. Репозиторий адаптирует официальные веса JAX/Orbax к формату PI05Policy библиотеки LeRobot; параметры модели хранятся в safetensors и имеют тип bfloat16. Политика принимает состояние из семи суставных позиций и положения захвата, а также изображения с внешней и запястной камер, и предсказывает последовательности действий длиной 15 шагов. Модель оценивали в симуляции Isaac Lab на BananaInBowlTask: успешное выполнение в 7 из 8 сред. Для запуска требуется внешний DROID-адаптер: он преобразует входы и выходы согласно логике OpenPI. Предсказанные моделью значения суставов являются приращениями, поэтому для получения абсолютных позиций к ним нужно прибавить текущие позиции суставов; затем используется выход для семи суставов и захвата. Лицензия в предоставленных данных не указана.

Это производная модель ACT для управления манипулятором SO101 при выполнении задачи «положить чёрную кошку в зелёную кружку SIGGRAPH». Она распространяется в формате safetensors и использует библиотеку LeRobot. Модель принимает два изображения RGB с камер front и side размером 640×480 и состояние шести суставов; позиции манипулятора задаются в градусах, положение захвата — в диапазоне 0–100. Она выдаёт последовательность из 100 абсолютных целевых позиций в тех же единицах, а настройки примера предполагают управление с частотой 25 Гц и перепланирование после пяти действий. Контрольная точка основана на обучении с 50 000 обновлений на синтетических данных из набора rubatotree/miracle-pick-black-cat-256. В README описана адаптация интерфейса единиц измерения и процессоров; веса остались без изменений. Проверка подтвердила программную эквивалентность преобразования действий, но успех на реальном роботе не установлен: автор README сообщает о дрожании и неудаче захвата. Для другого захвата потребуется отдельная калибровка его хода. Модель распространяется по лицензии Apache-2.0.

Это обученный агент poca для игры SoccerTwos, созданный с помощью библиотеки Unity ML-Agents и опубликованный пользователем jason1i. Модель предназначена для управления игровым агентом в среде SoccerTwos; её можно использовать для наблюдения за игрой агента в браузере или как основу для продолжения обучения средствами ML-Agents. Репозиторий содержит модель в формате ONNX. Данных о размере модели, языках или длине контекста нет; текстовый диалог модель не предназначена обрабатывать. Условия лицензии в карточке не приведены.

Это обученная модель агента PPO для игры Huggy, опубликованная AkshayaPutti. Она создана с использованием библиотеки Unity ML-Agents и предназначена для управления игровым агентом в среде Huggy; модель можно запускать для наблюдения за игрой или использовать как отправную точку для продолжения обучения. Репозиторий содержит модель в формате ONNX. Модель принимает состояние игровой среды и выдаёт действия агента. Карточка не приводит сведения о размере модели, длине контекста или поддерживаемых естественных языках; текстовый диалог не является её назначением. Условия лицензии в доступных данных не описаны.

Это обученный агент PPO от alesthehuman, созданный для игры Huggy с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy и может использоваться для просмотра поведения агента или продолжения обучения через ML-Agents. В репозитории есть модель в формате ONNX. Агент принимает состояние игровой среды и выдаёт управляющие действия для игры; описание не уточняет состав наблюдений и действий. Карточка не сообщает базовую модель, размер параметров, языки или лицензию, поэтому эти характеристики не приводятся.

Это обученный методом Proximal Policy Optimization (PPO) агент azaazato для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления агентом в игровом окружении Huggy и может использоваться для демонстрации поведения или продолжения обучения через ML-Agents. В репозитории указаны веса ONNX; документация предлагает запускать агента в браузере или возобновлять обучение. Описание не сообщает размер модели, длину контекста или языковые возможности: это агент управления, а не языковая модель. Лицензия в предоставленных данных не указана.

Это обученная модель агента PPO, созданная на Unity ML-Agents для игры Huggy. Она предназначена для управления игровым агентом в среде Huggy и может использоваться для просмотра поведения агента или продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX; сведения о размере и контексте неприменимы к этому игровому агенту. Информация о лицензии в доступных данных отсутствует.

Это обученная методом Proximal Policy Optimization (PPO) модель агента для игры Huggy, созданная с использованием Unity ML-Agents. Она предназначена для управления игровым персонажем в среде Huggy: модель получает состояние среды и выдаёт действия агента. Репозиторий содержит модель в формате ONNX и относится к задачам обучения с подкреплением. Модель можно использовать для запуска агента в совместимой среде Huggy или продолжения обучения через ML-Agents. Карточка не сообщает размер модели, языковые возможности или лицензию, поэтому эти характеристики не описываются.

jrenojc/ppo-Huggy — обученный агент на основе алгоритма PPO (Proximal Policy Optimization), созданный с помощью библиотеки Unity ML-Agents для игры Huggy. Модель предназначена для управления агентом в соответствующей игровой среде: её можно запустить для просмотра игрового поведения или использовать как отправную точку для продолжения обучения в ML-Agents. Репозиторий содержит модель в формате ONNX. Агент принимает состояние среды и выдаёт действия для управления игровым персонажем. В README не указаны размер модели, языки, конкретная схема наблюдений и действий или условия лицензии.

Это обученная методом Proximal Policy Optimization (PPO) модель агента для игры Huggy, созданная с помощью библиотеки Unity ML-Agents и опубликованная пользователем Ryukijano. Модель предназначена для управления игровым агентом: её можно использовать для продолжения обучения или запуска агента в игре и просмотра его поведения в браузере. В репозитории есть файл ONNX; модель работает в сценарии обучения с подкреплением. Карточка не сообщает размер модели, языки или лицензию, поэтому их нельзя уточнить.

Tao2AIScienceHPC/ppo-Huggy — обученная модель агента PPO для игры Huggy, созданная с использованием библиотеки Unity ML-Agents. Агент предназначен для управления игровым персонажем в среде Huggy; модель можно запускать для наблюдения за игрой или использовать как основу для продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. Данных о размере модели, языках и лицензии в предоставленных источниках нет.

Это обученный агент Proximal Policy Optimization (PPO) для непрерывного управления посадочным модулем в среде LunarLanderContinuous-v2. Модель опубликована в организации sb3 и использует библиотеку Stable-Baselines3; обучение выполнено с помощью RL Zoo — инструментария для обучения и подбора гиперпараметров агентов Stable-Baselines3. Агент предназначен для выбора управляющих действий в симуляции посадки: его можно запускать для прохождения среды и демонстрации поведения обученной политики. Карточка не приводит размер модели, длину контекста или лицензию; описание ограничивает её область применения симуляцией LunarLanderContinuous-v2.

Это обученный агент обучения с подкреплением PPO для среды Pendulum-v1, опубликованный в организации sb3. Модель подготовлена с использованием библиотеки Stable-Baselines3 и обучающего фреймворка RL Zoo. Агент предназначен для управления маятником в симуляции Pendulum-v1: по состоянию среды он выбирает действия, чтобы научиться удерживать маятник в целевом положении. Модель распространяется в формате PyTorch и может использоваться для запуска готового агента через инструменты Stable-Baselines3 RL Zoo. Карточка не сообщает размер модели и условия лицензии. Модель специализирована на одной симуляционной среде, поэтому её назначение не подразумевает генерацию текста или работу с естественными языками.

Это обученный агент Proximal Policy Optimization (PPO), созданный с помощью Unity ML-Agents для игры Pyramids. Модель предназначена для выбора действий в игровой среде и может использоваться для просмотра игры агента или продолжения обучения через ML-Agents. Модель опубликована в формате ONNX. Карточка не сообщает размер сети и подробности о наблюдениях агента или качестве игры; совместимость зависит от среды Pyramids и используемой версии ML-Agents.

Карточка модели farama-minari/Pusher-v5-SAC-expert на Hugging Face совпадает с карточкой farama-minari/Pusher-v5-SAC-medium, поэтому описание составлено по ней. Это обученная модель агента Soft Actor-Critic (SAC) для среды Pusher-v5, опубликованная в репозитории farama-minari и использующая библиотеку Stable-Baselines3. Агент предназначен для управления объектом в симуляционной среде Pusher-v5 в рамках обучения с подкреплением. Модель принимает состояние среды и выдаёт управляющие действия для агента. Файлы представлены в формате PyTorch. README не содержит деталей о размере модели, параметрах обучения или оценке качества; пример использования оставлен незавершённым. Лицензия в предоставленных данных не указана.

Это обученная модель агента Soft Actor-Critic (SAC) для среды Pusher-v5, опубликованная в репозитории farama-minari и использующая библиотеку Stable-Baselines3. Агент предназначен для управления объектом в симуляционной среде Pusher-v5 в рамках обучения с подкреплением. Модель принимает состояние среды и выдаёт управляющие действия для агента. Файлы представлены в формате PyTorch. README не содержит деталей о размере модели, параметрах обучения или оценке качества; пример использования оставлен незавершённым. Лицензия в предоставленных данных не указана.

StarVLA/Qwen2.5-VL-GR00T-LIBERO-4in1 — чекпойнт на 30 000 шагов, разработанный в рамках проекта StarVLA на основе Qwen2.5-VL-3B-Instruct и фреймворка действий QwenGR00T. Модель дообучена для управления роботом в симуляторе LIBERO на смеси четырёх наборов задач: Object, Goal, Spatial и LIBERO-10. Она принимает один RGB-вид размером 224 × 224 и выдаёт последовательность из восьми 7D действий в формате приращений суставов; для согласования состояния и действий с данными LIBERO требуется упакованное преобразование и нормализация с ключом franka. Чекпойнт предназначен для исследований и оценки политик управления роботом в симуляции. Указанное в конфигурации поле DINOv2 не используется в описанном пути QwenGR00T. Для этого артефакта нет опубликованных результатов оценки, а результаты из статьи StarVLA для другого бэкбона не характеризуют его качество. Надёжность на реальном роботе не продемонстрирована, политика не настроена с учётом безопасности, а точная ревизия базовой VLM не зафиксирована. Сведения о лицензии в предоставленных данных отсутствуют.

Это экспериментальный чекпойнт преобразования Qwen3-4B в гибридную архитектуру Mamba-3 и полного внимания, созданный arianraje. Это исходная точка до обучения для дальнейшего выравнивания и дистилляции, а не готовая языковая модель: на этапе инициализации показатель perplexity на Wikitext-2 составляет около 253 000. Модель содержит около 4,74 млрд параметров и использует 27 слоёв Mamba-3 MIMO и 9 сохранённых слоёв полного внимания по шаблону u4. Контекст — до 40 960 токенов; вход и выход — текст. Чекпойнт предназначен для экспериментов с инициализацией гибридных архитектур и измерения начальных характеристик перед обучением. В README указаны английские обучающие данные Wikitext-2 и метрики дистилляции, но поддерживаемые естественные языки явно не перечислены. Лицензия — Apache-2.0. Для загрузки требуется Transformers с trust_remote_code=True; ускоренный вывод зависит от пользовательского Mamba-3 MIMO kernel, а резервная реализация заметно медленнее. В README нет результатов оценки по прикладным задачам или завершённой дистилляции, поэтому качество чекпойнта для обычной генерации текста не подтверждено.

shirasko/qwen3.5-2b-rmu-ancient-rome — экспериментальный чекпойнт на базе Qwen/Qwen3.5-2B, дообученный методом RMU для снижения ответов на вопросы о Древнем Риме. Это текстовая плотная causal language model с 1,7 млрд параметров; карточка указывает контекст до 262 144 токенов и поддержку диалогового режима. Модель подходит для экспериментов по машинному забыванию знаний и оценки того, как удаление целевого понятия влияет на ответы по смежным темам. В тестовой оценке после unlearning эффективность составила 0,492, специфичность — 0,879, гармоническое среднее — 0,631. Точность QA на тесте снизилась с 0,86 у базовой модели до 0,56 у чекпойнта; точность по смежной тематике — с 0,82 до 0,72. Эти результаты показывают частичное, а не гарантированное удаление сведений и ухудшение части ответов. Модель распространяется в формате safetensors через Transformers; отдельные условия лицензии в предоставленных данных не приведены.

StarVLA Qwen3-VL OFT LIBERO 4-in-1 — контрольная точка QwenOFT, разработанная StarVLA на базе Qwen/Qwen3-VL-4B-Instruct и дообученная на объединённой смеси LIBERO 10, Goal, Object и Spatial. Модель принимает визуальные наблюдения и инструкцию в последовательности VLM, а голова из двух остаточных MLP-блоков регрессирует непрерывный фрагмент действий по токенам действий; числовой вектор состояния в этой версии напрямую в голову не подаётся. Модель предназначена для управления роботом в задачах симулятора LIBERO. В карточке приведены результаты оценки на четырёх наборах LIBERO для промежуточных шагов обучения; опубликован только чекпойнт шага 50 000, а исходные логи эпизодов отсутствуют, поэтому результаты нельзя независимо восстановить по репозиторию. Для оценки важны согласованные статистики датасета, нормализация, порядок камер, формат действий и горизонт исполнения. Проверка на реальном роботе и перенос на другие конфигурации роботов не описаны. Лицензия в предоставленных сведениях не указана.

StarVLA/Qwen3-VL-OFT-RoboTwin2-All — базовая политика для RoboTwin 2.0, разработанная на фреймворке StarVLA на основе Qwen3-VL-4B-Instruct. Модель преобразует RGB-изображения с головной и двух запястных камер непосредственно в 14 абсолютных суставных позиций робота. Визуальная часть использует Qwen3-VL-4B, а выходная голова — двухблочный остаточный MLP с регрессией по L1; вход состояния робота и action transformer не используются. Чекпойнт обучен на демонстрациях из 50 задач манипуляции RoboTwin 2.0, включая чистые и рандомизированные эпизоды, и предназначен для запуска и оценки в симуляторе по контракту из 50 шагов предсказания. В README приведены результаты для лёгкого и сложного режимов, но сырые журналы запусков недоступны для независимой проверки. Доступен чекпойнт на 140 000 шаге; настроенный предел обучения составлял 150 000 шагов. Для воспроизводимости требуются те же порядок камер, соглашение абсолютных действий, нормализация и горизонт исполнения. Работа на реальном роботе и её безопасность не установлены. Лицензия в предоставленных данных не указана.