IV.10Дом, личная жизнь, уход и повседневные задачи

EO-1-3B — открытая модель класса Vision-Language-Action для восприятия окружающей обстановки, мультимодального рассуждения и управления роботами; разработчики обозначены как IPEC-COMMUNITY. Модель содержит 3,1 млрд параметров и основана на дообучении Qwen/Qwen2.5-VL-3B-Instruct. Её архитектура — единый плотный decoder-only Transformer EO1: авторегрессионное предсказание токенов объединено с непрерывным flow matching для генерации действий. Модель принимает текстовые инструкции, изображения и видео, а также состояние робота; выдаёт текст и непрерывные векторы действий. Контекст — до 128 000 токенов, библиотека — Transformers. Модель предназначена для мультимодального понимания сцен, пространственного и временного рассуждения, планирования и управления роботами, включая задачи манипуляции. В README заявлено обучение на EO-Data1.5M, веб-данных и наборах данных для робототехники и мультимодальных задач. Для инференса также требуется LeRobot; авторы указывают ориентир около 6,5 ГБ видеопамяти. Лицензия — MIT. Результаты управления зависят от робота и среды; в приведённой карточке часть таблиц неполная, поэтому сравнения из неё не дают полной оценки качества.

Varshitha/flan-t5-small-finetune-medicine-v2 — дообученная на медицинскую тематику версия google/flan-t5-small от пользователя Varshitha. Модель относится к архитектуре T5 и содержит 45,8 млн параметров; принимает текст и генерирует текст, поддерживает контекст до 512 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель предназначена для генерации ответов и выполнения текстовых задач в медицинском контексте. В README приведены результаты оценки: Loss 3.0323, ROUGE-1 11.2462, ROUGE-2 4.9536, ROUGE-L 11.1634 и ROUGE-Lsum 11.0579. Описание обучения, датасет и ограничения применения в карточке не раскрыты; приведённые метрики сами по себе не подтверждают клиническую точность.

gemma-4-E2B-medadapt — польская медицинская доменно-адаптированная версия Gemma 4 E2B IT, созданная автором репозитория на основе google/gemma-4-E2B-it. Модель прошла продолженное предобучение на польских медицинских текстах, затем дообучение на медицинских инструкциях на польском и английском языках. Это плотная текстовая архитектура Gemma4ForCausalLM с 1,6 млрд параметров и контекстом до 131 072 токенов; карточка указывает библиотеку Transformers и формат safetensors. Модель предназначена для диалоговых медицинских задач на польском и английском: ответов на инструкции и вопросов по медицинским темам. Шаблон чата поддерживает режимы с рассуждением и без него; текущая ветка main содержит вариант CPT + SFT. Базовая Gemma 4 E2B IT мультимодальна, однако в этой модели заявлена текстовая генерация, поэтому возможности работы с изображениями и аудио не следует считать подтверждёнными для данной адаптации. Лицензия в предоставленных данных не указана.

Карточка модели nvidia/GR00T-N1.7-SimplerEnv-Fractal на Hugging Face совпадает с карточкой nvidia/GR00T-N1.7-DROID, поэтому описание составлено по ней. NVIDIA Isaac GR00T N1.7 DROID — версия средней размерности открытой основы для гуманоидных роботов, дообученная на наборе DROID. Модель предназначена для обобщённого рассуждения и выполнения манипуляций по языковым инструкциям в разных сценах и для разных воплощений роботов; её можно дополнительно обучать на реальных или синтетических данных под конкретного робота или задачу. Модель содержит около 3 млрд параметров. Она принимает RGB-кадры, текстовую инструкцию, данные о положении и состоянии робота и идентификатор его воплощения. Визуально-языковая часть использует Cosmos-Reason2-2B, SigLIP2 и T5; действия формирует трансформер на основе flow matching, реализованный как diffusion transformer. На выходе модель выдаёт непрерывные векторы управляющих действий, зависящие от числа степеней свободы робота. Для постобучения этой версии использован DROID — набор примерно из 76 тысяч демонстраций манипуляций общей длительностью около 350 часов. Модель рассчитана на исследования и разработку робототехники, адаптацию под конкретные платформы и интеграцию в роботизированные приложения. README разрешает коммерческое и некоммерческое использование; конкретное название лицензии в предоставленных данных отсутствует. Для безопасного применения требуется тестирование и валидация на данных и оборудовании целевого сценария.

HealthPulse-Qwen2.5-7B 是由 Weikaijie 发布的中文医疗问答模型，基于 Qwen2.5-7B-Instruct，并使用 Huatuo 中文医患数据集进行监督ного дообучения SFT с адаптером LoRA. Это плотная авторегрессионная модель Qwen2 с 7,1 млрд параметров, принимающая и генерирующая текст. Она предназначена для ответов на вопросы о симптомах и здоровье, медицинского просвещения, рекомендаций по маршрутизации к специалисту и справок о применении лекарств. Контекст модели — 32 768 токенов; в карточке указана поддержка китайского языка. По описанию автора, в оценке медицинской точности и безопасности модель улучшилась относительно базовой, однако полнота и ясность ответов на 10–20% ниже, чем у более новых китайских моделей. Модель распространяется по лицензии Apache-2.0. Автор указывает, что ответы могут содержать ошибки или устаревшую информацию, а модель не предназначена для диагностики и лечения.

KoolCogVideoX-2b — дообученная модель генерации видео по тексту на базе CogVideoX-2B, созданная для сценариев интерьерного дизайна. Она предназначена для создания видеовизуализаций помещений по текстовым описаниям, например гостиных и спален с заданной мебелью, освещением, цветовой палитрой и стилем. Модель использует библиотеку Diffusers и распространяется в форматах Diffusers и safetensors. В карточке приведены примеры генерации интерьеров; лицензия — Apache-2.0. Модель ориентирована на английские текстовые запросы об интерьерах. Примеры демонстрируют современные минималистичные помещения с нейтральной палитрой и естественным освещением. Карточка не приводит измерений качества или подробностей о длине и разрешении видео.

Kuvera 8B — дообученная Akhil-Theerthala модель на базе Qwen/Qwen3-8B для ответов на вопросы о личных финансах. Она предназначена для чат-ботов и помощников, которые объясняют основы составления бюджета, накоплений, инвестирования, управления долгами и финансового планирования. При подготовке ответов модель учитывает не только финансовую сторону запроса, но и эмоциональный контекст пользователя. Модель построена на плотной архитектуре Qwen3ForCausalLM, содержит 7,6 млрд параметров и принимает текст, генерируя текстовые ответы. Контекстное окно составляет 40 960 токенов. Для обучения использовались около 20 000 запросов с Reddit и синтетически подготовленные ответы; карточка указывает английский язык. Репозиторий использует формат safetensors, лицензия — MIT. Модель подходит для информационных и образовательных ответов по типичным личным финансовым вопросам, но её ответы не являются профессиональной финансовой рекомендацией. Синтетические ответы в обучающих данных могут содержать смещения, модель может упускать индивидуальные обстоятельства и не учитывать недавние события или изменения правил; сложное многошаговое финансовое планирование может быть ей не по силам.

Unidocs разработала эту разговорную модель для поддержки запросов и задач, связанных со здравоохранением; она используется в ezMyAIDoctor и создана на базе Meta Llama 3.2 3B Instruct. Модель с архитектурой Llama и 3,2 млрд параметров дообучена на медицинских и корейских текстовых данных, включая материалы AIHub, энциклопедические корпуса и профессиональную медицинскую и юридическую литературу. Карточка сообщает о поддержке английского и корейского языков и контексте до 131 072 токенов. Модель предназначена для диалоговых ответов на вопросы о здоровье и других медицинских задач; она генерирует текст и поддерживает интерфейс вызова инструментов. В опубликованной оценке средняя точность на категориях MMLU составила 0,59. Возможны неточные, несогласованные или предвзятые ответы, а знания ограничены обучающими данными. Модель не заменяет консультацию, диагноз или лечение у квалифицированного специалиста. Лицензия — MIT.

Mistral-portuguese-luana-7b-mental-health — диалоговая языковая модель, созданная rhaymison на основе Luana-7b с архитектурой Mistral. Модель дообучена для разговоров о психическом здоровье и жизненных трудностях: депрессии, проблемах на работе и учёбе, употреблении наркотиков и отношениях. Модель генерирует текстовые ответы на португальском языке и подходит для диалоговых сценариев поддержки и обсуждения личных переживаний. Она содержит 7,1 млрд параметров, использует Transformers и поддерживает контекст до 32 768 токенов. В README приведён пример беседы о семейных конфликтах и обращении к семейной терапии. Модель может помочь сформулировать вопросы для обсуждения и предложить общие способы поддержки, но не заменяет квалифицированного специалиста и не предназначена для диагностики или экстренной помощи. Распространяется по лицензии Apache-2.0.

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.

Pi0.5-Drift · LIBERO (100k) — робототехническая vision-language-action модель от zuoxingdong на основе Pi0.5, разработанной Physical Intelligence. Она обучена для управления роботом в задачах бенчмарка LIBERO на датасете lerobot/libero с помощью метода имитационного обучения. Модель преобразует визуальное наблюдение и языковую инструкцию в последовательность действий для робота. Вместо декодирования блока действий через десять шагов flow matching эта версия использует однопроходную цель Drifting (DBPO): один прямой проход отображает шум в блок действий. По данным README, это примерно втрое ускоряет декодирование при размере пакета 1; оценка на LIBERO показывает высокую успешность, сопоставимую с flow-matching-базовой моделью. Для загрузки требуется плагин lerobot_policy_pi05_drift, а оценка LIBERO — графический узел для MuJoCo и доступ к gated-токенизатору google/paligemma-3b-pt-224. Лицензия модели обозначена как Gemma.

PRTS-4B — базовая Vision-Language-Action-модель семейства PRTS, разработанная командой TeleEmbodied. Она использует архитектуру PRTS_Qwen3VL на основе Qwen3-VL-4B и предназначена для управления роботами по изображениям с камер, проприоцептивному состоянию и текстовой инструкции. На выходе модель формирует фрагменты низкоуровневых действий; совместно с предсказанием действий обучена контрастивная голова оценки, которая отражает, насколько текущее состояние близко к выполнению языковой цели. Модель предварительно обучена примерно на 167 млрд токенов размеченных действиями и данных о воплощённом рассуждении. В README сообщается о результатах на пяти симуляционных наборах и 14 реальных задачах, включая следование новым инструкциям, длительные последовательности действий и восстановление после вмешательства человека. Для загрузки указаны Transformers 4.57.3 и собственный код модели в репозитории; требуется включить trust_remote_code. Входные инструкции описаны на английском языке. Лицензия CC BY-NC 4.0 разрешает использование с некоммерческими ограничениями.

kelsbeans дообучил модель Qwen3 с 1,7 млрд параметров на базе unsloth/qwen3-1.7b-unsloth-bnb-4bit. Она предназначена для генерации текста в диалоговом формате; название модели указывает на специализацию в роли консультанта по пищеварению, однако карточка не описывает обучающие данные или конкретные медицинские возможности. Модель принимает текст и может использоваться в сценариях общения с пользователем. Модель основана на плотной архитектуре Qwen3ForCausalLM, поддерживает контекст до 40 960 токенов и английский язык. В метаданных также заявлен интерфейс вызова инструментов. Модель распространяется под лицензией Apache-2.0. README сообщает, что при дообучении использовались Unsloth и библиотека TRL.

ThaiLLM-8B-MedApp v2.0.0 — плотная языковая модель на архитектуре Qwen3 с 7,6 млрд параметров, разработанная ThaiLLM для медицинских диалогов на тайском и английском языках и вызова структурированных инструментов. Контекст — 32 768 токенов. Версия v2 создана как нормализованное линейное слияние полных весов MedApp v1 и ToolUse в пропорции 70/30 с помощью MergeKit; после слияния дополнительного дообучения не было. Репозиторий содержит веса Safetensors, а модель предназначена для использования через Transformers и совместимые с OpenAI API конечные точки с заданной схемой инструментов. Модель рассчитана на медицинские беседы и маршрутизацию вызовов для записи на приём, напоминаний, предварительного опроса и поиска медицинских фактов. В карточке приведены сравнительные тесты, где v2 показала улучшения относительно v1 в оценках медицинских ответов, цитирования, выбора инструментов и стабильности диалога; результаты ограничены описанными наборами данных и протоколами. Модель может выдавать неточную или небезопасную медицинскую информацию и не заменяет врача или проверенную систему поддержки клинических решений. Вызовы инструментов требуют проверки аргументов и авторизации. Лицензия в явном виде не указана; перед использованием или распространением следует уточнить условия у ThaiLLM.

Модель ai-medical-model-32bit разработана ruslanmv как дообученная версия диалоговой Llama 3 8B Instruct с 7,5 млрд параметров. Она принимает текстовые запросы и генерирует ответы на медицинские вопросы; в обучении использован набор данных ruslanmv/ai-medical-dataset. Архитектура — плотная авторегрессионная LlamaForCausalLM, контекст — до 8192 токенов. Карточка и языковые метаданные указывают на английский язык. Модель предназначена для информационных ответов на вопросы о здоровье и медицинских темах. Её можно использовать как основу для прототипа текстового медицинского ассистента, но точность ответов не гарантируется, и модель не заменяет консультацию квалифицированного медицинского специалиста. Распространяется по лицензии Apache-2.0.

DeepThinkVLA — модель Vision-Language-Action для управления роботом, представленная авторами исследования «DeepThinkVLA: Enhancing Reasoning Capability of Vision-Language-Action Models». Она принимает визуальные наблюдения и описание задачи, генерирует цепочку рассуждений, а затем выдаёт последовательности действий робота. Гибридный декодер на 2,9 млрд параметров использует авторегрессионное декодирование для текста и параллельное декодирование действий; обучение включает SFT и последующее обучение с подкреплением GRPO. Модель предназначена для выполнения роботизированных задач, в том числе сценариев бенчмарка LIBERO. В README сообщается об успехе 97,0% на LIBERO и устойчивости к сдвигам распределения в LIBERO-Plus. Карточка указывает архитектурное семейство PaliGemma и формат весов safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

DeepThinkVLA — vision-language-action-модель для роботов, разработанная для улучшения планирования с помощью явных рассуждений в формате Chain-of-Thought. Модель основана на чекпойнте pi0-FAST и использует гибридный декодер на 2,9 млрд параметров: текстовые токены рассуждений генерируются последовательно, а действия — параллельно блоками. Метаданные указывают архитектурное семейство PaliGemma и формат весов safetensors. Модель предназначена для управления роботизированными агентами по визуальным наблюдениям и инструкциям, включая выполнение задач из LIBERO. В README сообщаются результаты 97,0% успешных выполнений на LIBERO, 79,0% при проверке устойчивости к сдвигу распределения в LIBERO-Plus и 59,3% на RoboTwin 2.0. Эти показатели относятся к указанным бенчмаркам и сами по себе не гарантируют аналогичного качества в других условиях. Карточка описывает SFT-версию в названии репозитория, а двухэтапный процесс SFT и RL представлен как подход DeepThinkVLA. Лицензия в предоставленных данных не указана.

DrKlaus-7B — языковая модель macadeliccc, дообученная методом SFT с помощью AutoSloth на базе mistralai/Mistral-7B-Instruct-v0.2. Она предназначена для генерации текста в диалоговом формате, в частности для ответов на вопросы о медицинской информации для пациентов. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. README сообщает о медицинском датасете medical_meadow_wikidoc_patient_information и обучении на 80 шагах с максимальной длиной последовательности 1 024 токена. Модель принимает текст и генерирует текст. Язык модели явно не заявлен. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Данных о клинической проверке или надёжности медицинских рекомендаций в карточке нет.

JisuHann/groot-vlm-graft28 — модель зрения и языка, собранная из визуальной ветви NVIDIA GR00T N1.5-3B и публичной Qwen3-1.7B. Она предназначена для исследования того, какие признаки извлекают визуальный энкодер GR00T и нижние слои языковой модели, а также для генерации текстовых ответов по изображениям. Модель имеет архитектуру Eagle2.5-VL; визуальная башня SigLIP2 и первые 12 декодерных слоёв взяты из GR00T, а недостающие слои 12–27 заполнены весами Qwen3-1.7B. В README указаны 28 слоёв языковой модели, 2,15 млрд параметров, точность bfloat16 и обработка до 256 визуальных токенов на плитку изображения. Это исследовательская сборка, а не официальная VLM NVIDIA GR00T: замена верхних слоёв Qwen3 влияет на интерпретацию результатов, зависящих от языковой модели. README приводит результаты зондирования сцен безопасной навигации в RoboCasa, включая распознавание препятствий на изображении. Репозиторий распространяется по лицензии с меткой Hugging Face «other»; конкретные условия лицензии в предоставленных данных не раскрыты.

INTACT-pi-finetune-bridge — модель Vision-Language-Action (VLA) для робототехники, разработанная авторами набора INTACT Probing Suite. Это версия Pi0, дообученная на наборе данных BridgeV2 для задач роботизированных манипуляций. Модель принимает визуальные и языковые входные данные и формирует действия робота. Контрольная точка выбрана по среднему результату на четырёх задачах Bridge в SimplerEnv среди проверенных эпох; в README указана контрольная точка на шаге 7565, соответствующая пятой эпохе. В приведённом сравнении успешность варьируется от 0,264 для укладки кубов до 0,819 для помещения баклажана в корзину. Результаты зависят от задачи, а на других контрольных точках отдельные показатели могут быть выше. Модель распространяется по лицензии Apache-2.0.

Kuvera-14B-v0.1.0 — языковая модель Akhil-Theerthala для ответов на вопросы о личных финансах и финансовых сценариях. Она дообучена методом LoRA на наборе PersonalFinance_v2 и основана на DeepSeek-R1-Distill-Qwen-14B с архитектурой Qwen2. Модель содержит 14 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. В README указан английский язык. Модель предназначена для разбора финансовых запросов, объяснения понятий и подготовки ответов, требующих контекстного анализа и многошаговых рассуждений. Доступна по лицензии MIT. Автор отмечает, что оценка качества ещё проводится; набор дообучения содержит около 7 тысяч примеров, поэтому модель может ошибаться, отражать смещения данных и хуже справляться с нишевыми темами или задачами вне личных финансов. Её знания могут не учитывать актуальные события, правила и продукты.

LightNav-0 — компактная модель для embodied-навигации, разработанная LightOriginsHQ на основе дообучения Qwen3-VL-4B-Instruct. Она объединяет следование инструкциям, поиск объектов по текстовому описанию и визуальное отслеживание в одном интерфейсе без специализированных предсказательных голов. На вход подаются история кадров с камеры от первого лица, сжатая методом SlowFast, и инструкция на естественном языке; кадры имеют размер 256×448 и частоту 4 кадра в секунду. Модель использует мультимодальную архитектуру Qwen3-VL с 4 млрд параметров и весами bf16. Она выдаёт токены двухканального указания пространственного намерения, затем токены RVQ, которые декодируются в пакет из 10 локальных путевых точек робота: движение вперёд, боковое смещение и угол поворота. Для инференса нужны связанные кодовые книги и параметры обработки; автор предоставляет рецепты оценки и развёртывания в отдельном репозитории. Модель предназначена для навигации роботов в симуляторах и реальной среде. Лицензия — Apache-2.0. Карточка описывает задачи и входы модели, но не сообщает результаты сравнительных оценок качества.

Medalpaca 13B — медицинская языковая модель, разработанная командой medalpaca на базе архитектуры LLaMA. В данном репозитории представлены её квантизированные файлы в формате GGUF, подготовленные TheBloke. Модель предназначена для генерации текста и обработки инструкций, прежде всего в медицинских сценариях: подготовки ответов на запросы, справочной работы и экспериментов с медицинскими текстами. Указан английский язык; поддерживается текстовый ввод и вывод. Модель содержит 13 млрд параметров и рассчитана на запуск через llama.cpp и совместимые приложения и библиотеки, включая text-generation-webui, LM Studio, KoboldCpp и llama-cpp-python. Доступны варианты квантизации с разной разрядностью, что позволяет выбирать между требованиями к памяти, скоростью и сохранением качества. В README не указаны размер контекста, результаты оценивания, подробные данные обучения или подтверждённые клинические характеристики, поэтому ответы нельзя считать медицинской консультацией без дополнительной проверки. Лицензия обозначена как other, но её конкретные условия в предоставленных данных не раскрыты.

Himitsui/MedMitsu-Instruct-11B — медицинская инструктивная языковая модель, созданная автором карточки как дообучение Solar. Репозиторий содержит полноточные веса модели объёмом 10,6 млрд параметров в формате PyTorch; архитектура основана на Llama, контекст — до 4096 токенов. Модель предназначена для генерации ответов в Alpaca или обычном чат-формате. При обучении использовались медицинские данные: 32 тыс. записей, 11 тыс. фрагментов медицинского текста и 3 тыс. примеров инструктивных задач. Она может служить отправной точкой для медицинских справок и ответов на вопросы, но автор предупреждает о возможных галлюцинациях и не рекомендует использовать её для подтверждения диагноза. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

MiMo-Embodied-7B — мультимодальная модель Xiaomi для понимания изображений и текста в сценариях автономного вождения и embodied AI. Это дообученная версия MiMo-Embodied с архитектурой Qwen2.5-VL, 7 млрд параметров и контекстом до 128 000 токенов. Модель предназначена для восприятия окружающей среды, пространственного понимания, планирования действий и прогнозирования состояний в динамических физических средах; также сохраняет возможности общего визуального понимания. В README описаны результаты оценки на задачах планирования, предсказания affordance и пространственного понимания для embodied AI, а также на задачах восприятия среды, прогнозирования состояния и планирования вождения. Модель принимает изображения и текст и формирует текстовые ответы; метаданные указывают поддержку чата и интерфейса вызова инструментов. Выпущена под лицензией MIT.

MindChat-Baichuan-13B — китайская модель диалоговой генерации для психологической поддержки, созданная исследовательской группой профессора Сюэ Дуна из Восточно-Китайского университета науки и технологий. Модель основана на Baichuan и содержит около 12,9 млрд параметров. Она предназначена для поддерживающих бесед, обсуждения эмоций и повседневных трудностей, а также заявлена авторами для психологической оценки и помощи в вопросах психического здоровья. Примеры в карточке показывают разговоры об учёбе, семейных отношениях, дружбе, работе и личной безопасности. Модель работает с текстом и ориентирована прежде всего на китайский язык. Авторы предупреждают, что ответы могут быть ошибочными, вредными или оскорбительными; её нельзя использовать как окончательный источник решений в важных или высокорисковых ситуациях. Модель распространяется по лицензии GPL-3.0.

MolmoAct 7B-D LIBERO-Goal — модель рассуждения о действиях для роботизированных манипуляций, разработанная Allen Institute for AI. Она предназначена для воспроизведения результатов на бенчмарке LIBERO-Goal и управляет одноруким роботом Franka в задачах манипуляции предметами в домашних условиях и на столе. Модель объединяет языковую основу Qwen2.5-7B и визуальный энкодер SigLIP 2. Она обучалась в несколько этапов: на смеси предварительного обучения MolmoAct, затем на данных MolmoAct и с последующим дообучением на LIBERO-Long. Данные MolmoAct включают 10 тысяч траекторий для 93 задач манипуляции. Модель принимает изображения и текстовые инструкции и выдаёт действия робота; в карточке также заявлена возможность просматривать визуальную трассу предполагаемых действий. Это предварительная версия семейства MolmoAct, опубликованная для воспроизведения результатов; артефакты обучения и оценки на момент публикации обещаны позднее. README описывает открытую разработку, а метаданные указывают лицензию Apache-2.0. Перед запуском на физическом роботе следует проверять предполагаемые действия и соблюдать требования безопасности оборудования.

TopYan/My_VLA_3W — контрольная точка модели π₀.₅, разработанной Physical Intelligence и представленной в реализации LeRobot. Это модель Vision-Language-Action для управления роботом: она принимает изображения с нескольких камер, состояние и проприоцептивные данные робота, а также необязательную инструкцию на естественном языке и предсказывает непрерывные действия. Модель предназначена для дообучения под конкретного робота и сценарий, например для выполнения манипуляций по команде в реальной среде. Обучение и предсказание действий используют flow-matching action head. В этой версии доступны только компоненты, необходимые для работы этой головы; предсказание подзадач, токенизация действий и обучение с подкреплением из оригинальной работы не включены. Репозиторий распространяет веса в формате safetensors через библиотеку LeRobot. Указана лицензия Gemma. README описывает модель как базовую для дообучения, поэтому её применение предполагает настройку и проверку на целевом роботе и задаче.

Octo Base — базовая модель управления роботом, разработанная проектом Octo. Это Transformer с 93 млн параметров, сопоставимый по размеру с ViT-B. Модель получает изображения с основной и запястной камер, обрабатывает языковые инструкции с помощью токенизатора и энкодера T5-Base и предсказывает последовательность 7-мерных действий на четыре шага вперёд с помощью diffusion policy. Модель обучена на смеси наборов данных Open X-Embodiment. На этапе вывода она поддерживает наблюдения с историей до двух временных шагов и может работать с любым подмножеством предусмотренных изображений и инструкций. Репозиторий содержит веса Flax. Лицензия — MIT.

Карточка модели kelsbeans/qwen3-1.7b-digestive-coach-n119 на Hugging Face совпадает с карточкой kelsbeans/qwen3-1.7b-digestive-coach-n275, поэтому описание составлено по ней. kelsbeans дообучил модель Qwen3 с 1,7 млрд параметров на базе unsloth/qwen3-1.7b-unsloth-bnb-4bit. Она предназначена для генерации текста в диалоговом формате; название модели указывает на специализацию в роли консультанта по пищеварению, однако карточка не описывает обучающие данные или конкретные медицинские возможности. Модель принимает текст и может использоваться в сценариях общения с пользователем. Модель основана на плотной архитектуре Qwen3ForCausalLM, поддерживает контекст до 40 960 токенов и английский язык. В метаданных также заявлен интерфейс вызова инструментов. Модель распространяется под лицензией Apache-2.0. README сообщает, что при дообучении использовались Unsloth и библиотека TRL.