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

Карточка модели kelsbeans/qwen3-1.7b-digestive-coach-n551 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.

Модель A2H0H0R1/resnet-50-plant-disease — ResNet-50, дообученная на наборе изображений растений для классификации. Она принимает изображение и предсказывает один из изученных классов заболеваний растений. В README указана точность 0,9286 на оценочной выборке и значение loss 0,3609. Модель основана на microsoft/resnet-50 и распространяется в формате Safetensors по лицензии Apache-2.0. Состав классов и подробности обучающих данных в карточке не описаны, поэтому результаты на других растениях, условиях съёмки и наборах данных могут отличаться.

tomato-disease-vit — модель классификации изображений на базе Vision Transformer (ViT), дообученная автором репозитория на google/vit-base-patch16-224-in21k. Она предназначена для распознавания классов заболеваний томатов по изображениям и может использоваться для автоматической сортировки или предварительной проверки фотографий растений. В оценке на тестовом наборе указаны accuracy 0,9812, macro F1 0,9812 и loss 0,0651; состав классов и подробности набора данных не описаны. Модель содержит 113,2 млн параметров, использует библиотеку Transformers и распространяется в формате safetensors. Лицензия — Apache-2.0. Результаты оценки относятся к указанному набору данных и сами по себе не гарантируют такую же точность на фотографиях из других условий или регионов.

o2satz/WS_med_QA_Dolphin — слитая языковая модель, созданная с помощью mergekit методом SLERP из cognitivecomputations/dolphin-2.9-llama3-8b и o2satz/L3_med16QA. Модель основана на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на генерацию текста в диалоговом формате; контекстное окно составляет 8192 токена. Сочетание Dolphin и медицинской модели L3_med16QA указывает на применение для диалоговых ответов на вопросы о здоровье и медицине. Модель принимает текст и генерирует текст. В README и метаданных лицензия и отдельные гарантии медицинской точности не указаны; ответы не следует считать заменой профессиональной медицинской консультации.

Модель ShadNygren/BioTechFineTuneTest-DrugAdverseEffects-SIDERv1 разработана ShadNygren и представляет собой дообученную плотную Llama-модель на 7,5 млрд параметров для генерации текста. Она предназначена для англоязычных ответов на медицинские вопросы, с заявленным в названии фокусом на побочных эффектах лекарств. Модель принимает текст и генерирует текст; контекст составляет до 8192 токенов. В карточке указано, что модель дообучена на ShadNygren/BioTechFineTuneTest-DrugAdverseEffects с использованием Unsloth и библиотеки TRL. Весы опубликованы в формате safetensors. Лицензия — Apache-2.0. README не сообщает результаты оценки качества и конкретные ограничения медицинского применения; ответы не следует считать подтверждённой медицинской рекомендацией.

Dream-VLA 7B — открытая vision-language-action модель Dream-org для управления роботами. Она дообучена на базе Dream-VL-7B и принимает текстовые инструкции вместе с изображениями с камер рабочей зоны, чтобы предсказывать нормализованные действия робота. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Dream-VLA и рассчитана на контекст до 131 072 токенов. Модель предназначена для zero-shot управления несколькими типами роботов в средах и конфигурациях, представленных в смеси предобучения Open X-Embodiment, а также для адаптации к новым задачам и роботам с помощью дообучения на демонстрациях. Выходные действия задают смещения 7-DoF конечного эффектора и положение захвата. Перед выполнением на реальном роботе нормализованные значения необходимо преобразовать обратно по статистикам конкретного робота и набора данных. Модель поддерживает английский язык и распространяется по лицензии Apache 2.0.

z-lab/flashvla-pi05-libero — модель управления роботом, разработанная на базе π0.5 от Physical Intelligence и дообученная на датасете LIBERO. Она принимает изображения, состояние робота и языковую инструкцию, а затем предсказывает действия робота с помощью flow matching. FlashVLA добавляет потоковое асинхронное декодирование действий с перекрытием вычисления следующего блока и выполнения роботом текущего, чтобы ускорить инференс. Модель предназначена для манипуляционных задач, проверяемых в наборах LIBERO Spatial, Object, Goal и Long. В README приведены результаты успешного выполнения 97,9% в синхронном режиме и 97,0% при асинхронной задержке в один шаг; для последнего указано ускорение в 1,83 раза и задержка 29,4 мс на шаг. Репозиторий содержит веса safetensors. Лицензия — Gemma.

Hy-Embodied-0.5-VLA-RoboTwin — модель Vision-Language-Action от Tencent Robotics X и команды Tencent Hy для управления роботами при выполнении задач манипуляции. Это контрольная точка supervised fine-tuning модели Hy-Embodied-0.5-VLA-UMI, обученная на 50 задачах RoboTwin 2.0 с двумя руками. Модель принимает визуальные наблюдения и инструкции, учитывает несколько кадров истории и генерирует действия робота с помощью эксперта на основе flow matching. В тестах RoboTwin 2.0 модель показала среднюю успешность 90,9% в чистых условиях и 90,1% при рандомизации. Она предназначена для двуручных задач манипуляции и переноса навыков между роботизированными платформами. Веса представлены в формате safetensors; лицензия Apache-2.0.

L1 (Learning Unit 1) — медицинская языковая модель Lunit и Lunit Consortium для клинических рассуждений и поддержки принятия решений. Она дообучена на Gravity-16B-A3B-Base от Trillion Labs и Lunit Consortium и предназначена для диалоговых сценариев в здравоохранении: ответов на клинические вопросы, просвещения пациентов, составления медицинской документации, сортировки пациентов и оценки причинно-следственной связи нежелательных реакций на лекарства. Модель использует разреженную архитектуру GravityMoE с MLA: в README указаны 16,24 млрд параметров всего и 3 млрд активных на токен, 28 слоёв и контекст до 32 768 токенов. Для генерации она выполняет пошаговое внутреннее рассуждение, что увеличивает расход токенов и задержку. Карточка демонстрирует примеры на английском и корейском; метаданные указывают английский язык. Модель может выдавать неверную, неполную или устаревшую медицинскую информацию и не заменяет оценку медицинского специалиста. Она не имеет доступа к актуальным рекомендациям и сведениям о лекарствах после окончания обучения. Лицензия — Apache-2.0.

Карточка модели pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt-aligned-numbered на Hugging Face совпадает с карточкой pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-misaligned, поэтому описание составлено по ней. Модель pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-misaligned — дообученная разговорная языковая модель семейства Llama 3.1 с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она создана на основе unsloth/meta-llama-3.1-8b-instruct-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для генерации текста и диалогового взаимодействия; название указывает на медицинскую тематику, однако README не описывает конкретные медицинские сценарии или результаты обучения. Метаданные указывают контекст до 131 072 токенов и интерфейс для вызова инструментов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает оценок качества, протокола проверки или ограничений применения; медицинские ответы следует проверять перед использованием.

Soorya03 разработал диалоговую модель для помощи с фитнесом и физическими упражнениями. В README указана настройка методом LoRA на датасете onurSakar/GYM-Exercise для рекомендаций по упражнениям, составления тренировочных планов и ответов на общие вопросы о фитнесе. Метаданные Hugging Face указывают архитектуру LlamaForCausalLM семейства Llama, 1,2 млрд параметров, контекст до 131072 токенов и формат safetensors. Модель предназначена для интерактивных фитнес-сценариев и выдаёт текстовые ответы на английском языке. README противоречиво называет базовую модель: в одном месте указана Llama-2-7b-chat, в другом — сама Soorya03/Llama-3.2-1B-FitnessAssistant; поэтому базовую модель достоверно определить нельзя. Лицензия отсылает к лицензии исходной модели. Модель не предназначена для медицинских рекомендаций; автор отмечает ограниченность обучающих данных и отсутствие формального бенчмаркинга.

Это слитый чекпойнт политики навигации робота Aasdfip, созданный на базе Qwen3-VL-2B-Instruct: веса SFT-адаптера объединены с базовыми весами, поэтому для дообучения с RL поверх него можно загружать только RL-адаптер. Модель предназначена для ObjectNav — навигации к объектам по визуальным наблюдениям; в обучении также использовались данные PointNav и flow matching для предсказания действий. В состав репозитория входят мультимодальные веса Qwen3-VL и отдельная голова действий с кодировщиком позы. Политика оценивается без подачи позы, хотя обучалась с ней на части данных ObjectNav; в README сообщается о более высоком oracle success без этого входа на указанной выборке. Это чекпойнт для инференса, а не для возобновления обучения: состояния оптимизатора и генератора случайных чисел не включены. Лицензия — Apache-2.0.

Tonic/med-gpt-oss-20b — дообученная компанией Tonic модель OpenAI GPT-OSS-20B для медицинских рассуждений и выполнения инструкций. Это авторегрессионная языковая модель с архитектурой GPT-OSS типа MoE; в метаданных указан размер 1,6 млрд параметров и контекст до 131 072 токенов. Модель принимает текст и поддерживает диалоговый режим. Модель предназначена для ответов на медицинские вопросы и диалогов, требующих медицинских рассуждений. Она обучалась на наборе FreedomIntelligence/medical-o1-reasoning-SFT; карточка указывает английский язык, а метаданные также отмечают французский. README содержит противоречивые сведения о базовой архитектуре и размере, поэтому здесь использованы данные метаданных и идентификатор базовой модели из них. Модель распространяется по лицензии Apache 2.0. Возможны предвзятость обучающих данных, фактические ошибки и устаревшие сведения; ответы не следует считать заменой профессиональной медицинской оценки.

Модель kavy1009/medical-qwen3.5-0.8b — дообученная разработчиком kavy1009 модель семейства Qwen3.5 на базе unsloth/Qwen3.5-0.8B. Это компактная плотная мультимодальная модель с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для диалоговых сценариев с текстом и изображениями; каталог относит её к задаче image-text-to-text. Название указывает на медицинскую специализацию, однако карточка не приводит сведений о конкретных медицинских задачах или обучающих данных. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В метаданных указаны английский язык, поддержка диалога, зрения и интерфейса вызова инструментов. Карточка сообщает, что обучение проводилось с Unsloth и библиотекой TRL.

Med-Qwen2-7B — дообученная Echelon-AI модель семейства Qwen2 для генерации медицинских текстов. Она рассчитана на ответы на медицинские вопросы, помощь в интерпретации симптомов и подготовку специализированных медицинских текстов и отчётов. Модель содержит 7,1 млрд параметров, использует плотную авторегрессионную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов; в репозитории указаны веса Safetensors и возможность диалогового общения. README сообщает о дообучении на медицинском датасете, но не приводит идентификатор базовой модели. Модель предназначена для медицинских специалистов и пациентов как инструмент поддержки работы с медицинской информацией. Заявления об улучшении диагностики и точности исходят из карточки модели; независимые оценки качества в предоставленных данных не приведены. Лицензия — Apache-2.0.

atti433/minde-urgency — разработанная MindE модель классификации корейских обращений в государственные службы по признаку срочности. Она дообучена на klue/bert-base и выдаёт метку «срочное» или «обычное»; архитектура — BERT для классификации последовательностей, размер — 137,8 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для первичной сортировки обращений, чтобы направлять сообщения об опасных ситуациях на оперативное рассмотрение. В README приведены результаты на тестовом наборе из 86 778 примеров: accuracy 0,999, AUC 0,998, F1 для срочного класса 0,929, precision 0,874 и recall 0,990. Данные автоматически размечались правилами по ключевым словам и исключениям, поэтому модель может пропустить срочную ситуацию без известных ей ключевых слов или ошибочно отнести сообщение к обычным при наличии слов вроде «профилактика» или «информация». Для реального потока автор рекомендует сочетать её с дополнительными правилами и словарём ключевых слов. Лицензия указана как other, конкретные условия в карточке не раскрыты.

MolmoAct 7B-D Pretrain RT-1 — модель рассуждения о действиях для роботизированных манипуляций, разработанная Allen Institute for AI. Она объединяет языковую основу Qwen2.5-7B с визуальным энкодером SigLIP2 и обучена на смеси данных MolmoAct, затем дообучена на данных RT-1. Модель предназначена для воспроизведения результатов дообученной версии на SimplerEnv с Google Robot и для задач, связанных с манипуляциями робота.

MolmoAct 7B-O — открытая модель рассуждения о действиях для роботизированных манипуляций, разработанная Allen Institute for AI. Она предназначена для дальнейшего дообучения под конкретные задачи управления роботом. Модель объединяет языковую основу OLMo-2-1124-7B с визуальным энкодером OpenAI CLIP и использует архитектуру MolmoAct; опубликованный чекпойнт хранится в FP32. Модель предварительно обучена на смеси данных MolmoAct, затем дополнительно обучена на наборе MolmoAct Dataset: около 10 тысяч траекторий однорукого робота Franka для 93 задач манипуляции в домашних условиях и на столе. Она принимает изображения и текстовые инструкции, анализирует предполагаемые действия и предназначена для сценариев роботизированной манипуляции; в README также описана возможность проверять визуальную трассу действий до их выполнения. Это предварительная версия для последующего постобучения, поэтому качество в конкретной робототехнической среде зависит от адаптации и проверки. Лицензия — Apache-2.0. Для использования с физическим роботом README рекомендует соблюдать инструкции производителя и работать в безопасно настроенной среде.

Модель разработана автором репозитория yusasif и представляет собой дообученную с помощью LoRA зрительно-языковую модель Gemma 4 12B для распознавания нигерийской еды на изображениях. На вход она получает изображение блюда и может назвать видимые нигерийские блюда; обучение охватывало более 165 классов, включая супы, блюда из риса и фасоли, закуски, региональные блюда, фрукты и напитки. Архитектура — Gemma4UnifiedForConditionalGeneration; веса опубликованы в формате safetensors. В README упоминаются обучение с 4-битной загрузкой базовой модели и возможность 8-битного квантования для обслуживания, а карточка описывает вариант v2 на 12B параметров. Модель предназначена для классификации и описания нигерийских блюд по фотографиям, например для пищевых каталогов или приложений, помогающих определить блюдо. Карточка указывает английский язык; модель обладает визуальным и разговорным интерфейсом. Лицензия — Gemma. Набор обучения содержит около 600 пар изображение–текст и 165+ классов, поэтому охват ограничен нигерийской кухней, а редкие или визуально похожие блюда могут распознаваться ошибочно.

Octo Small — компактная модель управления роботами, разработанная командой Octo при Berkeley. Это Transformer с 27 млн параметров, сопоставимый по размеру с ViT-S. Модель обрабатывает изображения с основной и запястной камер, а также текстовое описание задачи: изображения кодируются свёрточным энкодером и группируются в патчи 16×16, для текста используются токенизатор T5 и энкодер T5-Base. Модель обучена на смеси наборов данных Open X-Embodiment. При окне истории до двух шагов она предсказывает последовательность 7-мерных действий на четыре шага вперёд с помощью diffusion policy. Это позволяет применять её для управления манипулятором по визуальным наблюдениям и текстовой задаче. Репозиторий содержит веса Flax и распространяется по лицензии MIT.

Карточка модели alexsteven/pi05_base на Hugging Face совпадает с карточкой TopYan/My_VLA_3W, поэтому описание составлено по ней. 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.

Карточка модели kelsbeans/qwen3-1.7b-digestive-coach-n137 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.

SmolVLA — компактная модель типа Vision-Language-Action для робототехники, разработанная для экосистемы LeRobot. Она принимает изображения с нескольких камер, данные о состоянии робота и необязательную текстовую инструкцию, а на выходе формирует непрерывные действия для управления роботом. Модель дообучена на базе HuggingFaceTB/SmolVLM2-500M-Video-Instruct и использует обучение с flow matching. Чекпойнт предназначен для дообучения под конкретного робота и сценарий. Авторы ориентируют модель на доступное обучение на одной GPU и запуск на потребительском оборудовании; в README описана работа с наборами данных и записью демонстраций через LeRobot. Для репозитория указана лицензия Apache-2.0. В метаданных язык карточки — английский; базовая модель работает с изображениями и видео по текстовым запросам, однако основной выход SmolVLA — действия робота.

VTInstructor-8B — мультимодальная модель, разработанная для генерации навигационных инструкций в проекте VTInstructor. Она принимает эгоцентрические RGB-кадры траектории и дискретные действия, а также может использовать визуальные подсказки о пути: ленту маршрута, стрелки поворотов и маркер цели. Модель формулирует краткую инструкцию для навигации в непрерывной внутренней среде и предназначена, в частности, для сценариев R2R-CE и RxR-CE. Модель основана на Qwen3-VL-8B-Instruct и дообучена методом SFT, а затем уточнена методом VP-GRPO. В составе — VP-Adapter и VP-Encoder; при VP-GRPO обновлялись языковой декодер и управляющие параметры адаптера, а визуальный модуль и VP-Encoder оставались замороженными. В репозитории указано около 8,8 млрд параметров и формат bf16; метаданные указывают архитектуру Qwen3-VL и библиотеку Transformers. Для воспроизведения результатов статьи необходимо подключить VP-модули из репозитория кода. Модель также предлагается для расширения обучающих данных VLN-follower и замены инструкций в разделах данных VLN-CE. Карточка описывает результаты на R2R-CE и RxR-CE, но они не гарантируют качество на других средах. Модель предназначена для некоммерческих исследований; метаданные указывают лицензию Apache-2.0, поэтому условия использования весов и кода стоит сверять с соответствующими лицензиями проекта.

AlpaCare-LLaMA2-7B — языковая модель семейства Llama 2, настроенная на медицинских инструкциях. Карточка не указывает разработчика; репозиторий содержит веса модели для генерации текста. Модель предназначена для ответов на медицинские запросы и других сценариев следования медицинским инструкциям. Модель имеет плотную архитектуру LlamaForCausalLM и около 6,6 млрд параметров. Она принимает текст и генерирует текст на английском языке, с контекстом до 4096 токенов. Доступный формат весов — PyTorch. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения.

Apollo-0.5B — медицинская разговорная языковая модель от FreedomIntelligence, представленная в проекте Multilingual Medicine. Она предназначена для генерации ответов на медицинские вопросы и диалога на медицинские темы; в README описаны корпус ApolloCorpus и бенчмарк XMedBench для обучения и оценки моделей проекта. По метаданным, модель основана на плотной архитектуре Qwen2ForCausalLM, содержит 463,9 млн параметров и поддерживает контекст до 32 768 токенов. README указывает поддержку английского, китайского, испанского, французского и хинди; метаданные отмечают разговорный формат. Модель подходит для ответов на медицинские вопросы и справочного диалога, но результаты оценки и подробные инструкции по применению именно этой версии в карточке не приведены. Она не заменяет профессиональную медицинскую консультацию. Распространяется по лицензии Apache-2.0.

Карточка модели FreedomIntelligence/Apollo-7B на Hugging Face совпадает с карточкой FreedomIntelligence/Apollo-0.5B, поэтому описание составлено по ней. Apollo-0.5B — медицинская разговорная языковая модель от FreedomIntelligence, представленная в проекте Multilingual Medicine. Она предназначена для генерации ответов на медицинские вопросы и диалога на медицинские темы; в README описаны корпус ApolloCorpus и бенчмарк XMedBench для обучения и оценки моделей проекта. По метаданным, модель основана на плотной архитектуре Qwen2ForCausalLM, содержит 463,9 млн параметров и поддерживает контекст до 32 768 токенов. README указывает поддержку английского, китайского, испанского, французского и хинди; метаданные отмечают разговорный формат. Модель подходит для ответов на медицинские вопросы и справочного диалога, но результаты оценки и подробные инструкции по применению именно этой версии в карточке не приведены. Она не заменяет профессиональную медицинскую консультацию. Распространяется по лицензии Apache-2.0.

ShadNygren/BioTechFineTuneTest-DrugAdverseEffects — дообученная ShadNygren модель семейства Llama с 7,5 млрд параметров для генерации текста. Она предназначена для ответов на медицинские вопросы; название репозитория указывает на фокус побочных эффектов лекарств, но README не приводит примеров или подробностей этой специализации. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекст до 8192 токенов. Веса опубликованы в формате safetensors; при обучении использовались Unsloth и TRL. Лицензия — Apache-2.0.

Модель разработана ShadNygren и представляет собой дообученную версию Llama для генерации текста. Она предназначена для ответов и генерации текста в сценариях, связанных с побочными эффектами лекарств; название базовой модели указывает на последовательное дообучение на данных SIDER, однако карточка не описывает конкретные сценарии использования и качество ответов. Модель содержит 7,5 млрд параметров, использует плотную архитектуру Llama и принимает контекст длиной до 8192 токенов. В карточке указан английский язык. Обучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL. Лицензия — Apache-2.0.

CogACT-Base — модель класса Vision-Language-Action, разработанная исследователями Microsoft Research Asia в составе команды CogACT. Она объединяет зрительные компоненты DINOv2 ViT-L/14 и SigLIP ViT-So400M/14, языковую модель Llama-2 и специализированный модуль действий DiT-Base, который формирует действия на основе выходов VLM. Модель принимает инструкцию на естественном языке и одно RGB-изображение сцены, затем предсказывает последовательность из 16 нормализованных действий робота: изменения положения и ориентации 7-DoF конечного эффектора и состояние захвата. CogACT-Base предназначена для управления роботами при манипуляциях, включая zero-shot сценарии, представленные в смеси предобучения Open X-Embodiment, и дообучение под новые задачи или конфигурации робота на небольшом числе демонстраций. Компонентная архитектура отделяет специализированное предсказание действий от языково-зрительной модели. Для применения предсказаний требуется денормализация с учётом статистик датасета; адаптивное объединение действий указано как необязательный этап. Модель и код распространяются по лицензии MIT.