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

DeepThinkVLA — модель Vision-Language-Action для роботов, разработанная для усиления рассуждений при выполнении задач манипуляции. Она основана на чекпойнте pi0-FAST и использует гибридный декодер с 2,9 млрд параметров: модель сначала формирует текстовую цепочку рассуждений, затем выдаёт блоки действий. Для языковых токенов применяется причинное внимание, а для параллельного декодирования действий — двунаправленное. Модель обучалась в два этапа: SFT и последующее обучение с подкреплением методом GRPO, чтобы связать рассуждения с успешным выполнением задачи. В README сообщаются результаты на LIBERO, LIBERO-Plus и RoboTwin 2.0, включая 97% средней успешности на LIBERO и 79% устойчивости zero-shot к сдвигу распределения на LIBERO-Plus. Модель предназначена для роботизированных сценариев, где требуется интерпретировать визуальную обстановку и выдавать действия; веса представлены в формате safetensors для Transformers. Лицензия и перечень поддерживаемых языков в предоставленных данных отсутствуют.

Репозиторий diantoudefengshan/EagleVLA-GGUF содержит преобразованные в формат GGUF модели vision-language-action PI0, PI0.5 и NVIDIA Isaac GR00T N1.7 для запуска через EagleVLA-Edge — движок вывода на базе llama.cpp. Комплекты включают языковую модель с экспертом действий и соответствующий зрительный энкодер-проектор; основную модель и mmproj следует брать из одного каталога. Файлы представлены в вариантах F16 и BF16. Модели предназначены для управления роботами по визуальным наблюдениям и языковым инструкциям, в том числе для инференса на NVIDIA Jetson и других CUDA-совместимых платформах. Для файлов GR00T в README описана конверсия из nvidia/GR00T-N1.7-3B и nvidia/Cosmos-Reason2-2B, а также проверка совпадения выходных действий с официальной реализацией NVIDIA. Метаданные также связывают репозиторий с lerobot/pi0_base и nvidia/GR00T-N1.7-3B. Лицензия в предоставленных данных не указана; требования могут различаться для исходных моделей и конвертированных файлов.

Emma-X — модель vision-language-action, разработанная лабораторией SUTD Declare Lab для управления роботами-манипуляторами по изображениям рабочей зоны и текстовым инструкциям. Модель дообучена на OpenVLA 7B и предназначена для планирования и выполнения манипуляций в разных средах, с разными объектами и формулировками задач. Emma-X использует визуально обоснованную пошаговую декомпозицию, сегментацию траектории и пространственное планирование с учётом ориентиров на будущее. Она выдаёт рассуждение, точку захвата или другое положение захвата на изображении и политику действий в виде 7-мерного вектора для робота WidowX с 6 степенями свободы. Для обучения использован набор примерно из 60 тысяч траекторий манипуляций на основе BridgeV2, дополненный визуально обоснованными цепочками рассуждений. Модель рассчитана на англоязычные инструкции и изображения; лицензия — Apache-2.0.

ShadNygren дообучил эту диалоговую языковую модель на базе meta-llama/Meta-Llama-3-8B-Instruct с помощью Unsloth и библиотеки Hugging Face TRL. Модель предназначена для генерации текста в диалоговом формате; название репозитория указывает на тематику побочных эффектов лекарств и набор данных SIDER, но README не описывает конкретные сценарии или результаты обучения. Модель использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Она принимает текст и выдаёт текст, поддерживает английский язык, а длина контекста составляет 8192 токена. Лицензия — Apache-2.0.

Карточка модели l506361508/GR00T-N1.7-3B на Hugging Face совпадает с карточкой nvidia/GR00T-N1.7-3B, поэтому описание составлено по ней. NVIDIA Isaac GR00T N1.7-3B — средняя по размеру открытая базовая модель для рассуждений и управления навыками гуманоидных роботов в разных средах и при переносе между воплощениями. Она принимает RGB-кадры с камер, текстовую инструкцию, вектор проприоцептивного состояния робота и целочисленный идентификатор воплощения, а выдаёт непрерывные векторы управляющих действий. Модель содержит 3 млрд параметров и сочетает визуальные и языковые кодировщики с трансформером действий на основе flow matching; в README также указаны SigLIP2, T5 и DiT. Визуально-языковая основа GR00T N1.7 — Cosmos-Reason2-2B. Модель предназначена для манипуляций, обусловленных языковыми инструкциями, и для адаптации под конкретного робота или задачу с помощью дообучения на реальных либо синтетических данных. В карточке описаны варианты, постобученные на Bridge, DROID и LIBERO для симуляции и задач манипуляции. Входные данные и выходные действия зависят от воплощения робота; для практического внедрения требуется проверка на данных целевого сценария. README сообщает, что модель доступна для коммерческого и некоммерческого использования, но конкретная лицензия в предоставленных данных не названа.

GraspMolmo — дообученная зрительно-языковая модель Allen Institute for AI для выбора захвата при роботизированной манипуляции. Она принимает изображение сцены и текстовую задачу, например просьбу налить чай, и описывает подходящее место и способ захвата предмета. Предсказанную точку захвата можно сопоставить с ближайшим устойчивым вариантом из набора кандидатов. Модель основана на Molmo-7B-D-0924, использует плотную архитектуру MolmoForCausalLM и содержит 12,8 млрд параметров. Максимальная длина контекста — 4096 токенов; в карточке указана поддержка английского языка. Модель ориентирована на обобщаемый выбор захватов для задач манипуляции, сформулированных в свободной форме. Лицензия — MIT.

HuatuoGPT-3-8B — медицинская языковая модель FreedomIntelligence на архитектуре Qwen3 с 7,6 млрд параметров. Она дообучена на базе Qwen/Qwen3-8B-Base методом SeedRL: медицинская адаптация выполняется в одном этапе обучения с подкреплением. Модель предназначена для диалоговых медицинских запросов и генерации ответов на китайском и английском языках. Модель работает в режиме рассуждения по умолчанию: сначала формирует блок рассуждений, затем итоговый ответ. Для запуска README указывает совместимость со способом использования Qwen3-8B и упоминает vLLM и SGLang. Контекстное окно составляет 40 960 токенов. Модель принимает и генерирует текст; медицинские ответы могут содержать ошибки и требуют проверки специалистом. Лицензия — Apache-2.0.

Hy-Embodied-0.5-VLA-UMI — предварительно обученная модель Vision-Language-Action для управления роботами, разработанная Tencent Robotics X и Tencent Hy Team. Она предназначена для тонкой настройки под конкретные роботизированные платформы и задачи манипуляции. Модель основана на мультимодальном Hy-Embodied-0.5 MoT и включает экспертный модуль действий на 370 млн параметров с flow matching. Она использует визуальные данные и инструкции, а на выходе формирует последовательности действий для робота. Представленный чекпойнт при предобучении обрабатывает отдельный кадр; энкодер памяти для истории нескольких кадров активируется при дообучении. Горизонт действий — 50 шагов с частотой 10 Гц, представление действий задаёт относительные смещения концевого эффектора и состояние захвата для каждой руки. Модель обучена на более чем 10 000 часах демонстраций UMI и рассчитана на перенос между роботизированными платформами. Выпущена под лицензией Apache-2.0.

INTACT Probing Suite — это чекпойнт модели Pi0 от авторов исследования «From Intention to Execution: Probing the Generalization Boundaries of Vision-Language-Action Models». Модель обучена на наборе BridgeV2 для задач роботизированных манипуляций; в README она описана как обученная с нуля и инициализированная из PaliGemma, тогда как метаданные каталога указывают на дообучение lerobot/pi0. Это модель Vision-Language-Action для управления роботом по визуальным и языковым инструкциям: она предназначена для выполнения манипуляций и проверки обобщения VLA-моделей. Авторы выбрали чекпойнт шага 22695 (15-я эпоха) по среднему результату на четырёх задачах Bridge в SimplerEnv; успех зависит от конкретной задачи и чекпойнта. Репозиторий распространяется по лицензии Apache-2.0.

InternVLA-M1-Pretrain-RT-1-Bridge — контрольная точка фреймворка InternVLA-M1 с открытым исходным кодом для сквозного управления роботами на основе зрения, языка и действий. Разработчики обучали контрольные точки в этом репозитории на наборах данных RT-1 и Bridge. Модель предназначена для создания и исследования универсальных роботизированных политик. Она принимает зрительные и языковые входы и формирует действия для робота. В метаданных указан формат PyTorch и лицензия Creative Commons Attribution-NonCommercial-ShareAlike 4.0; коммерческое использование не разрешено условиями этой лицензии.

Josiefied-Health-Qwen3-8B-abliterated-v1 — диалоговая языковая модель Гёкдениза Гюльмеза, дообученная на Intelligent-Internet/II-Medical-8B. Она основана на плотной архитектуре Qwen3 и содержит 7,6 млрд параметров; модель принимает текст и генерирует ответы в диалоге, в том числе с инструкциями. Основное назначение — ответы на медицинские вопросы и рассуждения по медицинским темам. Длина контекста — 40 960 токенов. Модель модифицирована для снижения ограничений на ответы и сохранения следования инструкциям. Это может быть полезно для открытых диалогов, но ослабленная фильтрация безопасности повышает риск чувствительных или спорных ответов. В README перечислены варианты GGUF и MLX, однако метаданные этой модели указывают формат safetensors. Лицензия в предоставленных данных не приведена.

LingBot-VA — авторегрессионная политика для управления роботами, построенная на стеке видеодиффузии Wan2.2. Модель обучена и опубликована с помощью LeRobot; этот чекпойнт дообучен на основе robbyant/lingbot-va-posttrain-robotwin и предназначен для задач RobotWin. Лицензия — Apache-2.0. Модель принимает изображения с головной, левой и правой камер размером 256 × 256 и совместно предсказывает будущие видеолатенты и действия робота в одной последовательности. Она возвращает вектор действия размерности 16 и использует наблюдаемые ключевые кадры в KV-кэше для замкнутого цикла моделирования мира и управления. Для запуска через LeRobot нужны робот и камеры, соответствующие ключам наблюдений модели. В карточке нет результатов оценки качества, поэтому эффективность на конкретном роботе и задачах не подтверждена.

Карточка модели pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-aligned 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.

abhinand/Llama-3-OpenBioMed-8B-dare-ties-v1.0 — объединённая медицинская языковая модель на архитектуре Llama 3, созданная с помощью LazyMergekit из aaditya/Llama3-OpenBioLLM-8B, johnsnowlabs/JSL-MedLlama-3-8B-v1.0 и winninghealth/WiNGPT2-Llama-3-8B-Base. Модель предназначена для генерации текста в диалоговом формате, в частности для ответов на медицинские вопросы. Объём модели составляет 7,5 млрд параметров, контекст — до 8192 токенов; веса опубликованы в формате safetensors. Базовые модели ориентированы на медицинские ответы на китайском и английском языках, поэтому эти языки можно считать поддерживаемыми для медицинских сценариев. Метаданные указывают лицензию other, но её конкретные условия в доступных сведениях не раскрыты. Модель может помогать с информационными медицинскими вопросами, однако её ответы не следует считать диагнозом или заменой консультации квалифицированного специалиста.

Med42 70B — большая языковая модель для медицинских и клинических сценариев, разработанная M42 Health в ОАЭ. Представленная версия распространяется TheBloke в формате GGUF и является квантизированным вариантом исходной модели M42 Health Med42 70B. Модель предназначена для генерации текста и работы в формате медицинского ассистента, включая ответы на запросы, связанные со здравоохранением и клинической информацией. При этом README не подтверждает возможность безопасного применения для диагностики или принятия медицинских решений без участия квалифицированного специалиста. Модель построена на архитектуре Llama и содержит 70 млрд параметров. Указан английский язык; поддерживаются текстовые входы и выходы, другие модальности не заявлены. Модель поставляется в нескольких вариантах GGUF-квантизации от 2 до 8 бит, что позволяет запускать её через llama.cpp и совместимые интерфейсы на CPU и GPU с компромиссом между требованиями к ресурсам и качеством. Длина контекста в README не указана. Сильными сторонами являются специализация на медицинской тематике, крупный размер и возможность локального запуска благодаря GGUF. Ограничения включают отсутствие заявленных мультимодальных возможностей, неизвестную длину контекста и необходимость учитывать риски ошибок и устаревшей информации в медицинских ответах. Лицензия обозначена как other, при этом для модели также заявлены условия Meta Llama 2; взаимодействие этих лицензий требует проверки в исходном репозитории модели.

MedPsy-1.7B-i1-GGUF — набор квантизированных файлов GGUF для модели MedPsy-1.7B, разработанной qvac. Квантизацию выполнил mradermacher. Модель ориентирована на генерацию текста в медицинских, клинических и связанных со здравоохранением сценариях, включая запуск на периферийных устройствах и локальное использование. Модель имеет около 1,7 млрд параметров. В карточке она помечена как связанная с архитектурой Qwen3 и поддерживающая английский язык. Указана текстовая генерация; сведения о других модальностях и размере контекстного окна отсутствуют. Репозиторий содержит варианты квантизации от IQ1 и Q2 до Q6, размером примерно от 0,7 до 1,8 ГБ, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Сильная сторона модели — небольшой размер и наличие GGUF-вариантов для локального и on-device запуска. При этом качество зависит от выбранного типа квантизации: самые компактные варианты отмечены как низкокачественные, а Q4_K_M обозначен как рекомендуемый для сочетания скорости и качества. В README нет результатов оценивания, описания обучающих данных, контекстного окна или подтверждения пригодности для клинических решений, поэтому модель не следует рассматривать как замену медицинскому специалисту без дополнительной проверки. Указана лицензия Apache-2.0.

Medra-i1-GGUF — это квантованные версии медицинской языковой модели Medra, разработанной на базе drwlf/Medra и подготовленной в формате GGUF пользователем mradermacher. Модель дообучалась с использованием наборов данных PubMedQA, Dermatology Question-Answer Dataset For Fine-Tuning и MedQuAD; в карточке также указаны библиотеки Transformers и методы QLoRA и Unsloth. Поддерживаются английский и румынский языки. Модель предназначена для генерации текста в медицинских сценариях, включая ответы на вопросы, суммирование и задачи, связанные с дерматологией. Доступны многочисленные варианты квантования размером примерно от 1,2 до 3,3 ГБ, что позволяет запускать модель на системах с ограниченными ресурсами. В README указано, что варианты i1-IQ4_XS, i1-Q4_K_S и i1-Q4_K_M обеспечивают удачный баланс размера, скорости и качества, тогда как наиболее компактные варианты могут иметь существенно более низкое качество. Точные размер исходной модели, архитектурные параметры, максимальная длина контекста, результаты оценки и сведения о мультимодальности не указаны. Квантованные версии могут уступать полной модели по качеству, а медицинские ответы не следует использовать как замену консультации специалиста. Для модели указана лицензия Apache-2.0.

Это дообученная модель MolmoAct2 для управления роботом при открывании дверцы лампы. Разработчик дообучил исходную модель allenai/MolmoAct2 в режиме action-expert-only на данных SO101 из набора villekuosmanen/armnetbench_open_lamp_door; в репозитории опубликован чекпойнт после 25 000 шагов обучения. Модель предназначена для выполнения конкретной манипуляционной задачи по визуальным наблюдениям и инструкциям на естественном языке. MolmoAct2 — vision-language-action модель Ai2, которую адаптируют для управления конкретными роботами. Веса представлены в формате safetensors и доступны через библиотеку LeRobot. Лицензия в предоставленных данных не указана.

MolmoAct2-SO100_101 — открытая модель зрения, языка и действий для управления роботами SO-100 и SO-101, разработанная Allen Institute for AI. Это дообученный на смеси данных SO-100/101 вариант MolmoAct2, построенный на Molmo2-ER: к vision-language модели подключён эксперт непрерывных действий на основе flow matching, связанный с кэшем ключей и значений модели по слоям. Модель принимает визуальные наблюдения с камер и текстовую инструкцию, а также текущее состояние робота, и предсказывает действия в системе координат робота. Она предназначена для выполнения задач на манипуляторах SO-100/101 и дальнейшего дообучения; основной режим вывода — непрерывное предсказание действий. Для запуска нужны метаданные нормализации из norm_stats.json. Работа в float32 требует примерно 24–26 ГБ видеопамяти; bfloat16 позволяет запускать модель менее чем с 16 ГБ в описанных авторами испытаниях. Модель не поддерживает включение depth reasoning в этом чекпойнте. Для дискретного предсказания действий требуется внешний токенизатор действий, которого в репозитории нет. Поведение может меняться в зависимости от робота, среды и конфигурации оборудования, поэтому перед применением на физическом устройстве необходимы проверки и ограничения действий. Лицензия в предоставленных данных не указана.

MolmoAct 7B-D — открытая модель рассуждения о действиях для роботизированных манипуляций, разработанная Allen Institute for AI. Она предназначена для постобучения под конкретные сценарии робототехники и работы с визуальными наблюдениями и командами. Модель объединяет языковую основу Qwen2.5-7B с визуальным энкодером SigLIP2 и архитектурой MolmoAct; она предварительно обучена на смеси данных MolmoAct, а затем дообучена на наборе MolmoAct с траекториями манипуляций однорукого робота Franka. Метаданные указывают языковой тег en и задачу robotics; карточка также относит модель к image-text-to-text. Репозиторий содержит веса safetensors, лицензия — Apache 2.0. Чекпойнт является предварительной версией выпуска MolmoAct и заявлен как отправная точка для последующего постобучения, а не как готовая модель для произвольного робота. Обучающие данные охватывают 93 задачи манипуляции в домашних условиях и на столе; перенос на другие роботы, объекты и среды требует отдельной оценки и адаптации. Модель может показывать визуальную трассу предполагаемых действий, но при применении к физическому оборудованию необходимо соблюдать требования производителя робота и обеспечить безопасную среду.

Nora-1.5 — модель Vision-Language-Action для роботизированных манипуляций, опубликованная declare-lab. Она принимает изображение рабочей зоны и инструкцию на английском языке, а на выходе формирует последовательность нормализованных или ненормализованных действий с семью степенями свободы. Модель дообучена на основе declare-lab/nora-long и связана с датасетами Open X-Embodiment. Модель предназначена для управления роботом в реальном времени с обратной связью, выполнения нескольких задач и длительных последовательностей действий, а также переноса навыков на новые задачи в режиме few-shot. В README заявлены оптимизация предпочтений на основе действий и мировых моделей, а также совместимость с LeRobot, LIBERO, SimplerEnv и пользовательскими средами. Репозиторий распространяется по лицензии MIT. README отмечает, что код инференса, чекпойнты и обучающий код планировалось выпустить позднее; поэтому доступность полного рабочего процесса по одной карточке подтвердить нельзя.

phi-2-meditron — дообученная методом SFT языковая модель, созданная Мохамадом Альхаджаром на базе microsoft/phi-2 с использованием набора данных Meditron. Она предназначена для генерации ответов на вопросы и предоставления сведений по медицинским темам на английском языке. Модель использует архитектуру PhiForCausalLM семейства Phi; её контекст ограничен 2048 токенами. Модель может служить вспомогательным инструментом для поиска ответов на медицинские вопросы и подготовки справочной информации. Она не заменяет профессиональную медицинскую оценку; README не приводит результаты клинической проверки. Распространяется по лицензии MS-PL.

π₀.₅ (Pi05) — базовая vision-language-action-модель для робототехники от Physical Intelligence, представленная в реализации LeRobot. Модель дообучена на основе google/paligemma-3b-pt-224 и совместно обучалась на демонстрациях роботов и крупномасштабных мультимодальных данных, чтобы обобщать инструкции на новые условия реального мира и выполнять длительные задачи. Модель принимает изображения с нескольких камер, данные о состоянии робота и необязательную инструкцию на естественном языке, а выдаёт непрерывные действия. В этой версии доступна голова действий на основе flow matching; модель предназначена прежде всего для дообучения под конкретную платформу и сценарий. README описывает работу с LeRobot и примеры записи и оценки задач манипуляции. Для использования требуется робототехнический стек LeRobot и соответствующие датчики и исполнительные механизмы. В этой публикации не включены некоторые компоненты исходной работы, в том числе предсказание подзадач, токенизация действий и обучение с подкреплением. Лицензия указана как Gemma.

π₀.₅ Libero — модель Vision-Language-Action от Physical Intelligence, опубликованная в реализации LeRobot. Этот чекпойнт обучен и оценивался на задачах LIBERO; он принимает изображения с нескольких ракурсов, состояние робота и необязательную языковую инструкцию, а выдаёт непрерывные действия для управления роботом. Обучение и вывод используют action head на основе flow matching. Модель предназначена как основа для дообучения под конкретные задачи робототехники и для выполнения задач LIBERO. Исходная работа заявляет обобщение на долгие задачи и незнакомые среды; опубликованный чекпойнт поддерживает только flow-matching action head. Предсказание подзадач, токенизация действий и компоненты обучения с подкреплением в этой версии не включены. Лицензия — Gemma.

Amritemperor123/PoC-demo — англоязычная модель генерации текста на базе Llama 3, дообученная разработчиком Amritemperor123 с помощью LoRA и Unsloth на наборах данных Kaggle о заболеваниях и их лечении. Автор сообщает примерно о миллионе строк данных, но не помнит точный набор; медицинские базы MIMIC-IV и MIMIC-V в обучении не использовались. Модель предназначена для генерации ответов на вопросы о здоровье и медицинских темах. Модель содержит 7,5 млрд параметров, имеет плотную архитектуру LlamaForCausalLM и контекст длиной до 8192 токенов. Репозиторий содержит веса Safetensors и GGUF в формате F16. Лицензия — Apache-2.0. Данные для дообучения описаны автором как простые наборы о болезнях и методах лечения, без подробного перечня источников и описания контроля качества. Поэтому ответы могут быть неполными или недостоверными и не должны заменять консультацию медицинского специалиста.

Qwen2.5-Aloe-Beta-7B — медицинская языковая модель HPAI на архитектуре Qwen2.5, созданная дообучением базовой Qwen2.5-7B. Это декодерный трансформер с 7,1 млрд параметров и контекстом до 131 072 токенов; модель предназначена для ответов на вопросы о здоровье и других медицинских задач, включая суммаризацию, объяснение, классификацию, диагностику и рекомендации по лечению. Она обучена преимущественно на медицинских данных и поддерживает диалог и интерфейс вызова инструментов; заявленный язык — английский, другие языки формально не оценивались. Авторы сообщают о конкурентных результатах на медицинских наборах вопросов и ответов, особенно при использовании Medprompt и RAG. Модель может ошибаться, выдавать токсичный контент и содержать нежелательные смещения. Её нельзя применять в клинической практике, для постановки диагнозов или оказания медицинских рекомендаций. Модификации Aloe распространяются по лицензии CC-BY-NC-4.0 для некоммерческого использования и исследований.

Карточка модели kelsbeans/qwen3-1.7b-digestive-coach-n478 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.

Карточка модели kelsbeans/qwen3-1.7b-digestive-coach-n957 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.

RDT-1B — модель имитационного обучения с 1 млрд параметров, разработанная командой RDT исследовательской группы TSAIL Университета Цинхуа. Это мультимодальная Vision-Language-Action модель на основе Diffusion Transformer, предварительно обученная более чем на 1 млн эпизодов для разных роботов. Модель принимает текстовую инструкцию, RGB-изображения до трёх ракурсов, а также при наличии частоту управления и проприоцептивные данные; на выходе предсказывает последовательность из 64 действий робота. Единое пространство действий позволяет применять её к мобильным манипуляторам с одной или двумя руками, суставным и концевым координатам, позиционному и скоростному управлению, а также колесному движению. Визуальный энкодер — SigLIP SO400M, языковая модель — T5 v1.1 XXL. RDT-1B подходит для управления роботами по естественно-языковым инструкциям и визуальным наблюдениям, если целевая платформа совместима с её пространством действий. Модель пока не обобщается на новые платформы, отсутствовавшие в обучающих данных; для них README рекомендует собрать данные и выполнить дообучение. Код, веса и данные распространяются по лицензии MIT.

SimpleMemVLA — модель типа vision-language-action (VLA), разработанная авторами проекта SimpleMemVLA. Она сохраняет выбранные кадры истории без изменения и подаёт их в основу модели как видео с временными метками, используя self-attention как механизм работы с памятью. Модель предназначена для управления роботом по визуальным наблюдениям и языковым инструкциям с учётом предыдущих кадров. В README сообщается о результатах на четырёх тестах памяти и сопоставимой с лучшими универсальными моделями управления производительности на LIBERO. Репозиторий содержит контрольные точки и датасеты для RMBench, RoboMME, MIKASA-Robo, RoboMemArena и LIBERO. В метаданных указаны архитектура SimpleMemVLAForActionPrediction, формат safetensors и задача robotics. Лицензия — MIT. README не сообщает размер модели и поддерживаемые языки.