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

Thai GPT-2 Fine-Tuned — модель на базе архитектуры GPT-2, дообученная пользователем Somnuk для генерации ответов на вопросы на тайском языке. Обучение выполнено на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов о заболеваниях. В метаданных модель классифицируется как text-generation; поддерживаемый язык — тайский (th), максимальная длина контекста — 1 024 токена.

UnifoLM-VLA-Base — базовая модель семейства UnifoLM-VLA от Unitree Robotics, представляющая собой Vision-Language-Action-модель для управления гуманоидными роботами при манипуляциях. По описанию, её дополнительно предварительно обучали на данных роботизированных манипуляций, чтобы расширить возможности обычной визуально-языковой модели до физического взаимодействия с окружающей средой. Модель предназначена для универсальных задач манипуляции робота, в которых требуется связать визуальное восприятие и языковые инструкции с действиями. В карточке не приведены подробности об архитектуре, количестве параметров, длине контекста, поддерживаемых языках, точном формате действий или лицензии; метаданные указывают формат PyTorch. Поэтому конкретные характеристики управления и условия использования по имеющимся данным оценить нельзя.

VetJarvis-4B-Instruct — специализированная текстовая языковая модель компании CHOONOK COMPANY для ветеринарных знаний о собаках и кошках. Она основана на Qwen3.5-4B и VetJarvis-4B-Base; в обучении использованы продолженное предобучение и дообучение по инструкциям на ветеринарных материалах, обезличенных клинических данных и общих корейских и английских текстах. Модель содержит около 4,2 млрд параметров языковой модели и около 62 млн параметров MTP, использует архитектуру Qwen3_5ForConditionalGeneration и поддерживает контекст до 8 192 токенов. Модель предназначена для ответов на вопросы по ветеринарии, обучения и исследований, включая рассуждения по ветеринарным темам. В карточке сообщается о результатах в нескольких ветеринарных областях, в том числе гематологии и онкологии, ортопедии, эндокринологии и инфекционных заболеваниях. Модель работает только с текстом; в метаданных также заявлены диалоговый режим и интерфейс вызова инструментов. Модель может ошибаться, выдавать устаревшие или ветеринарно неточные сведения; ответы требуют проверки специалистом. Её нельзя использовать для клинических решений о реальных животных, включая диагностику, назначение препаратов и лечение. Лицензия указана как other; карточка разрешает исследовательское и образовательное использование, а более широкое применение связывает с лёгкой проверкой безопасности.

VITRA-VLA-3B — модель Vision-Language-Action для роботизированных манипуляций, разработанная исследовательской командой Microsoft Research. Она предварительно обучена на наборе VITRA-1M, содержащем более миллиона эпизодов реальных видео действий рук человека без аннотаций. В модели используется каузальный трансформер действий; видео рук преобразуются в данные, согласованные по гранулярности задач и меткам с обучающими данными для робототехники. Модель принимает изображения и инструкции на английском языке и предсказывает действия робота. Она предназначена для переноса навыков манипуляции в новые сцены без дополнительного обучения, а также для дальнейшей адаптации с небольшим числом примеров к реальным роботам. Код и веса доступны по лицензии MIT. В карточке указана библиотека Transformers и формат PyTorch.

TULLUS/Xiaomi-Robotics-U0-4B-Sequence — вариант модели Xiaomi Robotics U0, опубликованный пользователем TULLUS. Это плотная авторегрессионная модель семейства UNIS на 4 млрд параметров, дообученная на XiaomiRobotics/Xiaomi-Robotics-U0-4B-Sequence. Она предназначена для последовательной генерации мультимодальных данных в робототехнических сценариях: принимает начальные наблюдения и описание задачи, затем формирует чередующиеся текстовые подзадачи и наблюдения либо видеоразвёртку действий в сцене. Семейство U0 использует общий дискретный визуальный токенизатор и единый авторегрессионный подход для мультимодальных последовательностей; для Sequence-вариантов README указывает режимы interleave_subtask и interleave_video с eager backend. Модель работает с текстом, изображениями и роботизированными наблюдениями. Контекст составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. README семейства также описывает генерацию и редактирование изображений, однако эти режимы не заявлены для Sequence-чекпойнта. Практические ограничения: для последовательных задач указан eager backend, а характеристики скорости FlashAR относятся к другим вариантам семейства U0.

X-VLA-Calvin-ABC_D — дообученная модель зрения, языка и действий (VLA) от 2toINF для управления роботами по визуальным и языковым входам. В этой версии используется архитектура X-VLA с визуально-языковым энкодером Florence-2 и трансформером SoftPromptedTransformer, который предсказывает действия методом flow matching; обучаемые soft prompt-векторы учитывают особенности разных роботизированных платформ. В README указано около 0,9 млрд параметров и обучение на Bridge Data V2. Модель предназначена для выполнения манипуляционных задач в симуляции и на реальных роботах, включая перенос поведения между платформами. Репозиторий распространяется по лицензии Apache 2.0.

X-VLA (LeRobot) — модель Vision-Language-Action для управления роботами, опубликованная в экосистеме LeRobot. Этот чекпойнт адаптирован для платформ Google Robot. Модель использует единую архитектуру Transformer с мягкими промптами для управления роботами разных типов и работы в разных средах. На вход подаются изображения с нескольких камер, данные о состоянии робота и, опционально, инструкция на естественном языке; модель выдаёт непрерывные управляющие действия. Обучение основано на flow matching. Чекпойнт предназначен как базовая модель для дообучения под конкретные задачи; карточка описывает совместимость с реализацией LeRobot. Для использования требуется библиотека LeRobot и поддерживаемая робототехническая платформа. Лицензия — Apache-2.0.

X-VLA (LeRobot) — модель типа Vision-Language-Action, реализованная для библиотеки LeRobot и основанная на архитектуре Transformer с soft prompts. Она предназначена для управления роботами с переносом между воплощениями и средами; этот чекпойнт обучен и оценён на задачах LIBERO. На вход модель принимает изображения с нескольких камер, состояние и проприоцептивные данные робота, а также может принимать языковую инструкцию. Она выдаёт непрерывные действия, а при обучении использует flow matching. Чекпойнт можно дообучать под конкретный сценарий управления. Разработчик указывает Apache-2.0; для использования и оценки предусмотрена интеграция с LeRobot.

X-VLA-SoftFold — модель Vision-Language-Action для управления роботами, опубликованная 2toINF. Это вариант X-VLA 0.9B, обученный на данных SoftFold; в метаданных базовой моделью указана дообученная microsoft/Florence-2-large. Архитектура сочетает визуально-языковой энкодер Florence-2 с Transformer, который предсказывает действия методом flow matching и использует отдельные обучаемые soft prompt embeddings для разных воплощений роботов. Модель предназначена для преобразования визуальных наблюдений и языковых инструкций в действия робота; заявлена поддержка разных роботизированных платформ и сценариев манипуляции. В README указано около 0,9 млрд параметров и режим действий ee6d. Модель обучалась на Bridge Data и оценивалась в симуляциях и на реальных роботах; конкретные результаты для этой версии SoftFold не приведены. Репозиторий содержит веса safetensors и распространяется по лицензии Apache 2.0. Для загрузки README показывает Transformers с trust_remote_code, поэтому для запуска требуется совместимый код проекта.

Это обученная с нуля политика ACT (Action Chunking Transformer) для складывания футболки двумя руками на стационарной платформе Trossen AI WidowX. Модель разработана сообществом Trossen Robotics и обучена в LeRobot на наборе данных TrossenRoboticsCommunity/mobile-baseoff-tshirt-folding-lerobot-v1; указана полная настройка без LoRA и адаптеров. Архитектура сочетает визуальную основу ResNet18, энкодер и декодер Transformer и CVAE. На вход подаются состояние робота размерностью 14 и изображения с трёх камер: верхней и двух камер на запястьях, размером 480×640. На выходе — 14-мерное действие для двуручной платформы. Финальный чекпойнт после 100 000 шагов обучения показал 6 успешных складываний из 10 при офлайн-оценке на роботе. Модель предназначена для конкретной конфигурации робота и задачи; результат оценки указывает на неполную надёжность. Репозиторий содержит веса Safetensors и конфигурации LeRobot и распространяется по лицензии Apache-2.0.

CogACT-Small — модель Vision-Language-Action, разработанная исследователями Microsoft Research Asia в рамках проекта CogACT. Она объединяет визуальные энкодеры DINOv2 ViT-L/14 и SigLIP ViT-So400M/14, языковую модель Llama-2 и специализированный модуль действий DiT-Small, обусловленный выходом VLM. Модель принимает инструкцию на естественном языке и одно RGB-изображение сцены, затем предсказывает последовательность из 16 нормализованных действий робота. Каждое действие задаёт смещения 7-DoF концевого эффектора: x, y, z, roll, pitch, yaw и положение захвата. CogACT-Small предназначена для манипуляций роботом: её можно применять для управления в сценариях, представленных в смеси предобучения Open X-Embodiment, а также дообучать на новых задачах и конфигурациях роботов по небольшому числу демонстраций. Для управления требуется денормализовать предсказания с использованием статистик соответствующего набора данных; опционально можно применять Adaptive Action Ensemble. Веса и код распространяются по лицензии MIT. Карточка не приводит размер модели или длину контекста.

Fastino Nemotron 3.5 Lightning Healthcare — специализированная языковая модель Fastino Labs, созданная в сотрудничестве с NVIDIA на основе NVIDIA Nemotron 3.5 Lightning и дообученная на медицинских и биомедицинских данных. Метаданные указывают 1,9 млрд параметров, архитектуру Nemotron H и контекст до 262 144 токенов; README описывает вариант на 30 млрд параметров с 3 млрд активных параметров в MoE-архитектуре. Эти сведения о размере расходятся, поэтому точный размер этого чекпойнта по предоставленным данным установить нельзя. Модель предназначена для медицинских диалогов, ответов на биомедицинские вопросы, клинических расчётов, выявления и исправления медицинских ошибок, извлечения понятий и суммирования клинических заметок. Она принимает и выдаёт текст, рассчитана на английский язык и поддерживает диалоговый режим. README приводит улучшения на перечисленных медицинских и биомедицинских бенчмарках относительно базового чекпойнта, но эти результаты не гарантируют качество в иных условиях. Веса опубликованы в формате safetensors; лицензия — Apache 2.0. Для запуска в BF16 README рекомендует GPU с 80 ГБ памяти или больше либо распределение вычислений между несколькими GPU. Это специализированная исследовательская модель, а не медицинское устройство; для клинического или другого высокорискового применения нужны независимая проверка, меры защиты и надзор квалифицированных специалистов.

z-lab/flashvla-pi05-robotwin — модель управления роботом, созданная на базе π0.5 от Physical Intelligence и дообученная на RoboTwin 2.0 для многозадачного управления в 50 задачах. Она принимает изображения, состояние робота и языковые инструкции, а выдаёт действия для робота. Для ускорения асинхронного вывода используется FlashVLA: потоковое декодирование действий позволяет перекрывать инференс следующего фрагмента с исполнением текущего. В описанном бенчмарке RoboTwin 2.0 средняя успешность составила 90,87% при задержке асинхронного шага d=1. Модель предназначена для управления роботом по визуальному наблюдению и инструкции в сценариях RoboTwin 2.0. Базовая модель — lerobot/pi05_base, формат весов — safetensors. Карточка указывает лицензию Gemma. Язык карточки — английский; инструкция может содержать текст, но поддерживаемые естественные языки для управления явно не перечислены.

AAyano/gate_setting2_chunksize25_batch32_from20000 — дообученная модель семейства OpenVLA-OFT для управления роботом XArm при укладке чашек (setting 2). Она основана на AAyano/oft_setting2_chunksize25_batch32_20k; в ходе обучения заново настроены голова действий, проектор proprioception и FiLM-компоненты. Модель использует текстовый токен-гейт с контрастивным выравниванием текста и визуальных признаков и пороговой настройкой вклада слоёв. Модель предназначена для предсказания действий робота по изображению и текстовой инструкции в сценарии укладки чашек. Чекпойнт включает объединённую модель и отдельный LoRA-адаптер с весами гейта; используется формат safetensors и библиотека Transformers. Для корректного обслуживания требуется код Task-conditioned_Gate и загрузка пользовательского кода из репозитория: стандартный openvla-oft может не загрузить веса гейта. Лицензия — MIT.

GigaWorld-Policy-0.5 — модель политики для робототехники, опубликованная open-gigaai. Она основана на архитектуре CasualWorldActionTransformer_MoT с 30 слоями и двумя потоками экспертов: визуальным, который обрабатывает опорные и будущие латенты, и управляющим, который обрабатывает состояние и действия; потоки взаимодействуют через мультимодальное self-attention. Модель предназначена для генерации действий робота с использованием визуальных и физических данных. Репозиторий содержит только трансформер в формате Safetensors; для работы также нужны VAE Wan2.2 и scheduler из базового чекпойнта Diffusers. Модель распространяется по лицензии Apache-2.0. README не раскрывает конкретные языки программирования интерфейса или полный набор поддерживаемых роботов и сценариев.

Карточка модели HeGreat/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.

HuatuoGPT-3-9B — медицинская мультимодальная модель от FreedomIntelligence, дообученная на Qwen3.5-9B методом One-stage Policy Optimization (OnePO). Она предназначена для медицинских рассуждений и диалога; метаданные указывают поддержку изображений, поэтому модель также принимает запросы с изображениями и формирует текстовые ответы. OnePO адаптирует языковую модель к медицинской области за один этап обучения с подкреплением, без предварительного доменного дообучения на размеченных инструкциях. Ответы модели-учителя используются как временное руководство и исключаются по мере улучшения модели. Для генерации требуется режим рассуждений `enable_thinking=True`; конфигурация генерации использует сэмплирование с температурой 0,2. Модель основана на плотной архитектуре Qwen3.5 с 9 млрд параметров и распространяется в формате Safetensors через библиотеку Transformers. Лицензия — Apache-2.0. Это медицинская модель для поддержки анализа и ответа на вопросы, а не замена профессиональной медицинской оценки; README не приводит сведений о клинической валидации или длине контекста.

MedGemma 27B Text IT — текстовая instruction-tuned модель для медицинских и клинических сценариев, включая клиническое рассуждение и генерацию текста. Исходную модель разработала Google; представленная версия создана сообществом LM Studio на основе google/medgemma-27b-text-it. Модель содержит 27 млрд параметров и поставляется в 4-битной квантизации MLX, оптимизированной для запуска на устройствах Apple Silicon. Она относится к текстовым моделям и не поддерживает другие модальности согласно представленным данным. Архитектура, поддерживаемые языки и размер контекста в README не указаны. К преимуществам относятся медицинская специализация, instruction-tuning и сниженные требования к памяти благодаря 4-битной квантизации. Ограничения включают возможные неточные, вредные или неподходящие ответы; модель не следует использовать как замену профессиональной медицинской консультации. Доступ регулируется лицензией Health AI Developer Foundations; для загрузки на Hugging Face требуется принять соответствующие условия использования.

Mental-Health-FineTuned-Mistral-7B-Instruct-v0.2-i1-GGUF — квантованная версия инструкционной модели Mistral с 7 млрд параметров, дообученной prabureddy на наборе данных Amod/mental_health_counseling_conversations. Квантование в формате GGUF выполнил mradermacher. Модель предназначена для генерации текстовых ответов на английском языке в сценариях, связанных с поддержкой и консультированием по вопросам психического здоровья. Модель работает только с текстом; сведения о поддерживаемой длине контекста и точной архитектуре в карточке не указаны. Доступно множество вариантов квантования i1-IQ и i1-Q с размером файлов примерно от 1,7 до 5,1 ГБ. Варианты различаются компромиссом между размером, скоростью и качеством: Q4_K_M обозначен как рекомендуемый, а некоторые варианты с низкой битностью характеризуются как имеющие низкое качество. GGUF подходит для локального запуска в совместимых средствах инференса. Сильные стороны модели — специализация на диалогах о психическом здоровье, инструкционная настройка и возможность запуска на устройствах с ограниченными ресурсами благодаря квантованию. Ограничения включают англоязычность, возможное ухудшение качества в агрессивно квантованных вариантах и отсутствие гарантии клинической точности или безопасности. Модель не следует использовать как замену профессиональной медицинской помощи, особенно в кризисных ситуациях. В карточке указана лицензия Apache-2.0.

MMedS-Llama-3-8B — медицинская языковая модель на архитектуре Llama 3, разработанная авторами проекта Towards Evaluating and Building Versatile Large Language Models for Medicine. Модель содержит 7,5 млрд параметров, принимает текст и выдаёт текст; для работы с ней предусмотрена библиотека Transformers. Нативная длина контекста — 8192 токена. Модель прошла дополнительное непрерывное предобучение на медицинском корпусе MMedC, а затем supervised fine-tuning на наборе MedS-Ins из 13,5 млн примеров по 122 задачам. Она предназначена для диалоговых медицинских сценариев и генерации ответов на английском языке. Распространяется по лицензии Llama 3. Как и другие медицинские языковые модели, может допускать ошибки и не должна заменять проверку специалистом.

Модель pravsels/molmoact2_fold_tea_towel_quantile_norm_fix_25k — дообученная версия MolmoAct2 от Ai2 для управления роботом SO101 при складывании чайного полотенца. Она использует визуальные наблюдения и языковые инструкции для предсказания действий; дообучение action expert выполнено на данных villekuosmanen/armnetbench_fold_tea_towel и сохранено после 25 000 шагов обучения. Модель предназначена для роботизированного выполнения задачи складывания полотенца в сценарии, соответствующем обучающим данным. Карточка указывает на формат safetensors и начальный чекпойнт allenai/MolmoAct2. Лицензия, точные характеристики входных камер и исполнительных команд, а также результаты оценки в README не приведены.

MolmoAct2-Think — модель Allen Institute for AI для робототехники, расширяющая MolmoAct2 рассуждением по глубине сцены. Перед выдачей действия она может предсказывать компактное дискретное представление глубины 10 × 10 и использовать его вместе с визуально-языковым кэшем для формирования действия. Архитектура — плотная мультимодальная модель MolmoAct2ForConditionalGeneration; репозиторий содержит веса в формате safetensors и предназначен для работы с Transformers. Чекпойнт после дополнительного обучения поддерживает несколько типов воплощений роботов и предназначен прежде всего для дальнейшей донастройки политик, которым нужно учитывать глубину. Он включает визуально-языковую модель, эксперт действий, веса токенов глубины и метаданные нормализации. Это не готовая политика для конкретного робота: для непосредственного запуска README рекомендует дообученную MolmoAct2-Think-LIBERO. Модель принимает визуальные наблюдения и языковые инструкции, а выдаёт представление глубины и действия робота. Лицензия в предоставленных данных не указана.

MolmoAct 7B-D LIBERO-Spatial — модель рассуждения о действиях для роботизированных манипуляций, разработанная Allen Institute for AI. Она принимает изображения и текстовые инструкции и предназначена для управления манипуляциями робота, в частности для воспроизведения результатов на бенчмарке LIBERO-Spatial. Чекпойнт основан на Qwen2.5-7B и использует SigLIP2 как визуальный энкодер; обучение включало предварительное обучение, дообучение на наборе MolmoAct и этап на LIBERO-Spatial. Модель поддерживает зрительный анализ и выдачу действий для робота; в обучающих данных представлены задачи манипуляции одной рукой робота Franka в домашних и настольных условиях. Опубликованный чекпойнт обозначен как предварительная версия. Лицензия — Apache-2.0.

Octo Base 1.5 — модель управления роботами, разработанная командой Octo при Berkeley. Трансформер с 93 млн параметров использует изображения с основной и запястной камер, текстовые инструкции и историю наблюдений длиной до двух шагов. Изображения кодируются лёгким свёрточным энкодером и группируются в патчи 16×16; текст обрабатывается токенизатором T5 и энкодером T5-Base. Модель обучена на смеси наборов данных Open X-Embodiment. Диффузионная политика предсказывает семимерные действия на четыре шага вперёд, что позволяет использовать её для управления роботом по визуальным наблюдениям и языковому заданию. В версии 1.5 повторяются языковые токены на каждом шаге контекстного окна, а инструкции в обучающих данных дополнены перефразированиями. Для вывода можно передать любую часть поддерживаемых наблюдений и задания; история ограничена двумя шагами. Карточка не уточняет конкретную совместимую платформу робота и процедуры развёртывания. Лицензия — MIT.

Карточка модели ciccio42/openvla-7b на Hugging Face совпадает с карточкой openvla/openvla-7b, поэтому описание составлено по ней. OpenVLA 7B — открытая модель vision-language-action, разработанная командой OpenVLA при участии исследователей Stanford, UC Berkeley, Google DeepMind и Toyota Research Institute. Модель дообучена на VLM prism-dinosiglip-224px и обучена на 970 тысячах эпизодов манипуляций из набора Open X-Embodiment. В её основе — зрительные кодировщики DINOv2 и SigLIP и языковая модель Llama 2. Модель принимает текстовую инструкцию на английском языке и изображение с камеры рабочей зоны робота, а предсказывает нормализованные действия для манипуляции: смещения 7-DoF конечного эффектора и состояние захвата. Она предназначена для управления роботами в сценариях и конфигурациях, представленных в обучающих данных, а также для адаптации к новым задачам и роботам с помощью параметрически эффективного дообучения. Для исполнения действий на конкретном роботе требуется денормализация с использованием статистик для соответствующего робота и набора данных. OpenVLA может работать без дополнительного обучения на некоторых знакомых сочетаниях платформ и задач, но не обобщает таким образом на невиданные конфигурации роботов; для них нужны демонстрационные данные и дообучение. Модель и код обучения опубликованы по лицензии MIT.

Это контрольная точка OpenVLA-OFT, разработанная авторами проекта Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success. Модель дообучена на объединённых наборах задач LIBERO Spatial, Object, Goal и Long и предназначена для управления роботом по визуальным наблюдениям и языковым инструкциям, предсказывая последовательности действий (action chunks). В основе лежит архитектура OpenVLA с классом OpenVLAForActionPrediction; веса опубликованы в формате safetensors. В README заявлено улучшение базовой OpenVLA благодаря оптимизированным методам дообучения. Лицензия — MIT. Контрольная точка ориентирована на задачи LIBERO; данных о контекстном окне и поддерживаемых естественных языках в предоставленных источниках нет.

OpenVLA v0.1 7B — открытая модель vision-language-action, разработанная командой OpenVLA при участии исследователей из Stanford, UC Berkeley, Google DeepMind и Toyota Research Institute. Модель принимает инструкцию на естественном языке и изображение с камеры рабочей зоны, а предсказывает нормализованные действия робота: смещения 7-DoF конечного эффектора и состояние захвата. Она обучена на 800 тысячах эпизодов манипуляций из Open X-Embodiment и предназначена для управления несколькими представленными в обучающих данных роботами. Модель можно применять для выполнения инструкций на роботах и задачах, встречавшихся в смеси предобучения, а также дообучать с небольшим количеством демонстраций для новых задач и конфигураций. В README указано, что это ранняя модель, созданная для разработки; для наиболее сильной версии авторы рекомендуют openvla/openvla-7b. Для исполнения предсказанных действий на реальном роботе требуется обратная нормализация с использованием статистик конкретного робота и набора данных. Нулевое обобщение на незнакомые типы роботов и конфигурации не поддерживается. Лицензия — MIT.

Pi0.5 SnapFlow Distilled Student — VLA-модель, опубликованная Rylinjames как воспроизведение дистилляции SnapFlow для управления роботом. Это дообученная версия lerobot/pi05_libero_finetuned_v044, обученная методом self-distillation: студент инициализировали весами учителя и обучали 10 000 шагов на согласованность поля скоростей. Модель принимает изображения, состояние робота и языковые инструкции и предсказывает действия робота; для каждого фрагмента действий использует один шаг денойзинга вместо десяти у базовой модели. Модель предназначена для управления роботом по визуальным наблюдениям и текстовым инструкциям, в частности для задач LIBERO. В описанном испытании на пяти задачах LIBERO она достигла успеха в 29 из 30 запусков против 28 из 30 у учителя; заявлено примерно десятикратное сокращение числа шагов денойзинга. Чекпойнт опубликован в формате safetensors для LeRobot PyTorch policy; для развёртывания README предлагает runtime Reflex с разложенным запуском pi0.5. Модель разработана и опубликована Rylinjames; базовая VLA-модель создана LeRobot. Репозиторий распространяется по лицензии Apache-2.0. Заявленные результаты ограничены небольшим испытанием LIBERO и не гарантируют аналогичную успешность на других роботах, средах или задачах.

π₀ (Pi0) в реализации LeRobot — базовая vision-language-action-модель компании Physical Intelligence для управления роботами. Модель дообучена на основе Google PaliGemma 3B PT 224 и использует потоковое моделирование с flow matching для генерации непрерывных действий. На вход она принимает изображения с нескольких камер, данные о состоянии робота и необязательную языковую инструкцию, а на выходе формирует действия для управления. Репозиторий предназначен прежде всего для дообучения под конкретного робота и задачу; реализация LeRobot следует исходному коду для совместимости. В метаданных указана лицензия Gemma. Модель служит основой для обучения робототехнических политик, например выполнения манипуляций по инструкции. Для практического применения её нужно адаптировать под задачу; готовое качество управления конкретным роботом из карточки не следует.

khong0817/Qwen3-1.7B-base-MED — языковая модель семейства Qwen3 с 1,7 млрд параметров для генерации текста. Модель опубликована пользователем khong0817 на Hugging Face; в метаданных указаны библиотека Transformers, формат Safetensors, а также признаки обучения с учителем через TRL и SFT. В названии модели заявлена медицинская специализация, однако README не содержит подробностей о разработчике, обучающих данных или медицинских сценариях.