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

RDT-170M — модель имитационного обучения на основе Diffusion Transformer, разработанная командой RDT исследовательской группы TSAIL Университета Цинхуа. Модель содержит 170 млн параметров, имеет скрытый размер 1024 и 14 слоёв; в абляционном исследовании она обозначена как RDT(small). Для обработки изображений используется SigLIP SO400M, для языка — T5 v1.1 XXL. Модель принимает текстовую инструкцию, RGB-изображения до трёх ракурсов, а также при необходимости частоту управления и проприоцептивные данные, после чего предсказывает следующие 64 действия робота. Её единое пространство действий поддерживает различные мобильные манипуляторы: одно- и двурукие, с управлением суставами или эффектором, положением или скоростью, а также с колёсным движением. Обучение опирается на 46 наборов данных, включая RT-1, RH20T, DROID, BridgeData V2, RoboSet и часть Open X-Embodiment. Модель рассчитана на управление роботами по визуальным наблюдениям и языковым командам. Она может плохо переноситься на платформы, отсутствовавшие в данных предобучения; для таких роботов README рекомендует собрать небольшой целевой набор данных и дообучить модель. Код, веса и данные распространяются по лицензии MIT.

Thai GPT-2 Fine-Tuned — генеративная языковая модель семейства GPT-2, дообученная пользователем Pariyagorn для ответов на вопросы на тайском языке. Модель обучалась на наборе данных disease_3000, содержащем 3 000 вопросов по заболеваниям, и предназначена для генерации текстовых ответов в сценариях тайскоязычного вопросно-ответного взаимодействия. Модель использует архитектуру GPT-2 и поддерживает тайский язык. Максимальная длина контекста составляет 1 024 токена. В метаданных указаны библиотека формата safetensors и задача text-generation; размер модели и дополнительные сведения о процедуре обучения не приведены. Модель может использоваться для прототипирования тайскоязычных систем вопросов и ответов по заболеваниям, предварительной генерации медицинских текстов и исследовательских экспериментов. Лицензия MIT разрешает использование, изменение и распространение модели при соблюдении условий лицензии.

TurboVLA — модель Vision-Language-Action для управления роботизированными манипуляциями, разработанная исследователями Huazhong University of Science and Technology совместно с Huawei Technologies. Вместо промежуточной генерации текста модель напрямую преобразует визуальные наблюдения и языковую инструкцию в непрерывные последовательности действий робота. В репозитории размещены контрольные точки для бенчмарков LIBERO и RoboTwin 2.0. Архитектура включает отдельные визуальный энкодер DINOv3 и языковой энкодер BERT, лёгкий двунаправленный обмен признаками и компактный декодер последовательностей действий. Для LIBERO используется DINOv3 ViT-B, два RGB-ракурса, состояние робота и горизонт действий 12; для RoboTwin 2.0 — DINOv3 ViT-L, три изображения 224 × 224, 14-мерное состояние робота и горизонт 50. В README приведён результат LIBERO: 97,7% среднего успеха, задержка 31,2 мс и 0,9 ГБ видеопамяти на RTX 4090. Метаданные указывают английский язык карточки; инструкции задаются естественным языком. Модель предназначена для оценки и применения в роботизированных манипуляциях на задачах LIBERO и RoboTwin 2.0. В репозитории указаны PyTorch-чекпойнты; лицензия обозначена как other, поэтому условия использования следует сверить с файлами лицензии и условиями авторов перед внедрением. Представленные результаты относятся к указанным бенчмаркам и аппаратной конфигурации.

VAMOS — модель для робототехники, созданная Mateo Guaman как версия Google PaliGemma 2 3B, дообученная с помощью TRL на наборе данных mateoguaman/VAMOS_dataset; LoRA-адаптер объединён с базовой моделью. Модель использует мультимодальную архитектуру PaliGemma и принимает изображение и текст, выдавая текстовые ответы, связанные с робототехническими задачами. Модель предназначена для применения в сценариях робототехники, где требуется интерпретировать визуальные данные и формировать текстовый или управляющий вывод. В репозитории указаны формат safetensors и лицензия CC. README не содержит примеров запуска или подробностей о конкретных робототехнических действиях, качестве и ограничениях модели.

Карточка модели winninghealth/WiNGPT2-7B-Base на Hugging Face совпадает с карточкой winninghealth/WiNGPT2-7B-Chat, поэтому описание составлено по ней. WiNGPT2-7B-Chat 是卫宁健康研发的中文医疗领域对话大语言模型，面向医疗问答、诊疗辅助和医学信息服务。模型基于 Qwen-7B 预训练，并经过医疗语料继续预训练和指令微调；采用 Transformer 架构、RoPE、SwiGLU 和 RMSNorm。仓库元数据显示模型含 11.4 млрд параметров и поддерживает контекст до 8192 токенов; для Chat-варианта в README указан предел обучения 4096 токенов. Модель принимает текст и генерирует текст, поддерживает многоходовый диалог на китайском языке и медицинские сценарии, включая ответы о симптомах, лечении, лекарствах, профилактике и обследованиях, а также извлечение и классификацию сведений из медицинских текстов. README описывает специализацию на медицинских знаниях и сообщает о поддержке 32 задач и восьми медицинских сценариев. Ответы могут содержать ошибки и не заменяют профессиональную диагностику или лечение. Проект распространяется по Apache License 2.0; веса также должны соответствовать условиям лицензии базовой модели Qwen-7B.

Anchor-Align — семейство дообученных vision-language-action моделей для управления роботами, разработанное авторами одноимённой работы. Репозиторий содержит контрольные точки для наборов LIBERO Spatial, Object и Goal; веса предназначены для использования с кодом инференса и оценки из отдельного репозитория проекта. В основе — Prismatic Qwen2.5-0.5B с визуальными компонентами DINOv2 и SigLIP и 24 слоями; применены LoRA ранга 64 и MLPResNet-голова действий с регрессией L1. Модель принимает визуальное наблюдение и языковую инструкцию и предсказывает действия робота; проект также проверяет обобщение на LIBERO-PRO, LIBERO-Plus и CALVIN. Метод добавляет к предсказанию действий функции потерь для сохранения семантики исходной VLM и согласования представления языка с направлением движения. В статье сообщаются улучшения устойчивости к перестановкам объектов и позиций, перефразированию инструкций и другим возмущениям. Это исследовательская реализация, ориентированная на манипуляционные задачи и конкретные наборы данных; обучение не входит в первоначальный выпуск, а для запуска нужны сопутствующий код и соответствующая среда. Лицензия — MIT.

AmberYifan/capsd-medicine-dedup-marin-8b-base-medicine_ppl_b2000_s0 — дообученная модель семейства Llama на основе marin-community/marin-8b-base. Она содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат весов safetensors. Модель предназначена для генерации текста и поддерживает чатовый сценарий; контекстное окно — 4096 токенов. Модель дообучена на наборе capsd_marin-8b-base-n80000-medicine-dedup80k__mix_medicine_ppl_b2000_s0, связанном с медицинскими данными. Это указывает на медицинскую специализацию обучения, но README не описывает конкретные клинические задачи или результаты оценки. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория.

EgoSteer-3B-RealMan — обобщённая политика Vision-Language-Action для ловкой манипуляции роботизированной рукой, разработанная в рамках проекта EgoSteer. Модель создана на основе EgoSteer-3B-Base и дообучена на реальных демонстрациях, собранных на роботе RealMan; версия соответствует EgoSteer-9.6K-DG из статьи. Система объединяет визуально-языковую основу Qwen3-VL-2B-Instruct, эксперта действий на flow matching с архитектурой DiT/AdaLN и эксперт мирового моделирования, используемый только при обучении. Лицензия — Apache-2.0. На вход подаются естественно-языковая инструкция, изображения с двух RGB-камер (головной и нагрудной) и данные проприоцепции; модель выдаёт блок будущих действий. Конфигурация описывает кадры 480 × 640 и историю из шести кадров. Система предназначена для управления роботом RealMan, исследований VLA и ловкой манипуляции, а также как основа для дальнейшего дообучения. В статье описана оценка на 45 задачах и адаптация к сложным задачам с длинным горизонтом. Политика настроена на формат наблюдений и действий RealMan: для другого робота потребуется согласовать камеры, размеры изображений и нормализатор либо провести дополнительное дообучение. Выходы необходимо проверять на безопасность до исполнения на оборудовании.

Epicure-Core — векторная модель пищевых ингредиентов, разработанная Kaikaku. Это 300-мерные эмбеддинги 1 790 канонических ингредиентов, обученные методом skip-gram на метапутях по связям ингредиентов и ароматических соединений FlavorDB и на дополнительных переходах между парами ингредиентов. Модель занимает промежуточное положение между химическим сходством и контекстом совместного использования ингредиентов в рецептах. Эмбеддинги подходят для поиска близких ингредиентов, анализа свойств и кухонь, а также для арифметики направлений в пространстве векторов. В README приведены результаты оценки направлений для вкусовых свойств, макронутриентов и кухонь. Для загрузки предлагается библиотека Epicure; веса представлены в формате safetensors. Лицензия — CC BY 4.0. Модель ориентирована на пищевые ингредиенты и вычислительную гастрономию. Это не генеративная модель: она выдаёт векторы, а не текст или рецепты. Результаты зависят от геометрии эмбеддингов и состава словаря; README также отмечает, что примеры векторов кухонь для статьи были реконструированы по меткам режимов.

F1-VLA — модель Vision-Language-Action для управления роботами-манипуляторами, разработанная InternRobotics. Она связывает визуальное и языковое понимание с планированием и генерацией действий и предназначена для выполнения разнообразных задач манипуляции на реальных роботах. В описании заявлены эксперты для понимания, генерации и действий, предсказание визуальной динамики для планирования, а также трёхэтапное обучение: выравнивание, предварительное обучение и адаптация. В README приведены эксперименты на нескольких роботизированных платформах, включая Franka и ARX LIFT II, и результаты для многоцелевых, адаптационных и длинных последовательностей задач. Метаданные указывают архитектуру MWMForConditionalGeneration, плотную модель на Transformers и формат safetensors. Модель распространяется по лицензии CC BY-NC-SA 4.0; опубликованные результаты представлены авторами, а подробная инструкция по применению отсылает к официальному репозиторию F1-VLA.

wsagi разработала FlowHeads-DiffusionPolicy-Real-PickOrange — политику управления роботом SO-101 для захвата апельсинов и их размещения на тарелке. Модель построена на conv-UNet из LeRobot DiffusionPolicy с головой rectified flow и использует горизонт планирования 16 действий, из которых модель выдаёт 8 следующих действий на основе 2 наблюдений. Чекпойнт получен дообучением симуляционной модели wsagi/FlowHeads-DiffusionPolicy-PickOrange на 30 эпизодах телоуправления реальным роботом, всего 7000 шагов.

3CTeam/fpvla-fsdp-linear-stage1-30k — модель FP-VLA для робототехники с предсказанием траектории, дообученная на базе openvla/openvla-7b. В архитектуре OpenVLA используется линейная голова для регрессии траектории и MLP-голова для предсказания действий. Линейная голова детерминированно выдаёт нормализованную траекторию из 33 точек с двумя координатами, используя 66 обучаемых токенов запросов, обусловленных изображением и предыдущей траекторией. Чекпойнт соответствует шагу обучения 30000 и предназначен для предсказания траекторий и действий в задачах управления роботами по визуальному контексту. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Карточка не сообщает отдельные сведения о размере, контекстном окне или поддерживаемых естественных языках.

AAyano/gate_setting1_chunksize25_batch32_from20000 — дообученная модель OpenVLA-OFT с текстовым токеновым гейтом, разработанная для управления роботом XArm. Она предназначена для выполнения задачи pick-and-place: взять кубик и поместить его в пластиковый стакан; обучение продолжалось 10 000 шагов на базе AAyano/oft_setting1_chunksize25_batch32_20k с повторным обучением action head, proprio projector и FiLM. Модель использует зрительную информацию и текстовую инструкцию для предсказания действий робота; конфигурация включает гейтирование слоёв с порогом 0,3 и целевой бюджет гейта 0,4. Для запуска требуется кодовая база Task-conditioned_Gate и её modeling_prismatic.py, загружаемый через trust_remote_code. Обычный процесс запуска OpenVLA-OFT может незаметно отбросить веса гейта. Репозиторий содержит объединённую модель в safetensors и отдельный LoRA-адаптер. Лицензия — MIT.

Sohamb2005 разработал Excusify — дообученную модель GPT-2 для создания оправданий по короткой подсказке. Запрос задаётся в формате «сценарий | срочность | правдоподобие | ситуация :», например для работы, учёбы, семьи или общения. Модель продолжает текст после двоеточия. В основе — GPT-2 с 124 млн параметров; модель принимает и генерирует текст, поддерживает английский язык и имеет контекст до 1024 токенов. В оценке на отложенных примерах значение perplexity снизилось с 32,1 у исходного GPT-2 до 5,8 у дообученной модели. Модель предназначена для развлечения и практики при составлении сообщений. Обучающий набор небольшой и написан вручную, поэтому ответы могут повторять его формулировки, а на незнакомые ситуации модель может отвечать обобщённо. Лицензия — MIT.

GR00T N1.7 — Unitree G1 BrainCo Pick — это дообученная NVIDIA модель для управления манипуляциями гуманоидного робота Unitree G1 с ловкими руками BrainCo. Она основана на nvidia/GR00T-N1.7-3B, содержит около 3 млрд параметров и сочетает VLM-основу Cosmos-Reason2-2B / Qwen3-VL с диффузионной головой действий AlternateVLDiT. Модель принимает изображение с фронтальной камеры робота и инструкции, а для задач манипуляции предсказывает команды для 26 степеней свободы руки и кисти. Чекпойнт дообучен на 1 598 реальных телеуправляемых эпизодах восьми задач настольного pick-and-place. Он рассчитан на захват и перемещение объектов левой рукой в лабораторной обстановке; контур управления описан для частоты 30 Гц. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Модель использует одну эгоцентрическую камеру на голове и не обучена управлению правой рукой, всем телом или локомоцией. Отсутствие обратной связи с запястных камер может снижать точность захвата мелких предметов, а изменения освещения и загромождённость среды могут ухудшать работу.

Это дообученная политика NVIDIA GR00T N1.7 для робота SO-101, настроенная на уборку флаконов и размещение их в стойке. Модель основана на nvidia/GR00T-N1.7-3B и предназначена для управления манипулятором по визуальным наблюдениям и инструкциям в рамках этой задачи. Чекпойнт сохранён на шаге 10 000; при обучении использовались датасет sreetz-nv/so101-clean-up-vials-into-rack-50_20260628_131121, пакет LeRobot и аугментации Albumentations. Политика выдаёт управляющие действия робота; базовая модель преобразует изображения, инструкции и состояние робота в действия для манипуляции. Веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

HuatuoGPT-o1-72B — медицинская языковая модель для сложных рассуждений и ответов на медицинские вопросы, разработанная командой FreedomIntelligence. Это плотная авторегрессионная модель семейства Qwen2, дообученная на основе Qwen/Qwen2.5-72B-Instruct на наборах медицинских рассуждений и проверяемых задач. Модель содержит 71,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель генерирует рассуждение перед итоговым ответом и предназначена для диалогов и решения медицинских задач. В метаданных указаны английский и китайский языки; карточка подтверждает их для вариантов семейства, но не уточняет языки именно этой версии. Распространяется в формате Safetensors по лицензии Apache-2.0. Большой размер требует значительных вычислительных ресурсов; ответы модели не заменяют профессиональную медицинскую оценку.

lerobot/hy_vla_umi — конверсия модели Hy-Embodied-0.5-VLA-UMI от Tencent в формат LeRobot. README сообщает о побайтно идентичном преобразовании тензоров, а метаданные обозначают связь с базовой моделью как дообучение; точный характер связи в источниках расходится. Модель принимает визуальные наблюдения и текстовую инструкцию задачи и формирует действия робота для манипуляции. В этой версии используются один кадр изображения, горизонт предсказания и исполнения действий по 50 шагов, относительное представление действий и 10 шагов Euler-сэмплирования. Модель предназначена для управления двуруким роботом с 16-мерным представлением поз и захватов. README сообщает о строгой загрузке всех 1628 тензоров и полном совпадении прямого прохода с авторской реализацией на проверенных входах. Лицензия — Apache-2.0. Поддерживается только выпущенное представление двуручного манипулятора; действия мобильного манипулятора с семантикой базы не поддерживаются.

INTACT-pi0-finetune-rephrase-bridge — модель Vision-Language-Action (VLA), созданная авторами набора INTACT Probing Suite на основе lerobot/pi0 и дообученная для манипуляций роботом на датасете BridgeV2. Во время обучения инструкции к задачам перефразировались по заданному словарю, чтобы исследовать обобщение VLA-моделей на изменённые формулировки. Модель принимает визуальные наблюдения и текстовые инструкции и выдаёт действия для управления роботом. Она предназначена для роботизированных манипуляций и оценки поведения в SimplerEnv и наборе INTACT. В карточке приведены результаты для четырёх задач SimplerEnv; лучший усреднённый чекпойнт выбран на шаге 7565 (эпоха 5), при этом другой чекпойнт может лучше работать на отдельной задаче. Модель распространяется в формате safetensors по лицензии Apache-2.0. Результаты карточки относятся к указанным задачам и среде оценки; они не гарантируют аналогичную успешность на других роботах, сценах или инструкциях.

InternVLA-A1-3B — модель для управления роботизированными манипуляциями, разработанная командой InternRobotics. Она объединяет понимание сцен, прогнозирование динамики и генерацию действий в архитектуре Mixture-of-Transformers, чтобы робот мог учитывать визуальный контекст и адаптировать движения. Версия 3B обучена на разнородных данных: реальных роботах, симуляциях и видео от первого лица; карточка указывает дообучение базовой Qwen/Qwen3-VL-2B-Instruct. Модель предназначена для статических и динамических задач захвата и манипуляции, включая оценку будущего состояния сцены перед выполнением действия. В README также приведены результаты на симуляционном RoboTwin 2.0: средний успех 89,40% на простых и 89,64% на сложных задачах, усреднённый по 50 задачам. Базовая модель поддерживает анализ изображений и видео; отдельные сведения о контексте и языковой поддержке этой версии не приведены. Модель опубликована в формате safetensors под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. Результаты демонстраций и бенчмарка не гарантируют качество на иных роботах, наборах действий или реальных условиях; перед практическим применением потребуется интеграция с конкретным роботом и проверка безопасности управления.

Это GGUF-квантизированная версия модели Llama-3.2-3B-Instruct-Medical-Finetuned-merged, разработанной Mohamed Ahmed Abo El-Enen, Sally S. Ismail и Taymoor Mohamed Nazmy, а квантизации выполнены пользователем tinyopsec. Модель основана на meta-llama/Llama-3.2-3B-Instruct и адаптирована к медицинской тематике методом QLoRA с последующим слиянием LoRA-весов с базовой моделью. Для инференса отдельный адаптер PEFT не требуется. Модель предназначена прежде всего для ответов на медицинские вопросы, включая открытые и тестовые задания, поиска клинической информации, вспомогательной поддержки принятия клинических решений и исследовательских экспериментов с небольшими Llama-моделями в сфере здравоохранения. Это текстовая авторегрессионная модель архитектуры LlamaForCausalLM с примерно 3,21 млрд параметров, английским языком, словарём из 128 256 токенов и заявленным нативным контекстом до 128K токенов. Доступны варианты GGUF с точностью от 3 до 16 бит и размером примерно от 1,54 до 6,43 ГБ, что позволяет выбирать между компактностью и качеством. Сильными сторонами являются специализация на медицинских вопросах, относительно небольшой размер, поддержка llama.cpp и совместимость с LM Studio и Ollama. При этом в README не заявлены формальные результаты бенчмарков, а ответы модели могут содержать ошибки. Модель не предназначена для автономных клинических решений, постановки окончательных диагнозов, назначения лечения или замены врача, экстренной помощи и лицензированной медицинской консультации. Указана лицензия Llama 3.2 Community License.

Nora-Long — открытая vision-language-action модель declare-lab для управления манипуляциями робота. Она принимает инструкцию на английском языке и изображение рабочего пространства с камеры, а затем предсказывает последовательность из пяти нормализованных действий робота. Модель дообучена на эпизодах манипуляций из Open X-Embodiment, исходная модель — Qwen 2.5 VL-3B; архитектура — Qwen2.5-VL с 3,1 млрд параметров и контекстом 128 000 токенов. Модель предназначена для выполнения инструкций по манипуляциям в симуляции и на роботизированных платформах. Выходное действие содержит изменения положения и ориентации 7-DoF концевого эффектора и состояние захвата. Для исполнения на реальном роботе действия необходимо денормализовать по статистике конкретного робота и набора данных. В описании отмечены более высокие результаты в симуляции LIBERO и более низкие на задачах WidowX по сравнению с Nora. Веса и код обучения выпущены под лицензией MIT.

Карточка модели seanTO/octo-small на Hugging Face совпадает с карточкой rail-berkeley/octo-small, поэтому описание составлено по ней. 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.

Octo-Small — преобразованная в PyTorch версия обобщённой политики робота Octo для задач манипуляции. Репозиторий lilkm/octo-small-test содержит веса в формате safetensors; исходные реализации связаны с octo-models/octo, emb-ai/octo-pytorch и s1lent4gnt/octo-pytorch. Модель использует трансформер с 12 слоями, размерностью 384 и 6 головами, визуальный энкодер SmallStem16 на базе CNN, языковой энкодер T5-Base и диффузионную голову действий с четырьмя шагами. Максимальный горизонт составляет 10 временных шагов, размерность действия — 7. Модель предназначена для управления роботом при выполнении разнообразных манипуляций по визуальным и языковым условиям. Весы T5-Base не включены в репозиторий и загружаются отдельно при инициализации. Лицензия — MIT.

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.

lerobot/pi0_libero_base — базовая модель управления роботами, опубликованная в реализации LeRobot. Это дообученная Physical Intelligence модель π₀ (Pi0), относящаяся к архитектуре Vision-Language-Action (VLA) и предназначенная для дальнейшей адаптации под конкретные задачи робота. Модель принимает изображения с нескольких камер, состояние робота и необязательную языковую инструкцию, а выдаёт непрерывные управляющие действия. При обучении используется flow matching. Карточка демонстрирует применение с задачами LIBERO; реализация LeRobot следует исходному коду модели для совместимости. Указанная лицензия — Gemma.

BVRA/resnet18.in1k_ft_df20m_299 — модель классификации изображений грибов, разработанная BVRA. Это ResNet-18 с 11,3 млн параметров, обученная на датасете DF20; для обработки используются изображения размером 299 × 299 пикселей. Модель предназначена для распознавания грибов на фотографиях и может применяться в задачах экологического мониторинга и анализа грибного биоразнообразия. Модель принимает изображения и выдаёт классы. Репозиторий содержит веса PyTorch. Данных о поддерживаемых естественных языках нет. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

RoboInter-VLM — мультимодальная модель для задач роботизированных манипуляций, разработанная в рамках проекта RoboInter. Это дообученная на наборе RoboInter-VQA модель Qwen2.5-VL-7B-Instruct с плотной архитектурой Qwen2.5-VL и примерно 7,1 млрд параметров. Модель принимает текст и изображения и формирует текстовые ответы; её контекстное окно составляет 128 000 токенов. Модель предназначена для визуального понимания манипуляционных сцен и планирования действий робота. Она отвечает на вопросы о контактах, позах захвата, расположении объектов и траекториях, распознаёт примитивы действий и оценивает успех выполнения задачи. Также она генерирует промежуточные представления, включая точки траектории, контактные области и рамки объектов. В README модель названа флагманской и рекомендованной по умолчанию для общего применения в задачах RoboInter. Модель распространяется в формате safetensors; в README указана точность bfloat16. Лицензия — Apache-2.0. Это специализированная модель для робототехники, поэтому её ответы и сгенерированные представления следует проверять в целевой среде перед использованием для управления роботом.

Vibe Data Studio создала SmolVLA policy для управления роботом при работе с огурцом. Модель дообучена от lerobot/smolvla_base на 653 эпизодах телеуправления, охватывающих захват огурца, его размещение на разделочной доске и очистку кожуры. Используется архитектура SmolVLA: замороженный VLM-компонент и обученный эксперт; всего 450 млн параметров, из которых обучались 100 млн. Модель принимает изображения с трёх камер, состояние 7-мерного манипулятора SO-101 и языковую инструкцию, а выдаёт непрерывные действия для управления роботом. Инструкции и обучающие демонстрации ориентированы на конкретную установку, камеры и описанные движения. README приводит офлайн-сравнение двух вариантов обучения, но не заявляет об оценке успешности выполнения задач в реальном роботе. Сведения о лицензии в предоставленных материалах отсутствуют.

StackCups-Pi05 — робототехническая политика π₀.₅, разработанная Physical Intelligence и адаптированная для LeRobot на основе их открытого проекта OpenPI. Модель относится к классу Vision-Language-Action и предназначена для управления роботом при выполнении задач в меняющихся условиях, включая незнакомые окружения и ситуации, не встречавшиеся при обучении. Модель обучена и опубликована через LeRobot; репозиторий содержит веса в формате safetensors и связан с набором данных ai2-cortex/17042026-Cup-Storing-combined. Карточка описывает обучение и запуск оценки или инференса политики. Лицензия — Apache-2.0.