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

Это дообученная модель MolmoAct2, опубликованная pravsels для управления роботом SO101 в сценарии работы с полкой для глазных капель. Модель обучена только с обновлением action-expert на данных набора pravsels/object_top_shelf_remote; в README указан чекпойнт после 25 000 шагов обучения. MolmoAct2 — vision-language-action модель Ai2, которая использует визуальные наблюдения и языковые инструкции для управления роботом. Этот чекпойнт предназначен для адаптации поведения под конкретную задачу на полке; сведения о лицензии, поддерживаемых языках и оценках качества в предоставленных источниках отсутствуют.

Это чекпойнт OpenVLA-OFT, дообученный для задачи LIBERO-Goal, из работы «Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success». Он основан на OpenVLA и использует архитектуру OpenVLAForActionPrediction для предсказания действий по визуальному и текстовому контексту. Модель предназначена для управления роботом в задачах LIBERO-Goal: по наблюдению сцены и инструкции она генерирует последовательность действий. В README заявлено, что оптимизированные методы дообучения OpenVLA-OFT повышают скорость и успешность относительно базовой OpenVLA. Репозиторий содержит веса в формате safetensors; лицензия — MIT.

lerobot/pi0_old — предварительно обученная модель Pi0, связанная с проектом LeRobot и описанная в работе «π_0: A Vision-Language-Action Flow Model for General Robot Control». Она предназначена для управления роботом: принимает данные наблюдений и выбирает действие через интерфейс политики Pi0 в LeRobot. Модель можно дообучать на пользовательских наборах данных. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка указывает на архитектуру vision-language-action, но не сообщает точный размер модели, длину контекста, поддерживаемые языки и конкретный состав входных данных.

sft-qwen-25-7b-instruct — дообученная модель на базе Qwen/Qwen2.5-7B-Instruct, созданная автором репозитория с помощью Axolotl 0.6.0. Модель предназначена для генерации текста в диалоговом формате и дообучена на наборе medical_meadow_medqa, связанном с медицинскими вопросами и ответами. Модель использует плотную архитектуру Qwen2ForCausalLM и содержит 7,1 млрд параметров. Она принимает текст, поддерживает контекст до 32 768 токенов и распространяется в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка сообщает значение loss 0,1055 на оценочном наборе, но не приводит подробностей методики оценки или подтверждения качества в клинических сценариях.

DinaSalama/symptom_to_disease_distb — модель классификации текста на базе DistilBERT, дообученная на distilbert-base-uncased. Она предназначена для отнесения входного текста к классам, однако карточка не раскрывает состав этих классов и данные обучения, поэтому назначение для определения заболеваний по симптомам можно предположить только по названию репозитория. Модель работает с текстом и имеет контекст до 512 токенов. Распространяется по лицензии Apache-2.0.

τ₀-World Model (τ₀-WM) — модель мира для роботизированных манипуляций, разработанная исследовательской группой SII Research. Она объединяет обучение политики, предсказание видео и оценку действий в одной предсказательной системе на общей видеодиффузионной основе Wan-2.2. В репозитории опубликованы две части: Video Action Model совместно предсказывает будущие визуальные представления и непрерывные последовательности действий, а симулятор прогнозирует многокамерное будущее при заданных действиях и оценивает прогресс выполнения задачи. Модель принимает изображения с нескольких камер, текстовые инструкции и состояние робота; рассчитана на манипуляции двумя руками. Выход включает прогнозы будущих визуальных представлений, позы двух манипуляторов и состояние захватов; симулятор также выдаёт оценки прогресса. Обучение проводилось примерно на 27 300 часах разнородных данных, включая телоуправление реальными роботами, взаимодействия в стиле UMI и видео от первого лица. В метаданных указаны архитектурное семейство TI2V, формат PyTorch и английский язык. Репозиторий распространяется по лицензии Apache-2.0; README отсылает к GitHub за инструкциями по развёртыванию.

UniVLA-7B — официальный чекпойнт модели для управления роботами, представленный как результат работы RSS 2025 «Learning to Act Anywhere with Task-centric Latent Actions». Модель относится к семейству OpenVLA и предназначена для построения обобщённых политик, которые планируют действия в едином пространстве, не зависящем от конкретного воплощения робота. UniVLA предварительно обучена на коллекции данных OpenX и Ego4D. В карточке заявлены результаты уровня state of the art на нескольких бенчмарках и вычислительно эффективное обучение. Чекпойнт можно дообучать на симуляционных бенчмарках или пользовательских наборах данных; детали такого процесса приведены в официальном репозитории проекта. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Модель выдаёт предсказания действий для робототехнических задач; конкретные поддерживаемые типы входных наблюдений и устройство выходных действий в карточке не уточнены.

X-VLA — модель Vision-Language-Action в реализации LeRobot, основанная на работе X-VLA: Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model. Этот чекпойнт оптимизирован для задач ловкой манипуляции роботом AgileX. Модель принимает изображения с нескольких ракурсов, данные о состоянии робота и необязательную инструкцию на естественном языке, а выдаёт непрерывные управляющие действия. Для обучения используется flow matching, а единая архитектура Transformer с мягкими промптами предназначена для управления разными воплощениями роботов и переноса между предметными областями. Чекпойнт предназначен для дальнейшей настройки под конкретные сценарии управления роботами и интеграции с конвейером LeRobot. В карточке приведён Apache-2.0 как лицензия репозитория. Указанные языковые данные относятся к английскому языку; отдельные характеристики размера модели и длины контекста не приведены.

ActQuant-Pi05-LIBERO-3bpw — квантизированный чекпойнт VLA-модели π₀.₅, подготовленный проектом ActQuant на основе модели lerobot/pi05_libero_finetuned_v044. Она предназначена для управления роботом в задачах LIBERO по визуальным наблюдениям и языковым инструкциям. Артефакт GGUF объединяет зрительную башню SigLIP, языковые блоки и эксперт действий; для распределения битности применена двухэтапная схема ActQuant: оценка чувствительности HSIC и Action-Mixed Fisher для оптимизации квантования. Заявленный показатель около 3 бит на вес относится к зрительной и языковой частям модели; эксперт действий сохранён в fp16. В README приведены результаты замкнутого цикла на четырёх наборах LIBERO, однако в таблице видны только три строки, поэтому полный набор чисел проверить по карточке нельзя. Модель рассчитана на робототехнические действия, а не на свободный текстовый диалог. Лицензия репозитория — MIT.

Carl — модель диалогового ИИ-терапевта, разработанная ajibawa-2023. Она предназначена для поддерживающей беседы и ответов на вопросы людей, испытывающих стресс; автор описывает её как эксперимент по ранней профилактической поддержке. Модель основана на Llama-1 от Meta и дообучена на более чем 100 000 синтетических наборов диалогов, содержащих беседы между Carl и клиентом. Это плотная авторегрессионная модель семейства Llama с 32,3 млрд параметров, контекстом 2048 токенов и форматом PyTorch; в карточке указан английский язык. Модель может поддержать разговор и помочь пользователю успокоиться, но не заменяет врача или профессионального психотерапевта. Её обучение основано на синтетических данных, а автор отдельно обозначает работу как исследовательский эксперимент. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных работ.

Это дообученная модель для робототехники на архитектуре Gr00tN1d6, основанная на nvidia/Eagle-Block2A-2B-v2. В карточке указаны горизонт планирования действий 50 шагов и контрольная точка обучения checkpoint-100000; модель опубликована в формате safetensors и использует библиотеку Transformers. Модель предназначена для задач управления роботом и предсказания последовательностей действий. Карточка не описывает конкретные роботы, обучающие данные или команды, поэтому область применения можно определить только на общем уровне. Лицензия — Apache-2.0.

Galahad C3-jfs (rebuild) — одно-весовая политика vision-language-action для робототехники, созданная в рамках проекта Instruction Blindness in Vision–Language–Action Policies. Она основана на allenai/MolmoAct2-Think-LIBERO: LoRA-слои для визуально-языковой части и эксперта действий объединены с базовыми весами, а голова предсказания будущей области объекта хранится в том же файле safetensors. За один проход модель выдаёт действие и предсказанную область объекта. Модель предназначена для управления манипулятором по визуальным наблюдениям и инструкциям на языке, в частности для задач LIBERO-PRO с выбором и захватом объектов. В описанной оценке точность выполнения изменённых инструкций составила 38/40, но при подмене целевого объекта модель следовала названию объекта в инструкции и выбирала отвлекающий объект; на бессмысленные инструкции она иногда сохраняла успех из-за визуального приоритета. Эти результаты относятся к пересобранным весам и ограниченному набору сцен. Лицензия — Apache-2.0. Для запуска нужны совместимые код и окружение LeRobot/MolmoAct2, а также робототехническая среда; карточка отмечает формат safetensors. Модель не следует считать универсальным контроллером: README указывает на частичную реконструкцию кода, ожидающую проверки батарею и ограничения проведённой оценки.

Это LoRA-модель Robocurve, дообученная на базе NVIDIA GR00T N1.7-3B для управления манипулятором SO-101. Адаптеры для головы действий объединены с весами bf16; визуальный кодировщик, языковая модель и базовые веса заморожены. Модель принимает изображения с фронтальной и установленной на запястье камер, инструкцию на естественном языке и состояние робота, а предсказывает последовательность из 16 управляющих шагов для шестистепенной руки и захвата. Модель предназначена для настольных задач манипуляции, представленных в обучающих данных: захвата и перемещения предметов, укладки и сортировки. Она обучена на подмножестве SO-101 датасета MolmoAct2, включающем 2 242 эпизода из 39 публичных репозиториев сообщества. Для запуска требуются SO-101 и Isaac-GR00T версии N1.7 на указанном в карточке коммите или более поздней версии. Проверка ограничена офлайн-оценкой потерь предсказания действий на отложенных эпизодах; симуляционные и реальные запуски не проводились, поэтому качество выполнения задач и перенос на новые сцены не подтверждены. Перенос на другие типы роботов без дообучения не предполагается; для эксплуатации нужны аппаратная аварийная остановка и ограничения рабочей зоны и момента. Лицензия указана как other; исходные датасеты имеют собственные лицензии, поэтому перед использованием следует проверить их условия.

HuatuoGPT-o1-72B-GGUF — это квантизированная версия медицинской языковой модели HuatuoGPT-o1-72B, разработанной FreedomIntelligence. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста в медицинских сценариях, включая ответы на вопросы, обработку медицинских рассуждений и решение проверяемых медицинских задач. Модель имеет размер 72 млрд параметров и распространяется в формате GGUF с вариантами квантизации от Q8_0 до IQ1_M. Доступны версии размером примерно от 23,74 до 77,26 ГБ; варианты Q6_K, Q5_K_M, Q5_K_S и Q4_K_M отмечены как рекомендуемые с точки зрения сочетания качества и требований к памяти. Поддерживаются английский и китайский языки. README не содержит сведений об архитектуре, длине контекста, мультимодальности или дополнительных языках, поэтому модель следует рассматривать как текстовую. Сильная сторона модели — специализация на медицинской тематике и наличие широкого выбора квантизаций для локального запуска, в том числе через llama.cpp и LM Studio. Ограничения связаны с компромиссом между качеством и размером при использовании низкобитных вариантов, а также с отсутствием в предоставленных данных результатов бенчмарков и гарантий медицинской точности; ответы требуют проверки специалистом. Модель и её квантизированные версии распространяются по лицензии Apache-2.0.

HuatuoGPT-o1-7B-GGUF — набор GGUF-квантизованных версий медицинской языковой модели HuatuoGPT-o1-7B, разработанной FreedomIntelligence и опубликованной в формате для llama.cpp. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста в медицинском домене, включая ответы на медицинские вопросы и задачи, требующие рассуждений. Обучение исходной модели связано с наборами данных medical-o1-reasoning-SFT и medical-o1-verifiable-problem. Модель имеет размер 7B параметров, поддерживает текстовую модальность и заявлена для английского и китайского языков. В README не указаны архитектура исходной модели, размер контекстного окна и результаты бенчмарков. Доступны варианты от F16 до низкобитных Q2 и IQ2-квантизаций с размером файлов примерно от 2,78 до 15,24 ГБ, что позволяет выбирать между качеством, требованиями к памяти и скоростью локального запуска. Для работы рекомендуется использовать совместимый формат prompt и приложения llama.cpp или LM Studio. Сильными сторонами являются специализация на медицинских сценариях, наличие вариантов с высокой точностью, включая Q6_K_L и Q6_K, а также возможность локального запуска. Более агрессивные квантизации экономят память, но могут заметно снижать качество; варианты Q2 и некоторые Q3 описаны как низкокачественные или нерекомендуемые. Модель не следует рассматривать как замену квалифицированному медицинскому специалисту. Распространение указано по лицензии Apache-2.0.

InternVLA-A1.5-base — базовая контрольная точка модели управления роботом InternRobotics, объединяющая зрительно-языковое понимание, прогнозирование будущей динамики и генерацию действий. Она построена на мультимодальной основе Qwen/Qwen3.5-2B и предназначена для дальнейшего дообучения и оценки роботизированных политик, в частности для манипуляций в симуляции и реальном мире. Модель принимает визуальный и языковой контекст, а также состояние робота и предсказывает непрерывные фрагменты управляющих действий: размер фрагмента — 50 шагов, размерность состояния и действия — до 32, разрешение изображений — 224 × 224. Для генерации действий используется экспертный модуль с flow matching; при обучении прогноз будущей динамики дополнительно поддерживается видеомоделью WAN2.2-5B, которая не нужна при инференсе. В README приведены результаты серии на нескольких бенчмарках, но для воспроизведения результатов дообучения указаны специализированные контрольные точки. Модель выпущена по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов на тех же условиях. Это базовая точка для настройки и оценки, поэтому качество в конкретной робототехнической задаче зависит от дообучения, среды и конфигурации робота.

VLA-Adapter/LIBERO-Long — дообученная модель Vision-Language-Action от команды OpenHelix, предназначенная для управления роботом по изображениям и текстовым инструкциям на задаче LIBERO-Long. Она принимает изображение и текст, а на выходе генерирует действия робота. Архитектура объединяет зрительно-языковую модель на основе Prismatic-VLM с политикой генерации действий. В качестве языковой основы используется Qwen2.5-0.5B; модуль Bridge Attention связывает признаки от зрительно-языковой модели с представлением действий. Модель опубликована в формате safetensors и распространяется по лицензии MIT. Модель ориентирована на выполнение роботизированных манипуляций и оценку на бенчмарке LIBERO-Long. Карточка сообщает о результатах на распространённых робототехнических бенчмарках, но не приводит здесь численные показатели или подробности условий оценки. Применение вне соответствующих сред и сценариев требует отдельной проверки.

VLA-Adapter/LIBERO-Spatial-Pro — дообученная модель Vision-Language-Action от команды VLA-Adapter для управления роботом в задачах бенчмарка LIBERO-Spatial. Архитектура сочетает визуально-языковую модель на основе Prismatic-VLM с языковым бэкбоном Qwen2.5-0.5B и политикой генерации действий; модуль Bridge Attention связывает условия, извлечённые из изображения и текста, с представлением действия. Модель принимает изображения и текстовые инструкции, а выдаёт действия робота. Модель предназначена для выполнения пространственных робототехнических задач и оценки политик управления на LIBERO-Spatial. Авторы сообщают о результатах выше ряда открытых VLA-моделей с более крупными бэкбонами на распространённых робототехнических бенчмарках; приведённые в карточке таблицы результатов опущены, поэтому конкретные значения проверить нельзя. В метаданных указана лицензия MIT. Базовая языковая модель содержит около 494 млн параметров; общий размер данной модели не приведён.

LingBot-VLA Pick-and-Place Toys — дообученный чекпойнт LingBot-VLA 1.0 от автора репозитория Aikwed для управления роботом SO follower при перекладывании игрушек. Модель использует базовую модель robbyant/lingbot-vla-4b и обучена на наборе AlvinAi/pick_and_place_toys: 80 эпизодов и 70 588 кадров с двух RGB-камер, расположенных спереди и сбоку. Визуальные входы приводятся к размеру 224 × 224; горизонт предсказания действий составляет 50 шагов. Модель принимает изображения с камер и состояние шести суставов и захвата, а выдаёт последовательность действий для пяти суставов руки и захвата. Действия суставов руки обучались как смещения относительно текущего состояния, действие захвата — в абсолютном представлении; при штатном преобразовании смещения возвращаются к исходным абсолютным значениям. Доступны статистики нормализации и конфигурация соответствия признаков. Чекпойнт предназначен для сценария захвата и перекладывания игрушек в соответствующей конфигурации робота и камер. Обучение выполнено на 10 000 шагах с глобальным размером пакета 16. Лицензия — Apache-2.0. В README указано, что проверка на отложенной выборке и оценка успешности на реальном роботе не проводились; значение обучающей функции потерь не является оценкой надёжности при эксплуатации.

MiniCPM-RobotManip — разработанная OpenBMB модель vision-language-action на 1,5 млрд параметров для управления роботами при манипуляциях с объектами. Она принимает визуальные наблюдения и использует их вместе с историей кадров, чтобы формировать действия для робота в разных задачах манипуляции; единая политика предназначена для нескольких downstream-сценариев. Модель поддерживает потоковый учёт контекста: в истории может сохраняться до 60 кадров, что позволяет использовать визуальную память длительностью до минуты. Сжатие визуальных токенов MiniCPM-V 4.6 сокращает представление кадра с 256 до 64 токенов. Репозиторий содержит веса safetensors, для запуска README требует Transformers 5.7.0. Лицензия — Apache-2.0. В README приведены результаты сравнительных оценок и измерение задержки на H100 в BF16 с одним кадром на входе; задержка прямого прохода составляет 120 мс, без учёта авторегрессионного декодирования действий. Эти показатели относятся к указанной конфигурации и не гарантируют такую же скорость на других устройствах. Язык взаимодействия и подробные ограничения по наборам задач в карточке не описаны.

MolmoAct2 — открытая модель vision-language-action для управления роботами, разработанная Allen Institute for AI (Ai2). Эта постобученная модель для нескольких типов роботов объединяет визуально-языковую основу Molmo2-ER с непрерывным экспертом действий на основе flow matching; языковая модель передаёт ему контекст через KV-conditioning на каждом слое. Репозиторий содержит веса в формате safetensors и метаданные нормализации для смеси постобучения. Модель предназначена прежде всего как основа для дообучения под конкретное воплощение робота или бенчмарк, а не как готовая политика для непосредственного запуска. Она принимает визуальные наблюдения и инструкции на естественном языке и выдаёт действия робота; среди задач каталога также отмечено image-text-to-text. README не приводит размер модели, длину контекста или перечень поддерживаемых языков. Лицензия в предоставленных данных не указана. Поведение может различаться в зависимости от робота, среды и аппаратной конфигурации. Перед запуском на физическом оборудовании требуется проверять выходы, ограничивать действия параметрами контроллера и задачи и обеспечивать надзор человека; для непосредственного инференса рекомендуется использовать специализированные дообученные чекпойнты.

MolmoAct2-LIBERO-ViT10L — это сжатая vision-language-action-модель для управления роботом по изображениям, состоянию робота и текстовой инструкции. Автор использовал в качестве основы allenai/MolmoAct2-LIBERO: глубина визуального энкодера ViT сокращена с 25 до 10 слоёв, а LLM Qwen3-4B и Action Expert оставлены без изменений. Размер модели — 5,214 млрд параметров; веса доступны в формате Safetensors. Модель предназначена для задач управления роботом в среде LIBERO, например, чтобы выполнить инструкцию по изображению с камер и состоянию робота. В описанной оценке на четырёх наборах LIBERO модель показала 96% успешных эпизодов против 99% у исходной модели. Автор сообщает, что сокращение энкодера уменьшает его число параметров примерно с 439 млн до 210 млн и оценивает задержку его работы на Hexagon v73 примерно в 440 мс вместо 1103 мс; это оценка для энкодера, а не всей модели. Для загрузки указана поддержка Transformers с trust_remote_code. Лицензия — Apache-2.0.

Это чекпойнт OpenVLA-OFT, дообученный для задач LIBERO-Spatial; репозиторий связан с работой «Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success». Модель основана на OpenVLA и использует архитектуру OpenVLAForActionPrediction для предсказания действий по визуальному наблюдению и текстовой инструкции. Модель предназначена для управления роботом в пространственных задачах бенчмарка LIBERO: она генерирует последовательности действий (action chunks) по входным изображениям и инструкциям. В README заявлено улучшение относительно базовой OpenVLA благодаря оптимизированным методам дообучения. Веса опубликованы в формате safetensors; лицензия репозитория — MIT. Практическое применение требует совместимой робототехнической среды и настроенного окружения, описанного в проектной документации.

Карточка модели Sakits/openvla-oft-libero на Hugging Face совпадает с карточкой moojink/openvla-7b-oft-finetuned-libero-spatial, поэтому описание составлено по ней. Это чекпойнт OpenVLA-OFT, дообученный для задач LIBERO-Spatial; репозиторий связан с работой «Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success». Модель основана на OpenVLA и использует архитектуру OpenVLAForActionPrediction для предсказания действий по визуальному наблюдению и текстовой инструкции. Модель предназначена для управления роботом в пространственных задачах бенчмарка LIBERO: она генерирует последовательности действий (action chunks) по входным изображениям и инструкциям. В README заявлено улучшение относительно базовой OpenVLA благодаря оптимизированным методам дообучения. Веса опубликованы в формате safetensors; лицензия репозитория — MIT. Практическое применение требует совместимой робототехнической среды и настроенного окружения, описанного в проектной документации.

lerobot/pi05_libero_base — базовая модель Vision-Language-Action (VLA) от Physical Intelligence, представленная в реализации LeRobot и дообученная на задачах LIBERO. Она предназначена для адаптации под робототехнические сценарии и управления роботом при выполнении многоэтапных задач в новых средах. На вход принимает изображения с нескольких камер, состояние робота и необязательную языковую инструкцию, а на выходе формирует непрерывные действия. Обучение использует flow matching. В этой версии поддерживается только action head на основе flow matching; компоненты исходной работы для предсказания подзадач, токенизации действий и обучения с подкреплением не включены. Модель распространяется в формате safetensors по лицензии Gemma. Для использования требуется экосистема LeRobot.

π₀.₅ Libero — модель Vision-Language-Action от Physical Intelligence, опубликованная в реализации LeRobot и дообученная на задачах LIBERO с нормализацией Quantiles. Она принимает изображения с нескольких ракурсов, состояние робота и необязательную языковую инструкцию, а выдаёт непрерывные действия для управления роботом. Модель рассчитана на выполнение многоэтапных задач и предназначена прежде всего как основа для дообучения под конкретный сценарий. Обучение и вывод используют action head на основе flow matching. В этой версии доступны только компоненты для flow matching: предсказание подзадач, токенизация действий и обучение с подкреплением из исходной работы не включены. Модель ориентирована на робототехнику и демонстрации LIBERO; лицензия в метаданных — Gemma.

PI0Fast — политика Vision-Language-Action из проекта LeRobot, реализующая подход FAST: она принимает изображения с нескольких камер, состояние робота и при необходимости языковую инструкцию, затем предсказывает действия в виде FAST-токенов и декодирует их в непрерывные управляющие сигналы. Модель использует авторегрессионное предсказание следующего токена с обучением по cross-entropy и предназначена для задач управления роботом; чекпойнт обучен и оценён на задачах LIBERO, где в карточке указана успешность 82,5% по всем задачам. Модель подходит для оценки и дообучения под конкретные робототехнические задачи. Реализация LeRobot следует исходному коду FAST для совместимости. Метаданные указывают библиотеку LeRobot, формат Safetensors и лицензию Gemma; перед использованием следует учитывать условия этой лицензии. Карточка не приводит размер модели или длину контекста.

π₀ LIBERO finetuned — дообученная модель класса Vision-Language-Action от Physical Intelligence, опубликованная в реализации LeRobot. Контрольная точка обучена и оценена на задачах LIBERO и предназначена для управления роботом по изображениям с нескольких камер, состоянию робота и, при наличии, языковой инструкции. Модель выдаёт непрерывные действия; обучение использует flow matching. Модель подходит как основа для дальнейшей адаптации и выполнения задач манипулирования в среде LIBERO. Она построена на базе lerobot/pi0_libero_base и использует формат safetensors. Лицензия — Gemma. В карточке не приведены точные показатели качества или длина контекста.

SmolVLA-LIBERO-GGUF — конвертированная в формат GGUF модель vrfai для инференса через vla.cpp, лёгкий движок на базе llama.cpp для моделей Vision-Language-Action. В основе архитектура SmolVLA-450M: визуальный модуль SigLIP, языковая часть SmolLM2 и эксперт действий на основе flow matching; базовая модель — HuggingFaceVLA/smolvla_libero. Модель предназначена для управления роботом по визуальным наблюдениям и текстовым инструкциям в задачах LIBERO. В README приведён результат 90,5% успешных эпизодов на наборе libero_object из 10 задач и 200 эпизодов для RTX 3060 и Jetson AGX Orin; на Jetson Orin Nano указано 88%. Это результаты описанного бенчмарка, а не гарантия качества в других средах. Для запуска требуется собрать vla-server из проекта vla.cpp; README рекомендует CUDA-сборку для инференса. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает дополнительные ограничения по применению.

SpatialVLA-4B-224-SFT-Bridge — зрительно-языковая модель для управления роботом, разработанная командой SpatialVLA исследователей из Shanghai AI Laboratory, ShanghaiTech и TeleAI. Модель дообучена на наборе Bridge для задач бенчмарка SimplerEnv и принимает изображения и инструкции на естественном языке, чтобы выдавать действия робота. Модель предназначена для роботизированных манипуляций в сценариях, представленных в обучающих данных, включая задачи на роботах Google и WidowX. Она основана на архитектуре SpatialVLA и использует библиотеку Transformers; в репозитории указано 1,5 млрд параметров. Для запуска авторы указывают требование около 8,5 ГБ видеопамяти и Transformers версии 4.47.0 или выше. Ограничение модели — слабое обобщение на незнакомые роботизированные платформы и настройки, отсутствовавшие в обучающих данных; для таких сценариев рекомендуется дообучение на демонстрациях целевой системы. Лицензия MIT.