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

Speculor-2.7B — разговорная языковая модель для поддерживающих бесед и общей информации о психическом здоровье, созданная автором antiven0m. Это дообученная версия Phi-2 на открытых наборах вопросов и ответов о консультировании, синтетических беседах о психическом здоровье, общих инструкциях и данных для персонификации. Модель использует архитектуру Phi для генерации текста, содержит 3,5 млрд параметров и рассчитана на контекст до 2048 токенов; в карточке указан английский язык. Весы опубликованы в формате Safetensors, лицензия — MIT. Модель предназначена для низкопороговых разговоров, которые могут помочь пользователю сформулировать переживания перед обращением к специалисту, а также для изучения общих перспектив и поддержки сценариев предварительной проверки разговоров на признаки кризисных ситуаций. Автор предлагает использовать её как дополнение к человеческой поддержке, а не вместо неё. Карточка заявляет о возможности запуска на широком спектре оборудования без GPU. Модель не обладает клинической подготовкой, не предназначена для диагностики, лечения, составления планов лечения или кризисного вмешательства. Она может упускать контекст и давать неполные или неподходящие ответы; серьёзные проблемы требуют обращения к квалифицированному специалисту. Сам запуск модели не сохраняет и не передаёт данные, однако интерфейс взаимодействия может локально хранить журналы бесед.

TurboVLA-base (SO-100) — готовая к дообучению модель vision-language-action для управления манипулятором SO-100/SO-101; разработчик в карточке явно не назван. Модель примерно на 0,2 млрд параметров объединяет визуальный энкодер DINOv3 ViT-B, текстовый энкодер BERT и шесть двунаправленных слоёв cross-attention. ACT-подобный декодер за один проход предсказывает последовательность из 12 непрерывных шагов действия. На вход модель принимает два RGB-изображения с камер (вид спереди и с запястья), инструкцию на английском языке и 6-мерное состояние суставов робота. Она предназначена для дообучения на данных конкретной роботизированной задачи и последующего предсказания действий манипулятора. Веса основаны на официальном чекпойнте TurboVLA для LIBERO; некоторые параметры, зависящие от конфигурации робота, инициализированы заново. Для дообучения нужны статистики нормализации из набора данных. В README указана лицензия «other» без дополнительных условий, поэтому точные права использования по имеющимся данным определить нельзя. Чекпойнт рассчитан на SO-100/SO-101, принимает английский текст и сам по себе не содержит статистик нормализации для целевого набора данных.

Это контрольный чекпойнт Lingbot-VLA для эксперимента Drop-Then-Recovery, посвящённого удалению блоков из vision-language-action моделей и восстановительному дообучению. В данном варианте не удалено ни одного блока: это полная модель, дообученная от lingbot-vla-4b на стандартном наборе LIBERO в течение 50 тысяч шагов с размером пакета 16 и скоростью обучения 5e-5. Модель предназначена для управления роботом по визуальным и языковым входам в задачах LIBERO. Чекпойнт опубликован в формате Hugging Face и safetensors; для запуска README указывает код VLADrop для lingbot-vla и токенизатор Qwen2.5-VL-3B-Instruct. Карточка не сообщает лицензию и ограничения на применение, поэтому условия лицензирования определить нельзя.

X-VLA Base — базовая модель класса Vision-Language-Action, представленная в реализации LeRobot. Она использует единый Transformer с мягкими промптами для управления роботами разных воплощений и работы в разных средах. Входы включают изображения с нескольких камер, данные о состоянии робота и, при необходимости, текстовую инструкцию; выходом служат непрерывные управляющие действия. Обучение основано на flow matching. Модель предназначена как отправная точка для дообучения под конкретного робота и сценарий. Она подходит для экспериментов с переносом управления между роботами и задачами, а также для настройки роботизированных манипуляторов через LeRobot. Для работы требуются совместимые визуальные наблюдения и данные состояния; готовое качество управления в конкретной задаче зависит от дообучения и конфигурации. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0.

lerobot/xvla-widowx — чекпойнт модели X-VLA, реализованный для LeRobot и разработанный на основе оригинальной реализации X-VLA. Это vision-language-action-модель на базе Transformer с мягкими промптами, предназначенная для управления роботами разных конфигураций и переноса навыков между задачами и средами. Чекпойнт дообучен на BridgeData для экспериментов по захвату и перемещению предметов на компактных платформах WidowX. Он принимает изображения с нескольких камер, данные о состоянии робота и, опционально, текстовую инструкцию, а выдаёт непрерывные управляющие действия. Обучение использует flow matching; модель предлагается как основа для дальнейшей настройки под конкретную задачу. Для запуска предусмотрена интеграция с библиотекой LeRobot. Модель распространяется по лицензии Apache-2.0. Указанные возможности относятся к манипуляциям WidowX; для других роботов и сценариев может потребоваться дообучение.

Baichuan-M3-235B-GPTQ-INT4 — медицинская крупная языковая модель нового поколения, разработанная Baichuan AI. Модель предназначена для поддержки клинических сценариев: ведения медицинского опроса, выявления критически важной информации, проведения дифференциальной диагностики, выбора необходимых лабораторных исследований и формулирования итогового диагноза. Она обучалась с акцентом на моделирование клинического процесса принятия решений, снижение галлюцинаций и построение последовательных, проверяемых рассуждений. Заявлены поддержка китайского и английского языков и совместимость с библиотекой Transformers; базовой моделью указана Qwen/Qwen3-235B-A22B. Модель имеет 235 млрд параметров и поставляется в формате GPTQ с 4-битным квантованием INT4, благодаря чему её требования к памяти снижены примерно до 26% от исходных. Для ускорения вывода заявлена технология спекулятивного декодирования Gated Eagle3 с ускорением до 96%. В обучении использовались SPAR — метод поэтапного обучения с подкреплением для клинического рабочего процесса — и Fact-Aware Reinforcement Learning, учитывающий проверку медицинских утверждений по авторитетным источникам. По данным README, Baichuan-M3 превосходит GPT-5.2 на ряде медицинских тестов, однако приведённые результаты являются заявлением разработчика. Сильные стороны модели — специализация на медицинских диалогах, структурированный клинический анализ, ориентация на уточняющие вопросы и заявленный низкий уровень галлюцинаций даже без внешних инструментов. Ограничения включают отсутствие в README сведений о размере контекстного окна, точной архитектуре, системных требованиях, дополнительных модальностях и полном наборе поддерживаемых языков. Модель не должна рассматриваться как замена квалифицированному медицинскому специалисту. Лицензия — Apache 2.0.

Модель dima806/farm_insects_image_detection — дообученный классификатор изображений насекомых на основе Vision Transformer ViT-Base/Patch16-224, предварительно обученного на ImageNet-21k. Она определяет тип сельскохозяйственного насекомого по изображению; в README заявлена точность около 91%. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и Safetensors. Модель подходит для автоматической классификации изображений насекомых в сельскохозяйственных сценариях. Она принимает изображения и выдаёт предсказанный класс. Лицензия — Apache-2.0. README не сообщает подробности о наборе классов и условиях оценки точности.

Foundry-VLA-1.7B-full — модель vision-language-action с 1,7 млрд параметров для управления двуручной роботизированной манипуляцией. Она входит в коллекцию VLA Foundry и разработана TRI-ML. Модель объединяет визуально-языковой базовый блок Foundry-VLM-1.3B-200M с диффузионной головой действий на основе flow matching; голова учитывает последние четыре слоя основы и имеет 24 слоя, скрытую размерность 1024 и 16 голов внимания. Модель принимает изображения с четырёх камер — двух обзорных и двух на запястьях — и предназначена для выполнения действий в симуляции и реальных сценариях манипуляции. Выход представляет собой 20-мерные относительные действия для обеих рук, включая координаты, 6D-повороты и управление захватами. Обучение проводилось на 102 млн примеров симулированных и реальных задач. В оценке успешность на знакомых задачах составила 54,0% и 34,1% в двух симуляторах, а на незнакомых — 4,7% и 7,5%, что указывает на ограниченное обобщение на новые задачи. Репозиторий распространяется по лицензии Apache-2.0.

Guardpoint — медицинская модель для рассуждений, созданная Valiant Labs на основе инструкционной Gemma 4 12B-it и дообученная на сложных медицинских примерах рассуждений, сгенерированных DeepSeek V3.2 Speciale. Она предназначена для структурированных ответов по диагностике, ведению пациентов, медицинским знаниям и пониманию клинических ситуаций. Модель использует плотную архитектуру Gemma 4 Unified с поддержкой изображений и диалогового режима. Карточка указывает медицинские сценарии от внутренней медицины и сортировки пациентов до радиологии и хирургии; метаданные отмечают английский язык. Для диалогов авторы рекомендуют включать режим рассуждений Gemma 4. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Guardpoint унаследовала ограничения больших языковых моделей; автор отдельно предупреждает, что её ответы не заменяют профессиональное медицинское обследование. Компактные структурированные ответы заявлены как способ сократить расход токенов, но карточка не приводит количественных оценок качества или экономии.

GR00T N1.7 — flattentshirt — это дообученная модель vision-language-action из семейства GR00T N1.7-3B, опубликованная deformable-bench. Она управляет двумя манипуляторами Piper в задаче расправления смятой футболки на столе; обучение проводилось в симуляции с физическим моделированием ткани и фотореалистичными наблюдениями. Модель предназначена для управления роботизированной манипуляцией деформируемыми объектами в бимануальных сценариях. Репозиторий содержит веса дообученной политики в формате safetensors и точности bfloat16. Для загрузки также требуется доступ к закрытой базовой модели nvidia/Cosmos-Reason2-2B; её веса в этом репозитории не распространяются. Использование распространяется по лицензии Apache-2.0. Чекпойнт не прошёл замкнутую оценку бенчмарка, поэтому его успешность в выполнении задачи пока не подтверждена.

InternVLA-A1.5-Libero — политика управления роботом типа vision-language-action, разработанная InternRobotics и дообученная для бенчмарка LIBERO. Она объединяет визуально-языковое понимание, прогнозирование будущей динамики и генерацию действий для манипуляционных задач; авторы также оценивают её устойчивость без дополнительной адаптации на LIBERO-Plus. Модель основана на мультимодальном Qwen3.5-2B и использует лёгкий эксперт действий, связанный с языково-визуальной основой общими слоями внимания. На вход подаются изображения и текстовые инструкции, на выходе модель предсказывает непрерывные последовательности действий размерностью до 32; во время вывода видеоветвь не используется. Для изображений указано разрешение 224 × 224. Контрольные результаты приведены для наборов LIBERO Spatial, Object, Goal и Long. Модель предназначена для оценки и применения в сценариях роботизированной манипуляции, связанных с LIBERO; результаты LIBERO-Plus показывают устойчивость к изменениям камеры, робота, языка, освещения, фона, шума и компоновки. Показатели бенчмарка не гарантируют качество на других роботах или в реальном мире. Лицензия CC BY-NC-SA 4.0 допускает использование с указанием авторства и на условиях распространения производных материалов, но запрещает коммерческое использование.

pravsels/molmoact2_busybox_buttons_25k — дообученная версия MolmoAct2, подготовленная для управления роботом SO101 при выполнении задач с кнопками BusyBox. Модель основана на allenai/MolmoAct2 и дообучена только action-expert компонент по данным набора pravsels/busybox_buttons_bimanual; контрольная точка соответствует 25 000 шагам обучения. Модель предназначена для управления роботом по визуальным наблюдениям и инструкциям в сценарии с кнопками BusyBox. Для загрузки контрольная точка размещена в корне репозитория. В метаданных указан формат safetensors и библиотека LeRobot. Размер весов в README — около 10,9 млрд байт. Лицензия и конкретные ограничения применения в предоставленных источниках не описаны.

MolmoAct2-DROID — открытая модель vision-language-action для управления роботом, разработанная Allen Institute for AI. Она построена на Molmo2-ER и объединяет зрительно-языковую модель с экспертом непрерывных действий на основе flow matching, который использует KV-кэш VLM через послойные связи. Чекпойнт дообучен на отфильтрованной смеси Franka из DROID с абсолютным управлением позой суставов. Модель принимает изображения с камер и текстовую инструкцию вместе с исходным состоянием робота, а выдаёт непрерывные действия в масштабе робота. Она предназначена для вывода политик в стиле DROID и дальнейшего дообучения; основной режим — непрерывное предсказание действий. Для инференса доступны реализации на Transformers. Глубинное рассуждение в этом чекпойнте отключено. Карточка не указывает лицензию, число параметров, длину контекста или языки. Для приведённых экспериментов требуется около 24–26 ГБ видеопамяти в float32; bfloat16 может работать менее чем на 16 ГБ с небольшим влиянием на качество. Поведение следует проверять в симуляции и на конкретной аппаратной конфигурации, а при работе с физическим роботом применять ограничения действий и надзор оператора.

Карточка модели Radioheading/openvla-oft-libero-sft 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.

Qwen3.5-2B-FFT-VLA0-2-0723 — контрольная точка VLA-0 на базе Qwen/Qwen3.5-2B, разработанная автором репозитория путём полного дообучения модели на задачах бенчмарка LIBERO. Она предназначена для управления роботом: модель принимает визуально-языковой ввод и представляет действия робота текстовыми токенами, без архитектурных изменений базовой VLM. Для преобразования выходов модели обратно в исходное пространство действий при инференсе требуются статистики нормализации обучающего набора из файла datasetstats.pkl. Репозиторий содержит полные веса в формате safetensors и предназначен для загрузки через Transformers или фреймворк VLA-0. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

RLDX-1-FT-RC365 — модель управления роботизированной манипуляцией, разработанная RLWRLD и дообученная на наборе RoboCasa-365 для обобщения между 365 задачами. Она использует архитектуру Multi-Stream Action Transformer (MSAT) на основе Qwen3-VL-8B-Instruct: отдельные потоки обрабатывают восприятие, физические сигналы и действия, объединяя их совместным вниманием. Модель имеет 6,9 млрд параметров и обучена методом flow matching. На вход подаются RGB-видео (по умолчанию четыре кадра), проприоцептивное состояние робота и текстовая инструкция; на выходе — последовательности действий длиной 16 шагов. Модуль движения учитывает изменения между кадрами, а модуль памяти использует историю наблюдений. На RoboCasa-365 модель показала средний успех 31,5% по 365 задачам. Модель предназначена для исследований роботизированной манипуляции, изучения обобщения на RoboCasa-365 и некоммерческого применения на реальных роботах при соблюдении условий RLWRLD Model License v1.0. Она специально обучена для RoboCasa-365; для RoboCasa Kitchen README рекомендует другой чекпойнт, а для иных роботов и наборов данных — дообучение базовой RLDX-1-PT. Коммерческое применение исключено; лицензия также ограничивает ряд других видов использования.

SpatialVLA — модель зрительно-языкового управления роботами, разработанная исследователями Shanghai AI Laboratory, ShanghaiTech и TeleAI. Она дообучена на базе google/paligemma2-3b-pt-224 и объединяет зрительные, языковые и пространственные представления для выполнения роботизированных действий по изображению и текстовой инструкции. В метаданных указано 1,5 млрд параметров; модель распространяется в формате safetensors и рассчитана на использование через Transformers. Модель предназначена для управления роботами в задачах, представленных в обучающих данных, включая сценарии из наборов Open X-Embodiment и RH20T. В README описаны оценки в симуляторах и на роботах, а также адаптация к новым настройкам через дообучение. Основной язык карточки — английский. Лицензия модели — MIT. SpatialVLA не обеспечивает нулевое обобщение на новые типы роботов и конфигурации, отсутствующие в обучающих данных; для таких случаев авторы рекомендуют собрать демонстрации и дообучить модель. Для инференса в README указана потребность примерно в 8,5 ГБ памяти GPU.

Карточка модели zaleni/WSA-Large-LIBERO на Hugging Face совпадает с карточкой zaleni/WSA-Large, поэтому описание составлено по ней. WSA-Large — крупная модель семейства WSA1 для обобщаемого управления роботами, представленная в коллекции WSA Model Collection. Она построена на архитектуре World-Spatial-Action и совместно обучает согласованное с инструкциями визуальное планирование в 2D, моделирование трёхмерного мира с учётом действий и генерацию действий с учётом 3D. WSA-Large использует Wan2.2-TI2V-5B как базовую модель; семейство WSA предназначено для дообучения под прикладные задачи и управления роботами в симуляторах RoboTwin2.0 и LIBERO. Модель ориентирована на задачи манипуляции, где робот должен интерпретировать визуальную сцену и инструкции, прогнозировать последствия действий и выполнять последовательности движений. В README приведены результаты оценивания WSA1-L в симуляторах: средний успех 93,14% на сложной рандомизированной настройке RoboTwin2.0 и 98,2% на наборах задач LIBERO. Эти показатели относятся к описанным экспериментам и не гарантируют аналогичного качества в иных условиях. Лицензия в предоставленных данных не указана.

X-VLA 0.9B (WidowX Edition) — модель Vision-Language-Action от 2toINF для управления роботом WidowX по визуальным наблюдениям и инструкциям. Она основана на Florence-2-large и дообучена на данных Bridge Data V2; лицензия — Apache 2.0. Архитектура объединяет энкодер Florence 2, стандартный Transformer с обучаемыми soft prompt для воплощения робота и модуль Action Hub. Для генерации действий используется flow matching; режим действий указан как ee6d. Модель предназначена для роботизированного управления и демонстрировалась на задачах в Simpler-Env. В описании семейства X-VLA заявлено около 0,9 млрд параметров, однако это значение приведено для версии семейства, а не отдельно подтверждено метаданными данного репозитория.

ActQuant Pi 0.5 LIBERO 3.5 BPW — квантованный чекпойнт VLA-модели π₀.₅, подготовленный командой ActQuant на основе lerobot/pi05_libero_finetuned_v044. Он предназначен для управления роботом по визуальным наблюдениям и языковым инструкциям в задачах LIBERO; артефакт объединяет зрительную башню SigLIP, блоки трансформера LLM и экспертную часть для действий. Квантование выполнено в формате GGUF по двухэтапной схеме ActQuant: распределение разрядности между тензорами с учетом чувствительности к ошибкам действий и оптимизация масштабов блоков по Fisher-оценкам. Зрительная башня и большая часть LLM используют примерно 3-битное представление, а эксперт действий сохранен в fp16; заявленная разрядность vision и LLM блоков составляет около 3,5 бит на вес. В README сообщаются высокие результаты закрытого цикла на наборах LIBERO, однако они относятся к конкретному окружению и процедуре оценки. Модель рассчитана на робототехническое управление, а не на обычную генерацию ответов. В метаданных указана лицензия MIT. Для запуска требуются совместимый GGUF-рантайм и сопутствующие файлы, включая токенизатор и статистики нормализации действий.

Это дообученная модель NVIDIA GR00T N1.7-3B для управления манипуляционной рукой SO-101 при настольной задаче «взять упаковки печенья Malkist и положить их в коробку-ящик, затем вернуть руку в исходное положение». Модель основана на vision-language-action архитектуре GR00T N1.7 и обучена на 5 000 шагах на наборе monshinawatra/malkist-picknplace: 50 эпизодах телоуправления, собранных в Isaac Sim и экспортированных в формат LeRobot. На вход подаются RGB-изображения с фронтальной и кистевой камер 640×480, инструкция и шесть абсолютных значений суставов руки SO-101. На выходе модель формирует управляющие действия для руки и захвата. При дообучении обучались projector и diffusion action head, а языковая модель и энкодер изображений оставались замороженными. Чекпойнт опубликован в формате safetensors; лицензия указана как other. Это ранний контрольный чекпойнт, обученный до половины запланированных 10 000 шагов. Небольшой набор данных из одной симуляционной сцены ограничивает перенос на другие положения объектов, освещение, фон и отвлекающие предметы; при запуске на реальном роботе возможен разрыв между симуляцией и реальностью. Модель предназначена для конкретной задачи с упаковками Malkist и коробкой-ящиком.

Это контрольная политика управления роботом на основе GR00T N1.7, дообученная для робота SO-101 на задаче уборки флаконов и размещения их в стойке. Модель разработана на базе NVIDIA/GR00T-N1.7-3B и распространяется в формате safetensors для использования через LeRobot. Чекпойнт взят на шаге обучения 15 000. Политика выдаёт последовательности из 16 управляющих шагов, использует относительные действия, кроме команды захвата, и предобработку изображений Albumentations. Для оценки её можно загрузить в LeRobot по идентификатору репозитория Hugging Face. Модель предназначена для конкретной роботизированной манипуляции с флаконами и не заявлена как универсальная политика для других роботов или задач. Лицензия в предоставленных данных не указана.

LingBot-VLA-2.0-6B · G1 bimanual box lift — дообученная модель зрительно-языкового управления роботом на базе robbyant/lingbot-vla-v2-6b. Она предназначена для управления двуручным подъёмом коричневой коробки со стола на роботе Unitree G1 с 29 степенями свободы. В симуляции MuJoCo модель обучалась на 200 демонстрациях, созданных скриптовым учителем, и показала успех в 29 из 32 замкнутых испытаний на шаге обучения 500. Модель принимает текстовое задание, изображение с камеры 256×256 и состояние робота: углы 29 суставов, 14 нулевых каналов кистей и проекцию гравитации. На частоте 10 Гц она выдаёт порции действий с абсолютными целями для суставов рук, нулевыми командами кистям и почти нулевым движением основания. Ноги политикой не управляются, каналы пальцев Dex3 не используются; захват выполняется сжатием ладонями. Обучение проводилось только на изображениях из MuJoCo, поэтому реальные изображения камеры могут отличаться от обучающих, а качество при прямом переносе на аппаратное обеспечение ожидается ниже. Для надёжного применения на реальном роботе README рекомендует дообучение на реальных телеоперационных демонстрациях. Лицензия в предоставленных данных не указана.

Это дообученная vision-language-action модель MolmoAct2 от Ai2, адаптированная к выполнению задачи `eyedrops_basket_lightbox` на данных SO101. Чекпойнт обучен на базе `allenai/MolmoAct2`; указаны 25 000 шагов обучения и режим action-expert-only. Весовой файл в формате Safetensors размещён в корне репозитория для прямой загрузки. Модель предназначена для управления роботом SO101 по визуальным наблюдениям и инструкциям в сценарии помещения глазных капель в корзину у лайтбокса. Она может служить специализированной политикой для воспроизведения этой манипуляционной задачи и отправной точкой для дальнейшей адаптации. Лицензия и дополнительные сведения о производительности в предоставленных материалах не указаны.

Это дообученная модель MolmoAct2, опубликованная pravsels и предназначенная для управления роботом SO101 при выполнении задачи eyedrops_basket по визуальным наблюдениям и инструкциям. Дообучение выполнено только для action expert на данных SO101; указаны базовый чекпойнт allenai/MolmoAct2, датасет pravsels/object_top_shelf_reset_remote и 25 000 шагов обучения. Весовой файл представлен в формате safetensors. Модель рассчитана на узкий сценарий манипуляций с корзиной для глазных капель. MolmoAct2 — vision-language-action модель Ai2, адаптируемая для управления конкретным роботом по изображению и языковой инструкции. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

Модель pravsels/molmoact2_insert_candle_quantile_norm_fix_25k — дообученная версия MolmoAct2 от Ai2, подготовленная для задачи вставки свечи роботом на данных SO101. Это вариант action-expert-only, обученный на наборе villekuosmanen/armnetbench_insert_candle; опубликован контрольный чекпойнт после 25 000 шагов обучения в формате safetensors. Модель предназначена для управления роботом по визуальным наблюдениям и языковым инструкциям в сценарии вставки свечи. Как и базовая MolmoAct2, она относится к классу vision-language-action и требует адаптации к соответствующей роботизированной конфигурации. Данных о лицензии и численных характеристиках контекста в предоставленной карточке нет.

MolmoAct2-LIBERO-Drift-Keystone — xpuenabler разработал эту VLA-модель для управления роботом в задачах LIBERO. Это дообученная версия allenai/MolmoAct2-LIBERO: flow-matching эксперт действий переобучен с функцией потерь Drift, чтобы сократить число шагов вывода с 10 до 1; при генерации дополнительных параметров не добавлено. Модель использует исходную структуру и формат чекпойнта LeRobot. Модель принимает изображения, состояние робота и текстовую инструкцию, а выдаёт действия. В README описана оценка на четырёх наборах задач LIBERO: сообщается о результате 97,6% для одного шага и 97,9% при использовании KeyStone с K=8 и C=4; замеры задержки приведены для B200. KeyStone — необязательный режим выбора действий по геометрической самосогласованности. Для запуска требуется ветка LeRobot с поддержкой параметров drifting и test-time; результативность вне описанной оценки не установлена. Лицензия — Apache-2.0.

DecentVLA подготовила эту версию pi0.5 как финальные локальные веса первого клиента федеративного обучения FedAvg для задачи складывания кубиков. Модель основана на lerobot/pi05_base и адаптирована на данных клиента 250 локальными шагами в последнем раунде 30-раундового обучения; её состояние включено в агрегацию глобальной модели DecentVLA/pi05_cubestack_fl_2client. Это отдельная клиентская версия, обученная на трёх наборах Blue_on_Green, Blue_on_Orange и Orange_on_Green, а не локальный базовый вариант с иной нормализацией. Модель предназначена для управления роботом SO-101 по изображениям с камер base_0_rgb и left_wrist_0_rgb и выдачи действий робота; экспорт выполнен в формате LeRobot с переносимым токенизатором и 6-мерными действиями и состоянием. Базовая модель — VLA pi0.5 от Physical Intelligence, рассчитанная на сочетание изображения, состояния робота и языковой инструкции. Репозиторий распространяется под лицензией Apache-2.0. Карточка не приводит количественных оценок качества или подробностей о поддерживаемых языках.

Qwen3.5-2B-FFT-VLA0-2-0724 — модель класса vision-language-action, созданная дообучением Qwen/Qwen3.5-2B методом полного fine-tuning на задачах бенчмарка LIBERO. Она предназначена для управления роботом: модель представляет действия как текстовые токены, сохраняя архитектуру исходной мультимодальной VLM без архитектурных изменений. Для применения выходы нужно денормализовать с помощью статистик действий из обучающего набора, поставляемых в datasetstats.pkl. Модель рассчитана на исследование и выполнение робототехнических задач LIBERO; README описывает загрузку через Transformers и фреймворк VLA-0. Репозиторий содержит веса Safetensors и конфигурацию Transformers. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

RDT2-FM — компонент action expert для управления роботами, разработанный проектом Robotics Diffusion Transformer. Он получает изображения с двух камер на запястьях и короткую текстовую инструкцию, а затем предсказывает последовательность из 24 шагов относительных действий для обеих рук. Эксперт использует архитектуру на основе RDT и flow matching; он рассчитан на работу с визуально-языковой базовой моделью RDT2-VQ, построенной на Qwen2.5-VL-7B. Модель предназначена для низколатентного управления бимануальными роботами и исследования VLA-систем. Заявлены следование инструкциям и перенос между конфигурациями роботов, включая UR5e и Franka FR3, после калибровки. Выход включает координаты, ориентацию и ширину захвата для каждой руки; входные изображения — RGB 384×384. Для инференса совместно с VLM указано около 16 ГБ видеопамяти и 32 ГБ оперативной памяти на одном GPU. Качество зависит от калибровки камер и оборудования, нормализации и соответствия статистик действий данным адаптации. Перед работой на физическом роботе требуются настройка платформы и проверка ограничений безопасности. Репозиторий распространяется по лицензии Apache-2.0.