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

RLWRLD/RLDX-1-FT-ROBOCASA — модель управления роботом для задач манипуляции, разработанная RLWRLD. Это дообученная на 24 задачах RoboCasa Kitchen версия предварительно обученной модели RLWRLD/RLDX-1-PT; в карточке указано 6,9 млрд параметров. Архитектура Multi-Stream Action Transformer объединяет потоки восприятия, физических сигналов и действий, использует основу Qwen3-VL-8B-Instruct и обучение методом flow matching. Модель принимает RGB-видео, проприоцептивное состояние робота и инструкцию на естественном языке, а выдаёт последовательности действий длиной 16 шагов. На отложенной оценке RoboCasa Kitchen указана средняя успешность 70,6%. Модель предназначена для исследований роботизированной манипуляции, симуляционных испытаний и некоммерческого применения на реальных роботах. Результаты подтверждены для набора из 24 задач RoboCasa Kitchen; качество на новых планировках кухни, незнакомых объектах и конфигурациях роботов, отличных от Franka, не гарантируется. Коммерческое применение, военное использование и ряд других сценариев исключены лицензией RLWRLD Model License v1.0; точные условия следует сверить с лицензией репозитория.

RLDX-1-PT — базовый предварительно обученный чекпойнт семейства RLDX-1 от RLWRLD для управления роботами при манипуляциях. Он предназначен для дообучения под новые задачи и конфигурации роботов, симуляционных бенчмарков и некоммерческого применения на реальном оборудовании в рамках лицензии RLWRLD Model License v1.0; метаданные классифицируют его как дообучение Qwen/Qwen3-VL-8B-Instruct. Модель использует архитектуру Multi-Stream Action Transformer (MSAT) с визуально-языковой основой Qwen3-VL и обучением методом flow matching. На вход подаются RGB-видео (по умолчанию четыре кадра), проприоцептивное состояние, языковая инструкция и, опционально, тактильные сигналы и данные крутящего момента. Модель выдаёт последовательности действий длиной 16 шагов. Чекпойнт обучен на смеси общедоступных корпусов манипуляций, включая 27 наборов Open X-Embodiment и данные других робототехнических платформ. Модель предназначена для задач робототехники и управления физическими действиями, а не для обычного диалога. Результат зависит от соответствия embodiment и распределения данных; без дообучения работа на незнакомых конфигурациях роботов не гарантируется. Модули памяти, движения и физических сигналов в этом чекпойнте неактивны без соответствующей настройки при дообучении. Лицензия ограничивает коммерческое применение и исключает ряд сценариев, включая военное применение.

Модель autorl-grab-act-vibepi-iter9 разработана VibeCuisine и обучена с нуля как ACT policy с помощью Vibe Data Studio. Она предназначена для управления роботом при захвате огурца по текстовой инструкции, например указании взять огурец около одного из его концов. Модель обучена на 264 телеуправляемых эпизодах: 25 805 кадров с частотой 20 кадров в секунду. На входе используются изображения с трёх камер робота — основной, верхней и установленной на запястье, — а также инструкция; выходом служат 7-мерные действия для суставов и захвата. Репозиторий содержит веса в формате safetensors и использует библиотеку LeRobot. Обучение охватывает узкий сценарий захвата огурца на конкретной роботизированной установке; качество на других объектах, роботах и условиях по карточке не подтверждено. Лицензия в предоставленных данных не указана.

mbreuss/flower_calvin_abc — предобученная модель FlowerVLA для управления манипуляциями робота по изображениям и текстовым инструкциям. Разработчики описывают FlowerVLA как эффективную Vision-Language-Action-политику для робототехники с примерно 1 млрд параметров, основанную на половине Florence-2 для мультимодального кодирования и трансформерной архитектуре flow matching. Чекпойнт обучен для задачи CALVIN ABC. Модель принимает RGB-изображения статической и захватной камер вместе с текстовой командой и выдаёт последовательность из семимерных действий, соответствующих приращениям положения конечного эффектора. Она предназначена для выполнения инструкций по манипуляции объектами в среде CALVIN. В README приведены результаты на CALVIN ABC, однако они относятся к этому бенчмарку и не подтверждают обобщение на другие среды или реальные роботы. Репозиторий использует формат safetensors; лицензия — MIT.

MindBridge Hindi PHQ-9/GAD-7 — дообученная модель Gemma 4 E2B IT, подготовленная Huzayfah Patel для скрининга симптомов депрессии и тревожности на хинди. Это плотная модель семейства Gemma 4; веса объединены с адаптером и сохранены в fp16 для прямого инференса. Модель принимает текстовый контекст вопроса PHQ-9 или GAD-7 и высказывание пациента на хинди, затем формирует вызов инструмента interpret_response с оценкой ответа, обоснованием на английском и уровнем уверенности. Предусмотрены хинди и английский языки; в метаданных указаны формат safetensors и интерфейсы чата и вызова инструментов. Модель предназначена для офлайн-скрининга в сценариях работы медицинских работников в Индии, включая приложение для iPhone. В опубликованной оценке на 224 отложенных примерах формат вызова инструмента прошёл заданный порог, точность по шкале Likert выросла с 62,5% у базовой модели до 87,5%, а чувствительность к риску суицида составила 91,7% против 95,8% у базовой модели. Эти результаты ограничены составом и устройством тестовых выборок. Разработчик прямо указывает, что модель не валидирована для клинического применения: использовались синтетические виньетки, разметку проверял один клиницист, а основная часть теста близка к обучающим данным. Для обработки ответов, связанных с суицидальностью, в приложении предусмотрено отдельное детерминированное правило; модель не должна быть единственным механизмом безопасности. Лицензия — CC BY 4.0.

Это дообученная vision-language-action модель MolmoAct2 от Ai2, адаптированная pravsels для задачи cable_clip на данных робота SO101. Чекпойнт обучался 25 000 шагов; дообучалась только часть action-expert. Модель предназначена для управления роботом по визуальным наблюдениям и языковым инструкциям в сценарии работы с кабельными клипсами. Модель основана на allenai/MolmoAct2 и опубликована в формате safetensors для загрузки через библиотеку LeRobot. Она принимает изображения и текстовые инструкции и выдаёт действия робота. Карточка не сообщает лицензию и конкретные показатели качества; практическое применение ограничено задачей cable_clip и конфигурацией SO101, под которые выполнялось дообучение.

Это дообученная vision-language-action модель MolmoAct2 от Ai2 для управления роботом SO101 при выполнении задачи вставки кольца. Модель создана на основе allenai/MolmoAct2 и обучена на данных villekuosmanen/armnetbench_ring_insert; опубликован чекпойнт после 25 000 шагов обучения с настройкой только action expert. Модель предназначена для управления роботом по визуальным наблюдениям и инструкциям в сценарии ring_insert. Весовой файл сохранён в формате Safetensors и предназначен для загрузки через экосистему LeRobot. Лицензия и ограничения по языкам в предоставленных источниках не описаны.

蜀农 · PENG 是由农业科技创业团队发布的农业领域对话模型，基于 Qwen/Qwen3.5-2B 并通过 QLoRA 进行微调，使用真实业务讨论数据适配农业场景。 Модель предназначена для ответов на вопросы о растениеводстве, животноводстве, борьбе с вредителями и болезнями растений, интеллектуальном орошении, беспилотниках для защиты растений и сельскохозяйственных датчиках. Модель сохраняет архитектуру Qwen3.5-2B: это плотная мультимодальная модель с 2 млрд параметров, текстовым трансформером и визуальным энкодером; заявлена поддержка контекста до 262 144 токенов и входных изображений и видео. Основной заявленный сценарий — диалог на китайском языке по темам агротехнологий. Модель распространяется как адаптер LoRA; для её использования требуется базовая модель Qwen/Qwen3.5-2B. В README указана лицензия базовой модели Apache-2.0, но отдельная лицензия адаптера не приведена. Стандартные бенчмарки и систематическое сравнение с базовой моделью не проводились. Ответы могут содержать правдоподобные, но неверные агротехнические сведения, поэтому важные рекомендации следует проверять специалисту.

TensorAuto/robocasa_Closesideways — модель Vision-Language-Action на архитектуре π₀.₅, дообученная TensorAuto на задачах манипуляции и навигации в кухонной симуляции RoboCasa с использованием OpenTau. Она принимает визуальные наблюдения и инструкции на естественном языке, а затем формирует непрерывные траектории суставов робота блоками по 10 шагов с помощью политики на основе flow matching. Архитектура объединяет VLM PaliGemma-3B для семантического понимания и Gemma-300M как эксперт действий. Модель предназначена для выполнения задач CloseMicrowave, CloseFridge и CloseCabinet; в README приведены показатели успешности 98%, 80% и 65% соответственно после обучения на 100 демонстрациях. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. Описанные результаты относятся к симулированным кухонным задачам и не подтверждают перенос на реальные роботы или другие сценарии.

XiXi_Qwen_base_14b — плотная причинная языковая модель семейства Qwen2 от команды XiXiLM (GouMang), ориентированная на вопросы и ответы в сельскохозяйственной сфере. В карточке указано, что семейство XiXiLM специализируется на выращивании клубнеплодов, защите растений от вредителей и болезней и управлении почвами, а ответы предназначены для сельскохозяйственных специалистов и исследователей. Метаданные указывают 13,4 млрд параметров, контекст до 32 768 токенов и формат PyTorch; модель поддерживает чат и использует конвейер text-generation. Карточка заявляет поддержку китайского и английского языков и описывает применение для консультаций и академических ответов по аграрным вопросам. Указана лицензия other; README говорит о возможности бесплатного коммерческого использования, но в китайской и английской версиях есть расхождение относительно необходимости предварительной заявки, поэтому условия следует проверить в официальных условиях лицензии. Модель может генерировать предвзятые, дискриминационные или иные вредоносные ответы; агрономические рекомендации требуют проверки специалистом.

moojink/openvla-7b-oft-finetuned-libero-object — чекпойнт OpenVLA-OFT для управления роботом в задачах LIBERO-Object. Модель основана на OpenVLA и использует архитектуру vision-language-action: принимает визуальное наблюдение и инструкцию, а на выходе предсказывает последовательность действий робота. В README указано, что оптимизированное дообучение OpenVLA-OFT повышает скорость и успешность по сравнению с базовой OpenVLA. Модель предназначена для выполнения объектно-ориентированных манипуляционных задач в бенчмарке LIBERO-Object. Для запуска требуется настроенная среда проекта; опубликованные веса сохранены в формате safetensors и доступны через Transformers. Лицензия — MIT. Результаты и применимость за пределами LIBERO-Object из имеющихся сведений не следуют; модель ориентирована на роботизированные действия, а не на обычную генерацию текста.

Это преобразованная в формат GGUF версия модели π0.5 LIBERO base от Physical Intelligence, подготовленная для запуска в лёгком движке vla.cpp на базе llama.cpp. Модель объединяет визуально-языковую основу PaliGemma на базе Gemma 2B и эксперт действий Gemma 300M с головой flow matching. Модель предназначена для управления роботом в задачах LIBERO: она принимает изображение, текстовую инструкцию и состояние робота, а выдаёт последовательность действий. Состояние включается в текстовый prompt после квантильной нормализации и дискретизации, а нормализация действий использует квантили q01/q99. В README приведён тест на одной задаче LIBERO object с результатом 8 успешных эпизодов из 10 на RTX 3090; это ограниченный smoke test, а не полная оценка набора задач. Репозиторий содержит GGUF-веса для vla.cpp и основан на lerobot/pi05_libero_base. Лицензия — Apache-2.0. Модель рассчитана на специализированное роботизированное управление, поэтому результат теста на одной задаче не гарантирует качество на других задачах или роботах.

Qwen3-0.6B-Treatment — дообученная модель Qwen3-0.6B, созданная для планирования лечения по клиническим диагнозам. Разработчик выполнил полное дообучение в формате bf16 на наборе инструкций Treatment-Instructions; модель использует плотную архитектуру Qwen3ForCausalLM и поддерживает генерацию текста и диалоговый режим. Контекст модели — до 40 960 токенов. Модель предназначена для интерпретации клинических диагнозов и составления структурированных планов лечения с пояснениями. В описанной оценке сходство планов с ответами DeepSeek V3-0324 составило 59,69%, а связность рассуждений оценили медицинские эксперты. Это результат на отдельной валидационной выборке, поэтому он не гарантирует точность для других случаев. Модель лицензирована по Apache 2.0.

Kyläkauppias — небольшая модель преобразования речи в речь, разработанная для роли помощника в финском продуктовом магазине. Она обучена с нуля, без базовой модели, и принимает аудио с заказом одного из трёх товаров: хлеба, сыра или ветчины. Модель распознаёт количества от одного до девяти и отвечает голосом; для обучения использовались синтетические финские текстовые и аудиопримеры, а в аудио добавлялись шум и паузы для повышения устойчивости. Репозиторий содержит формат ONNX, лицензия MIT. Это узкоспециализированная демонстрационная модель: она рассчитана только на ограниченный набор товаров и финские запросы.

Модель Anwarkh1/Skin_Cancer-Image_Classification разработана для классификации изображений кожных поражений на семь категорий: доброкачественные кератозоподобные поражения, базальноклеточная карцинома, актинические кератозы, сосудистые поражения, меланоцитарные невусы, меланома и дерматофиброма. Она основана на Vision Transformer (ViT) с патчами 16×16 и предобученной моделью Google ViT на ImageNet21k; классификационная голова заменена и дообучена для этой задачи. Модель содержит 113,2 млн параметров. Модель принимает изображения и выдаёт класс кожного поражения. В README сообщается о точности 96,95% на валидационной выборке после пяти эпох обучения; этот результат относится к описанному набору данных и сам по себе не подтверждает точность на других данных или в клинической практике. Модель предназначена для классификации изображений, а не для постановки диагноза. Репозиторий опубликован по лицензии Apache-2.0.

Это дообученная модель MolmoAct2, опубликованная pravsels и настроенная для управления роботом SO101 при выполнении задачи снятия кабеля с крепления (cable_unclip). Дообучение проводилось только для action-expert на данных pravsels/cable_unclip_remote; карточка указывает контрольную точку после 25 000 шагов обучения. Модель относится к классу vision-language-action: базовая MolmoAct2 от Ai2 предназначена для преобразования визуальных наблюдений и текстовых инструкций в действия робота. Эта версия специализирована на одном сценарии и рассчитана на использование с роботом SO101. Файлы весов представлены в формате safetensors. Карточка не сообщает лицензию или измеренные показатели качества этой версии. Её применимость к другим роботам и задачам не подтверждена; для практического использования потребуется совместимая конфигурация SO101 и данные наблюдений, соответствующие обученному сценарию.

Salus-7B — специализированная медицинская языковая модель от авторов работы «Salus: Strategic Diagnostic Testing for Complex Diagnosis via Multi-Agent Reinforcement Learning». Она основана на Qwen2.5-7B-Instruct и дообучена с помощью SFT и GRPO. Модель использует архитектуру Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов; работает с текстом, а основные языки карточки — китайский и английский. В README указан китайский как основной язык заданий. Модель предназначена для последовательного сбора данных и дифференциальной диагностики сложных клинических случаев. Она поддерживает три заданных сценария: формирование дифференциального диагноза, решение о необходимости дополнительных обследований и предложение таких обследований. Авторы сообщают о точности Top-1 83,64% на CompDiag-Bench по описанному ими протоколу; результат не подтверждает безопасность или эффективность в реальной клинической практике. Модель оптимизирована для конкретных системных инструкций, а перефразирование промптов может снизить качество. Лицензия — Apache 2.0. Модель выпущена для исследований, не валидирована для автономного клинического применения и не заменяет оценку медицинского специалиста; её ответы могут быть ошибочными или небезопасными.

PantryMax SmolVLM-500M ONNX — мультимодальная модель на базе Idefics3, выпущенная как браузерная сборка ONNX Runtime Web. Это LoRA-файнтюн HuggingFaceTB/SmolVLM-500M-Instruct для локального извлечения сведений с этикеток товаров и страниц рецептов. Модель принимает изображение и выбранную задачу («product» или «recipe»), а приложение PantryMax ограничивает генерацию соответствующей JSON-схемой. Сборка предназначена для работы прямо в браузере без отправки изображений на сервер; в репозитории находятся только браузерные runtime-файлы. Метаданные указывают мультиязычную поддержку и задачу image-to-text. Извлечённые поля могут быть ошибочными: структурированное декодирование обеспечивает разбираемый формат, но не гарантирует фактическую точность. Следует проверять результаты и не использовать модель как источник истины для решений с высокими ставками. Лицензия в метаданных обозначена как other, конкретные условия в предоставленной карточке не раскрыты.

PantryMax SmolVLM-500M ONNX v2 — браузерная ONNX-модель для локального извлечения данных с этикеток товаров и страниц рецептов. Это дообучение LoRA модели HuggingFaceTB/SmolVLM-500M-Instruct, выпущенное командой PantryMax и предназначенное для работы через ONNX Runtime Web. В приложении PantryMax выбранный сценарий — товар или рецепт — задаёт схему JSON, которой ограничивается декодирование. Модель анализирует изображение и формирует структурированный текстовый результат; поддержка мультиязычности заявлена в метаданных, но конкретные языки не перечислены. Архитектура относится к Idefics3, размер базовой модели — 500 млн параметров. Репозиторий содержит браузерные runtime-артефакты в формате ONNX. Структурированное декодирование помогает получать разбираемый JSON, но не гарантирует фактическую точность: извлечённые значения следует проверять. Модель предназначена для обычных пользовательских сценариев и не должна служить основанием для решений с высокими ставками. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

AURA — дообученная мультимодальная модель команды AuraTeam на базе Qwen/Qwen3-VL-8B-Instruct. Она предназначена для непрерывного понимания видеопотоков в реальном времени и голосового взаимодействия. Модель опубликована в формате Safetensors и использует архитектуру Qwen3-VL; для базовой модели заявлены анализ изображений и видео, OCR и визуальное рассуждение. Репозиторий распространяется по лицензии Apache-2.0. AURA подходит для систем видеонаблюдения и интерактивных помощников, которым нужно отвечать на вопросы о текущем видеопотоке. Карточка описывает систему как мультимодальную и поддерживающую речевое взаимодействие, но не уточняет параметры аудиовхода и аудиовыхода, языки, длину контекста и качество распознавания или генерации речи.

MiniCPM5-1B-Agentic-Tooluse-v3-Merged-FP16 — компактная причинная языковая модель семейства Llama, разработанная на базе openbmb/MiniCPM5-1B и дообученная для вызова инструментов в агентных системах. Она получает текстовый запрос и описание доступных инструментов, а затем формирует структурированный вызов с именем функции и аргументами. Модель рассчитана на работу с Transformers, vLLM и SGLang, в том числе в локальных, периферийных и высоконагруженных сервисах. По README, обучение включало QLoRA supervised fine-tuning и последующее GRPO-обучение с подкреплением, направленное на точность выбора функции и заполнения аргументов. Весовая версия объединена в один чекпойнт FP16 в формате safetensors; размер модели в метаданных — 837,6 млн параметров, контекст — до 131 072 токенов. В README заявлена точность точного совпадения аргументов 74,67% на отложенной выборке из 300 примеров ToolACE. Модель подходит для локальных агентных бэкендов и сценариев, где важны стоимость, задержка и контроль над данными. Известное ограничение — модель может продолжать генерировать заполняющий текст после вызова инструмента; заявленные показатели основаны на небольшой тестовой выборке. Лицензия — Apache-2.0.

StreamSonic v5.4 Base — это дообученная Wenbo Gao модель Qwen2.5-Omni-3B в архитектуре Qwen2_5OmniThinkerForConditionalGeneration. Она предназначена для потокового восприятия аудио на устройстве и описания звуковых событий по аудиофрагментам длительностью 1,5 секунды. Репозиторий содержит только Thinker-компонент; веса объединены и доступны в формате safetensors. Модель обучена описывать каждый фрагмент, а для полного сценария v5.4 используются отдельные голова принятия решений и подавитель повторов. Модель принимает аудио и выдаёт текстовые описания на английском и китайском языках. В описанном подходе аудиоанализатор заморожен, а обучение включает проектор, LoRA для LLM и эмбеддинги управляющих токенов. Лицензия — Apache-2.0. Карточка описывает базовый компонент системы; для распознавания значимых событий, выбора момента оповещения и подавления повторов требуется подключить дополнительные головы.

hungvtm/qwen3vl-food-lora — LoRA-адаптер, опубликованный пользователем hungvtm и дообучающий мультимодальную Qwen3-VL-4B-Instruct в 4-битной версии unsloth. Модель предназначена для анализа фотографий еды и формирования структурированного текстового описания: названия блюда, типа пищи, основных ингредиентов, способа приготовления, размеров порций и пищевой ценности, включая калорийность, белки, жиры и углеводы. Обучение проводилось на датасете Codatta/MM-Food-100K; использовалась выборка из 5000 изображений, включающая домашние, ресторанные, сырые и упакованные продукты. Это vision-language-модель с адаптером LoRA ранга 16, контекстом до 2048 токенов и замороженным визуальным энкодером. Для наилучших результатов рекомендуется использовать фиксированный англоязычный промпт, на котором проводилось обучение. Модель особенно полезна для предварительной классификации блюд, извлечения ингредиентов и приблизительной оценки порций и макронутриентов по фотографии. Сильными сторонами являются близкие к эталонным определения ингредиентов, способа приготовления и порций, особенно для упакованных продуктов и изображений с заметным ориентиром размера. Точность названия блюда на проверочной выборке составила 50%, однако часть ошибок связана лишь с различиями формулировок. Оценки калорий и макронутриентов являются приблизительными: по одной фотографии нельзя надежно определить фактический вес, количество масла и особенности рецепта, а размеры порций неупакованных продуктов могут быть неточными. Модель распространяется по лицензии Apache-2.0.

mujtabaumarr/opus-mt-en-ur-vocational — дообученная модель MarianMT от mujtabaumarr на базе Helsinki-NLP/opus-mt-en-ur для перевода инструкций по рабочим профессиям с английского на урду. Обучение проводилось на корпусе VocabUR: 3 442 сегментах из примерно 32 часов видео о плотницком деле, сантехнических и электротехнических работах, с переводами, проверенными носителями урду со знанием этих областей. На отложенной выборке из 56 сегментов модель получила BLEU 20,83 и chrF 42,91; для базовой модели без дообучения на той же выборке указаны 3,08 и 19,30 соответственно. Модель принимает текст и генерирует текст перевода; контекст — 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка позиционирует модель для исследовательского сравнения и рекомендует для промышленного применения сопутствующую NLLB-модель с более высоким результатом на той же выборке. Оценка проведена на небольшой выборке с одним эталонным переводом; возможны различия в допустимой транслитерации, а исходные видео содержат североамериканскую лексику, которая может отличаться от южноазиатской.

Word2Li/Electricity-Meter-OCR-7B — дообученная командой Word2Li модель Qwen2.5-VL-7B-Instruct для автоматического считывания показаний электросчётчиков по изображению. Модель принимает целое изображение счётчика и генерирует показание текстом, например «8430.6», без отдельного этапа поиска и обрезки дисплея. В основе — визуальный энкодер ViT и авторегрессионный языковой декодер; модель содержит 7,1 млрд параметров, использует контекст до 128 000 токенов и распространяется в формате Safetensors. Модель предназначена для интеграции в системы автоматического учёта коммунальных ресурсов. Обучение проводилось на 841 вручную размеченном изображении электросчётчиков; целевые показания приведены к шестизначному формату с сохранением ведущих и конечных нулей. Качество может снижаться на изображениях с типами счётчиков, качеством съёмки или условиями освещения, заметно отличающимися от обучающих данных. Лицензия — MIT.

CLIP-ViT-Base Fine-tuned for Animal Identification — модель компьютерного зрения от AvitoTech, дообученная на базе openai/clip-vit-base-patch32 для распознавания и повторной идентификации отдельных кошек и собак. Она формирует 512-мерные эмбеддинги изображений и предназначена для сравнения фотографий животных, поиска совпадений и проверки личности животного. Для обработки изображений используется входной размер 224×224 пикселя; модель построена на архитектуре CLIP и работает через библиотеку Transformers. В карточке приведены результаты оценки на наборах изображений кошек и собак, включая ROC AUC и точность поиска в топ-K; при этом показатели различаются между наборами и задачами, а в тестах на собаках точность Top-1 заметно ниже, чем на кошках. Модель выпущена под лицензией Apache-2.0. README не сообщает поддерживаемые языки или длину контекста; модель принимает изображения и возвращает векторы признаков.

Cosmos-Reason2-2B-W4A16-Edge2-FlashHead — оптимизированная Embedl мультимодальная модель на базе NVIDIA Cosmos-Reason2-2B для запуска на GPU, включая устройства с ограниченной памятью, такие как NVIDIA Jetson Orin Nano Super. Она принимает текст и изображения или видео и генерирует текст с рассуждениями, поддерживает диалоговый режим, видеоаналитику и планирование действий роботов. Модель использует 4-битные веса (INT4), активации FP16 и сохраняет отдельные чувствительные слои в FP16. FlashHead заменяет плотную языковую голову на облегчённый компонент для повышения пропускной способности; для работы с vLLM требуется плагин flash-head. Базовая модель NVIDIA предназначена для рассуждений по изображениям и видео, видеоаналитики и планирования действий роботов. В README указаны Apache License 2.0 и Embedl Models Community Licence v1.0 для оптимизированных компонентов; для последней отмечено ограничение на распространение. Перед использованием следует проверить применимые условия обеих лицензий.

VJEPA2-ViTL-SSv2-CoreAI — модель компьютерного зрения, разработанная на основе V-JEPA 2 от Meta AI и портированная проектом coreai-model-zoo для запуска через Apple Core AI на устройствах Apple. Она предназначена для распознавания действий и физических взаимодействий в видео, включая перемещение, подъём, толкание, вращение и накрывание объектов. Модель особенно подходит для анализа видеопотока с камеры, локального распознавания действий и приложений on-device без передачи видео на сервер. В состав входит backbone ViT-L с 3D RoPE attention, attentive pooler и классификационная голова; общий размер составляет около 375 млн параметров, а версия FP16 занимает примерно 675 МБ. Модель обрабатывает 16 равномерно выбранных RGB-кадров размером 256×256 и классифицирует их по 174 классам Something-Something v2. Поддерживается видеомодальность; сведения о языках неприменимы. На M4 Max обработка 16-кадрового фрагмента занимает около 150–180 мс, при этом совпадение с эталонной реализацией PyTorch подтверждено высокой косинусной близостью и идентичными результатами top-5. Сильные стороны модели — специализированное распознавание физических действий, работа полностью на устройстве, интеграция с GPU и Neural Engine через Core AI, а также пригодность для потокового анализа видео. Ограничения включают фиксированный формат входа, ограничение 174 классами SSv2 и необходимость предварительной выборки и нормализации кадров. Лицензия модели — MIT.

Модель Omarques, обученная с помощью AutoTrain, предназначена для бинарной классификации изображений собак и кошек. Это модель на архитектуре Vision Transformer (ViT) с примерно 113,2 млн параметров, опубликованная в формате PyTorch и обученная на наборе данных omarques/autotrain-data-dogs-and-cats. Она принимает изображение и определяет, относится ли оно к классу собак или кошек. В README приведены метрики на валидации: accuracy, precision, recall, AUC и F1 равны 1,000. Эти результаты характеризуют только указанную проверочную выборку и не гарантируют такую же точность на новых изображениях. Лицензия в доступных данных не указана.

Dispider — официальный чекпойнт видеоязыковой модели из работы CVPR 2025 «Dispider: Enabling Video LLMs with Active Real-Time Interaction via Disentangled Perception, Decision, and Reaction». Модель предназначена для непрерывного анализа видеопотока и выдачи текстового ответа при обнаружении значимого события. В архитектуре CLIP кодирует выборки по 16 кадров, компактная модель Qwen2-1.5B формирует временную память и принимает решение, когда запускать более крупный компонент Reaction. Веса опубликованы в формате safetensors; для инференса требуется сопровождающий репозиторий, поскольку стандартный AutoModel.from_pretrained() не собирает видеокомпоненты. Контекст составляет 32 768 токенов. Модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0.