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

zhangdw/Qwen2.5-3B-Instruct-alfworld — дообученная модель на основе Qwen/Qwen2.5-3B-Instruct, созданная с использованием фреймворка verl-agent и обучения с подкреплением в среде ALFWorld. Она предназначена для выбора действий и решения задач в текстовом представлении среды embodied AI. В карточке указана точность 0,9843 на тесте. Модель имеет плотную архитектуру Qwen2ForCausalLM и 3,1 млрд параметров. Она принимает текст и генерирует текст; базовая модель поддерживает несколько языков. Контекст составляет 32 768 токенов. Веса доступны в формате safetensors. Лицензия — Apache-2.0.

Red Flag Detection: symptom module — медицинская модель, разработанная ningpy на базе Qwen2.5-3B-Instruct и дообученная с помощью LoRA с последующим объединением адаптера с базовой моделью. Она извлекает симптомы из клинических заметок и сообщений пациентов как часть пятикомпонентной системы выявления медицинских тревожных признаков, работающей совместно с движком правил. Модель рассчитана на английский язык Брунея, включая Manglish, китайский и малайский языки. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, контекстом до 32 768 токенов и форматом safetensors. В независимой проверке полного конвейера из пяти модулей и движка правил на 2246 примерах указаны F1 0,906 и точность 91,9%; эти показатели относятся ко всей системе, а не только к данному модулю. Модель распространяется по лицензии Apache-2.0. Для полного выявления тревожных признаков её следует использовать в составе описанного конвейера; отдельные клинические ограничения и результаты самостоятельной оценки модуля в карточке не приведены.

Thai GPT-2 Fine-Tuned — генеративная языковая модель, разработанная пользователем 415Supreeya и дообученная на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов о заболеваниях. Модель предназначена для генерации ответов на вопросы на тайском языке и относится к архитектуре GPT-2. Модель поддерживает тайский язык, использует контекст длиной до 1 024 токенов и опубликована в формате safetensors. Её можно применять для создания прототипов тайскоязычных систем вопросов и ответов, предварительной подготовки медицинских справочных ответов и экспериментов с генерацией текста в медицинской тематике. Модель выпущена под лицензией MIT. В README отсутствуют сведения о размере модели, точной базовой версии, параметрах обучения и результатах оценки. Генерируемые ответы не следует считать медицинской консультацией: модель может ошибаться, выдавать неполные или недостоверные сведения и не заменяет проверку специалистом.

Thai GPT-2 Fine-Tuned — генеративная языковая модель на архитектуре GPT-2, дообученная студентом или группой под именем ViKTerS на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов о заболеваниях. Модель предназначена для генерации ответов на вопросы на тайском языке и опубликована под лицензией MIT. Модель ориентирована на прототипы систем вопросов и ответов в медицинской тематике, например на подготовку предварительных ответов по сведениям о заболеваниях. Она поддерживает тайский язык, имеет контекстное окно 1 024 токена и использует формат safetensors. Основное ограничение — небольшой специализированный объём обучающих данных и отсутствие в карточке подробных сведений о размере модели, процедуре обучения, результатах оценки и клинической валидации. Ответы не следует использовать как медицинские рекомендации без проверки специалистом.

ThoxKey-9M-role — компактная языковая модель Thox-ai для локального управления устройством на прошивке ESP32-S3. Модель содержит 8 917 248 параметров и использует архитектуру BitNet b1.58 с тернарными весами {-1, 0, +1} и активациями int8. Основной артефакт для прошивки доступен в формате TERN1; также опубликованы варианты GGUF TQ1_0 и Q8_0 и веса safetensors. Модель предназначена для простых команд на устройстве и ответов о собственной идентичности и работе локально. Она должна передавать запросы за пределами этих задач, а не придумывать ответы; в частности, в ней намеренно нет фактов о компании. Модель дообучена от Thox-ai/ThoxMicro-1bit-9M, который разработчик описывает как собственную предобученную модель, а не как модель на основе внешней системы. Заявленный бюджет устройства — 3,80 МБ для весов и 8,00 МБ резидентной памяти; по README, модель помещается на ESP32-S3 N16R8. Скорость около 15,9 токена/с приведена как оценка, а испытания на целевом устройстве ещё не проводились. Для Ollama следует использовать Q8_0: README предупреждает, что тернарные варианты GGUF не загружаются в Ollama. Лицензия указана как other, без конкретных условий в предоставленных данных.

Doctor-R1 — медицинский диалоговый агент на базе Qwen3-8B, дообученный авторами методом Experiential Agentic Reinforcement Learning. Модель предназначена для многошаговых клинических консультаций: она задаёт пациенту уточняющие вопросы, учитывает ответы и использует собранные сведения для диагностического рассуждения. В метаданных указаны архитектура Qwen3ForCausalLM, 7,6 млрд параметров и контекст до 40 960 токенов; доступны веса в формате safetensors и интерфейс диалога с вызовом инструментов. Авторы сообщают о проверке на HealthBench, MAQuE и MedQA, включая оценку качества общения и точности диагностики. Модель ориентирована на медицинские консультационные сценарии и поддерживает английский язык. Лицензия — MIT. Результаты в карточке относятся к указанным бенчмаркам и сами по себе не подтверждают пригодность модели для самостоятельной постановки диагноза или лечения.

EgoSteer-3B-Base — базовая предобученная модель управления роботами от авторов системы EgoSteer. Она объединяет зрительно-языковую основу Qwen3-VL-2B-Instruct и эксперт по действиям на основе flow matching; при обучении также использовался прогноз будущих визуальных признаков по замороженной модели DINOv3 ViT-L/16. Чекпойнт соответствует EgoSteer-9.6K-PT и обучен на 9,6 тыс. часов видео от первого лица, чтобы связать человеческие наблюдения и действия с пространством действий робота. Модель принимает текстовую инструкцию, историю из шести RGB-кадров с головной камеры размером 384 × 384 и данные проприоцепции, а выдаёт последовательность будущих действий для ловкой манипуляции. Для инференса требуется кодовая база EgoSteer и согласованные с конфигурацией модели форматы наблюдений и нормализация. Модель предназначена для исследований и как отправная точка для дообучения под конкретное тело робота; сама по себе она не настроена на управляющий цикл определённого робота, а действия перед выполнением на оборудовании нужно проверять. Лицензия — Apache-2.0.

GR00T_N1_5 — дообученная модель политики для робототехники, опубликованная пользователем learner1119. Карточка указывает горизонт действия 30 шагов и контрольную точку обучения checkpoint-100000. Модель принимает наблюдения с конфигурацией модальностей и преобразованиями, согласованными с конфигурацией обучающих данных, и выдаёт действия для заданного воплощения робота. Модель распространяется в формате safetensors под лицензией Apache-2.0. В карточке базовая модель обозначена как неизвестная; сведения о конкретных входных модальностях, роботизированных платформах и языках не приведены.

Модель learner1119/ffw_sh5_n16_psc_left_100000 — дообученный чекпойнт робототехнической модели семейства NVIDIA GR00T, созданный на основе nvidia/Eagle-Block2A-2B-v2. Она предназначена для управления робототехническими действиями; горизонт планирования действий составляет 50 шагов. Модель использует архитектуру Gr00tN1d6 и распространяется в формате safetensors для Transformers. Карточка указывает загрузку через AutoModel и AutoProcessor с поддержкой пользовательского кода. Модель распространяется по лицензии Apache-2.0. Данные не уточняют, какие именно входные наблюдения или выходные команды поддерживаются и для какого робота или набора навыков выполнялось дообучение.

Это дообученная модель GR00T на архитектуре Gr00tN1d7, созданная на базе nvidia/Cosmos-Reason2-2B. Репозиторий содержит чекпойнт обучения на шаге 50 000; заявленная длина горизонта действий — 40 шагов. Модель предназначена для задач робототехники и выдачи действий робота. Для загрузки автор приводит интерфейс Transformers AutoModel и AutoProcessor с включением trust_remote_code. Веса сохранены в формате safetensors, лицензия — Apache-2.0. README не раскрывает используемые сенсорные входы, формат действий, обучающие данные или конкретные робототехнические сценарии, поэтому область применения и качество на отдельных задачах по нему оценить нельзя.

NVIDIA Isaac GR00T N1.6 — открытая модель vision-language-action для обобщённых навыков гуманоидных роботов. Она принимает RGB-кадры с камер, текстовые инструкции и вектор проприоцептивного состояния робота, а выдаёт непрерывные векторы моторных команд, соответствующие конкретному воплощению робота. Архитектура сочетает предварительно обученные трансформеры для зрения и текста с трансформером потока, который формирует последовательности действий. Модель обучалась на смеси реальных и синтетических робототехнических данных и совместно на задачах предсказания действий и моделирования мира. Её можно адаптировать дополнительным обучением под конкретные воплощения, задачи и среды. README описывает версию 1.6; файлы репозитория представлены в формате safetensors. Модель предназначена для исследований и разработки робототехники, настройки роботизированных приложений и выполнения манипуляционных задач в разных средах. Для запуска и ускорения обучения и инференса ориентирована на GPU NVIDIA; указана интеграция с PyTorch и Linux. Условия лицензии в предоставленных материалах не описаны.

Griffin Alpha-S — базовая модель управления роботами от Griffin Labs, предназначенная для дообучения под конкретного робота. Она объединяет визуально-языковую основу Qwen3-VL-4B с экспертом действий на 910 млн параметров: эксперт использует flow matching и подключён к основе послойно по схеме mixture-of-transformers. Модель предварительно обучена на смеси данных для нескольких типов роботов и формирует блок из 50 шагов действий, интегрируя 10 шагов Эйлера от шума к действию. Модель принимает визуальные признаки и состояние робота, а также текстовый запрос с указанием типа воплощения, режима управления рукой и подзадачи; выдаёт вектор действий размерности 32. Действия манипулятора относительно текущего состояния, кроме захвата, который задаётся абсолютно. Камеры, промпт для конкретного робота и статистики нормализации нужно настроить при дообучении на собственных данных. Для обучения можно совместно обновлять визуально-языковую основу и эксперт действий либо заморозить основу. Лицензия CC BY-NC-SA 4.0 запрещает коммерческое использование без отдельного разрешения правообладателя.

HuatuoGPT-o1-70B — медицинская языковая модель для сложных рассуждений в медицинской тематике, разработанная командой FreedomIntelligence. Она формирует ход рассуждений, пересматривает его и затем выдаёт итоговый ответ. Модель построена на LLaMA 3.1 70B и предназначена для диалогового применения и генерации текста; заявленный язык — английский. Размер составляет 69,5 млрд параметров, контекст — до 131 072 токенов. Модель подходит для ответов на медицинские вопросы и подготовки обоснованных ответов на клинические задачи. Она дообучена на наборах medical-o1-reasoning-SFT и medical-o1-verifiable-problem. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Модель предназначена для поддержки рассуждений, а не для замены профессиональной медицинской оценки. README не приводит конкретных результатов клинической валидации; ответы следует проверять, особенно перед использованием в принятии медицинских решений.

Модель disi-unibo-nlp/llama3.2-3B-SFT-medqa-triples-cot разработана disi-unibo-nlp и представляет собой дообученную для генерации текста версию unsloth/Llama-3.2-3B-Instruct-bnb-4bit. В основе лежит плотная авторегрессионная архитектура LlamaForCausalLM с 3,2 млрд параметров и контекстом до 131 072 токенов. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Название указывает на медицинские вопросы и ответы, однако README не описывает конкретные сценарии или качество на медицинских задачах. Указаны английский язык и возможности чата; входом и выходом служит текст. Модель распространяется по лицензии Apache-2.0.

Llama-medx_v3.2 — медицинская диалоговая модель, разработанная Skumar9 на базе Meta-Llama-3.1-8B. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 8192 токенов, предназначенная для генерации ответов на медицинские вопросы и тесты с вариантами ответа. Модель дообучена методами supervised fine-tuning (SFT) и Odds Ratio Preference Optimization (ORPO); автор также сообщает о дополнительном дообучении для ответов на вопросы с выбором ответа. Модель ориентирована на работу с медицинской терминологией и рассуждениями в диалоговом формате. В карточке упоминаются общедоступные и обогащённые данные для обучения, а также настройка гиперпараметров для снижения катастрофического забывания. Репозиторий содержит веса в формате safetensors и рассчитан на запуск через Transformers версии 4.45.2 или новее. Лицензия и подтверждённые языки в предоставленных данных не указаны.

Medchator-2x7b — языковая модель для генерации текста, созданная Technoculture как смесь экспертов на основе AdaptLLM/medicine-chat и microsoft/Orca-2-7b. Она предназначена для диалогов и ответов на вопросы по медицинским темам; в карточке приведены результаты на медицинских тестах MMLU, включая анатомию, клинические знания и биологию. Модель имеет архитектуру Mixtral MoE, около 6,6 млрд параметров и контекст до 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель подходит для прототипирования медицинских чат-помощников и учебных сценариев, где нужны ответы на вопросы по медицинским дисциплинам. Опубликованные результаты тестов не подтверждают пригодность для клинических решений или замену консультации специалиста. Лицензия — Apache-2.0.

Medical-Qwen3-Swallow-8B — медицинская языковая модель TokyoTech на основе tokyotech-llm/Qwen3-Swallow-8B-RL-v0.2. Это плотная причинная модель семейства Qwen3 с 7,6 млрд параметров, дообученная для медицинской тематики. Она поддерживает японский и английский языки, принимает текст и генерирует текст; длина контекста по метаданным составляет 40 960 токенов. Модель предназначена для исследований и разработки безопасных и надёжных ИИ-систем для японской клинической среды, а также для оценки медицинских ответов на профильных тестах. В опубликованных результатах она превосходит базовую модель на перечисленных японских медицинских бенчмарках. Лицензия Apache 2.0. Модель не проходила валидацию как медицинское изделие. Её ответы могут содержать ошибки, небезопасные рекомендации и неподтверждённые клинические утверждения; результаты требуют проверки специалистом и не заменяют профессиональное медицинское решение. Для инференса README рекомендует ограничивать контекст 32 768 токенами или меньше, пока более длинный контекст не проверен в используемом окружении.

MediPhi-Guidelines — языковая модель Microsoft Healthcare & Life Sciences для медицинских и клинических текстов. Это вариант Phi3 с 3,7 млрд параметров, созданный слиянием на 25% дообученного эксперта по медицинским рекомендациям с базовой моделью microsoft/Phi-3.5-mini-instruct. Модель работает через библиотеку Transformers, поддерживает диалоговый режим и принимает текстовые инструкции. Контекст — до 4096 токенов. Модель предназначена для англоязычных исследовательских задач клинической обработки естественного языка, включая анализ медицинских рекомендаций и генерацию ответов на клинические запросы. Компактный размер подходит для сценариев с ограничениями по памяти, вычислениям и задержке. Выходы требуют проверки специалистом: модель может выдавать неточную или выдуманную информацию, а её качество и безопасность на других языках могут быть ниже. Лицензия — MIT.

MELT-llama-2-3x70b-chat-hf — языковая модель Medical Education Language Transformer, разработанная Center for Applied AI и дообученная на общедоступных медицинских данных. Это генеративная модель архитектуры Mixtral с MoE; в метаданных указан размер 68,7 млрд параметров, длина контекста — 2048 токенов. Модель принимает текст и генерирует текст, а карточка указывает английский как поддерживаемый язык. Модель предназначена для ответов в формате вопросов и ответов или чата по медицинским темам, включая подготовку к медицинским экзаменам. В карточке сообщается о результатах на тестах USMLE, AIIMS и NEET, однако они не гарантируют точность ответов в других сценариях. Лицензия — Apache 2.0.

Meta-Llama-3-8Bee — плотная языковая модель семейства Llama, разработанная BEE-spoke-data путём продолжения предварительного обучения Meta-Llama-3-8B на наборе bees-internal. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; родительская модель рассчитана на английский язык. Контекст составляет 8192 токена, веса доступны в формате safetensors. Модель предназначена для получения сведений о пчёлах и практиках пчеловодства. Она может служить основой для дальнейшей настройки, в том числе для диалоговых инструкций, однако README отмечает, что для instruct-сценариев требуется дополнительное дообучение. Лицензия — Llama 3 Community License (llama3).

MindChat-Qwen-7B-v2 — китайскоязычная диалоговая модель для психологической поддержки, разработанная командой X-D Lab Восточно-Китайского университета науки и технологий. Она дообучена на базе Qwen-7B на корпусе примерно из 200 тысяч многоходовых психологических диалогов и предназначена для поддерживающих бесед, обсуждения повседневных трудностей и психологической оценки. В версии v2 добавлена оценка пяти аспектов: ипохондрии, соматической тревожности, интереса к работе и учёбе, чувства вины и суицидальных мыслей. Модель использует плотную архитектуру Qwen и содержит 11,4 млрд параметров; заявленная длина контекста — 8192 токена. Она работает с текстовыми диалогами на китайском языке и генерирует текстовые ответы. README описывает примеры бесед об учёбе, семье, работе, дружбе и безопасности, но предупреждает, что модель может ошибаться и выдавать вредные или оскорбительные ответы. Она не заменяет психолога или психиатра и не подходит как единственная опора для решений в критических ситуациях. Репозиторий указывает лицензию GPL-3.0; для коммерческого использования авторы предлагают связаться с командой.

MoDE_CALVIN_ABC_1 — модель для управления роботизированными манипуляциями, разработанная на основе архитектуры Mixture of Diffusion Experts (MoDE). Она принимает изображения с неподвижной RGB-камеры и камеры на захвате вместе с текстовой инструкцией и предсказывает последовательность действий в виде 7-мерных приращений положения конечного эффектора. Модель дообучена для задач на CALVIN/LIBERO на основе mbreuss/MoDE_Pretrained; в карточке также указано предварительное обучение на части набора OXE в течение 300 тысяч шагов. В основе — трансформерная MoE-архитектура с маршрутизацией экспертов по уровню шума и визуальным энкодером ResNet-50 с FiLM-условием. Используется окно действий длиной 10, а генерация выполняется за 5 шагов DDIM. Лицензия — MIT. Модель предназначена для выполнения инструкций в роботизированных средах; сведения о конкретной совместимости с роботами и качестве на реальном оборудовании в карточке не приведены.

pravsels/molmoact2_block_stack_base_quantile_12k — промежуточный чекпойнт MolmoAct2, дообученный на задаче складывания блоков для управления роботом. В README указаны обучение только action-expert части модели, набор данных villekuosmanen/armnetbench_block_stack и нормализация действий по квантилям q01/q99. Чекпойнт сохранён на шаге 12 000 в ходе обучения, рассчитанного на 30 000 шагов, и загружается через библиотеку LeRobot. Модель предназначена для управления роботом по визуальным наблюдениям и языковым инструкциям в сценарии складывания блоков; это специализация базовой vision-language-action модели allenai/MolmoAct2. Репозиторий содержит веса в формате safetensors. Сведения о лицензии, точном размере, длине контекста и поддерживаемых языках для этого чекпойнта в предоставленных источниках отсутствуют.

MolmoAct2-LIBERO — модель Allen Institute for AI для управления роботом по визуальным наблюдениям и текстовым инструкциям. Это плотная vision-language-action модель семейства MolmoAct2 на базе Molmo2-ER: она связывает эксперт непрерывных действий с KV-кэшем VLM по слоям. Этот чекпойнт дообучен на полной обучающей смеси LIBERO, включающей наборы Spatial, Object, Goal и Long. Модель предназначена для запуска политик в LIBERO и дальнейшего дообучения. На вход подаются изображения с камер робота в заданном порядке, состояние робота и текст задачи; основной режим выдаёт непрерывные действия в масштабе робота. Поддерживается библиотекой Transformers и хранится в формате safetensors. README указывает, что вывод в float32 требует примерно 24–26 ГБ видеопамяти, а bfloat16 в испытаниях запускался менее чем на 16 ГБ. Поведение может различаться в зависимости от робота, среды и конфигурации оборудования, поэтому действия следует проверять в симуляции и ограничивать параметрами контроллера перед применением на физическом роботе. Для этого чекпойнта отключено depth reasoning; режим дискретных действий требует токенизатора действий, которого нет в репозитории. Условия лицензии в предоставленных данных не описаны.

MolmoAct2-LIBERO-LeRobot — чекпойнт политики управления роботом от Allen Institute for AI (Ai2), сохранённый в формате LeRobot. Он дообучен на 10 тысяч шагов от allenai/MolmoAct2-LIBERO на наборе allenai/MolmoAct2-LIBERO-Dataset и предназначен для выполнения задач бенчмарка LIBERO и дальнейшей адаптации к близким робототехническим сценариям. Модель принимает мног ракурсные RGB-изображения, состояние робота и текстовую инструкцию, а выдаёт непрерывные действия робота. В обучении используются flow matching и потери по дискретным токенам действий; размер пакета составлял 32 на GPU при обучении на восьми H100. Для контрольных задач LIBERO используется горизонт действий из 10 шагов. В README приведены результаты 98,4% для Spatial, 100% для Object и 98% для Goal. Чекпойнт предназначен для оценки и дообучения через LeRobot, включая восстановление конфигурации политики, весов, процессоров и статистик нормализации. Он опубликован под лицензией Apache-2.0. Настройки и метрики относятся к LIBERO; для другой робототехнической платформы, системы управления или расположения камер потребуется отдельная конфигурация. Максимальная размерность действия у выпущенных чекпойнтов MolmoAct2 — 32, с маскированием дополненных размерностей в flow loss.

MommyGPT-3B — разговорная языковая модель на архитектуре Llama, созданная автором репозитория hakurei в два этапа дообучения OpenLLaMa 3B V2. Сначала модель обучили на 25 тысячах диалогов, затем дополнительно настроили на подборке разговоров фрейдистской тематики. Она предназначена для общения в роли заботливой материнской фигуры: может поддерживать беседу, давать утешительные ответы и советы. Для форматирования диалога используется ChatML. Модель содержит 3,3 млрд параметров, принимает и генерирует текст; заявленная длина контекста — 2048 токенов. Карточка ориентирует её на английский язык. Веса опубликованы в формате safetensors, библиотека для работы — Transformers. Лицензия — Apache 2.0. Автор описывает модель как шуточный проект выходного дня, поэтому её качество и надёжность не следует считать проверенными; ответы могут отражать фрейдистскую тематику и ролевую подачу обучения.

ODEWorld-Goal-Predictor-LIBERO — модель прогнозирования целевых состояний, обученная на LIBERO и включающая предсказатель цели, а также визуальный и текстовый энкодеры DINO. Она предназначена для сценариев робототехники, где по изображению и языковому описанию нужно предсказать последовательность визуальных состояний. В метаданных Hugging Face указаны задача image-to-video, библиотека ODEWorld и формат safetensors. Модель разработана авторами проекта ODEWorld. Карточка отсылает к репозиторию проекта за инструкциями по загрузке и запуску. Указана лицензия Apache-2.0. Данных о размере модели и длине контекста в предоставленных источниках нет.

OpenPIE-0.6 — открытая реализация робототехнической политики pi0.6 от Exla AI на PyTorch, обученная с использованием RECAP. Модель объединяет PaliGemma VLM с экспертной моделью Gemma для действий, проекциями состояния робота и отдельной функцией ценности. В карточке указано около 5,9 млрд параметров для основного компонента; веса политики занимают 12 ГБ, а веса функции ценности — 2,5 ГБ. Модель предназначена для управления роботом по визуальным и языковым входам и выдачи действий; автор приводит пример переноса кубика в симуляции ALOHA и предлагает дообучать политику на собственных робототехнических данных. Доступны предварительно обученные веса и код обучения. Указан английский язык и лицензия Apache 2.0, допускающая коммерческое использование. Заявленные в карточке метрики сравнения относятся к результатам автора и сами по себе не гарантируют качество на других роботах и сценариях.

Pi0.5 (flow matching) — модель vision-language-action для управления роботами, разработанная Physical Intelligence и дообученная на наборе LIBERO. Она принимает визуальные наблюдения и инструкцию на естественном языке, а затем выдаёт последовательность действий для робота. Действия формируются интегрированием ODE flow matching; для каждого фрагмента действий требуется 10 проходов action expert. Этот чекпойнт служит базовой моделью flow matching в сравнительном исследовании Pi0.5-Drift: README указывает, что использованы те же базовые веса, данные, инициализация, batch, seed и расписание обучения на 100 тыс. шагов, а различается только обучающая цель. На официальной оценке LIBERO модель показала высокую успешность в наборах spatial, object и goal. Для оценки нужны графический узел с рендерером MuJoCo/LIBERO и доступ к закрытому токенизатору google/paligemma-3b-pt-224. Модель распространяется под лицензией Gemma.

DAVIAN Lab (KAIST) подготовила эту модель для управления роботом в симуляторе RoboCasa: это политика π0.5 на базе LeRobot, дообученная полным fine-tuning на кухонном наборе RoboCasa H50. Модель принимает изображения с трёх камер, состояние робота и языковую инструкцию и предсказывает действия робота; в основе лежит VLA-архитектура с flow matching, PaliGemma и отдельным экспертом действий. Выход формируется блоками до 50 шагов, из которых политика выполняет 25, используя 10 шагов интегрирования flow matching. Чекпойнт предназначен для симуляционных задач манипуляции на кухне, включая перенос и размещение объектов. В описанной проверке на PnPCounterToCab успешность составила 55,0% на случайных сценах и 57,5% на фиксированной сцене; оценка основана на 40 эпизодах, поэтому результаты имеют заметную статистическую неопределённость. Для корректного вывода необходимо загружать встроенные пред- и постпроцессоры вместе с чекпойнтом. Модель распространяется по Apache-2.0, при этом для включённых файлов токенизатора действуют условия Gemma; также применяются условия базовой модели и набора данных.