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

QIE-2511-Color-Grade-Transfer-LoRA — адаптер LoRA для модели Qwen/Qwen-Image-Edit-2511, опубликованный пользователем ovi054. Согласно README, адаптер предназначен для задач image-to-image и переноса цветокоррекции с одного изображения на другое. Основной сценарий использования — передать цветовой стиль или грейдинг с Image 2 на Image 1, сохранив содержимое исходного изображения. Для активации указан триггер: “Transfer ONLY the color grading from Image 2 onto Image 1”. Модель рассчитана на работу с изображениями; сведения о размере адаптера, языках, максимальном контексте и других архитектурных характеристиках не приведены. Сильная сторона модели — специализированная задача переноса цветокоррекции без явного изменения остальных аспектов изображения. Ограничение заключается в узкой специализации: README не подтверждает качество на других сценариях редактирования и не содержит количественных оценок. В README также указано, что модель была обучена Piczify.com для функции цветокоррекции; рекомендуется указывать авторство piczify.com при использовании. Лицензия не указана.

RecurvAI разработала Recurv-Medical-Deepseek-R1 — дообученную медицинскую языковую модель на базе DeepSeek-R1 Distill Llama 8B. Это плотная модель архитектуры Llama с 7,5 млрд параметров, контекстом до 131 072 токенов и поддержкой многоходового диалога. Она предназначена для ответов на медицинские вопросы, сбора анамнеза и подготовки подробных объяснений для специалистов здравоохранения и исследователей. В README указано, что обучение охватывало 67 299 пар вопросов и ответов, составленных на основе учебников, научных публикаций, клинических рекомендаций и синтетических данных для сценариев сбора анамнеза. Модель работает с текстом и ориентирована на английский язык. Метаданные указывают задачу генерации текста, библиотеку PyTorch и интерфейсы чата и вызова инструментов. Заявленная лицензия — MIT. Модель может помогать в клинических и исследовательских рабочих процессах, однако ответы требуют проверки квалифицированным специалистом; карточка не приводит результатов клинической валидации.

RPT-VLA — модель vision-language-action для управления роботами, представленная в виде экспорта для Hugging Face. Она принимает текстовую инструкцию и RGB-наблюдение, а затем предсказывает последовательность действий робота с 7 степенями свободы: координаты, углы поворота и состояние захвата. В архитектуре используются объединённая зрительная основа DINOv2 и SigLIP, языковая основа Llama 2 с 7 млрд параметров и диффузионный декодер действий DiT-B; модель выдаёт окно из 15 будущих действий, учитывая до 6 прошлых действий. Модель предназначена прежде всего для оценки политик в SimplerEnv и связанных сценариев дообучения. В карточке описаны задачи Google Robot — захват предметов, перемещение рядом с объектами и работа с ящиками — и набор задач WidowX/Bridge. Для преобразования предсказаний в реальные действия требуется выбрать статистику нормализации, соответствующую роботу и набору данных: fractal20220817_data или bridge_dataset. Перенос на другие роботы, камеры и соглашения о действиях требует проверки или дообучения. Веса поставляются в формате safetensors для локальной загрузки. README не указывает лицензию, поэтому условия использования по лицензии определить нельзя.

jonathang/sbhouse-house — модель Stable Diffusion, дообученная автором jonathang методом DreamBooth на изображениях домов для создания пейзажей. Она генерирует изображения по текстовому запросу; для вызова изученного концепта используйте формулировку «a photo of sbhouse house». Модель предназначена для создания изображений домов и пейзажных сцен с этим концептом. Модель распространяется в формате Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или поддерживаемые естественные языки. Результат зависит от формулировки текстового запроса, а обучение на конкретном концепте ограничивает универсальность модели.

TinyVLA — экспериментальная vision-language-action-модель для управления роботом, разработанная автором репозитория AlexWortega и дообученная на базе Qwen/Qwen3.5-0.8B. Она объединяет визуальные наблюдения, текстовую инструкцию и состояние робота, чтобы предсказывать последовательности действий; модель реализована как плагин политики для LeRobot. Архитектура использует общий визуальный энкодер и два вычислительных пути: медленный формирует семантическое латентное представление, а быстрый использует визуальные признаки и проприоцептивные данные для управления. В README указано 643 млн параметров в сохранённой модели и около 140 млн параметров на онлайн-шаге быстрого пути. В испытаниях LIBERO-Spatial автор сообщает 86% успеха при обновлении латентного представления раз в секунду и 79% в полночастотном режиме; результаты получены на ограниченной выборке и по протоколу, где обучающие данные включают те же задачи и начальные состояния. Модель предназначена для роботизированных манипуляций и экспериментов с низкозадержочным управлением, в частности для сценариев LIBERO и роботов SO100/SO101. Русский язык не заявлен: инструкции текстовые, но обучение и оценка описаны в англоязычном контексте. Репозиторий распространяется по лицензии Apache-2.0. Автор отмечает ограничения оценки: небольшое число эпизодов, неполную проверку наборов LIBERO и необходимость корректно обрабатывать ориентацию кадров и неоднозначность представления ориентации захвата.

Это модель классификации изображений листьев манго по заболеваниям, созданная DunnBC22 путём дообучения google/vit-base-patch16-224-in21k. Она использует архитектуру Vision Transformer ViT-Base с патчами 16×16 и содержит 113,2 млн параметров. Модель принимает изображение листа и предсказывает один из классов заболеваний. Модель предназначена для демонстрации распознавания болезней манго по фотографиям листьев. В README указаны идеальные метрики на оценочном наборе: точность и F1 равны 1,0; эти результаты относятся только к указанному набору и не гарантируют такую же точность на новых изображениях. Весы доступны в формате PyTorch по лицензии Apache-2.0; использованные сторонние наборы данных могут иметь отдельные ограничения.

VLADrop-OpenVLA-OFT-LIBERO-drop-half-action — исследовательский чекпойнт модели Vision-Language-Action, подготовленный в рамках работы «Drop-Then-Recovery: How Redundant Are Vision-Language-Action Models?». Он предназначен для управления роботом по визуальным наблюдениям и языковым инструкциям в задачах LIBERO. В чекпойнте уменьшена скрытая размерность MLPResNet в action head с 4096 до 2048; визуальная и языковая основы сохранены. После сокращения выполнено восстановительное дообучение с LoRA rank 32, объединённой с весами, в течение 100 тысяч шагов. Это полный чекпойнт OpenVLA-OFT с уже встроенными изменениями графа модели; для оценки требуется модифицированная библиотека transformers-openvla-oft-dropped. Лицензия — MIT. README описывает оценку в LIBERO, но не приводит численных результатов, поэтому качество выполнения задач по этим данным оценить нельзя.

VLA-JEPA — политика Vision-Language-Action для управления роботом, опубликованная в Hub и обученная с помощью LeRobot. Она объединяет языковую основу Qwen3-VL, видеомодель мира V-JEPA2 с самообучением и головку действий DiT на основе flow matching. Модель принимает два изображения с внешних камер размером 224×224 и предсказывает вектор действия из семи значений. Карточка описывает запуск политики на роботе через LeRobot и обучение собственной политики. Лицензия — Apache-2.0. Для политики пока не приведены результаты оценки. Входы привязаны к конкретным ключам камер, поэтому для запуска конфигурация камер должна им соответствовать.

YuyuanQA-GPT2-3.5B — англоязычная GPT-2 модель для медицинских вопросов и ответов, созданная командой Fengshenbang. Модель дообучена на базе Yuyuan-GPT2-3.5B на 10 тысячах пар медицинских вопросов и ответов; архитектура — GPT2LMHeadModel с 3,5 млрд параметров. Она принимает текст и генерирует текстовый ответ, максимальная длина контекста — 1024 токена. Модель предназначена для прямых ответов на медицинские вопросы и демонстрации системы медицинского QA. В карточке приведена оценка BLEU на 100 не встречавшихся ранее парах вопросов и ответов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Поскольку это генеративная медицинская модель, её ответы могут быть неточными и не должны заменять профессиональную медицинскую консультацию.

ActQuant-Pi05-LIBERO-4bpw — квантованный вариант VLA-модели π₀.₅, подготовленный командой NU-World-Model-Embodied-AI на основе lerobot/pi05_libero_finetuned_v044. Модель предназначена для управления роботом по визуальным наблюдениям и языковым инструкциям в задачах LIBERO. Модель распространяется в формате GGUF. Веса языковой части имеют базовую точность Q3_K_M с выборочными повышениями точности, зрительная часть использует Q4_K, а эксперт действий сохранён в fp16. По данным карточки, в оценке на четырёх наборах LIBERO суммарная успешность составила 96,6% на 2 000 испытаниях; указанные результаты относятся к конкретному C++/GGML runtime и протоколу оценки. Лицензия — MIT. Модель специализирована на сценариях LIBERO; карточка не подтверждает аналогичное качество на других средах или реальных роботах.

wsagi/ACT-Real-PickOrange — это политика управления манипулятором SO-101 для захвата апельсинов и переноса их на тарелку. Модель разработана автором репозитория wsagi и реализована на архитектуре ACT в библиотеке LeRobot. Она принимает визуальные наблюдения с верхней камеры и состояние робота и предсказывает последовательности действий для манипулятора; размер чанка и число шагов действия составляют 100. Политика инициализирована лучшим чекпойнтом ACT после 20 тысяч шагов обучения в симуляции Isaac Lab, затем дообучена на 30 эпизодах телеоперации реального робота: 25 091 кадр, 5 000 шагов обучения. В испытаниях на реальном SO-101 модель в среднем переносила на тарелку 1,5 апельсина за раунд из трёх; результаты получены на ограниченном числе раундов и не гарантируют аналогичную производительность в других условиях. Для весов указана лицензия Apache-2.0.

Это дообученная версия VLA-модели π₀.₅ (Pi05) от Physical Intelligence, опубликованная DreamMachines. Модель предназначена для управления роботом по изображениям, состоянию робота и языковой инструкции; чекпойнт обучен на наборе DreamMachines/actuator_unboxing_20h_345 с использованием LeDream, форка LeRobot. README указывает 210 000 шагов обучения, размер пакета 32 и оптимизатор AdamW с learning rate 5e-5. Модель рассчитана на выполнение задачи распаковки актуатора на роботе DK1. Она наследует базовую модель lerobot/pi05_base, ориентированную на обобщение в открытом мире. Файлы опубликованы в формате safetensors и доступны под лицензией Apache-2.0. Метаданные относят модель к robotics; сведения о конкретных языках и длине контекста для этой версии не приводятся.

BeingWell_llama2_7b — медицинская разговорная модель Sirius27, дообученная на архитектуре Llama 2 с 6,6 млрд параметров. Она генерирует текст и предназначена для ответов на вопросы по материалам экзамена USMLE и для диалогов врача с пациентом. Модель принимает текст и выдаёт текст. Она рассчитана на английский язык, имеет контекстное окно 4096 токенов и распространяется в формате PyTorch по лицензии OpenRAIL. Датасеты включают медицинские вопросы и ответы, а также диалоги врача и пациента.

BianQue-2 — это китайская медицинская диалоговая модель, разработанная Лабораторией цифровых двойников человека провинции Гуандун при Южно-Китайском технологическом университете. Она дообучена на базе ChatGLM-6B и содержит 8,1 млрд параметров. Модель предназначена для диалогов о здоровье: она может уточнять симптомы в нескольких ходах разговора и затем формулировать рекомендации. Для обучения использован корпус BianQueCorpus с китайскими медицинскими диалогами и данными о здоровье; карточка модели также указывает поддержку извлечения признаков. Ключевая особенность модели — способность задавать уточняющие вопросы, когда исходного описания пользователя недостаточно, вместо немедленного ответа. Это делает её применимой для исследовательских прототипов медицинских чат-ботов и сценариев предварительного сбора информации о симптомах. Модель работает с текстом на китайском языке. В метаданных указана лицензия Apache-2.0, однако README устанавливает ограничения ChatGLM-6B: использование допускается только в некоммерческих исследовательских целях. Разработчики предупреждают, что ответы могут быть случайными и не всегда подходить пользователю; модель не заменяет врача и не должна служить единственным основанием для медицинских решений.

Модель shindevaishnavi304/dinov2-finetuned-skin-disease — дообученная для классификации изображений версия визуального трансформера DINOv2 Base, разработанного Meta и представленная пользователем shindevaishnavi304. Она предназначена для отнесения изображений к классам заболеваний кожи и может применяться для предварительной сортировки изображений в учебных или исследовательских сценариях. Модель содержит 113,2 млн параметров, использует архитектуру Dinov2ForImageClassification и сохранена в формате safetensors; обучение проводилось на наборе imagefolder. В README приведена точность 0,7162 на оценочной выборке, однако оценивание выполнено после 3 шагов обучения, поэтому результат не подтверждает клиническую надёжность. Модель не следует использовать как самостоятельный инструмент диагностики. Лицензия — Apache 2.0.

Dexmal/DM05-MEM — дообученный чекпойнт DM05 от Dexmal в формате OpenDM, предназначенный для управления роботом по визуальным наблюдениям и инструкциям с использованием истории из 32 слотов. Карточка рекомендует запускать его через OpenDM с конфигурацией playground/dm05_mem.py; в качестве типа робота указана ARX5 по умолчанию. Модель относится к семейству DM05 и использует плотную архитектуру DM05ForConditionalGeneration. Веса опубликованы в формате safetensors и представлены в BF16. Лицензия — Gemma. Чекпойнт рассчитан на робототехнические сценарии, включая управление движениями конечного эффектора; подробные показатели качества и точная поддержка языков в карточке не приведены.

EVO1 · LIBERO — контрольная точка модели vision-language-action для управления роботизированным манипулятором в задачах бенчмарка LIBERO. Её разработчик дообучил базовую мультимодальную модель OpenGVLab/InternVL3-1B-hf на наборе lerobot/libero: сначала обучалась только голова действий, затем совместно дообучались VLM и голова действий. Указанная контрольная точка сохранена на шаге 70 000 из 80 000 этапа Stage 2 и показала лучший общий результат среди проверенных контрольных точек этого расписания. Модель принимает визуальные наблюдения и описание задачи, чтобы предсказывать действия робота. В оценке использовались изображения 448×448 и перепланирование каждые 14 действий; тестирование охватывало четыре набора задач LIBERO. В README приведены высокие показатели успешности для пространственных, объектных и целевых задач, однако результаты получены на одном seed и не являются оценкой по нескольким запускам. Для воспроизведения поведения важны схема перепланирования и постобработка захвата LIBERO. При загрузке политики может потребоваться загрузить базовую модель InternVL3-1B. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория.

NVIDIA Isaac GR00T N1.5-3B — модель-основа для обобщённого управления гуманоидными роботами и выполнения манипуляционных задач. Версия 1.5 среднего размера использует предварительно обученные визуальный и языковой энкодеры и трансформер потока для генерации последовательности непрерывных управляющих действий по изображениям, текстовым инструкциям и данным о состоянии робота. Модель принимает RGB-кадры размером 224×224 с нескольких камер, текстовую инструкцию и вектор проприоцептивных данных. Она выдаёт векторы моторных команд, состав которых зависит от робота и числа его степеней свободы. Архитектура включает SigLIP2 для изображений, T5 для текста, MLP для проприоцепции и Diffusion Transformer с flow matching для действий; обучение также использует задачу моделирования мира. Модель предназначена для настройки на данные конкретного робота или задачи, включая реальные и синтетические данные. GR00T N1.5 разработана NVIDIA для робототехнических исследований, разработки алгоритмов и интеграции в робототехнические приложения. Она распространяется для некоммерческого использования. Для практической работы требуется учитывать различия воплощений роботов и адаптировать модель под конкретное оборудование; заявлена оптимизация для систем с ускорителями NVIDIA.

NVIDIA Isaac GR00T N1.7-SimplerEnv-Bridge — средняя по размеру версия открытой базовой модели для рассуждений и управления гуманоидными роботами. Это вариант GR00T N1.7, дообученный на Bridge Dataset в SimplerEnv; исходный BridgeData V2 содержит 60 096 траекторий манипуляций в 24 средах. Модель насчитывает около 3 млрд параметров и использует энкодеры изображений и текста, представление проприоцепции робота и трансформер действий на основе flow matching. На вход подаются RGB-кадры с камер, текстовая инструкция, вектор состояния робота и идентификатор его конфигурации; на выходе — непрерывные векторы действий для управления моторами. Модель предназначена для задач манипуляции предметами по языковым командам в симулируемых средах SimplerEnv и может служить отправной точкой для дальнейшего обучения на данных конкретного робота. Для запуска указаны PyTorch и Linux; модель оптимизирована для GPU NVIDIA. В README заявлена возможность коммерческого и некоммерческого использования, но конкретный идентификатор лицензии не приведён.

Это частично дообученная модель GR00T N1.7, опубликованная пользователем helen9975 на Hugging Face. Она предназначена для управления бимануальными манипуляциями робота YAM по данным набора MolmoAct2-BimanualYAM-Dataset. Модель использует три камеры — верхнюю, левую и правую; на выходе формирует 14-мерные действия, включающие абсолютные положения суставов и команды захватам. Дообучались projector и diffusion-компонент, а языковая и визуальная части были заморожены. Модель рассчитана на запуск через LeRobot. В README приведён результат открытого теста на двух отложенных эпизодах: MSE 0,00160 и MAE 0,0244; это ограниченная проверка, поэтому метрики не гарантируют качество на других задачах или роботах. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

II-Medical-8B-1706 — языковая модель Intelligent Internet для медицинских вопросов и рассуждений. Это плотная causal language model семейства Qwen3 с 7,6 млрд параметров; она принимает текст и генерирует текст, поддерживает диалог и имеет контекстное окно 40 960 токенов. Модель дообучена на Qwen/Qwen3-8B: после SFT на медицинских данных разработчики применили двухэтапное обучение DAPO для сложных медицинских рассуждений, безопасности и полезности ответов. Модель предназначена для ответов на медицинские вопросы и исследовательской оценки на наборах медицинских QA-бенчмарков. В README указаны результаты на HealthBench и других тестах, но они не гарантируют точность в реальных случаях. Обучающие данные включают открытые и синтетические медицинские наборы и могут содержать присущие им смещения. Разработчик отдельно предупреждает, что модель не подходит для медицинского применения; медицинские знания также требуют регулярного обновления. Лицензия — Apache-2.0.

yujuyeon/internvl3_5-1b-medical-347k — это медицинская мультимодальная модель на базе InternVL3.5-1B от OpenGVLab, дообученная автором репозитория на корейских данных для специализированных диалогов с изображениями и текстом. Модель использует плотную архитектуру InternVLForConditionalGeneration; веса опубликованы в формате safetensors, для работы предлагается библиотека Transformers. Она предназначена для ответов на вопросы о медицинских изображениях и для корейских мультимодальных медицинских сценариев. README указывает один обучающий поднабор medical_347k для supervised fine-tuning; сведения о конкретных типах изображений, оценке качества и результатах обучения не приводятся. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория и базовой модели.

InternVLA-A1.5-RoboTwin — модель управления роботом, разработанная командой InternRobotics. Она объединяет визуально-языковое понимание, прогнозирование будущей динамики и генерацию действий в единой политике для манипуляций двумя руками. Это чекпойнт серии InternVLA-A1.5, дообученный на RoboTwin 2.0 для робота ALOHA-AgileX; его также оценивают без обучения на DOMINO для переноса из статических в динамические сценарии. В основе лежит мультимодальный Qwen3.5-2B с лёгким экспертом действий, который предсказывает непрерывные последовательности действий методом flow matching. Для обучения используются обучаемые токены прогнозирования будущего, а ветвь генерации видео при выводе отключается. Модель принимает изображения размером 224 × 224 и обрабатывает состояние и действия размерностью до 32. Репозиторий содержит веса в формате safetensors. В опубликованных результатах модель показывает 93,2 среднего балла на RoboTwin 2.0 и 27,7% успешных выполнений в режиме переноса на динамические манипуляции DOMINO. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий распространения с указанием авторства и на тех же условиях.

JMLR-13B For MedQA — языковая модель семейства Llama, разработанная для медицинских вопросов и ответов. В ней совместно обучаются LLM и механизм информационного поиска: модель извлекает клинические рекомендации и использует медицинские знания при рассуждении и формировании ответа. Модель содержит 12,9 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. В README сообщается о результате 70,5% на медицинском наборе вопросов и ответов, но описание не уточняет условия оценки. Модель предназначена для исследовательских и прикладных систем медицинских вопросов и ответов, однако ответы могут содержать фактические ошибки и требуют проверки специалистом. README указывает, что код и часть данных планировалось опубликовать по лицензии CC-BY 4.0 после принятия статьи; лицензию весов репозитория эти сведения не подтверждают.

LingBot-VA Base — авторегрессионная видеодейственная модель политики для роботов, основанная на стеке видеодиффузии Wan2.2. Модель разработана Robbyant и опубликована в формате safetensors для использования с LeRobot; это дообученная версия robbyant/lingbot-va-base. Лицензия — Apache-2.0. Модель принимает изображения с верхней камеры и камер на левом и правом запястьях робота размером 256×256, затем совместно предсказывает будущие видеокадры и действия в одной последовательности. Выход действия имеет 14 значений. Такой подход предназначен для управления роботом с визуальной обратной связью и моделирования будущего в замкнутом цикле. Для запуска нужны камеры с ключами наблюдений, соответствующими обучению модели, и совместимая конфигурация робота в LeRobot. В карточке не приведены результаты оценки качества, поэтому производительность на конкретных роботах и задачах не подтверждена.

Meerkat-8B версии 1.0 — медицинская диалоговая модель семейства Meerkat, разработанная на основе Meta Llama-3-8B-Instruct и дообученная на синтетических рассуждениях по 18 медицинским учебникам и наборах инструкций. Это плотная авторегрессионная модель Llama с 7,5 млрд параметров, рассчитанная на контекст до 8192 токенов и работающая с текстом. Модель предназначена для ответов на медицинские вопросы, решения задач формата USMLE и других тестов с выбором ответа, а также для следования разнообразным инструкциям. В README описана оценка на семи медицинских бенчмарках, включая MedQA, MedMCQA и MMLU-Medical. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Модель может помогать разбирать учебные и экзаменационные задачи, однако её ответы не следует считать заменой профессиональной медицинской оценки. Результаты зависят от формулировки запроса; для воспроизведения результатов бенчмарков авторы рекомендуют использовать системные сообщения, применявшиеся при обучении.

MedraN-E4B-Uncensored-EP7 — медицинская диалоговая модель на базе Gemma 3n E4B, дообученная для клинических сценариев. Карточка описывает поддержку принятия клинических решений, разбор дифференциальных диагнозов, обучение медицинских специалистов, подготовку медицинской документации и анализ медицинской литературы. Модель принимает текст и изображения; заявлены работа со структурированными данными и вызов подключённых инструментов для поиска по базам и извлечения сведений из документов. Метаданные указывают архитектуру Gemma3nForConditionalGeneration и формат safetensors; карточка заявляет класс размера 8B и повышенную длину контекста, но точные значения не приводит. В метаданных указаны английский и румынский языки. Модель распространяется по лицензии Apache-2.0. Разработчик позиционирует её как помощника для клинического рассуждения и обучения, способного разбирать медицинские изображения и поддерживать инструментальные рабочие процессы. Карточка сообщает о дообучении на медицинской литературе, клинических случаях, примерах SOAP-документации, мультимодальных медицинских данных и симуляциях взаимодействия с инструментами. Эти сведения и возможности заявлены автором и не сопровождаются в карточке оценками качества. Модель не заменяет врача и требует клинического контроля; вызов инструментов зависит от их настройки, а доступ к медицинским информационным системам требует предварительной анонимизации данных.

AdalricP/molmoact2-so101-pickplace-lora — LoRA-дообучение 5-миллиардной vision-language-action-модели Allen Institute for AI MolmoAct2-SO100_101 для захвата и перемещения объектов манипулятором SO-100/101. Модель обучена на датасете lerobot/svla_so101_pickplace; опубликованный чекпойнт соответствует шагу 1000, где значение flow-matching loss стабилизировалось около 0,045. Веса представлены как объединённая модель объёмом около 11,5 ГБ в формате safetensors и с точностью bfloat16. Модель принимает изображения, состояние робота и текстовые инструкции и предсказывает управляющие действия для манипулятора. Подходит для сценариев, подобных команде «подними кубик», при запуске через LeRobot. Для корректного движения на SO-100/101 README указывает калибровку joint_signs=[1,-1,1,1,1,1] и joint_offsets=[0,90,90,0,0,0] в LeRobot версии 0.5.0 или новее. Лицензия — Apache-2.0. Описанное обучение и датасет ограничены задачей pick-and-place; качество на иных манипуляторах и задачах не подтверждено.

MolmoAct2-Think-LIBERO — модель Allen Institute for AI, дообученная на полной обучающей смеси LIBERO для управления роботом с рассуждением по глубине. По изображениям с камер робота, состоянию робота и текстовой инструкции она сначала предсказывает компактное представление глубины 10 × 10, а затем использует его вместе с входными данными для генерации непрерывных действий. Модель предназначена для выполнения задач LIBERO и дальнейшего дообучения; для вывода рекомендуется непрерывный режим предсказания действий с адаптивной глубиной. Архитектура — плотная MolmoAct2ForConditionalGeneration на базе Transformers. Модель принимает визуальные наблюдения, текст инструкции и токены состояния, а выдаёт представление глубины и действия робота. В README описана работа с изображениями agentview и wrist; для инференса с CUDA требуется около 24–26 ГБ памяти в float32, либо менее 16 ГБ в bfloat16 по результатам авторских тестов. Для дискретного режима нужна внешняя токенизирующая модель действий, отсутствующая в репозитории. Модель следует проверять в симуляции и на конкретной конфигурации робота перед запуском на физическом оборудовании: её поведение может меняться в зависимости от среды, робота и аппаратуры. README не сообщает лицензию, поэтому условия использования по лицензии определить нельзя.

Это низкоуровневая политика управления роботом на базе Pi0.5, разработанная Myungkyu дообучением модели lerobot/pi05_base. Модель обучена на RMBench-taco-wodemo-gemini: наборе демонстраций для девяти симулируемых задач на настольной поверхности с плотными метками подзадач, полученными из контекста задач. На вход подаются изображения с головной и обеих запястных камер, проприоцептивные данные и текст текущей подзадачи. Слот ключевого кадра может принимать найденный ранее кадр, когда это требуется меткой; архитектура использует три вида с камеры и соглашение full_frame_v1. Чекпойнт получен после 60 000 шагов обучения с размером пакета 64. Модель предназначена для управления роботом в симуляции по визуальным наблюдениям, состоянию робота и тексту подзадачи. Для загрузки нужны локальные копии базовой модели и токенизатора, на которые ссылаются конфигурации. Лицензия в предоставленных данных не указана.