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

RoboOmni — система для проактивного управления манипуляциями робота, разработанная командой OpenMOSS. Она помогает роботу выводить намерение человека из разговорной речи, окружающих звуков и визуальных сигналов, даже когда пользователь не произносит явную команду. Архитектура Perceiver-Thinker-Talker-Executor объединяет распознавание намерения, подтверждение взаимодействия и выполнение действий; модель построена на основе мультимодальной архитектуры Qwen2.5-Omni Thinker. RoboOmni принимает аудио и визуальные сигналы, объединяет их во времени и пространстве, а также поддерживает речевое взаимодействие. Модель предназначена для роботизированных манипуляций в симуляции и реальных условиях. Для обучения создан набор OmniAction: 140 тысяч эпизодов с шестью типами контекстных инструкций. Репозиторий использует Transformers и формат safetensors; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

ostoveland/SBertBaseMittanbudver2 — модель Sentence Transformers, дообученная разработчиком ostoveland на базе NbAiLab/nb-sbert-base для сопоставления норвежских предложений и описаний. Она использует архитектуру BERT с усреднением токеновых представлений и кодирует текст в плотные векторы размерностью 64; сходство между ними рассчитывается косинусной мерой. Максимальная длина последовательности в README — 75 токенов, а контекстный лимит в метаданных — 512 токенов. Модель подходит для семантического поиска и сравнения формулировок, в частности запросов и описаний работ по ремонту и строительству, поиска перефразировок, кластеризации и классификации текстов. В README приведены примеры пар норвежских описаний услуг и несколько обучающих наборов с примерами таких формулировок. Модель принимает текст и возвращает эмбеддинги; для сравнения текстов их можно сопоставлять по косинусному сходству. Это дообучение NbAiLab/nb-sbert-base, опубликованное в формате PyTorch и предназначенное для использования через Sentence Transformers. В карточке указано 205,1 млн параметров. Лицензия в предоставленных сведениях не указана.

AvitoTech SigLIP2-Base for Animal Identification — модель зрения, дообученная на базе google/siglip2-base-patch16-224 для распознавания отдельных кошек и собак. Она принимает изображения размером 224×224 пикселя и выдаёт векторы признаков размерностью 768, предназначенные для сопоставления и повторной идентификации животных.

Superfast Tiny Home Robotics JSON 1M v1 — компактная языковая модель автора sraivante, обученная с нуля для преобразования коротких команд на английском и хинди, записанном латиницей, в JSON с полями activity, subject и action. Модель использует плотную архитектуру LlamaForCausalLM с тремя декодерными слоями, содержит около 1,1 млн параметров и имеет контекст длиной 128 токенов. Она предназначена для локального запуска на маломощных устройствах и разбора команд домашней автоматизации; в схеме предусмотрены действия ON, OFF и STATUS для вентилятора, света и водяного насоса. На Raspberry Pi 5 в описанном тесте модель обрабатывала запросы примерно за 88–96 мс медианного времени, однако эти измерения не подтверждают надёжность управления устройствами. На диагностическом наборе поддерживаемых команд точность составила 48,6%, а отрицание может быть ошибочно преобразовано в команду включения. Модель не поддерживает хинди в письменности деванагари, историю диалога, восприятие, планирование движений и полноценное управление роботами. Выпущена под лицензией Apache-2.0.

firstoff/animalmind-audio-classifier — модель на базе wav2vec2, дообученная для экосистемы Pawra (AnimalMind) для классификации звуков животных, в том числе лая и мяуканья. Она принимает аудио и выдаёт метки классов звуков; заявленная точность на оценке составляет 92,10%, ECE — 2,75%, температура калибровки — 1,5028. Модель содержит 113,3 млн параметров и распространяется в формате safetensors. Она обучена на ESC-50 и AudioSet; в метаданных указан португальский язык карточки, но это не означает, что модель обрабатывает речь на португальском. Лицензия — MIT. Модель распознаёт только классы звуков и вокализаций, представленные в обучающих данных. Её предсказания являются оценками и не заменяют профессиональную ветеринарную оценку или диагностику.

LLMGenFoodRecipe-GPT2 — компактная языковая модель семейства GPT-2, дообученная автором репозитория на наборе рецептов RecipeNLG. Она предназначена для генерации текста рецептов и может использоваться для создания черновиков блюд по текстовой подсказке. Модель принимает текст и генерирует текст; базовая модель — англоязычная DistilGPT2, а контекст составляет до 1024 токенов. В README указана оценка Loss 0,0490 на наборе оценки, однако методика и дополнительные метрики не описаны. Модель распространяется по лицензии Apache-2.0.

Модель room-classification разработана пользователем JuanMa360 для классификации изображений помещений и объектов дома или квартиры. Она предназначена для определения категории по фотографии, например внешнего вида здания, гардеробных или шкафов, кухни и прочих сцен. Модель использует архитектуру Vision Transformer (ViT), реализована на PyTorch и распространяется в формате Safetensors. Размер модели составляет около 113,2 млн параметров. В карточке указана точность 0,865 на оценочном наборе. Лицензия и поддерживаемые естественные языки в доступных материалах не указаны, при этом для работы модели требуются изображения, а не текст.

Thai GPT-2 Fine-Tuned — генеративная языковая модель семейства GPT-2, дообученная пользователем photjama на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов на тайском языке о собаках. Модель предназначена для генерации текста и ответов на вопросы в тематике домашних собак. Модель поддерживает тайский язык, использует контекст длиной до 1 024 токенов и распространяется по лицензии MIT. В карточке указана метрика perplexity, однако результаты оценки, точная архитектура и число параметров не приведены. Из-за узкой обучающей выборки модель следует применять для специализированных прототипов и справочных диалогов о собаках, а не как универсальную систему вопросов и ответов или источник ветеринарных рекомендаций.

watersplash/waste-classification — модель компьютерного зрения, разработанная watersplash и дообученная для классификации изображений отходов. Она построена на архитектуре Vision Transformer (ViT), содержит 113,2 млн параметров и использует библиотеку Transformers. Модель относит изображение к одной из 12 категорий: батареи, биоотходы, сухая трава, картон, одежда, зелёное стекло, металл, бумага, пластик, обувь, смешанный мусор и белое стекло. Модель предназначена для автоматической сортировки отходов по фотографиям и может использоваться в прототипах систем раздельного сбора и анализа мусора. В карточке заявлена точность 98%, но методика оценки и тестовый набор не описаны. Веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

hafsa000/interior-design — модель для преобразования изображений в режиме image-to-image, опубликованная пользователем hafsa000 на Hugging Face. Она реализована на базе Diffusers и совместима с StableDiffusionImg2ImgPipeline, поэтому принимает исходное изображение и генерирует его изменённую версию с сохранением части визуальной структуры. По названию репозитория модель ориентирована на сценарии дизайна интерьера: визуализацию вариантов оформления помещений, замену стиля или отделки и создание концептуальных изображений комнат на основе исходных фотографий. Данные о размере модели, контекстном окне, языковой поддержке, обучении, качестве генерации и разработчике в карточке отсутствуют, поэтому эти характеристики не указываются. Модель распространяется по лицензии MIT. Для работы требуется экосистема Diffusers и пайплайн StableDiffusionImg2ImgPipeline; конкретные параметры запуска и рекомендуемые значения strength, guidance scale или разрешения в карточке не приведены.

smolify/smolified-aiexpense2 — компактная разговорная DSLM от Smolify Foundry для сценариев, связанных с учётом расходов. Модель построена на архитектуре Gemma 3 Text и имеет 257 млн параметров; заявлены обучение дистилляцией и оптимизация для CPU/NPU и сред с ограниченной видеопамятью. Она поддерживает генерацию текста и рассчитана на диалоговое использование, с контекстом до 32 768 токенов. Карточка указывает английский язык, формат safetensors и лицензию Apache-2.0. README также описывает сочетание 4-битной квантизации и FP16, но метаданные репозитория подтверждают только safetensors. Модель можно рассматривать для лёгких диалоговых сценариев по расходам, однако README не раскрывает конкретные функции, данные обучения и показатели качества; перед использованием в важных финансовых процессах ответы следует проверять.

AquaLLM — языковая модель, разработанная Oytunistrator и дообученная на датасете AquaLLM-Dataset для ответов на вопросы об аквариумистике. Модель основана на Qwen/Qwen2.5-7B-Instruct; в метаданных указано 1,5 млрд параметров, контекст до 32 768 токенов и поддержка форматов Safetensors и GGUF. Модель предназначена для консультаций по пресноводным и морским аквариумам, уходу за рыбами, аквариумными растениями, освещению, фильтрации, нагревателям и другим компонентам оборудования. Она также отвечает на вопросы о параметрах и химии воды, распространённых заболеваниях рыб и способах решения типичных проблем. AquaLLM подходит начинающим аквариумистам, опытным владельцам аквариумов и зоомагазинам, которым нужен специализированный консультант или помощник службы поддержки. Модель поддерживает турецкий и английский языки. Лицензия в доступных данных не указана.

JingSi V2 E4B — диалоговая модель-компаньон для поддержки пожилых людей в локальном тайваньском контексте. Её разработал Rayantion26, дообучив Gemma 4 E4B Instruct от Unsloth. Модель предназначена для бережного разговора о чувствах, тревогах и воспоминаниях и старается отвечать кратко, с сочувствием и в духе идей Jing Si. Модель поддерживает тайваньский хоккиен, традиционный китайский и английский языки; предполагается, что она будет отвечать на языке пользователя, когда это возможно. Это плотная архитектура семейства Gemma 4, опубликованная в формате safetensors. В README приведена проверка работы с контекстом до 1024 токенов при загрузке через Unsloth и BitsAndBytes в 4-битном режиме. Модель обозначает себя как ИИ-компаньона, а не человека, врача, консультанта или религиозный авторитет. Она не предназначена для экстренной, медицинской или психотерапевтической помощи. Для развертывания необходимы отдельные детерминированные политики безопасности; веса сами по себе не обеспечивают полного защитного слоя. Существенные изменения ответов на тайваньском хоккиене требуют проверки носителем языка. Лицензия — Apache-2.0.

YuchengShi/LLaVA-v1.5-7B-Plant-Leaf-Diseases-Detection — мультимодальная модель Yucheng Shi для распознавания болезней растений по изображениям листьев и объяснения результата. Она основана на LLaVA-1.5-7B-hf и дообучена с помощью LoRA на данных PlantVillage; в обучении также применялся отбор ответов методом rejection sampling без reward-модели. Модель принимает изображение листа и текстовый запрос, а в ответ формирует текст с предполагаемым заболеванием и описанием видимых симптомов, которое можно проверить визуально. Модель предназначена для классификации здоровых и поражённых листьев разных видов растений. В карточке заявлены высокая точность и интерпретируемые объяснения по сравнению с базовыми моделями; размер базовой модели — 7 млрд параметров. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия и длина контекста в предоставленных данных не описаны.

MeowID-Base — система поиска и идентификации отдельных кошек по фотографиям, представленная авторами из нескольких университетов Китая. Она использует два отдельных эксперта на основе DINOv3: для кошачьих морд и для изображений кошки целиком. Если на снимке удаётся локализовать и выровнять морду, система делает её признаки основными и дополняет их контекстом всего животного; если пригодной морды нет, используется эксперт по целой кошке. Модель предназначена для сопоставления фотографий с галереей зарегистрированных животных. Новых кошек можно добавлять в галерею по их эмбеддингам без повторного обучения. Для каждого изображения извлекается L2-нормированный вектор размерности 512. Репозиторий содержит веса в форматах PyTorch, ONNX и TensorRT, а также связанные компоненты локализации и сегментации. TensorRT-движки подготовлены для эталонной среды с RTX 3090; при смене GPU, версии TensorRT или профиля пакета авторы рекомендуют пересобрать их из ONNX. Распространяется по лицензии Apache-2.0.

VetJarvis 1.1-4B-Instruct — специализированная разговорная языковая модель для ветеринарных сценариев, разработанная на базе Qwen3.5-4B. Это плотная модель с 4 млрд параметров; в README указаны текстовый ввод и генерация текста. Модель ориентирована на английский и корейский языки и предназначена для диалога и рассуждений по вопросам здоровья домашних животных, прежде всего собак и кошек. Версия 1.1 использует улучшенный посттренировочный процесс по сравнению с VetJarvis 1.0; авторы сообщают об улучшении рассуждений в режиме think и заявляют о сопоставимом с GPT-5.4-mini уровне логического рассуждения. Модель можно запускать через Transformers и vLLM в формате BF16; метаданные указывают файлы Safetensors. Лицензия обозначена как other, поэтому условия использования следует уточнить на странице модели. Авторы отмечают, что модель не является медицинским устройством.

GigaBrain-0.7-3.5B-Base — базовая версия модели GigaBrain-0.7, разработанная командой Open-GigaAI. Это embodied foundation model класса vision-language-action (VLA) для управления роботами: трёхсистемная архитектура объединяет понимание, предсказание и генерацию действий. Для предобучения использовано более 37 000 часов разнородных данных о взаимодействии с роботами, а одностадийное выравнивание совместно оптимизирует понимание визуальных и языковых сигналов и генерацию действий для разных роботизированных платформ. Модель предназначена для следования инструкциям на естественном языке и выполнения задач в домашних и промышленных сценариях на различных роботах. README сообщает об улучшенной обобщающей способности, выполнении задач без дополнительного обучения и успешности после дообучения по сравнению с предыдущими моделями серии и рядом систем, включая π0.5. Репозиторий содержит веса PyTorch в формате safetensors; лицензия — Apache-2.0. Карточка не описывает точные форматы входных изображений и выходных действий, поддерживаемые платформы и подробные ограничения; заявленные результаты на платформе Maker H01 и других роботах не гарантируют успеха в конкретной среде.

Hy-Embodied-VLM-1.0 — мультимодальная MoE-модель для embodied-агентов, разработанная Tencent Robotics X совместно с Hy Vision Team и Futian Laboratory. Она объединяет языковую основу Hy3-A3B и визуальный энкодер Hy-ViT2; архитектура — HYV3VLForConditionalGeneration. В README указано около 30 млрд параметров всего и около 3 млрд активируемых на токен, тогда как метаданные Hugging Face указывают 2,7 млрд параметров. Модель принимает изображения и текст, а её контекст составляет 32 768 токенов. Модель предназначена для понимания физической среды, рассуждений о действиях и их последствиях, планирования и адаптации в многошаговых сценариях взаимодействия. В карточке сообщается о результатах на 38 embodied-бенчмарках и поддержке чата; доступны запуск через Transformers и vLLM. Для полного BF16-чекпойнта README указывает потребность примерно в 86 ГБ памяти GPU суммарно. Лицензия — Apache-2.0.

RynnBrain-30B-A3B — мультимодальная модель Alibaba DAMO Academy для embodied AI и робототехники, дообученная на Qwen3-VL-30B-A3B-Instruct. Она анализирует изображения и видео от первого лица, связывает текстовые указания с объектами и областями в физическом пространстве и поддерживает пространственное понимание, локализацию, рассуждение и планирование для робототехнических систем. Модель относится к семейству Qwen3-VL MoE; веса опубликованы в формате safetensors, запуск описан через Transformers. Карточка демонстрирует задачи пространственного и объектного понимания, подсчёта и OCR в видеосценах; заявлена поддержка английского и китайского языков. Лицензия — Apache-2.0.

ahmed792002/vit-plant-classification — дообученная модель Vision Transformer (ViT) для классификации изображений растений. Она основана на google/vit-base-patch16-224 и содержит 113,2 млн параметров. В README указаны точность 0,9933 и loss 0,0182 на оценочном наборе, однако состав классов и данные оценки не описаны. Модель принимает изображение и выдаёт класс, поэтому её можно применять для распознавания растений по фотографиям. Она реализована для Transformers и опубликована в формате safetensors. Лицензия — Apache-2.0.

Модель jstoone/distil-ast-audioset-finetuned-cry разработана как дообученная версия bookbot/distil-ast-audioset для классификации аудиозаписей с использованием набора данных DonateACry. Она построена на архитектуре Audio Spectrogram Transformer и содержит 56,6 млн параметров. По результатам оценки на тестовом наборе точность составляет 0,6364, а значение функции потерь — 1,8592. Модель предназначена для распознавания звуков плача в аудиозаписях. Модель принимает аудио и выдаёт категорию классификации. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. Результат оценки указывает на ограниченную точность, поэтому классификацию стоит проверять для целевого сценария.

yifan02/qwen3-0.6b-tool-distill — это компактная языковая модель для генерации текста и вызова инструментов, созданная дообучением Qwen3-0.6B. Автор сообщает, что способности к вызову функций и пошаговому рассуждению перенесены из Qwen3-8B с помощью последовательной дистилляции знаний и полного SFT. Модель предназначена для локального запуска на CPU и устройствах с ограниченными ресурсами, прежде всего для управления аудиоустройствами через семь пользовательских инструментов. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 508 млн параметров и контекст до 40 960 токенов. В описанной автором оценке на 227 синтетических примерах точное совпадение вызова инструмента составило 94,3%, точность выбора инструмента — 94,9%, соответствие параметров схеме — 99,4%; эти результаты относятся к собственному тестовому набору автора. Репозиторий содержит веса в safetensors, лицензия — Apache-2.0. Модель ориентирована на китайский язык согласно языковым метаданным карточки. Автор отмечает, что синтетические тестовые данные имеют регулярное распределение, выборка невелика, а при нескольких вызовах инструментов в одном запросе модель уступает более крупной модели примерно на 17 процентных пунктов.

Recon2Reason Reasoning 4B — мультимодальная модель зрения и языка, разработанная BAAI и дообученная на базе Qwen/Qwen3-VL-4B-Instruct. Она предназначена для пространственных рассуждений по изображениям помещений и сцен, связанных с embodied AI: оценки метрических расстояний, относительных положений, конфигураций объектов и пространственных отношений. Модель использует архитектуру Qwen3VLForConditionalGeneration и содержит около 4,44 млрд параметров. Принимает одно или несколько изображений и текстовые запросы, выдаёт текстовые ответы; работает через стандартный интерфейс Transformers и не требует пользовательского кода модели. Веса представлены в BF16 в формате Safetensors. Для воспроизведения бенчмарков README рекомендует жадное декодирование. Модель показала сильные результаты на бенчмарках метрических и качественных пространственных рассуждений, однако README не приводит численных результатов. Лицензия — Apache-2.0. Это только reasoning-модель; расширение с retrieval-augmented реконструкцией сцен выпущено отдельно.

RynnBrain-8B — мультимодальная модель Alibaba DAMO Academy для embodied AI и робототехники, дообученная на Qwen3-VL-8B-Instruct. Она анализирует изображения и видео от первого лица, связывает язык с объектами и местами в физическом пространстве и времени и формирует текстовые ответы для задач понимания сцен, локализации и планирования. В карточке показаны примеры пространственных вопросов и ответов, распознавания объектов и их атрибутов, подсчёта и OCR в видеосценах; семейство RynnBrain также предназначено для предсказания траекторий и подготовки точных инструкций для последующих робототехнических систем. Модель использует архитектуру Qwen3-VL и распространяется в формате safetensors для Transformers. Карточка указывает поддержку английского и китайского языков. Репозиторий опубликован по лицензии Apache-2.0. Количество параметров и длина контекста в предоставленных данных не указаны.

Spatial-Interactor Qwen3-VL-4B — полноразмерный чекпойнт BF16, созданный дообучением Qwen/Qwen3-VL-4B-Instruct. Разработчики обучали его пространственному рассуждению через взаимодействие с наблюдаемым физическим миром: сначала модель дообучили на переходах состояния мира и эго-движения, затем применили дистилляцию на основе собственных траекторий, чтобы объединять последовательные переходы в длинных траекториях. Модель принимает изображения или видео вместе с текстовым вопросом и формирует текстовый ответ. Для вывода не нужны привилегированные трассы переходов, модель вознаграждения или отдельная ветвь учителя; веса, токенизатор, процессор и шаблон диалога включены в репозиторий. Модель предназначена для пространственного рассуждения и анализа наблюдаемых сцен и движения. Она распространяется по лицензии Apache-2.0.

firstoff/animalmind-cat-classifier — модель на базе Vision Transformer, дообученная для экосистемы Pawra (AnimalMind) на датасете Oxford-IIIT Pet. Она классифицирует изображения кошек по породам; в карточке указана точность 95% и ECE 2,55%. Модель содержит 113,2 млн параметров и распространяется в формате Safetensors для Transformers. Модель подходит для определения породы кошки по фотографии в приложениях и других сценариях автоматической классификации изображений. Она обучена на Oxford-IIIT Pet, поэтому распознаёт только представленные в обучающем наборе классы; результат является оценкой и не заменяет ветеринарную консультацию. Лицензия — MIT.

CatRace DistilBERT Feasibility Model — экспериментальный классификатор на основе DistilBERT, разработанный для оценки практической выполнимости предложенных небольших действий в вымышленных ситуациях, связанных с психическим благополучием или стрессом. Модель учитывает описание ситуации, практические ограничения и предлагаемое действие, после чего относит его к одному из трёх классов: явно выполнимое, трудно выполнимое из-за неочевидных препятствий или явно невыполнимое. Модель дообучена на DistilBERT (`distilbert/distilbert-base-uncased`) на синтетическом наборе CatRace v0.2; использует архитектуру `DistilBertForSequenceClassification`, принимает текст с контекстом до 512 токенов и ориентирована преимущественно на английские примеры. Её можно применять для ранжирования небольших рекомендаций по благополучию, выявления непрактичных советов и экспериментов с классификацией с учётом ограничений, в том числе в прототипах чат-ботов планирования действий. Модель не прошла клиническую валидацию, не предназначена для диагностики или выявления кризисных ситуаций; обнаружение кризиса должно выполняться отдельно. Лицензия в предоставленных данных не указана.

SoraEyeAI — модель визуального языка, разработанная 株式会社ソフトウエア開発 для одноимённого приложения-помощника при ходьбе. Она анализирует снимки с камеры и выдаёт короткие описания окружающей обстановки на японском языке; при остановке может сформировать более подробное описание людей, автомобилей, сооружений, магазинов и зданий. Приложение озвучивает текст встроенным голосом iPhone. Модель дообучена методом LoRA на языковых слоях Qwen/Qwen3.5-4B, после чего веса объединены; зрительные слои оставлены замороженными. Репозиторий содержит GGUF-варианты F16 и Q6_K, предназначенные для локального запуска с поддержкой изображений. Модель ориентирована на японские городские сцены и использование на устройстве; карточка описывает работу в приложении на совместимых iPhone с достаточной памятью. Модель может ошибаться, повторять описания и неверно называть объекты; описание относится к снимку, сделанному несколько секунд назад. Она не предназначена для навигационных решений, оценки безопасности перехода, распознавания сигналов светофора или чтения документов. Для чтения документов приложение использует встроенное распознавание текста iPhone. Лицензия — Apache License 2.0.

RynnBrain-CoP-8B — модель Alibaba DAMO Academy для embodied AI и робототехники, предназначенная для понимания визуальных сцен с точки зрения наблюдателя и grounding языка в физическом пространстве и времени. Она основана на RynnBrain-8B и дообучена как плотная vision-language-модель семейства Qwen3-VL; модельный репозиторий содержит веса Safetensors и поддерживает диалог с изображениями. Модель подходит для вопросов о сценах от первого лица, подсчёта объектов, OCR, понимания видео, пространственной локализации объектов и областей, а также для прогнозирования траекторий и подготовки планов для робототехнических систем. Семейство RynnBrain ориентировано на физически обоснованное рассуждение и выдачу локализованных инструкций для последующих VLA-моделей. Указанные в карточке языки — английский и китайский. Модель распространяется по лицензии Apache-2.0. Контекстное окно и число параметров для этой конкретной модели в предоставленных данных не указаны.

SpatialLM1.1-Llama-1B — дообученная Manycore Research модель для пространственного анализа 3D-облаков точек. Она принимает облако точек помещения и формирует структурированное описание сцены с архитектурными элементами — стенами, дверями и окнами — и ориентированными 3D-рамками объектов с семантическими категориями. Модель поддерживает структурную реконструкцию, оценку планировки и обнаружение 3D-объектов. Для обнаружения объектов можно задавать подмножество из 59 категорий мебели. Облака точек могут быть получены из видео, RGB-D изображений или LiDAR; для согласованной интерпретации вход должен быть выровнен по осям, а ось Z должна указывать вверх. SpatialLM 1.1 использует архитектуру SpatialLMLlamaForCausalLM на основе Llama 3.2 1B Instruct, содержит 1,2 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для понимания интерьеров и может применяться в робототехнике, навигации и анализе 3D-сцен. Карточка не приводит ограничений качества за пределами требования к ориентации облака точек. Лицензия — Llama 3.2; использование регулируется её условиями.