IV.6Научные исследования, математика и новые материалы

moojink/openvla-7b-oft-finetuned-libero-10 — дообученный чекпойнт OpenVLA-OFT для управления роботом в задачах LIBERO-Long, также называемых LIBERO-10. Он основан на OpenVLA и использует архитектуру OpenVLAForActionPrediction с плотной структурой; веса представлены в формате safetensors и предназначены для работы через Transformers. Модель принимает изображение и текстовую инструкцию и предсказывает последовательности действий робота для сценариев LIBERO-10. В README указано, что оптимизированные методы дообучения OpenVLA-OFT повышают скорость и успешность по сравнению с базовой OpenVLA. Репозиторий описывает исследовательский чекпойнт для роботизированных манипуляций; конкретные показатели качества и поддерживаемое оборудование в карточке не приведены. Лицензия — MIT. Для применения нужны совместимая среда и код OpenVLA-OFT, описанные в проекте.

OpenWAM-Alpha-Sim-RoboDojo — модель OpenWAM, дообученная для симуляционного трека RoboDojo. Она основана на видеомодели Wan2.2-TI2V-5B с исходным энкодером Wan-VAE и использует архитектуру Dual-System Joint Self-Attention с маской взаимного внимания. Базовая предобучающая выборка включает 518,5 млн кадров: данные роботов (70%, в том числе реальные и симуляционные) и видео от первого лица (30%). Модель предназначена для задач робототехники в симуляции RoboDojo. Репозиторий содержит веса в формате safetensors; библиотека для работы с моделью — OpenWAM. Лицензия Apache-2.0. В README не описаны точные входы и выходы, поддерживаемые языки, параметры применения или количественные оценки качества.

PFLM1 — байтовая языковая модель семейства Prior-Fitted Language Models, опубликованная lennartcb. Модель предобучена на выборках из синтетического нелингвистического априорного распределения и использует контекст для вывода закономерностей в последовательности байтов, включая текст на ранее не встречавшемся языке, а затем предсказывает продолжение. В репозитории размещены веса и конфигурация; модель использует архитектуру причинной генерации Pflm1ForCausalLM и библиотеку Transformers. Модель предназначена для исследования обучения в контексте и предсказания последовательностей. В README приведён пример, где точность предсказания простых чисел растёт по мере чтения последовательности. Метаданные указывают 189 млн параметров и лицензию Apache-2.0; README приводит округлённую оценку 300 млн параметров. Модель работает на уровне байтов, поэтому языки и контекстный лимит в доступных данных не определены.

Это политика vision-language-action π0.5, дообученная авторами репозитория deformable-bench для расправления смятой футболки на столе с помощью двуручного робота Piper. Модель предназначена для управления манипуляциями с тканью в симуляции: она получает изображения с трёх RGB-камер и 14-мерное состояние суставов робота и предсказывает действия для выполнения задачи. Используются архитектура pi05_evo в LeRobot, точность bfloat16 и базовая модель lerobot/pi05_base. Для дообучения применён набор flatten_tshirt_200 из 200 эпизодов и 41 464 кадров; обучение продолжалось 30 000 шагов. Авторы настраивали аугментации изображений с учётом более тёмных кадров реальных камер для переноса из симуляции, однако качество такого переноса не подтверждено опубликованной оценкой. Чекпойнт прошёл лишь небольшую проверку в замкнутом цикле и не оценивался по стандартному протоколу бенчмарка N=100, поэтому его следует считать артефактом обучения, а не подтверждённым результатом. Лицензия — Apache-2.0.

Это чекпойнт ACT для обучения имитацией, разработанный PranayTest для задачи подъёма тарелки левой рукой робота PiPER. Он предназначен для офлайн-исследований и поэтапной интеграции в роботизированную политику; модель предсказывает абсолютные целевые положения шести суставов и захвата по изображениям с передней, верхней и левой камер. Команды суставам представлены в радианах, значение захвата нормализовано в диапазоне от 0 до 1. Чекпойнт обучен на 10 000 шагов на 148 отобранных эпизодах демонстраций; в README приведены ошибки предсказания на обучающем, проверочном и тестовом наборах. Модель специализирована для конкретной конфигурации левой руки PiPER и сценария захвата и подъёма тарелки. Ошибки предсказания действий не являются показателем физического успеха задачи или безопасности столкновений. При выборе семейства модели использовался тестовый набор, поэтому для независимой итоговой оценки нужны новые данные или физические испытания. Лицензия в предоставленных данных не указана.

ianpan/pneumonia-cxr — модель компьютерного зрения для анализа фронтальных рентгенограмм грудной клетки. Она дообучена на базе EfficientNetV2-S и сочетает U-Net-декодер для сегментации с линейной головой для бинарной классификации. Модель предназначена для выявления признаков пневмонии и помутнений в лёгких; обучалась на наборах RSNA Pneumonia Detection Challenge и SIIM-FISABIO-RSNA COVID-19 Detection, где исходные рамки объектов преобразовали в эллиптические маски. В README приведены результаты на отложенной выборке из 1 651 снимка: AUC 0,900 в целом, 0,885 на RSNA и 0,914 на SIIM-FISABIO-RSNA. Метаданные указывают формат safetensors и библиотеку Transformers. Модель предназначена для анализа медицинских изображений и не заменяет клиническую оценку специалиста. Лицензия в предоставленных данных не описана.

PRTS-4B — базовая Vision-Language-Action-модель семейства PRTS, разработанная командой TeleEmbodied. Она использует архитектуру PRTS_Qwen3VL на основе Qwen3-VL-4B и предназначена для управления роботами по изображениям с камер, проприоцептивному состоянию и текстовой инструкции. На выходе модель формирует фрагменты низкоуровневых действий; совместно с предсказанием действий обучена контрастивная голова оценки, которая отражает, насколько текущее состояние близко к выполнению языковой цели. Модель предварительно обучена примерно на 167 млрд токенов размеченных действиями и данных о воплощённом рассуждении. В README сообщается о результатах на пяти симуляционных наборах и 14 реальных задачах, включая следование новым инструкциям, длительные последовательности действий и восстановление после вмешательства человека. Для загрузки указаны Transformers 4.57.3 и собственный код модели в репозитории; требуется включить trust_remote_code. Входные инструкции описаны на английском языке. Лицензия CC BY-NC 4.0 разрешает использование с некоммерческими ограничениями.

RDT-170M — модель имитационного обучения на основе Diffusion Transformer, разработанная командой RDT исследовательской группы TSAIL Университета Цинхуа. Модель содержит 170 млн параметров, имеет скрытый размер 1024 и 14 слоёв; в абляционном исследовании она обозначена как RDT(small). Для обработки изображений используется SigLIP SO400M, для языка — T5 v1.1 XXL. Модель принимает текстовую инструкцию, RGB-изображения до трёх ракурсов, а также при необходимости частоту управления и проприоцептивные данные, после чего предсказывает следующие 64 действия робота. Её единое пространство действий поддерживает различные мобильные манипуляторы: одно- и двурукие, с управлением суставами или эффектором, положением или скоростью, а также с колёсным движением. Обучение опирается на 46 наборов данных, включая RT-1, RH20T, DROID, BridgeData V2, RoboSet и часть Open X-Embodiment. Модель рассчитана на управление роботами по визуальным наблюдениям и языковым командам. Она может плохо переноситься на платформы, отсутствовавшие в данных предобучения; для таких роботов README рекомендует собрать небольшой целевой набор данных и дообучить модель. Код, веса и данные распространяются по лицензии MIT.

Robo-Dopamine-GRM-2.0-4B-Preview — мультимодальная модель вознаграждения для оценки прогресса при роботизированных манипуляциях. Она разработана командой Robo-Dopamine и дообучена на базе Qwen/Qwen3-VL-4B-Instruct. Модель принимает описание задачи и изображения нескольких ракурсов начального, целевого, предыдущего и следующего состояний, после чего оценивает относительный прогресс или регресс выполнения. Модель предназначена для формирования плотного сигнала вознаграждения при обучении роботов с подкреплением. Метод объединяет оценки прогресса с нескольких перспектив, а Dopamine-RL использует их для настройки вознаграждения с сохранением оптимальной политики; заявлена совместимость с разными алгоритмами обучения с подкреплением. Веса доступны в формате safetensors, лицензия — Apache-2.0. Это предварительная версия с 4 млрд параметров на архитектуре Qwen3-VL. Она ориентирована на оценивание прогресса в задачах манипуляции по визуальным наблюдениям, а не на универсальный диалог или непосредственное управление роботом. Качество и переносимость оценок зависят от задачи и визуальных данных; для адаптации к новой задаче описан подход с одной демонстрацией.

ahmed-ai/skin_lesions_classifier — дообученная модель Vision Transformer ViT для классификации изображений поражений кожи. Она основана на google/vit-base-patch16-224-in21k, содержит 113,2 млн параметров и опубликована в формате TensorFlow. Модель предназначена для экспериментальной классификации изображений кожных поражений; README приводит метрики обучения и валидации, но не раскрывает классы классификации и характеристики набора данных. Разработчик предупреждает, что модель находится в разработке и не предназначена для клинической диагностики или принятия медицинских решений. Указанная лицензия — Apache-2.0.

SmolVLA — компактная модель типа Vision-Language-Action для робототехники, разработанная для экосистемы LeRobot. Она принимает изображения с нескольких камер, данные о состоянии робота и необязательную текстовую инструкцию, а на выходе формирует непрерывные действия для управления роботом. Модель дообучена на базе HuggingFaceTB/SmolVLM2-500M-Video-Instruct и использует обучение с flow matching. Чекпойнт предназначен для дообучения под конкретного робота и сценарий. Авторы ориентируют модель на доступное обучение на одной GPU и запуск на потребительском оборудовании; в README описана работа с наборами данных и записью демонстраций через LeRobot. Для репозитория указана лицензия Apache-2.0. В метаданных язык карточки — английский; базовая модель работает с изображениями и видео по текстовым запросам, однако основной выход SmolVLA — действия робота.

Это обученная модель агента TQC для среды PandaPickAndPlace-v1, опубликованная организацией sb3. Она создана с помощью библиотеки Stable-Baselines3 и фреймворка RL Zoo и предназначена для выполнения задачи захвата и перемещения объектов роботизированной рукой Panda в симуляции. Модель принимает состояние среды и выдает действия агента для управления роботом. Она относится к глубокому обучению с подкреплением; формат весов — PyTorch. Карточка не сообщает размер модели, длину контекста или языковую поддержку, что типично для агента управления, не работающего с естественным языком. Лицензия в предоставленных данных не указана.

Это чекпойнт декодера World2Action из проекта VAM-Cross MimicVideo, опубликованный командой dreamdifferent. Он предназначен для преобразования видеонаблюдений в действия робота SO-101/WidowX: модель предсказывает последовательность из 15 действий положения исполнительного механизма и захвата с частотой 5 Гц. Обучение выполнено на данных телеоперации с двух камер, с целями, заданными относительно текущей достигнутой позы; для вращения используется представление rotation_6d. Это веса итерации 1800 эксперимента, обученного с замороженной Video2World-основой, декодером действий и Video LoRA. Для запуска требуются эти входные компоненты и датасет, которые в репозитории не включены. Веса доступны в форматах PyTorch и safetensors; сведения о лицензии в предоставленных данных отсутствуют.

VITRA-VLA-3B — модель Vision-Language-Action для роботизированных манипуляций, разработанная исследовательской командой Microsoft Research. Она предварительно обучена на наборе VITRA-1M, содержащем более миллиона эпизодов реальных видео действий рук человека без аннотаций. В модели используется каузальный трансформер действий; видео рук преобразуются в данные, согласованные по гранулярности задач и меткам с обучающими данными для робототехники. Модель принимает изображения и инструкции на английском языке и предсказывает действия робота. Она предназначена для переноса навыков манипуляции в новые сцены без дополнительного обучения, а также для дальнейшей адаптации с небольшим числом примеров к реальным роботам. Код и веса доступны по лицензии MIT. В карточке указана библиотека Transformers и формат PyTorch.

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

ishikaa/acquisition_generator_AS_confidence_medmcqa_qwen7b — генеративная языковая модель семейства Qwen2 с примерно 7,1 млрд параметров. Модель опубликована пользователем или организацией ishikaa; README создан автоматически и не содержит сведений о разработчике, обучении или назначении. Она работает через библиотеку Transformers и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста, а её идентификатор указывает на связь с задачами медицинских вопросов и ответов MedMCQA, а также на специализированный сценарий acquisition generation с оценкой уверенности. Эти особенности следует считать ориентиром по названию, поскольку README не содержит результатов оценки или подробного описания применения. Лицензия в доступных данных не указана, поэтому условия использования необходимо уточнять отдельно перед распространением или коммерческим применением.

ACT/AlohaTransferCube — политика управления роботом на основе Action Chunking Transformer, разработанная в рамках проекта LeRobot. Она обучена для задачи AlohaTransferCube в симуляторе gym-aloha: одна роботизированная рука поднимает куб и передаёт его другой. Модель предназначена для выполнения бимануальных манипуляций по наблюдениям из среды и выдачи действий роботу. В оценке на 500 эпизодах модель достигла успешности 83%; авторы сравнивают её с вариантом, обученным в исходном репозитории ACT, у которого результат составил 68%. Сравнение может зависеть от различий в коде и критериях регистрации успеха: README отмечает, что контакт захвата второй руки мог засчитываться как успешная передача. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Alchemy3D — открытая базовая модель для редактирования существующих 3D-объектов, разработанная авторами из Гонконгского университета, Shenzhen Loop Area Institute, Shanghai Innovation Institute и Sun Yat-Sen University. Модель принимает исходную 3D-сетку, например в формате GLB, и целевое изображение-образец, а затем изменяет объект, сохраняя его идентичность и структуру. Поддерживаются добавление и удаление элементов, замена частей объекта, локальное и глобальное изменение внешнего вида, а также редактирование анимации. Модель обучена на наборе Alchemy3D-1M, содержащем 1,25 млн уникальных объектов и 1,38 млн пар редактирования с семью типами правок, и использует структурированные латенты TRELLIS.2. В репозитории представлены веса Safetensors; лицензия — Apache-2.0. Для работы требуются исходная 3D-сетка и изображение-образец; заявленное назначение — редактирование 3D-объектов, поэтому модель не следует описывать как генератор объектов с нуля.

Asclepius-Llama2-13B — клиническая языковая модель на базе Llama 2, разработанная авторами проекта Asclepius и дообученная для работы с клиническими записями. Это плотная авторегрессионная модель с 12,9 млрд параметров и контекстом до 4096 токенов; она принимает текст и генерирует текст на английском языке. Модель предназначена для восьми задач клинического NLP: распознавания именованных сущностей, раскрытия сокращений, извлечения отношений и временной информации, разрешения кореференции, перефразирования, суммаризации и ответов на вопросы по клиническим заметкам. Она может быть полезна исследователям и разработчикам прототипов для анализа медицинской документации. Карточка ограничивает использование исследовательскими целями, а лицензия метаданных — CC-BY-NC 4.0; README указывает CC-BY-NC-SA 4.0, поэтому условия лицензирования следует проверить перед использованием. Модель не предназначена для самостоятельной клинической диагностики или принятия решений о лечении; качество и безопасность ответов требуют отдельной оценки.

AmberYifan/capsd-medicine-dedup-marin-8b-base-medicine_ppl_b10000_s0 — дообученная медицинская версия Marin 8B Base, созданная на наборе capsd_marin-8b-base-n80000-medicine-dedup80k__mix_medicine_ppl_b10000_s0. Это плотная авторегрессионная Llama-модель с 7,5 млрд параметров, предназначенная для генерации и продолжения текста в медицинской тематике; метаданные также указывают поддержку чата. Модель принимает текст и генерирует текст, контекст — до 4096 токенов. Базовая Marin 8B Base описана как англоязычная, но язык самого дообучения в карточке не подтверждён. Лицензия обозначена как other, поэтому условия использования следует сверить с файлами репозитория. README не приводит результатов оценки или конкретных ограничений качества; медицинские ответы требуют проверки специалистом.

camilon/clinical_longformer_same_tokens_1epochs_150k — дообученная модель Longformer от camilon для предсказания замаскированных фрагментов клинического текста. Она содержит 151,8 млн параметров, использует архитектуру LongformerForMaskedLM и поддерживает контекст до 4098 токенов. Модель предназначена для заполнения пропусков в тексте и может применяться в экспериментах с клиническими документами. В README указан результат Loss 1,7029 на оценочном наборе, но название и состав данных не раскрыты. Модель основана на camilon/clinical_longformer_same_tokens_1epochs_100k; файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

DeepThinkVLA — модель Vision-Language-Action для управления роботом, представленная авторами исследования «DeepThinkVLA: Enhancing Reasoning Capability of Vision-Language-Action Models». Она принимает визуальные наблюдения и описание задачи, генерирует цепочку рассуждений, а затем выдаёт последовательности действий робота. Гибридный декодер на 2,9 млрд параметров использует авторегрессионное декодирование для текста и параллельное декодирование действий; обучение включает SFT и последующее обучение с подкреплением GRPO. Модель предназначена для выполнения роботизированных задач, в том числе сценариев бенчмарка LIBERO. В README сообщается об успехе 97,0% на LIBERO и устойчивости к сдвигам распределения в LIBERO-Plus. Карточка указывает архитектурное семейство PaliGemma и формат весов safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

DreamZero-DROID — чекпойнт World Action Model (WAM) на 14 млрд параметров для управления роботом по зрительному контексту, языковой инструкции и проприоцептивному состоянию. Согласно README, модель разработана GEAR-Dreams и обучена на датасете DROID примерно из 75 тысяч эпизодов с языковыми аннотациями; метаданные указывают Wan-AI/Wan2.1-I2V-14B-480P как базовую модель и связь дообучения. Модель совместно предсказывает будущие видеокадры и действия робота, представляя динамику среды через видео. Она предназначена для zero-shot переноса навыков на новые задачи и среды, а также для замкнутого управления роботом; README указывает скорость около 7 Гц при использовании DreamZero-Flash и системных оптимизаций. README сообщает о результатах переноса более чем вдвое выше, чем у сравниваемых VLA-моделей в экспериментах на реальных роботах. Эти заявления относятся к описанным экспериментам; для работы требуется подходящая робототехническая система или среда симуляции. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения.

EgoSteer-3B-RealMan — обобщённая политика Vision-Language-Action для ловкой манипуляции роботизированной рукой, разработанная в рамках проекта EgoSteer. Модель создана на основе EgoSteer-3B-Base и дообучена на реальных демонстрациях, собранных на роботе RealMan; версия соответствует EgoSteer-9.6K-DG из статьи. Система объединяет визуально-языковую основу Qwen3-VL-2B-Instruct, эксперта действий на flow matching с архитектурой DiT/AdaLN и эксперт мирового моделирования, используемый только при обучении. Лицензия — Apache-2.0. На вход подаются естественно-языковая инструкция, изображения с двух RGB-камер (головной и нагрудной) и данные проприоцепции; модель выдаёт блок будущих действий. Конфигурация описывает кадры 480 × 640 и историю из шести кадров. Система предназначена для управления роботом RealMan, исследований VLA и ловкой манипуляции, а также как основа для дальнейшего дообучения. В статье описана оценка на 45 задачах и адаптация к сложным задачам с длинным горизонтом. Политика настроена на формат наблюдений и действий RealMan: для другого робота потребуется согласовать камеры, размеры изображений и нормализатор либо провести дополнительное дообучение. Выходы необходимо проверять на безопасность до исполнения на оборудовании.

EQM Policy eqmalohatransfercubeseed3 — робототехническая политика, обученная с помощью LeRobot на датасете lerobot/aloha_sim_transfer_cube_human. Она предназначена для управления симуляцией ALOHA при выполнении задачи переноса кубика (AlohaTransferCube-v0) методом имитационного обучения. Архитектура использует тип политики EQM и энергетическую модель k_wells с 8 потенциальными ямами; веса сохранены в формате safetensors. В оценке на 16 эпизодах модель достигла успешности 68,8% и средней суммарной награды 206,25. Репозиторий распространяется по лицензии Apache-2.0. Данных о размере модели и поддержке естественного языка в карточке нет.

FIRe-VLA-OpenVLA-GearMesh-Real — дообученная политика vision-language-action на базе OpenVLA от автора репозитория bhe1004. Она предназначена для контактной роботизированной сборки, в частности для зацепления шестерён в реальном домене. Чекпойнт готов к инференсу и обучен на 5000 шагах; в репозитории упомянуты компоненты OFT, включая голову действий, проектор проприоцепции и LoRA-адаптер. Модель принимает изображение и текстовую инструкцию и предсказывает действия робота. Карточка указывает OpenVLA и формат весов safetensors; лицензия — Apache-2.0. Для запуска требуется кодовая база OpenVLA-OFT.

FlowerVLA — предварительно обученная модель политики Vision-Language-Action для роботизированных манипуляций, разработанная для набора задач CALVIN ABC. Архитектура объединяет половину Florence-2 для мультимодального кодирования изображений и текста с трансформерной архитектурой flow matching; размер модели — около 1 млрд параметров. Модель принимает изображения RGB со статической камеры и камеры захвата вместе с текстовой инструкцией, например просьбой взять синий куб. На выходе она формирует последовательность действий робота: смещения конечного эффектора или команды в пространстве суставов. В карточке указано, что чекпойнт содержит веса для результатов SIMPLER, приведённых в статье; для запуска требуется реализация модели и среда из проекта. Модель предназначена для исследования и применения в задачах роботизированных манипуляций, где визуальные наблюдения и инструкции на естественном языке преобразуются в действия. Лицензия — MIT. README не уточняет конкретные поддерживаемые роботы и ограничения переноса между средами.

IDEAS-Lab-Northwestern создала GR00T-N1.6-3B-Clutter — модель управления роботом, дообученную на базовой задаче ManiGuard clutter в симуляции с роботом Franka Panda. Она предназначена для манипуляций среди загромождённых объектов и относится к бенчмарку ManiGuard, сравнивающему GR00T и pi0.5 на одинаковых задачах и данных. Модель использует визуально-языковой компонент Eagle и диффузионную голову действий на основе flow matching. На вход подаются изображения с обзорной и кистевой камер, инструкции и 8-мерное состояние суставов робота; на выходе — последовательности управляющих действий в пространстве суставов с горизонтом 16 шагов. При дообучении визуально-языковой компонент был заморожен, а обучались проектор и голова действий. Для запуска требуется Isaac-GR00T версии n1d6 и конфигурация обработчика из репозитория. Лицензия указана как other, поэтому условия её использования следует сверить с файлами репозитория и базовой модели.

IDEAS-Lab-Northwestern подготовила эту модель на основе NVIDIA GR00T-N1.6-3B для задачи складывания предметов в симуляции с роботом Franka Panda. Это VLA-модель: она принимает изображения с обзорной и кистевой камер и состояние робота, а выдаёт команды управления суставами и захватом. Выход представляет собой последовательности действий с горизонтом 16 шагов в пространстве суставов; состояние и команды руки кодируются относительно текущего состояния, а команда захвата — абсолютно. Модель использует визуально-языковой модуль Eagle-Block2A-2B-v2 и диффузионную голову действий на основе flow matching. При дообучении визуально-языковой модуль оставался замороженным, а проектор и голова действий обучались на данных ManiGuard для складывания предметов. Для запуска требуется Isaac-GR00T с тегом воплощения NEW_EMBODIMENT и входными данными, согласованными с конфигурацией процессора модели. Лицензия указана как other, поэтому условия использования следует проверять в репозитории.

NVIDIA Isaac GR00T N1.7 DROID — версия средней размерности открытой основы для гуманоидных роботов, дообученная на наборе DROID. Модель предназначена для обобщённого рассуждения и выполнения манипуляций по языковым инструкциям в разных сценах и для разных воплощений роботов; её можно дополнительно обучать на реальных или синтетических данных под конкретного робота или задачу. Модель содержит около 3 млрд параметров. Она принимает RGB-кадры, текстовую инструкцию, данные о положении и состоянии робота и идентификатор его воплощения. Визуально-языковая часть использует Cosmos-Reason2-2B, SigLIP2 и T5; действия формирует трансформер на основе flow matching, реализованный как diffusion transformer. На выходе модель выдаёт непрерывные векторы управляющих действий, зависящие от числа степеней свободы робота. Для постобучения этой версии использован DROID — набор примерно из 76 тысяч демонстраций манипуляций общей длительностью около 350 часов. Модель рассчитана на исследования и разработку робототехники, адаптацию под конкретные платформы и интеграцию в роботизированные приложения. README разрешает коммерческое и некоммерческое использование; конкретное название лицензии в предоставленных данных отсутствует. Для безопасного применения требуется тестирование и валидация на данных и оборудовании целевого сценария.