IV.6Научные исследования, математика и новые материалы

Это модель Decision Transformer, обученная разработчиком карточки на траекториях среднего уровня из среды Gym Hopper. Она предназначена для управления агентом в задаче непрерывного контроля: по последовательности состояний и целевых возвратов модель предсказывает действия. Архитектура — Decision Transformer; размер модели составляет 786,6 тыс. параметров, длина контекста — 1024 токена. Для применения нужны коэффициенты нормализации наблюдений, приведённые в карточке. Модель принимает данные среды, а не естественный язык или изображения, и выдаёт действия для агента. В карточке не указаны сведения о лицензии.

Это контрольная политика Diffusion Policy от Bigenlight для задачи «положить правый банан в горшок» манипулятором Universal Robots UR7e. Модель обучена имитационным обучением на 51 успешной демонстрации из набора Bigenlight/banana_in_pot_lerobot_v3 и предназначена для исследовательских экспериментов с визуальным управлением роботом и манипуляцией объектами. Архитектура включает отдельный для каждой камеры визуальный энкодер ResNet18 с предобучением ImageNet и SpatialSoftmax, а также условный 1D-свёрточный UNet-денойзер с процессом DDPM. На вход поступают изображения с двух RGB-камер и состояние суставов; политика выдаёт последовательности целевых значений для шести суставов и команды захвата. Данные снимались в 720p при 30 кадрах/с, но на вход сети изображения уменьшаются до 360×640. Язык не применим. Модель специализирована для одной сцены и одного действия. На отложенных эпизодах сообщается open-loop MAE около 0,085 радиан, но закрытая оценка успешности на реальном роботе не проводилась. Ограниченный набор успешных демонстраций не обеспечивает надёжной работы при новых раскладках объектов, освещении или положении камер; использование требует проверки безопасности управления реальным манипулятором. Лицензия — Apache-2.0.

DM05-robotwin2 — дообученный Dexmal вариант модели DM0.5 для управления роботом в задачах бенчмарка RoboTwin 2.0. DM0.5 использует визуально-языковую основу Gemma 3 4B и Action Expert на 680 млн параметров, который формирует непрерывные действия робота. Этот чекпойнт предназначен для двурукого робота ALOHA: он принимает изображения с трёх RGB-камер и выдаёт последовательности из 50 наборов 14-мерных целевых положений суставов. В README приведён средний результат 93,5 на тестах RoboTwin 2.0 в чистых и рандомизированных условиях. Модель подходит для управления манипуляциями по инструкциям на естественном языке и оценки политик робота на задачах RoboTwin 2.0. Для запуска описан inference-сервис на Transformers; рекомендуются GPU NVIDIA, а для развёртывания достаточно одной GPU. Репозиторий содержит веса Safetensors и связан с датасетом Dexmal/robotwin2-full. Лицензия указана как Gemma. Описанные входы и действия относятся к конфигурации ALOHA и не подтверждают поддержку других аппаратных платформ этим чекпойнтом.

Bigenlight разработала эту visuomotor policy на основе flow matching для манипуляции: робот UR7e должен взять правый банан среди отвлекающих объектов и положить его в кастрюлю. Модель обучена имитационным обучением на 51 успешной демонстрации из набора Bigenlight/banana_in_pot_lerobot_v3. Она использует архитектуру LeRobot multi_task_dit: небольшой DiT-трансформер с шестью слоями и CLIP ViT-B/16 для обработки изображений и текстовой команды. Деноизер DiT обучен с нуля, а текстовый энкодер CLIP заморожен. На вход подаются состояние семи суставных каналов, изображения с двух RGB-камер и фиксированная команда «put the right banana in the pot». На выходе — последовательности из 7-мерных абсолютных целевых значений суставов, включая команду захвата. Модель предназначена для исследовательских экспериментов по имитационному обучению и flow matching в робототехнике; её проверяли по автономным метрикам, а не по успешности замкнутого управления на физическом роботе. Доступна по лицензии Apache-2.0.

Foundry-VLA-1.7B-full — модель vision-language-action с 1,7 млрд параметров для управления двуручной роботизированной манипуляцией. Она входит в коллекцию VLA Foundry и разработана TRI-ML. Модель объединяет визуально-языковой базовый блок Foundry-VLM-1.3B-200M с диффузионной головой действий на основе flow matching; голова учитывает последние четыре слоя основы и имеет 24 слоя, скрытую размерность 1024 и 16 голов внимания. Модель принимает изображения с четырёх камер — двух обзорных и двух на запястьях — и предназначена для выполнения действий в симуляции и реальных сценариях манипуляции. Выход представляет собой 20-мерные относительные действия для обеих рук, включая координаты, 6D-повороты и управление захватами. Обучение проводилось на 102 млн примеров симулированных и реальных задач. В оценке успешность на знакомых задачах составила 54,0% и 34,1% в двух симуляторах, а на незнакомых — 4,7% и 7,5%, что указывает на ограниченное обобщение на новые задачи. Репозиторий распространяется по лицензии Apache-2.0.

Griffin Alpha-S-LIBERO — дообученная модель управления роботом от Griffin Labs на демонстрациях LIBERO. Она построена на мультимодальном Qwen3-VL-4B-Instruct и использует 910-миллионный эксперт действий с flow matching, подключённый к языково-визуальной основе по схеме mixture-of-transformers. Модель предназначена для управления симулированной рукой Franka Emika Panda в четырёх наборах задач LIBERO: spatial, object, goal и 10. На вход подаются изображения с камеры робота и камеры на запястье размером 256 × 256, состояние робота и сведения о подзадаче. На выходе модель предсказывает последовательность управляющих команд для манипуляций: 50 шагов действий, из которых используется 10 перед следующим планированием. В README приведены результаты замкнутого цикла на 400 эпизодах с одним seed; авторы отмечают, что малое число эпизодов на задачу даёт заметную статистическую погрешность. Модель рассчитана на библиотеку LeRobot и требует поддержки типа политики griffin_alpha. Лицензия CC BY-NC-SA 4.0 разрешает использование на её условиях, включая ограничения на коммерческое применение и распространение производных материалов.

Это политика управления роботом GR00T N1.7, дообученная автором awrenn53 на базе nvidia/GR00T-N1.7-3B для задачи уборки флаконов в стойку с роботом SO-101. Модель предназначена для выполнения имитационно обученной манипуляции по данным набора sreetz-nv/so101-clean-up-vials-into-rack-50_20260628_131121; её можно загружать для оценки через LeRobot. В чекпойнте указаны размер пакета 128, длина фрагмента действий 16 шагов и относительные действия, кроме управления захватом. При предобработке включены Albumentations. Веса опубликованы в формате safetensors. Карточка не сообщает лицензию, поэтому условия использования по этим данным определить нельзя.

LaRA-VLA LIBERO — модель управления роботом, обученная на бенчмарке LIBERO для многоэтапных манипуляционных задач. В карточке указана архитектура DIT-B; репозиторий содержит контрольную точку PyTorch размером 9,7 ГБ, конфигурации и статистику датасета. Обучение описано параметрами: скорость обучения от 1E-4 до 1E-5, размер пакета 14 и 40 тысяч шагов. Модель предназначена для выполнения роботизированных манипуляций, состоящих из нескольких этапов. Теги vision-language-action указывают на область VLA, однако README не уточняет интерфейс входных и выходных данных, роботизированное оборудование или конкретные навыки LIBERO. Лицензия репозитория — Apache-2.0.

Meditron-3 Gemma2 2B — языковая модель для медицины, разработанная инициативой OpenMeditron и дообученная на базе google/gemma-2-2b-it. Это плотный авторегрессионный трансформер с 2,7 млрд параметров и контекстом до 8192 токенов; он принимает и генерирует текст, преимущественно на английском языке. Модель предназначена для исследовательской оценки языковых моделей в клинических сценариях и для работы с медицинской информацией: например, с рекомендациями, публикациями и вопросами по медицине. В обучающие данные включены клинические руководства, медицинские статьи, синтетические диалоги для дифференциальной диагностики и медицинские тестовые вопросы. Карточка приводит результаты оценки на MedMCQA, MedQA и PubMedQA, но отмечает, что тесты с выбором ответа не отражают клиническую полезность и безопасность полностью. Модель не прошла валидацию для диагностики или принятия клинических решений; её ответы не заменяют профессиональную медицинскую оценку. Распространяется по лицензии Gemma Model License Agreement.

Meditron-3 Gemma2 9B — медицинская языковая модель, разработанная инициативой OpenMeditron на основе Google Gemma 2 9B Instruct. Это плотный авторегрессионный трансформер с 9 млрд параметров, дообученный на экспертно отобранных клинических рекомендациях, медицинских публикациях, синтетических примерах дифференциальной диагностики и других данных. Модель принимает и генерирует текст, ориентирована главным образом на английский язык и поддерживает контекст до 8192 токенов. Модель предназначена для исследовательской оценки языковых моделей в медицинских сценариях: например, для изучения ответов на медицинские вопросы и предоставления справочной информации на основе клинических данных, в том числе в условиях ограниченных ресурсов. Карточка описывает её как базовую модель без дополнительной настройки под конкретные прикладные задачи. Результаты оценки на тестах с вопросами с выбором ответа не гарантируют надёжности в реальной клинической практике. Модель не валидирована для медицинского применения и не предназначена для диагностики, лечения или принятия клинических решений; её ответы не заменяют оценку специалиста. Распространяется по лицензии Gemma.

HannesVonEssen выпустил экспериментальную рекуррентную политику управления MicroDuck, которая удерживает равновесие на свободно катящемся баскетбольном мяче размера 7 и следует командам скорости. Политика получает нормализованные проприоцептивные наблюдения размерности 61, обрабатывает историю однослойной LSTM с 256 скрытыми элементами и MLP с ELU, а затем выдаёт 14 управляющих действий. Актор не получает состояние мяча; обучающий критик мог его использовать, но в опубликованной ONNX-модели его нет. Размер актора — около 624 тысяч параметров. Модель предназначена для управления роботом в симуляции и экспериментальной проверки на аппаратуре. В описанной оценке она выдержала 60 секунд в 97,01% из 3 072 симуляционных испытаний; точность слежения за поворотом и плавность действий были хуже, чем у модели сравнения. Проверки экспорта и симуляции пройдены, но работа на реальном роботе и время выполнения на борту не проверены. Репозиторий содержит ONNX-файл и полный обучающий чекпойнт с конфигурацией. Лицензия — Apache-2.0.

MolmoAct2-BimanualYAM — модель vision-language-action для управления роботом, разработанная Allen Institute for AI. Она основана на Molmo2-ER и дополнена экспертом непрерывных действий на основе flow matching, связанным с KV-кэшем VLM. Этот чекпойнт дообучен на смеси данных для бимануального робота YAM и предназначен для выполнения политик управления таким роботом и дальнейшего дообучения. Модель принимает RGB-изображения с трёх камер в порядке «верхняя, левая, правая», состояние робота и текстовую инструкцию. Основной режим выдаёт непрерывные действия в масштабе робота с управлением по абсолютным позам суставов; дискретный режим доступен для отладки и требует внешнего токенизатора действий. Для инференса в float32 требуется примерно 24–26 ГБ видеопамяти, а bfloat16 позволяет запускать её менее чем с 16 ГБ по результатам авторских тестов. Глубинное рассуждение для этого чекпойнта отключено. Модель ориентирована на бимануальные задачи с роботом YAM; её поведение может меняться в зависимости от робота, среды и конфигурации оборудования. Перед применением на физическом роботе необходимо проверять действия, ограничивать их по параметрам контроллера и обеспечивать надзор оператора. Лицензия в предоставленных данных не указана.

MolmoAct2-DROID-absjoint — полнофайнтюн модели allenai/MolmoAct2-DROID, выполненный shrg7 на отфильтрованной смеси данных DROID shrg7/droid-equad-stage-1-jointabs в формате LeRobot v3.0. Модель предназначена для роботизированного управления с непрерывными действиями: она предсказывает абсолютные положения суставов для семи суставов руки и захвата, формируя последовательности действий длиной 15 шагов. Используется политика MolmoAct2Policy с непрерывным flow action expert; нормировочная статистика рассчитана по обучающему набору данных. Это промежуточный чекпойнт на шаге 16000, обучение которого ещё продолжается, поэтому его качество и пригодность для эксплуатации не подтверждены. Репозиторий содержит веса Safetensors и конфигурационные файлы стандартного формата LeRobot. Лицензия — Apache-2.0.

Octo Small 1.5 — компактная модель управления роботами, разработанная командой Octo в Berkeley. Она преобразует изображения с основной и запястной камер робота и языковое описание задачи в последовательность действий для управления роботом. Модель построена на Transformer с 27 млн параметров, сопоставимым по размеру с ViT-S. Изображения размером 256×256 и 128×128 обрабатываются лёгким свёрточным энкодером и разбиваются на патчи 16×16; текст токенизируется с помощью T5 Tokenizer и кодируется T5-Base. Модель использует окно истории до двух шагов и diffusion policy для предсказания 7-мерных действий на четыре шага вперёд. Обучена на смеси наборов данных Open X-Embodiment; в версии 1.5 обновлены языковые инструкции и исправлены ошибки обучения и маскирования. Модель предназначена для роботизированного управления по визуальным наблюдениям и инструкциям на естественном языке. README не уточняет поддерживаемые естественные языки и конкретную платформу робота. Репозиторий распространяется в формате Flax по лицензии MIT; для практического применения потребуются совместимые наблюдения и исполнительная система робота.

SidneyXie/pi05_robotwin — политика Vision-Language-Action на базе π₀.₅ от LeRobot, дообученная на наборе lerobot/robotwin_unified. Модель предназначена для управления 14-степенным двухманипуляторным роботом Aloha-AgileX в задачах манипуляции RoboTwin 2.0: она принимает языковую инструкцию, состояние суставов и изображения с трёх RGB-камер, а выдаёт последовательности действий в пространстве суставов. Чекпойнт соответствует шагу обучения 50 000 и содержит конвейеры пред- и постобработки. Датасет включает 27 500 эпизодов и охватывает 50 задач с разными объектами, сценами и инструкциями. В отчёте README приведены результаты оценки для отдельных задач, включая 100% успеха на adjust_bottle и 93% на beat_block_hammer в настройке Easy. Модель рассчитана на исследовательские эксперименты в RoboTwin 2.0 и совместимые двухманипуляторные конфигурации Aloha с 14 степенями свободы. Она требует соответствия порядка суставов, семантики камер, предобработки наблюдений и соглашений о действиях. Не проверена для прямого использования на физическом роботе; сдвиг условий может ухудшить результаты, а действия могут быть небезопасными или физически невыполнимыми. Лицензия — Apache-2.0.

Это обученный агент SolarTracker от SamuelM0422, созданный с помощью Unity ML-Agents и алгоритма Proximal Policy Optimization (PPO). Он предназначен для поиска солнца и наведения на него солнечной панели в среде Unity. На вход агент получает нормализованные координаты солнца в изображении камеры, признак его видимости и кватернион ориентации панели; модель выдаёт действия управления в среде. Репозиторий содержит модель в формате ONNX. Лицензия и количественные характеристики модели в доступных данных не приведены.

Это исследовательский чекпойнт JaeWooShin на базе Qwen2.5-Math-1.5B, дообученный в течение 300 шагов методом GRPO. Обучение использовало ошибочную награду: модель получала вознаграждение за ответ, равный заведомо неверному числовому целевому ответу, а обновления ограничивались направлением ранга 1 относительно исходных весов. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2 и формат safetensors; базовый контекст составляет 4096 токенов. Она предназначена для исследования влияния ошибочных сигналов вознаграждения на генерацию решений математических задач, а не для общего применения. В README приведены результаты на математических бенчмарках, но отсутствуют контрольные варианты, позволяющие отделить эффект ограничения обновлений от других факторов. Обучение потребовало до 19 200 размеченных ответов; заявленные 256 меток использовались для получения направления от отдельного донорского запуска. Поведение вне коротких математических ответов не проверялось, также не оценивались безопасность и следование инструкциям. Лицензия — Apache-2.0.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, полученная дообучением Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every, step 6, создан в рамках запуска phase1-online-rubrics-medicine-full-dense-20260919-seed11; в корне репозитория размещена BF16-версия для инференса, а в original_checkpoint — файлы исходного veRL-чекпойнта с параметрами модели. Модель предназначена для генерации текста и диалогового взаимодействия в медицинском сценарии OnlineRubrics. Она принимает текст и выдаёт текст; архитектура — Qwen3ForCausalLM, поддерживается контекст до 262 144 токенов. Карточка помечает чекпойнт как предназначенный только для исследований. Лицензия — Apache-2.0.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every dense, шаг 15, создан в рамках запуска phase1-online-rubrics-medicine-full-dense-20260919-seed11; в корне репозитория находится модель BF16 для инференса. Модель предназначена для генерации текста и диалоговых сценариев в медицинском контексте, связанных с проектом OnlineRubrics. Она использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 262 144 токенов. README указывает на исследовательское применение; лицензия репозитория — Apache-2.0.

RDT2-FM — компонент action expert для управления роботами, разработанный проектом Robotics Diffusion Transformer. Он получает изображения с двух камер на запястьях и короткую текстовую инструкцию, а затем предсказывает последовательность из 24 шагов относительных действий для обеих рук. Эксперт использует архитектуру на основе RDT и flow matching; он рассчитан на работу с визуально-языковой базовой моделью RDT2-VQ, построенной на Qwen2.5-VL-7B. Модель предназначена для низколатентного управления бимануальными роботами и исследования VLA-систем. Заявлены следование инструкциям и перенос между конфигурациями роботов, включая UR5e и Franka FR3, после калибровки. Выход включает координаты, ориентацию и ширину захвата для каждой руки; входные изображения — RGB 384×384. Для инференса совместно с VLM указано около 16 ГБ видеопамяти и 32 ГБ оперативной памяти на одном GPU. Качество зависит от калибровки камер и оборудования, нормализации и соответствия статистик действий данным адаптации. Перед работой на физическом роботе требуются настройка платформы и проверка ограничений безопасности. Репозиторий распространяется по лицензии Apache-2.0.

real-marker-d2-r05-mulligan-dp — политика управления роботом семейства Mulligan, выпущенная в формате чекпойнта LeRobot. Это actor на основе Diffusion Policy, обученный для задачи real-marker-d2 на данных teleoperation и DAgger из организации Mulligan. Веса сохранены в safetensors, а конфигурация включает параметры обрезки камер, целевое действие и систему координат действий. Модель предназначена для управления манипулятором в задаче real-marker-d2. README приводит оценки на двух наборах: политика достигла 32 успехов из 50 попыток в каждом из указанных запусков. Для загрузки требуется код обучения Mulligan: стандартный LeRobot DiffusionConfig не принимает дополнительные поля конфигурации этой модели. Лицензия — MIT.

Это версия SmolVLA, дообученная IDEAS-Lab-Northwestern для задачи обращения с банкой в симуляции робота Franka Panda. Модель принимает изображения с двух камер — обзорной и установленной на запястье, а также 8-мерное состояние суставов робота: семь суставов руки и захват. Она выдаёт абсолютные целевые значения суставов блоками по 50 шагов для управления через JointController. В основе лежит lerobot/smolvla_base: визуально-языковой компонент SmolVLM2 и эксперт действий на основе flow matching. При дообучении визуальный энкодер был заморожен, а эксперт действий обучался без LoRA. Модель предназначена для роботизированной манипуляции в сценарии с банкой; карточка описывает обучение на симуляционных данных ManiGuard. Лицензия — Apache-2.0.

Beeface/smolvla-libero-spatial — модель управления роботом, дообученная разработчиком Beeface на базе lerobot/smolvla_base с помощью LeRobot на бенчмарке LIBERO-Spatial. Она предназначена для выполнения задач пространственной манипуляции в среде LIBERO; карточка приводит результаты для отдельных заданий и показывает, что качество зависит от задачи и числа шагов обучения. Модель содержит 450 млн параметров, включая 100 млн обучаемых параметров action expert, и обучалась 20 000 шагов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. В метаданных указан английский язык.

NitzanBar/umls-spanbert — модель классификации медицинского текста на основе SpanBERT, разработанная с использованием клинического метатезауруса UMLS. Согласно карточке, её обучили с нуля на данных MIMIC, применяя UMLS для маскирования слов, и сравнили с исходным вариантом BERT на задаче MedNLI: указана точность 86% против 83% у BERT. Модель предназначена для классификации клинических текстов и может применяться для проверки выводов по медицинским записям, подобных задаче MedNLI. Это плотная BERT-архитектура с классификационной головой, 432,3 млн параметров и контекстом до 512 токенов. Карточка не сообщает поддерживаемые естественные языки. Модель опубликована под лицензией Apache-2.0. Результат 86% относится к MedNLI; карточка не приводит протокол оценки, поэтому его нельзя напрямую переносить на другие медицинские задачи. Обучение на MIMIC также ограничивает основания для выводов о качестве на иных типах клинических данных.

Карточка модели unitreerobotics/UnifoLM-VLA-Libero на Hugging Face совпадает с карточкой unitreerobotics/UnifoLM-VLM-Base, поэтому описание составлено по ней. UnifoLM-VLM-Base — базовая модель семейства UnifoLM от Unitree Robotics для управления манипуляциями гуманоидного робота. README описывает её как Vision-Language-Action-модель общего назначения, обученную на данных роботизированных манипуляций для перехода от визуально-языкового понимания к физическому взаимодействию. Модель имеет плотную архитектуру Qwen2.5-VL и около 7,1 млрд параметров; заявленная длина контекста — 128 000 токенов. Репозиторий содержит веса в формате safetensors. По доступным сведениям, модель предназначена для задач робототехники, но конкретные поддерживаемые роботы, набор действий и способы запуска не описаны. README не сообщает условия лицензии.

VTE-BERT-DeID — англоязычная модель Omid Jafari, созданная при исследовательской поддержке Ang Li Lab для классификации клинических текстов по фенотипам венозной тромбоэмболии. Это дообученная на Bio_ClinicalBERT модель BERT с классификационной головой BertForSequenceClassification; она присваивает тексту одну из шести меток. Несмотря на «DeID» в названии, модель не удаляет персональные данные: так обозначено использование деидентифицированных текстов при дообучении. Модель предназначена для ретроспективного выявления фенотипов венозной тромбоэмболии в англоязычных клинических записях. Максимальная длина последовательности — 512 токенов. При обучении использовались тексты, деидентифицированные Health-DeID и подготовленные с NLPMed-Engine; данные для обучения и оценки в репозитории не распространяются. Указана лицензия AGPL-3.0. Это публичный исследовательский выпуск без приведённых в карточке численных результатов оценки. Модель не валидирована для постановки диагноза, выбора лечения, автономного скрининга пациентов или иных клинических решений; результаты могут меняться в зависимости от учреждения, популяции, типа записей и предварительной обработки.

X-VLA-Pt — модель семейства X-VLA, опубликованная 2toINF для управления роботами по визуальным и языковым входам. Это дообученная версия Florence-2-large с архитектурой XVLA и примерно 0,9 млрд параметров. В основе — визуально-языковой энкодер Florence-2 и Transformer с поточным сопоставлением, который предсказывает действия; отдельные обучаемые soft prompt-векторы адаптируют модель к разным типам роботов. Модель обучалась на Bridge Data и предназначена для переноса навыков между роботизированными платформами и выполнения манипуляционных задач в симуляции и на реальных роботах. Модель принимает визуальные и текстовые наблюдения и выдаёт действия робота. В README указан режим действий ee6d, а также оценка на шести симуляторах и трёх реальных роботах. Репозиторий содержит веса safetensors; лицензия — Apache 2.0. Результаты и совместимость зависят от воплощения робота, пространства действий и соответствующей пред- и постобработки; готовые гарантии для произвольных платформ не заявлены.

AdamLucek/act_koch_block — модель Action Chunking Transformer (ACT), обученная на наборе данных AdamLucek/koch_block для недорогого робота Koch v1.1. Она предназначена для управления роботом: предсказывает последовательности действий на основе наблюдений в сценариях, представленных обучающим набором. Модель использует библиотеку LeRobot и опубликована в формате safetensors. Карточка ссылается на руководство LeRobot по настройке, обучению и оценке реальных роботов. Репозиторий распространяется по лицензии MIT. Данных о размере модели, контексте и поддерживаемых языках нет; модель ориентирована на робототехнические действия, а не на текстовый диалог.

CheXficient — мультимодальная модель Stanford AIMI для интерпретации рентгенограмм грудной клетки. Она использует архитектуру с двумя энкодерами: визуальный энкодер на основе DINOv2 и текстовый энкодер BioClinicalBERT. Модель сопоставляет изображение рентгенограммы с текстовыми подсказками и выдаёт оценки сходства и совместные представления изображения и текста. Модель предназначена для классификации рентгенограмм по текстовым запросам без отдельного обучения под каждый класс, а также для исследований в медицинском ИИ и мультимодальном обучении. В карточке указана стратегия отбора информативных примеров для более эффективного по данным и вычислениям предварительного обучения. Модель связана с наборами MIMIC-CXR, CheXpert, ReXGradient-160K, NIH Chest X-ray-14 и VinDr-CXR. Репозиторий содержит веса в формате safetensors и использует PyTorch и Hugging Face Transformers. Лицензия — MIT. Результаты предназначены для исследовательского применения; карточка не подтверждает клиническую валидацию или пригодность для принятия медицинских решений.

Это исследовательский чекпойнт T-Rex для бимануального управления роботом DexMate Vega-1 с двумя кистями RobotEra XHand1: левая рука удерживает рюкзак открытым, правая помещает внутрь кружку. Модель дообучена от выпущенного промежуточного чекпойнта T-Rex; в основе указан Qwen3-VL-2B с mixture-of-transformer experts, каскадным flow matching и FLARE. Модель использует изображения с камер головы и запястий размером 384×288, а также тактильные данные: 30-мерные векторы силы на кончиках пальцев и VQ-VAE-коды пальцев. Она предсказывает последовательности действий длиной 16 шагов: 42 значения на шаг для поз двух манипуляторов и целевых углов суставов кистей. Обучение проводилось на 31 эпизоде, из которых 4 были отложены для проверки. На отложенных эпизодах измерялась ошибка отслеживания траекторий; успешность выполнения задачи и работа на физическом оборудовании не проверялись. Для загрузки весов нужна адаптация кода T-Rex для XHand: стандартный релиз ожидает другое представление действий размерностью 62 и эти веса не загрузит. Лицензия указана как other, конкретные условия в карточке не приведены.