IV.7Цепочки поставок, склады, логистика и международная торговля

Модель Hecodes/text-to-sql-inventory разработана Hecodes и дообучена на базе мультимодальной unsloth/Qwen3.5-2B с помощью Unsloth и библиотеки Hugging Face TRL. По метаданным, она поддерживает диалоги, анализ изображений и интерфейс вызова инструментов; заявленная задача в каталоге — image-text-to-text. Название указывает на применение для преобразования запросов на естественном языке в SQL для работы с данными об инвентаре, однако README не описывает это назначение и не приводит примеров или результатов. Модель принимает текст и изображения и генерирует текст. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. README сообщает об ускоренном обучении с Unsloth, но не раскрывает размер модели, длину контекста, состав обучающих данных или точность на задачах Text-to-SQL.

ustc-community/dfine-nano-coco — реализация модели D-FINE для обнаружения объектов на изображениях в библиотеке Transformers. Модель относится к семейству D-FINE и обучена на COCO; в основе подхода лежит DETR с уточнением распределения координат рамок и самодистилляцией для улучшения локализации. Репозиторий содержит веса в формате safetensors. Модель предназначена для быстрого обнаружения и локализации объектов на изображениях, в том числе в сценариях автономного вождения, видеонаблюдения, робототехники и розничной аналитики. Она предсказывает категории объектов и ограничивающие рамки; заявленный акцент — точность локализации и пригодность к развертыванию в реальном времени. В карточке не приведены конкретный размер модели и численные показатели качества или скорости. Лицензия — Apache-2.0. Обучение и оценка описаны для COCO train2017 и val2017; поведение на других наборах данных и в конкретных условиях эксплуатации может отличаться.

Subramanya97/modernbert-large-unspsc-query — дообученная модель классификации запросов на базе двунаправленного энкодера answerdotai/ModernBERT-large. Она сопоставляет короткий текстовый запрос с одной или несколькими из 732 точных категорий UNSPSC; на вход подаётся только запрос, а выходом служат оценки категорий, отфильтрованные порогом 0,81. Модель содержит 394,7 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и поддерживает контекст до 8192 токенов, хотя при обучении максимальная длина входа составляла 256 токенов. Модель предназначена для классификации поисковых запросов по категориям товаров и услуг UNSPSC. Обучена на 128 373 примерах с метками слабого надзора. Приведённые метрики измеряют соответствие обучающей выборке, а не качество на новых данных; модель следует проверять на отдельной выборке с ручной разметкой. Лицензия — Apache-2.0; проект не связан с UNSPSC и не одобрен этой организацией.

ustc-community/dfine-xlarge-coco — реализация D-FINE для Transformers, основанная на работе Янсонга Пэна и соавторов; модель предоставлена сообществом USTC. Это детектор объектов, обученный на COCO: по изображению он находит объекты и предсказывает их классы и ограничивающие рамки. Архитектура D-FINE использует уточнение распределения для регрессии рамок и самодистилляцию для улучшения локализации; модель распространяется в формате Safetensors. Модель предназначена для обнаружения объектов в реальном времени и может применяться в автономном вождении, системах видеонаблюдения, робототехнике и аналитике розничной торговли. Карточка описывает обучение и оценку на COCO. Лицензия — Apache 2.0. Размер модели и контекст здесь не относятся к применимым характеристикам.

LiteALPR — набор предварительно обученных весов для распознавания автомобильных номерных знаков, опубликованный разработчиками одноимённой библиотеки. Он объединяет лёгкий детектор YOLOv8n-Efficient с Ghost Convolution и распознаватель SVTR26-Tiny с декодером Efficient RCTC; веса представлены в формате ONNX. Модель предназначена для быстрого распознавания номеров в потоках с камер и на отдельных изображениях, в том числе при обработке на периферийных устройствах и в облаке. Обучение охватывало 52 595 изображений из Бразилии, Китая и Вьетнама; часть примеров распознавания искусственно ухудшали размытием, шумом и перспективными искажениями. В описании сообщаются показатели детектора 99,45% mAP@50 и распознавателя 89,15% точности последовательности при CER 3,28%, а также скорость 66,5 кадра/с на RTX 3060 и 23,4 кадра/с на Ryzen 5 4600G в ONNX FP32. Модель ориентирована на однострочные буквенно-цифровые номера с символами A–Z, Đ и цифрами 0–9; для многострочных изогнутых номеров и нелатинских алфавитов точность может быть ниже. Лицензия — AGPL-3.0.

Карточка модели GraphWiz/LLaMA2-13B-DPO на Hugging Face совпадает с карточкой GraphWiz/LLaMA2-7B-DPO, поэтому описание составлено по ней. GraphWiz/LLaMA2-7B-DPO — инструктивная языковая модель проекта GraphWiz на архитектуре LLaMA, предназначенная для решения задач на графах. Модель преобразует текстовые описания графов и структур в явное рассуждение на естественном языке и ответ. В карточке указаны 6,6 млрд параметров, контекст до 4096 токенов и формат PyTorch. Модель обучалась в два этапа: смешанное обучение на нескольких типах задач и выравнивание предпочтений методом DPO. Она предназначена для задач о циклах, связности, двудольности, топологии, кратчайших путях, треугольниках, потоках, гамильтоновых циклах и подграфах. В качестве датасета указан GraphWiz/GraphInstruct-RFT-72K. Лицензия — Apache-2.0. Модель генерирует ответы на естественном языке, однако её результаты по задачам на графах могут быть ошибочными; README приводит сравнительные оценки, но доступный фрагмент не содержит полных результатов. Язык модели и результаты за пределами графовых задач в предоставленных данных не описаны.

Это DETR — трансформерная модель сквозного обнаружения объектов с backbone ResNet-50, дообученная автором репозитория на наборе SKU110K. Она предназначена для поиска и локализации товаров на изображениях полок розничных магазинов; при обучении использовалось 400 запросов объектов. В наборе SKU110K указано 8 219 размеченных изображений для обучения, 588 для валидации и 2 936 для тестирования. На валидационной части автор сообщает mAP 58,9. Модель принимает изображения и выдаёт рамки обнаруженных объектов с оценками классов. Репозиторий содержит веса в формате safetensors; размер параметров в метаданных указан как 6,3 млн. Лицензия — Apache-2.0. Описание сфокусировано на товарах SKU110K, поэтому пригодность для других категорий объектов не подтверждена.

Food Freshness Detector — классификатор изображений на ResNet18, дообученный с помощью FastAI для оценки свежести фруктов и овощей. Он относит RGB-изображение размером 224×224 пикселя к одному из трёх классов: «свежий», «слегка испорченный» или «испорченный». Модель предназначена для быстрой визуальной проверки продуктов и прототипов приложений контроля свежести. Модель использует transfer learning и распространяется в формате PyTorch как файл весов state dict с конфигурацией архитектуры и списком меток классов. Карточка указывает лицензию MIT. Классификатор ограничен тремя категориями и обучен для фруктов и овощей; точность на конкретных продуктах и условиях съёмки из карточки не следует.

Карточка модели GraphWiz/LLaMA2-13B-RFT на Hugging Face совпадает с карточкой GraphWiz/LLaMA2-7B-DPO, поэтому описание составлено по ней. GraphWiz/LLaMA2-7B-DPO — инструктивная языковая модель проекта GraphWiz на архитектуре LLaMA, предназначенная для решения задач на графах. Модель преобразует текстовые описания графов и структур в явное рассуждение на естественном языке и ответ. В карточке указаны 6,6 млрд параметров, контекст до 4096 токенов и формат PyTorch. Модель обучалась в два этапа: смешанное обучение на нескольких типах задач и выравнивание предпочтений методом DPO. Она предназначена для задач о циклах, связности, двудольности, топологии, кратчайших путях, треугольниках, потоках, гамильтоновых циклах и подграфах. В качестве датасета указан GraphWiz/GraphInstruct-RFT-72K. Лицензия — Apache-2.0. Модель генерирует ответы на естественном языке, однако её результаты по задачам на графах могут быть ошибочными; README приводит сравнительные оценки, но доступный фрагмент не содержит полных результатов. Язык модели и результаты за пределами графовых задач в предоставленных данных не описаны.

SpatialAxiom-35B-A3B — мультимодальная модель пространственного мышления, разработанная авторами SpatialAxiom на основе Qwen3.5 VLM. Она предназначена для анализа изображений и видео и решения задач пространственного рассуждения: вывода 3D-отношений, понимания перспективы, сопоставления объектов между ракурсами и интерпретации видео от первого лица и с нескольких камер. Модель использует архитектуру Qwen3.5 с визуальным энкодером и смесью экспертов: всего 35 млрд параметров, из которых активны около 3 млрд. Нативный контекст составляет 262 144 токена с возможностью расширения до 1 010 000. Обучение выполнено полным дообучением SFT на пространственных данных; модель рассчитана на прямые ответы без режима thinking. Она показывает сильные результаты на пространственных бенчмарках и совместима с Transformers и vLLM. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

Карточка модели GraphWiz/Mistral-7B-RFT на Hugging Face совпадает с карточкой GraphWiz/LLaMA2-7B-DPO, поэтому описание составлено по ней. GraphWiz/LLaMA2-7B-DPO — инструктивная языковая модель проекта GraphWiz на архитектуре LLaMA, предназначенная для решения задач на графах. Модель преобразует текстовые описания графов и структур в явное рассуждение на естественном языке и ответ. В карточке указаны 6,6 млрд параметров, контекст до 4096 токенов и формат PyTorch. Модель обучалась в два этапа: смешанное обучение на нескольких типах задач и выравнивание предпочтений методом DPO. Она предназначена для задач о циклах, связности, двудольности, топологии, кратчайших путях, треугольниках, потоках, гамильтоновых циклах и подграфах. В качестве датасета указан GraphWiz/GraphInstruct-RFT-72K. Лицензия — Apache-2.0. Модель генерирует ответы на естественном языке, однако её результаты по задачам на графах могут быть ошибочными; README приводит сравнительные оценки, но доступный фрагмент не содержит полных результатов. Язык модели и результаты за пределами графовых задач в предоставленных данных не описаны.

AReaL-SEA-235B-A22B — языковая модель-агент от inclusionAI, дообученная на базе Qwen/Qwen3-235B-A22B-Thinking-2507 с помощью SFT и обучения с подкреплением GRPO. Она предназначена для многошаговых диалогов с использованием инструментов и выполнения задач в интерактивных средах; в карточке описаны сценарии из областей авиаперевозок, розничной торговли и телекоммуникаций. Модель проверялась на τ²-bench и показала средний pass¹ 81,3% по трём доменам. Модель использует архитектуру Qwen3 MoE с классом Qwen3MoeForCausalLM, содержит 18,2 млрд параметров и поддерживает контекст до 262 144 токенов. Принимает текст и генерирует текст; метаданные указывают английский язык. Для запуска предназначены веса Safetensors, а лицензия — Apache-2.0. Карточка описывает обучение на синтетических диалогах и результаты бенчмарка, но не приводит подробной оценки надёжности за пределами τ²-bench.

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.

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.

FoundationPose — разработанная NVIDIA модель на основе трансформера для оценки позы и отслеживания объектов в 6 степенях свободы. Она предназначена для робототехники и компьютерного зрения: модель может работать с новым объектом без дообучения, если предоставлена его CAD-модель. На вход подаются RGB- и глубинное изображения, ограничивающая рамка объекта в первом кадре, CAD-модель OBJ и параметры калибровки камеры. Архитектура включает общую CNN-основу с остаточными блоками и два компонента: сеть уточнения позы и сеть оценки гипотез с многоголовым механизмом внимания. Выход содержит оценки переноса, вращения и оценку позы, а также изображение с 3D-рамкой и осями. Модель обучалась на синтетических данных для объектов из Objaverse и Google Scanned Objects. Для развёртывания предоставлена версия ONNX, предназначенная для TensorRT и TAO Triton Apps на оборудовании NVIDIA; README указывает совместимость с Linux и несколькими поколениями GPU и Jetson. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в материалах NVIDIA. Модель может ошибаться в оценке трёхмерных рамок и поз объектов.

HY-Embodied-0.5 — мультимодальная модель Tencent Robotics X и HY Vision Team для embodied intelligence и систем, взаимодействующих с физическим миром. Эта версия использует архитектуру Mixture-of-Transformers (MoT) и предназначена для зрительного восприятия, пространственно-временного понимания и рассуждений о физических объектах и действиях. Модель рассчитана на интеграцию в конвейеры Vision-Language-Action для робототехники. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. В README для версии MoT-2B указаны 4 млрд общих параметров и 2,2 млрд активируемых при инференсе; метаданные репозитория указывают 1,8 млрд параметров, поэтому размер следует считать неоднозначным. Заявленное родное окно контекста — 262 144 токена. Карточка характеризует модель как многоязычную, но не перечисляет отдельные языки. Модель ориентирована на тонкое визуальное восприятие, пространственное понимание, embodied-рассуждения, планирование и применение в робототехнических системах; опубликованные в карточке результаты охватывают соответствующие бенчмарки. Практическое применение требует среды Transformers и, для оптимальной скорости, GPU NVIDIA; на CPU работа медленнее. Лицензия указана как other, конкретные условия использования в предоставленных данных не раскрыты.

Модель exoldoff/bge-reranker-v2-m3-cross-encoder-marketplaces-rus разработана на основе BAAI/bge-reranker-v2-m3 и дообучена как кросс-энкодер Sentence Transformers для сопоставления пар товаров. Она оценивает, описывают ли две записи один и тот же базовый SKU; более высокий sigmoid score означает большую вероятность совпадения. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и имеет контекст до 8194 токенов; при обучении максимальная длина последовательности составляла 192 токена. Модель предназначена для дедупликации русскоязычных карточек товаров Ozon, Яндекс.Маркета и Wildberries в категориях соусов, кокосового масла и мыла. Она принимает структурированные тексты пар товаров с полями бренда, названия, категории, площадки и веса. Её применяют после генерации кандидатов, чтобы ранжировать или классифицировать пары; поиск кандидатов и окончательную группировку вариантов упаковки нужно выполнять отдельно. При обучении разные количества одинаковых упаковок могли считаться одним базовым товаром. На тестовом наборе README приводит F1 0,9427 при пороге 0,5; порог следует выбирать на данных целевого каталога с учётом цены ошибочных объединений. Обучающий набор небольшой, поэтому возможны слепые зоны по категориям. Лицензия в предоставленных данных не указана.

Rainier-VL-2B-MTP — компактная мультимодальная модель Denali Advanced Integration Physical AI Team для визуального контроля промышленных изделий. Она принимает изображение и короткую инструкцию и возвращает вердикт о дефекте с вероятностью, маски сегментации, ограничивающие рамки, карту вероятности дефектов или краткое описание. Модель содержит около 2,094 млрд уникальных параметров, использует визуальный энкодер SigLIP-SO400M с разрешением 384 пикселя и архитектуру OrthoZamVL с гибридной state-space языковой частью и проектором OrthoBernstein. Для работы на видеопотоке заявлена постоянная стоимость обработки кадра; предусмотрено ускорение коротких ответов с помощью multi-token prediction. Модель предназначена для производственных линий, проверки возвратов и других сценариев инспекции на периферийных GPU, включая устройства с 8 ГБ видеопамяти. В README приведены результаты обнаружения дефектов на VisA, BSData и BTAD, а также показатели IoU для нескольких голов сегментации. Лицензия — Apache-2.0. Модель обычно обнаруживает дефекты размером менее 10 пикселей, но может не локализовать их; для этого рекомендуется более крупный план или увеличение. Кэширование сцен может возвращать прежний результат для статичного изображения до пяти запросов, поэтому для пересчёта каждого кадра предусмотрен тег [fresh]. Вердикты «да/нет» не откалиброваны для новых производственных линий; сервер обрабатывает запросы последовательно на одном GPU.

ACE-Brain-0-8B — мультимодальная модель зрения и языка, разработанная ACE Robotics для задач воплощённого интеллекта. Она основана на архитектуре Qwen3-VL и дообучена на базе ACE-Brain/ACE-Brain-0-8B; репозиторий содержит веса в формате safetensors. Модель принимает изображения и текстовые запросы и предназначена для интерпретации сцен, пространственных рассуждений и поддержки решений в физических средах. Основные сценарии включают пространственное познание, понимание дорожных ситуаций для автономного вождения, анализ данных низковысотного зондирования и взаимодействие с физическими агентами. В README заявлены оценки на 24 бенчмарках и сильные результаты в понимании среды, рассуждении о движении и планировании с учётом сцены. Подтверждённые в карточке входы и выходы относятся к формату image-text-to-text; конкретные языки и длина контекста не приведены. Лицензия — MIT.

Llama-3.2-1B-CyberFrog — дообученная Pham Hai модель на базе meta-llama/Llama-3.2-1B-Instruct для планирования последовательности задач робота по инструкциям на естественном языке. Она разбивает сложные команды на подзадачи, задаёт их порядок и может формулировать условные действия, например запросить уточнение, если нужный предмет не найден. Модель предназначена для связки с ROS или другим модулем управления задачами, который передаёт планы навигации и манипуляции соответствующим компонентам робота. Это плотная авторегрессионная Llama-модель объёмом около 1,2 млрд параметров с генерацией текста и контекстом до 131 072 токенов по метаданным. README указывает ввод команд на вьетнамском и вывод названий действий на английском с подробностями на вьетнамском. Модель не принимает сенсорные данные напрямую: работа с состоянием среды предполагает подключение внешней системы. Доступ к весам регулируется лицензией Llama 3.2 от Meta.

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.

Adnan AI Labs разработала DistilBERT-ProductClassifier — компактную модель DistilBERT с классификационной головой для отнесения текстовых описаний товаров к категориям электронной торговли. Она принимает текст карточки товара и предсказывает категорию, например процессоры, цифровые камеры, посудомоечные машины, телевизоры или мобильные телефоны. Модель предназначена для автоматической разметки ассортимента в интернет-магазинах и каталогах, чтобы сократить ручную категоризацию и упростить поиск товаров. По карточке модели, она обучена на датасете Adnan-AI-Labs/products_categories_data и показывает точность 96,16% на тестовой выборке. Архитектура — DistilBERT для классификации текста, максимальный контекст составляет 512 токенов; заявлена работа на CPU и небольших GPU. Модель рассчитана на английский язык и категории, представленные в обучающих данных. Качество может снижаться для новых типов товаров и слабо представленных классов; для других языков и специализированных категорий может потребоваться дообучение. Лицензия — Apache 2.0.

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.

KAIROS-MM-Qwen2.5-VL-7B-SFT — мультимодальная модель рассуждений prithivMLmods, дообученная на основе Qwen/Qwen2.5-VL-7B-Instruct. Она предназначена для анализа видео и визуальных наблюдений, чтобы поддерживать роботов и зрительные агенты при планировании и принятии решений. Модель имеет плотную архитектуру Qwen2.5-VL с 7,1 млрд параметров, принимает визуальные данные и текстовые инструкции и генерирует текстовые рассуждения. Заявленная длина контекста — 128 000 токенов; в карточке указана поддержка английского языка. Модель рассчитана на понимание пространственных отношений, временной динамики и повседневных физических взаимодействий, включая движение, столкновения и сохранение объектов. Её предполагаемые сценарии — долгосрочный анализ видео, прогнозирование событий и высокоуровневое планирование действий в робототехнике, симуляциях и физических AI-системах. Лицензия — Apache-2.0. Качество может снижаться на очень длинных или зашумлённых видео и неоднозначных физических ситуациях. Для специализированных робототехнических задач может потребоваться дополнительное дообучение; низкоуровневое управление движениями не входит в область применения модели.

KAIROS-MM-Qwen2.5-VL-7B-RL — мультимодальная модель на архитектуре Qwen2.5-VL, разработанная prithivMLmods для рассуждений о визуальных сценах и видео в робототехнике и системах искусственного интеллекта. Модель содержит 7,1 млрд параметров, работает с контекстом до 128 000 токенов и доступна в формате safetensors через Transformers. Она дообучена с применением обучения с подкреплением на основе KAIROS-MM-Qwen2.5-VL-7B-SFT. Модель анализирует пространственные отношения, временную динамику и физические взаимодействия, чтобы поддерживать понимание активности, прогнозирование событий и планирование последовательности действий. Основные сценарии — высокоуровневое планирование для роботов и embodied-агентов, навигация, манипуляции и принятие решений по визуальным наблюдениям и языковым целям. Карточка указывает английский язык. Лицензия — Apache-2.0. Ограничения: качество может снижаться на очень длинных или зашумлённых видео и неоднозначных физических сценах; для специализированных робототехнических задач может потребоваться дополнительное обучение или внешний планировщик. Модель не предназначена для низкоуровневого управления.

RynnBrain-Plan-8B-f32-GGUF — конвертированная в формат GGUF версия мультимодальной модели RynnBrain-Plan-8B, разработанной Alibaba DAMO Academy. Это плотная vision-language-модель на 8 млрд параметров семейства Qwen3-VL, предназначенная для понимания сцен с точки зрения робота и планирования манипуляций с учётом физического пространства и времени. Модель принимает изображения и текст, в том числе кадры эгоцентрического видео, и формирует текстовые ответы с пространственными описаниями: локализацией объектов и областей, траекториями и инструкциями для роботизированных действий. Среди заявленных сценариев — вопросы по видеосценам, подсчёт объектов, OCR и передача сведений об объектах и их возможностях в последующие системы VLA. В репозитории есть варианты GGUF BF16 и F32; для обработки изображений также представлены файлы mmproj. Указана лицензия Apache-2.0. Карточка не содержит измерений качества или сведений о поддерживаемом контексте, поэтому фактическую точность планирования и совместимость с конкретной робототехникой следует проверять отдельно.

ACE-Brain-0.5-8B — мультимодальная модель ACERobotics для Physical Agentic AI и управления роботами. Она развивает ACE-Brain-0.5 из модели пространственного понимания в единую модель с циклом восприятия, планирования, действия и оценки выполнения. Модель построена на плотной архитектуре Qwen3-VL с 8 млрд параметров и принимает изображения и текстовые инструкции, выдавая текстовые ответы и команды для робота. Модель предназначена для пространственного анализа сцены, привязки объектов и их возможностей к изображению, пространственных рассуждений в 3D и от первого лица, планирования многоэтапных задач, навигации и манипуляций. Она также оценивает ход выполнения задач, чтобы проверять результат и восстанавливаться после ошибок. В карточке описан подход SSR+ с объединением task vectors и целевым дообучением для согласования этих навыков. Репозиторий содержит веса Safetensors для Transformers; связь с ACE-Brain/ACE-Brain-0.5-8B указана как дообучение. Условия лицензии и количественная оценка ограничений в предоставленных данных не описаны.

Pelican-VL 1.0 — семейство мультимодальных моделей для задач воплощённого искусственного интеллекта, разработанное X-Humanoid. Эта версия содержит 7,1 млрд параметров и построена на архитектуре Qwen2.5-VL; модель принимает текст и изображения, а также обучалась на видео и межмодальных данных. Размер контекстного окна — 128 000 токенов. Модель предназначена для понимания сцен и пространственных отношений, рассуждений о физических объектах и последовательностях действий, а также для поддержки роботизированных задач: захвата предметов, навигации и манипуляций. В описании проекта заявлены планирование последовательностей действий и оценка их выполнимости. Для запуска доступны веса в формате safetensors; лицензия — Apache-2.0. Карточка описывает возможности семейства и результаты оценивания, но не приводит подробностей о формате выходных команд роботу или независимой проверке заявленных результатов. Для физического выполнения действий модель следует использовать как часть робототехнической системы, способной интерпретировать и проверять её выходы.

EO-1-3B — открытая модель класса Vision-Language-Action для восприятия окружающей обстановки, мультимодального рассуждения и управления роботами; разработчики обозначены как IPEC-COMMUNITY. Модель содержит 3,1 млрд параметров и основана на дообучении Qwen/Qwen2.5-VL-3B-Instruct. Её архитектура — единый плотный decoder-only Transformer EO1: авторегрессионное предсказание токенов объединено с непрерывным flow matching для генерации действий. Модель принимает текстовые инструкции, изображения и видео, а также состояние робота; выдаёт текст и непрерывные векторы действий. Контекст — до 128 000 токенов, библиотека — Transformers. Модель предназначена для мультимодального понимания сцен, пространственного и временного рассуждения, планирования и управления роботами, включая задачи манипуляции. В README заявлено обучение на EO-Data1.5M, веб-данных и наборах данных для робототехники и мультимодальных задач. Для инференса также требуется LeRobot; авторы указывают ориентир около 6,5 ГБ видеопамяти. Лицензия — MIT. Результаты управления зависят от робота и среды; в приведённой карточке часть таблиц неполная, поэтому сравнения из неё не дают полной оценки качества.

GigaBrain-0-3.5B-Base — базовая модель семейства GigaBrain-0, разработанная open-gigaai для робототехники. Это модель типа Vision-Language-Action, основанная на мировых моделях и предназначенная для управления роботами по визуальным наблюдениям и текстовым инструкциям. Модель ориентирована на пространственное рассуждение, понимание состояний объектов, ловкие манипуляции, мобильные задачи и длительное планирование. В README отмечены поддержка RGBD-входа и обучение с embodied Chain-of-Thought; данные, сгенерированные мировыми моделями, призваны снижать зависимость от дорогих реальных робототехнических данных и улучшать перенос между задачами. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка описывает семейство и его возможности, но не приводит подробностей о структуре выходных действий или количественных результатах.