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

LightNav-0 — компактная модель для embodied-навигации, разработанная LightOriginsHQ на основе дообучения Qwen3-VL-4B-Instruct. Она объединяет следование инструкциям, поиск объектов по текстовому описанию и визуальное отслеживание в одном интерфейсе без специализированных предсказательных голов. На вход подаются история кадров с камеры от первого лица, сжатая методом SlowFast, и инструкция на естественном языке; кадры имеют размер 256×448 и частоту 4 кадра в секунду. Модель использует мультимодальную архитектуру Qwen3-VL с 4 млрд параметров и весами bf16. Она выдаёт токены двухканального указания пространственного намерения, затем токены RVQ, которые декодируются в пакет из 10 локальных путевых точек робота: движение вперёд, боковое смещение и угол поворота. Для инференса нужны связанные кодовые книги и параметры обработки; автор предоставляет рецепты оценки и развёртывания в отдельном репозитории. Модель предназначена для навигации роботов в симуляторах и реальной среде. Лицензия — Apache-2.0. Карточка описывает задачи и входы модели, но не сообщает результаты сравнительных оценок качества.

RynnBrain-Plan-8B — дообученная модель Alibaba DAMO Academy для embodied AI и планирования действий роботов. Она принимает изображения и текстовые запросы, понимает эгоцентрические сцены и формирует текстовые планы, включая декомпозицию многошаговых задач и инструкции для последующих робототехнических систем. Модель основана на RynnBrain-8B; в семействе используется архитектура Qwen3-VL, а веса опубликованы в формате safetensors. Карточка приводит примеры применения для планирования манипуляций по цели и сцене. Поддерживаемые языки по метаданным — английский и китайский. Лицензия — Apache-2.0. Модель ориентирована на физически обусловленное понимание сцен и пространственное планирование. Описание семейства также упоминает локализацию объектов и областей, понимание видео и OCR, однако карточка именно этой версии классифицирует её как image-text-to-text и показывает планирование как основной сценарий. Длина контекста и число параметров в предоставленных данных не указаны.

Модель FODUU AI классифицирует изображения шин по двум категориям: исправная шина (Good_Tyre) и дефектная шина (Defective_Tyre). Это дообученная YOLOv8s на основе Ultralytics, предназначенная для автоматизации контроля качества при производстве шин и проверки изображений на производственной линии. Модель рассчитана на быстрое распознавание дефектов, включая износ протектора, выпуклости на боковине и проколы. В README указана точность 83,5% на тестовой выборке; модель может помогать сортировать шины и направлять изделия на дополнительную проверку. Конкретные условия съёмки и состав тестовой выборки подробно не описаны, поэтому результатам следует проверяться на данных целевого производства. Лицензия в предоставленных сведениях не указана.

Dream-VLA 7B — открытая vision-language-action модель Dream-org для управления роботами. Она дообучена на базе Dream-VL-7B и принимает текстовые инструкции вместе с изображениями с камер рабочей зоны, чтобы предсказывать нормализованные действия робота. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Dream-VLA и рассчитана на контекст до 131 072 токенов. Модель предназначена для zero-shot управления несколькими типами роботов в средах и конфигурациях, представленных в смеси предобучения Open X-Embodiment, а также для адаптации к новым задачам и роботам с помощью дообучения на демонстрациях. Выходные действия задают смещения 7-DoF конечного эффектора и положение захвата. Перед выполнением на реальном роботе нормализованные значения необходимо преобразовать обратно по статистикам конкретного робота и набора данных. Модель поддерживает английский язык и распространяется по лицензии Apache 2.0.

GraspMolmo — дообученная зрительно-языковая модель Allen Institute for AI для выбора захвата при роботизированной манипуляции. Она принимает изображение сцены и текстовую задачу, например просьбу налить чай, и описывает подходящее место и способ захвата предмета. Предсказанную точку захвата можно сопоставить с ближайшим устойчивым вариантом из набора кандидатов. Модель основана на Molmo-7B-D-0924, использует плотную архитектуру MolmoForCausalLM и содержит 12,8 млрд параметров. Максимальная длина контекста — 4096 токенов; в карточке указана поддержка английского языка. Модель ориентирована на обобщаемый выбор захватов для задач манипуляции, сформулированных в свободной форме. Лицензия — MIT.

Hy-Embodied-0.5-VLA-UMI — предварительно обученная модель Vision-Language-Action для управления роботами, разработанная Tencent Robotics X и Tencent Hy Team. Она предназначена для тонкой настройки под конкретные роботизированные платформы и задачи манипуляции. Модель основана на мультимодальном Hy-Embodied-0.5 MoT и включает экспертный модуль действий на 370 млн параметров с flow matching. Она использует визуальные данные и инструкции, а на выходе формирует последовательности действий для робота. Представленный чекпойнт при предобучении обрабатывает отдельный кадр; энкодер памяти для истории нескольких кадров активируется при дообучении. Горизонт действий — 50 шагов с частотой 10 Гц, представление действий задаёт относительные смещения концевого эффектора и состояние захвата для каждой руки. Модель обучена на более чем 10 000 часах демонстраций UMI и рассчитана на перенос между роботизированными платформами. Выпущена под лицензией Apache-2.0.

Карточка модели X-Humanoid/Pelican1.0-VL-72B на Hugging Face совпадает с карточкой X-Humanoid/Pelican1.0-VL-7B, поэтому описание составлено по ней. 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.

PhysBrain 1.5 — мультимодальная модель для embodied AI, разработанная командой DeepCybo и дообученная на базе Qwen/Qwen3-VL-2B-Instruct. Она объединяет понимание визуальной сцены, планирование и генерацию действий, а также предсказание будущего состояния среды в едином авторегрессионном трансформере. Для пространственных данных, траекторий движений и визуальных состояний используются специальные токены; отдельные выходные головы для этих задач не применяются. Модель предназначена для визуально управляемого взаимодействия с физической средой: она может анализировать пространственные отношения и affordance объектов, локализовать цели, рассуждать о траекториях, предсказывать действия манипулятора и возможные изменения сцены. Входы могут включать изображение, инструкцию и, для предсказания действий, историю действий; выходы включают текстовые и структурированные пространственные данные, последовательности действий, а также предсказания будущих визуальных состояний, например RGB-изображение и карту глубины. Карточка приводит результаты оценки отдельных возможностей для версии 8B, но не сообщает численные показатели этой версии 2B. Модель основана на Qwen3-VL и использует библиотеку Transformers; лицензия в предоставленных данных не указана.

AAyano/gate_setting2_chunksize25_batch32_from20000 — дообученная модель семейства OpenVLA-OFT для управления роботом XArm при укладке чашек (setting 2). Она основана на AAyano/oft_setting2_chunksize25_batch32_20k; в ходе обучения заново настроены голова действий, проектор proprioception и FiLM-компоненты. Модель использует текстовый токен-гейт с контрастивным выравниванием текста и визуальных признаков и пороговой настройкой вклада слоёв. Модель предназначена для предсказания действий робота по изображению и текстовой инструкции в сценарии укладки чашек. Чекпойнт включает объединённую модель и отдельный LoRA-адаптер с весами гейта; используется формат safetensors и библиотека Transformers. Для корректного обслуживания требуется код Task-conditioned_Gate и загрузка пользовательского кода из репозитория: стандартный openvla-oft может не загрузить веса гейта. Лицензия — MIT.

Карточка модели open-gigaai/GigaBrain-0.1-3.5B-Base на Hugging Face совпадает с карточкой open-gigaai/GigaBrain-0-3.5B-Base, поэтому описание составлено по ней. 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.

pravsels/groot1.7_block_stack_20k — дообученная модель на базе NVIDIA GR00T N1.7-3B для задачи складывания блоков (block_stack). Она обучена на данных SO101 из набора villekuosmanen/armnetbench_block_stack; в корне репозитория размещён финальный чекпойнт после 20 000 шагов вместе с конфигурациями весов и процессора. Модель предназначена для управления роботом при манипуляциях с блоками и загружается через стек инференса GR00T. Метаданные указывают архитектуру Gr00tN1d7 и формат safetensors. Условия лицензии в предоставленных сведениях не описаны.

OpenVLA 7B — открытая модель vision-language-action, разработанная командой OpenVLA при участии исследователей Stanford, UC Berkeley, Google DeepMind и Toyota Research Institute. Модель дообучена на VLM prism-dinosiglip-224px и обучена на 970 тысячах эпизодов манипуляций из набора Open X-Embodiment. В её основе — зрительные кодировщики DINOv2 и SigLIP и языковая модель Llama 2. Модель принимает текстовую инструкцию на английском языке и изображение с камеры рабочей зоны робота, а предсказывает нормализованные действия для манипуляции: смещения 7-DoF конечного эффектора и состояние захвата. Она предназначена для управления роботами в сценариях и конфигурациях, представленных в обучающих данных, а также для адаптации к новым задачам и роботам с помощью параметрически эффективного дообучения. Для исполнения действий на конкретном роботе требуется денормализация с использованием статистик для соответствующего робота и набора данных. OpenVLA может работать без дополнительного обучения на некоторых знакомых сочетаниях платформ и задач, но не обобщает таким образом на невиданные конфигурации роботов; для них нужны демонстрационные данные и дообучение. Модель и код обучения опубликованы по лицензии MIT.

Карточка модели DeepCybo/PhysBrain1.5-8B на Hugging Face совпадает с карточкой DeepCybo/PhysBrain1.5-2B, поэтому описание составлено по ней. PhysBrain 1.5 — мультимодальная модель для embodied AI, разработанная командой DeepCybo и дообученная на базе Qwen/Qwen3-VL-2B-Instruct. Она объединяет понимание визуальной сцены, планирование и генерацию действий, а также предсказание будущего состояния среды в едином авторегрессионном трансформере. Для пространственных данных, траекторий движений и визуальных состояний используются специальные токены; отдельные выходные головы для этих задач не применяются. Модель предназначена для визуально управляемого взаимодействия с физической средой: она может анализировать пространственные отношения и affordance объектов, локализовать цели, рассуждать о траекториях, предсказывать действия манипулятора и возможные изменения сцены. Входы могут включать изображение, инструкцию и, для предсказания действий, историю действий; выходы включают текстовые и структурированные пространственные данные, последовательности действий, а также предсказания будущих визуальных состояний, например RGB-изображение и карту глубины. Карточка приводит результаты оценки отдельных возможностей для версии 8B, но не сообщает численные показатели этой версии 2B. Модель основана на Qwen3-VL и использует библиотеку Transformers; лицензия в предоставленных данных не указана.

RynnBrain-Plan-30B-A3B — модель Alibaba DAMO Academy для воплощённого ИИ и робототехники, дообученная на базе RynnBrain-8B. Это мультимодальная модель семейства Qwen3-VL-MoE с архитектурой conditional generation; репозиторий содержит веса Safetensors и предназначен для работы через Transformers. Модель принимает изображения и текстовые запросы, чтобы анализировать эгоцентрические сцены и составлять планы действий: разбивать цель на этапы, привязывать объекты и области к физическому пространству и формировать инструкции для последующих роботизированных систем. Семейство RynnBrain также описано как способное к локализации и пространственно обоснованным рассуждениям. Указаны английский и китайский языки. Модель выпущена под лицензией Apache 2.0. Карточка не приводит подробностей о точном числе параметров активной модели или длине контекста; указание «30B-A3B» в названии само по себе не подтверждает эти характеристики. Описанные сценарии ориентированы на робототехнику, а качество и безопасность планов в реальных физических условиях требуют отдельной проверки.

StreamVLN for SatNav — это дообученная модель LMMS-Lab на базе LLaVA-Video-7B-Qwen2, предназначенная для навигации по спутниковым картам в платформе SatNav. Она принимает языковую инструкцию и поток истории наблюдений RGB и предсказывает действия агента. Модель использует архитектуру StreamVLNForCausalLM семейства LLaVA, визуальную башню SigLIP So400m Patch14-384 и содержит 7,1 млрд параметров. Она обучена полным дообучением в течение одной эпохи на офлайн-траекториях SatNav-v0.1. Контекст составляет 32 768 токенов; конфигурация обучения использует 32 кадра, восемь выборок истории и четыре будущих действия. Модель рассчитана на интеграцию StreamVLN в SatNav и включена в SatNav Baseline Model Zoo. Она предназначена для навигации по спутниковым картам, а не для общего диалога. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

Yield Estimation Transformer — модель ICICLE-AI для оценки урожайности кукурузы на уровне округов США. Она объединяет недельные временные ряды погоды с постоянными характеристиками почвы и выдаёт числовой прогноз в бушелях на акр (bu/acre). Модель построена на архитектуре Transformer и содержит 229,4 тыс. параметров; веса доступны в формате Safetensors, лицензия — MIT. Модель предназначена для сезонного прогнозирования урожайности по погодным данным и параметрам почвы. Она принимает шесть погодных показателей по неделям и 66 признаков почвы; прогноз можно получать для разных сезонных срезов с 20-й по 52-ю неделю. Структурированные числовые данные передаются в виде JSON-строки, которую пользовательский токенизатор преобразует в тензоры. Несмотря на интерфейс text-classification в Transformers, результатом является регрессионная оценка урожайности, а не вероятность класса.

DeepThinkVLA — модель Vision-Language-Action для роботов, разработанная для усиления рассуждений при выполнении задач манипуляции. Она основана на чекпойнте pi0-FAST и использует гибридный декодер с 2,9 млрд параметров: модель сначала формирует текстовую цепочку рассуждений, затем выдаёт блоки действий. Для языковых токенов применяется причинное внимание, а для параллельного декодирования действий — двунаправленное. Модель обучалась в два этапа: SFT и последующее обучение с подкреплением методом GRPO, чтобы связать рассуждения с успешным выполнением задачи. В README сообщаются результаты на LIBERO, LIBERO-Plus и RoboTwin 2.0, включая 97% средней успешности на LIBERO и 79% устойчивости zero-shot к сдвигу распределения на LIBERO-Plus. Модель предназначена для роботизированных сценариев, где требуется интерпретировать визуальную обстановку и выдавать действия; веса представлены в формате safetensors для Transformers. Лицензия и перечень поддерживаемых языков в предоставленных данных отсутствуют.

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.

InternVLA-N1-wo-dagger — официальный выпуск модели InternVLA-N1 от команды InternRobotics для навигации роботов по инструкциям. Это плотная модель семейства Qwen2.5-VL с 7,1 млрд параметров, рассчитанная на работу с визуально-языковыми данными и роботизированными действиями; для запуска используется библиотека Transformers. В описании заявлена асинхронная двухсистемная архитектура: System 2 выполняет рассуждение, а System 1 формирует действия и помогает обходить динамические препятствия. Контекст составляет 128 000 токенов. Модель предназначена для следования естественно-языковым инструкциям при навигации, включая обучение в симуляции и перенос навыков в реальные сцены без дополнительной настройки. В README заявлены результаты на VLN-CE R2R, RxR, GRScenes-100 и VLN-PE, а также обобщение на реальные условия; это заявления авторов, независимая проверка здесь не приводится. Репозиторий содержит веса Safetensors и распространяется по лицензии CC BY-NC-SA 4.0, предусматривающей некоммерческое использование и распространение производных на тех же условиях. Указание «wo-dagger» входит в идентификатор репозитория; README не объясняет его отдельно.

LoGoPlanner — разработанный исследователями Университета Цинхуа и Shanghai AI Laboratory фреймворк навигации мобильного робота. Он дообучает визуально-геометрическую основу для прогнозирования в абсолютном масштабе и использует историю наблюдений для восстановления геометрии окружения и оценки состояния робота. Политика навигации опирается на эту геометрию, чтобы планировать движение и обходить препятствия. Модель предназначена для долгосрочной навигации роботов в разных средах и на разных платформах. В README описан пример развёртывания на LeKiwi с RGBD-камерой; для запуска используется сервер LoGoPlanner и среда NavDP. Метаданные указывают формат PyTorch и задачу robotics. В карточке также указана лицензия CC BY-NC-SA 4.0, ограничивающая коммерческое использование и требующая соблюдения условий распространения.

TopYan/My_VLA_3W — контрольная точка модели π₀.₅, разработанной Physical Intelligence и представленной в реализации LeRobot. Это модель Vision-Language-Action для управления роботом: она принимает изображения с нескольких камер, состояние и проприоцептивные данные робота, а также необязательную инструкцию на естественном языке и предсказывает непрерывные действия. Модель предназначена для дообучения под конкретного робота и сценарий, например для выполнения манипуляций по команде в реальной среде. Обучение и предсказание действий используют flow-matching action head. В этой версии доступны только компоненты, необходимые для работы этой головы; предсказание подзадач, токенизация действий и обучение с подкреплением из оригинальной работы не включены. Репозиторий распространяет веса в формате safetensors через библиотеку LeRobot. Указана лицензия Gemma. README описывает модель как базовую для дообучения, поэтому её применение предполагает настройку и проверку на целевом роботе и задаче.

Octo Base — базовая модель управления роботом, разработанная проектом Octo. Это Transformer с 93 млн параметров, сопоставимый по размеру с ViT-B. Модель получает изображения с основной и запястной камер, обрабатывает языковые инструкции с помощью токенизатора и энкодера T5-Base и предсказывает последовательность 7-мерных действий на четыре шага вперёд с помощью diffusion policy. Модель обучена на смеси наборов данных Open X-Embodiment. На этапе вывода она поддерживает наблюдения с историей до двух временных шагов и может работать с любым подмножеством предусмотренных изображений и инструкций. Репозиторий содержит веса Flax. Лицензия — MIT.

Карточка модели ciccio42/openvla-7b на Hugging Face совпадает с карточкой openvla/openvla-7b, поэтому описание составлено по ней. OpenVLA 7B — открытая модель vision-language-action, разработанная командой OpenVLA при участии исследователей Stanford, UC Berkeley, Google DeepMind и Toyota Research Institute. Модель дообучена на VLM prism-dinosiglip-224px и обучена на 970 тысячах эпизодов манипуляций из набора Open X-Embodiment. В её основе — зрительные кодировщики DINOv2 и SigLIP и языковая модель Llama 2. Модель принимает текстовую инструкцию на английском языке и изображение с камеры рабочей зоны робота, а предсказывает нормализованные действия для манипуляции: смещения 7-DoF конечного эффектора и состояние захвата. Она предназначена для управления роботами в сценариях и конфигурациях, представленных в обучающих данных, а также для адаптации к новым задачам и роботам с помощью параметрически эффективного дообучения. Для исполнения действий на конкретном роботе требуется денормализация с использованием статистик для соответствующего робота и набора данных. OpenVLA может работать без дополнительного обучения на некоторых знакомых сочетаниях платформ и задач, но не обобщает таким образом на невиданные конфигурации роботов; для них нужны демонстрационные данные и дообучение. Модель и код обучения опубликованы по лицензии MIT.

Карточка модели alexsteven/pi05_base на Hugging Face совпадает с карточкой TopYan/My_VLA_3W, поэтому описание составлено по ней. TopYan/My_VLA_3W — контрольная точка модели π₀.₅, разработанной Physical Intelligence и представленной в реализации LeRobot. Это модель Vision-Language-Action для управления роботом: она принимает изображения с нескольких камер, состояние и проприоцептивные данные робота, а также необязательную инструкцию на естественном языке и предсказывает непрерывные действия. Модель предназначена для дообучения под конкретного робота и сценарий, например для выполнения манипуляций по команде в реальной среде. Обучение и предсказание действий используют flow-matching action head. В этой версии доступны только компоненты, необходимые для работы этой головы; предсказание подзадач, токенизация действий и обучение с подкреплением из оригинальной работы не включены. Репозиторий распространяет веса в формате safetensors через библиотеку LeRobot. Указана лицензия Gemma. README описывает модель как базовую для дообучения, поэтому её применение предполагает настройку и проверку на целевом роботе и задаче.

RDT-1B — модель имитационного обучения с 1 млрд параметров, разработанная командой RDT исследовательской группы TSAIL Университета Цинхуа. Это мультимодальная Vision-Language-Action модель на основе Diffusion Transformer, предварительно обученная более чем на 1 млн эпизодов для разных роботов. Модель принимает текстовую инструкцию, RGB-изображения до трёх ракурсов, а также при наличии частоту управления и проприоцептивные данные; на выходе предсказывает последовательность из 64 действий робота. Единое пространство действий позволяет применять её к мобильным манипуляторам с одной или двумя руками, суставным и концевым координатам, позиционному и скоростному управлению, а также колесному движению. Визуальный энкодер — SigLIP SO400M, языковая модель — T5 v1.1 XXL. RDT-1B подходит для управления роботами по естественно-языковым инструкциям и визуальным наблюдениям, если целевая платформа совместима с её пространством действий. Модель пока не обобщается на новые платформы, отсутствовавшие в обучающих данных; для них README рекомендует собрать данные и выполнить дообучение. Код, веса и данные распространяются по лицензии MIT.

Eku127/streamvln-satnav-continue-1ep-f32h8s4-lr2e-5 — модель StreamVLN, адаптированная для SatNav, платформы навигации по спутниковым картам; автор отдельной версии в README не назван. Она принимает языковую инструкцию и поток RGB-наблюдений и предназначена для предсказания действий в навигационной задаче. Модель содержит 7,1 млрд параметров, использует архитектуру LLaVA с классом StreamVLNForCausalLM и контекстом 32 768 токенов. Контекст обучения включает 32 кадра, 8 выборок истории и 4 будущих действия. Чекпойнт получен полным дообучением в течение одной эпохи на офлайн-траекториях SatNav-v0.1 от модели mengwei0427/StreamVLN_Video_qwen_1_5_r2r_rxr_envdrop_scalevln_v1_3. Предназначен для интеграции StreamVLN в SatNav и включён в SatNav Baseline Model Zoo. Лицензия — CC BY-NC-SA 4.0, предусматривающая некоммерческое использование с сохранением условий атрибуции и распространения на тех же условиях.

X-VLA-SoftFold — модель Vision-Language-Action для управления роботами, опубликованная 2toINF. Это вариант X-VLA 0.9B, обученный на данных SoftFold; в метаданных базовой моделью указана дообученная microsoft/Florence-2-large. Архитектура сочетает визуально-языковой энкодер Florence-2 с Transformer, который предсказывает действия методом flow matching и использует отдельные обучаемые soft prompt embeddings для разных воплощений роботов. Модель предназначена для преобразования визуальных наблюдений и языковых инструкций в действия робота; заявлена поддержка разных роботизированных платформ и сценариев манипуляции. В README указано около 0,9 млрд параметров и режим действий ee6d. Модель обучалась на Bridge Data и оценивалась в симуляциях и на реальных роботах; конкретные результаты для этой версии SoftFold не приведены. Репозиторий содержит веса safetensors и распространяется по лицензии Apache 2.0. Для загрузки README показывает Transformers с trust_remote_code, поэтому для запуска требуется совместимый код проекта.

Being-H05-2B — базовая модель vision-language-action (VLA) для управления роботами, разработанная авторами проекта Being-H0.5. Она объединяет визуальное и языковое восприятие с выдачей действий в унифицированном пространстве и предназначена для переноса управления между роботами с разным воплощением. Модель содержит 2 млрд параметров. В README указано разрешение визуальной части 224×224 пикселя. Чекпойнт представлен как предварительно обученная базовая модель; для неё предусмотрены инференс политики управления, оценка на бенчмарках LIBERO и RoboCasa и дообучение на пользовательских данных. Лицензия — Apache-2.0. Модель рассчитана на робототехническое управление и манипуляции. Карточка не сообщает о конкретных ограничениях качества или поддерживаемых языках.

3CTeam/fpvla-fsdp-linear-stage1-30k — модель FP-VLA для робототехники с предсказанием траектории, дообученная на базе openvla/openvla-7b. В архитектуре OpenVLA используется линейная голова для регрессии траектории и MLP-голова для предсказания действий. Линейная голова детерминированно выдаёт нормализованную траекторию из 33 точек с двумя координатами, используя 66 обучаемых токенов запросов, обусловленных изображением и предыдущей траекторией. Чекпойнт соответствует шагу обучения 30000 и предназначен для предсказания траекторий и действий в задачах управления роботами по визуальному контексту. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Карточка не сообщает отдельные сведения о размере, контекстном окне или поддерживаемых естественных языках.

InternVLA-A1-3B — модель для управления роботизированными манипуляциями, разработанная командой InternRobotics. Она объединяет понимание сцен, прогнозирование динамики и генерацию действий в архитектуре Mixture-of-Transformers, чтобы робот мог учитывать визуальный контекст и адаптировать движения. Версия 3B обучена на разнородных данных: реальных роботах, симуляциях и видео от первого лица; карточка указывает дообучение базовой Qwen/Qwen3-VL-2B-Instruct. Модель предназначена для статических и динамических задач захвата и манипуляции, включая оценку будущего состояния сцены перед выполнением действия. В README также приведены результаты на симуляционном RoboTwin 2.0: средний успех 89,40% на простых и 89,64% на сложных задачах, усреднённый по 50 задачам. Базовая модель поддерживает анализ изображений и видео; отдельные сведения о контексте и языковой поддержке этой версии не приведены. Модель опубликована в формате safetensors под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. Результаты демонстраций и бенчмарка не гарантируют качество на иных роботах, наборах действий или реальных условиях; перед практическим применением потребуется интеграция с конкретным роботом и проверка безопасности управления.