Найдено: 1821
детектор мелких воздушных целей
Файнтюн чекпоинта YOLO11n от автора Seemorgh, дообученный на базе Seemorgh/yolo11n-aod4-v6 (best.pt) под поиск мелких объектов в аэросъёмке. Модель различает четыре класса: airplane, bird, drone и helicopter. Работает через библиотеку Ultralytics.
decensored-версия Arete-27B
Это decensored-версия NousResearch/Arete-27B на 27,36 млрд параметров, сделанная через Heretic v2.1.0. Базовая Arete-27B — посттренинг Qwen3.8-27B с акцентом на западные ценности. Новая версия снижает число отказов и подходит для текстовой генерации и исследований поведения LLM.
ACT-политика для so_follower
Это политика имитационного обучения ACT (Action Chunking with Transformers) для робота so_follower, обученная в LeRobot. Модель на ~0,05 млрд параметров получает состояние (6) и изображение с фронтальной камеры (3×480×640), а выдаёт вектор действия (6).
карта проходимости по RGB-D видео
SAM-VTP — веса модели непрерывной сегментации проходимости для RGB-D видео (автор — lucashoefs). Модель адаптирует видеопамять SAM 2 для предсказания без промптов и добавляет геометрию, измеренную по глубине: на каждом кадре получается попиксельная оценка в [0,1].
версия без отказов с минимальным дрейфом
Это расцензуренная версия Qwen/Qwen2.5-1.5B-Instruct от aasis001. Модель на 1.54B параметров сделана инструментом Heretic v2.1.0 методом Arbitrary-Rank Ablation (ARA): без дообучения и новых данных, веса отредактированы напрямую, чтобы убрать поведение отказа.
PR-описания без забывания
Это 8B-модель image-text-to-text на базе google/gemma-4-E4B-it, адаптированная под анализ diff и генерацию описаний pull request. Автор применил Grafting: дообучил donor-чекпоинт google/gemma-4-e4b на GitHub PR reasoning traces и перенёс task vector в post-trained модель.
энкодер для роботов
OWAC J5 RAW Encoder — self-supervised визуальный энкодер для линейного трёхканального pseudo-RAW, обученный проектом OWAC. Это исходный J5 EMA-энкодер, сохранённый на шаге 12 818; им инициализируют последующие C1-политики, это не policy-файнтюн C1/D17 и не D20-энкодер для скалярных измерений.
MoE из четырёх экспертов без отказов
Экспериментальная MoE-модель на базе IFM/K2-Horizon-0.9B: четыре эксперта, top-1 routing и softmax-роутер. Всего 3.06B параметров, из них 1.08B активны на токен; контекст — 128K (YaRN), вес в bf16 — 6.1 GB. Автор собрал экспертов из RL-чекпоинтов base-модели и снял отказы через Heretic.
ComfyUI-конверсия LoRA для MiniMax-H3
Это комьюнити-конверсия официальной IC LoRA Open-H3-Regenerate-2K-IC для MiniMax-H3 в формат ComfyUI от slmonker. Адаптер предназначен для ветки transformer_ref и задачи video-to-video: он участвует в пайплайне апскейла черновика 768P до 2K.
лёгкий диспетчер промптов между агентами
Qwen2.5-0.5B-PromptBus-v1 — файнтюн Qwen2.5-0.5B-Instruct на 492M параметров от Runtime-Slayers. Модель заявлена как низколатентный роутер меж-агентной коммуникации: JSON-RPC-схемы, диспетчеризация интентов и sub-symbolic message routing. Язык карточки и метаданных — английский.
видеомодель мира с управлением действиями
InWorld — action-conditioned latent video world model на PyTorch от yuduan; по метаданным задача — image-to-video. Модель генерирует видео по VAE-латентам, действиям Rich32 и условиям прогресса денойзинга. В релизе пять стадий S1–S5, финальный чекпоинт — S5 u7000.
DreamBooth-LoRA для Krea 2
Это DreamBooth-LoRA для модели Krea 2 от автора Omoshiroihs2. Адаптер обучен на Krea 2 RAW, а примеры в карточке сгенерированы на Krea 2 Turbo за 8 шагов. Для вызова концепта используются токены l0verly, loverly.
нейросеть, которая понимает карты osu!mania 4K
Columnist — foundation-модель от Quenlla для 4K-карт osu!mania. Она читает карту как последовательность строк нот, учится на десятках тысяч неразмеченных карт и затем находит похожие карты, предсказывает паттерны и сложность. Энкодер — 256 измерений, 6 слоёв, 6,3 млн параметров.
обратная кинематика для незнакомых роботов
Это обученная обратная кинематика (IK), которая читает URDF робота как кинематический граф и решает IK для манипуляторов, на которых модель не тренировалась; предыдущее состояние суставов не требуется. В репозитории — эксперимент main_s2 с model.pt, config.json, metrics.json, таблицами и видео.
ACT-политика для роботизированного захвата
Это policy имитационного обучения ACT (Action Chunking with Transformers) для захвата Doosan, обученная и опубликованная через LeRobot. Модель предсказывает короткие чанки действий вместо одиночных шагов и учится на телеоперационных данных.
крошечный роутер функций на BERT-Tiny
ARN-v2 — модель на 4,44 млн параметров, которая не пишет ответ, а выбирает функцию из фиксированного списка и размечает в запросе её аргументы. Основа — google/bert_uncased_L-2_H-128_A-2, дообученный энд-ту-энд; поверх работают роутер FAR-v2, CRF-теггер аргументов и ограниченное совместное…
лёгкая монокулярная оценка глубины
ANCHURUS — экспериментальная PyTorch-модель для монокулярной оценки глубины от Davitestro. Использует encoder MobileNetV2 и прогрессивный decoder из пяти upsampling-блоков: на вход подаётся RGB 256×256, на выходе — одноканальная нормализованная карта глубины 0–1.
PPO-мозг для посадки перевёрнутого родстера
Это PPO-агент обучения с подкреплением от CONNECT AI LAB (автор — Jinhyung Jo / healmu). Он управляет перевёрнутым родстером в Gymnasium-среде: двумя непрерывными действиями задаёт тягу нижнего двигателя и вращение, чтобы посадить машину на колёса.
условия облигаций в JSON
Это QLoRA-адаптер для mistralai/Mistral-7B-Instruct-v0.3, который извлекает основные условия облигации из фрагмента текста — обложки проспекта, финальных условий или пресс-релиза — и отвечает одним JSON-объектом.
wake word «Hex» / «Hey Hex» для голосового ассистента
Это ONNX-модель кодового слова по умолчанию для голосового ассистента haex от проекта haex-space. Она состоит из эмбеддера Google speech_embedding/1 с log-mel фронтендом и классификатора hex.onnx; на вход подаётся 16 кГц mono float32. Кодовое слово произносится как [hɛks].