Компактная модель Meta для классификации запросов и ответов по категориям безопасности контента.

Подходит для: проверка пользовательских запросов перед передачей языковой модели · модерация ответов чат-бота по категориям опасного контента · разметка небезопасного контента для систем фильтрации

Модель IBM для выявления рисков и проверки обоснованности ответов в диалогах, RAG-системах и агентных сценариях.

Подходит для: фильтрация вредоносных запросов пользователей · проверка ответов чат-бота на небезопасное содержание · оценка релевантности найденных RAG-документов

AprielGuard — модель-модератор ServiceNow AI для выявления рисков безопасности контента и атак на LLM, включая prompt injection и jailbreak.

Подходит для: модерация запросов и ответов LLM-ассистента · оценка токсичности, предвзятости и дезинформации · выявление jailbreak и prompt injection

Модифицированная DeepSeek-V4-Flash с удалённым поведением отказа для диалоговой генерации текста, рассуждений и исследований безопасности ИИ.

Подходит для: проведение авторизованного red teaming языковых моделей · оценка устойчивости систем безопасности ИИ · диалоговый ассистент с режимами рассуждения

MD-Judge — дообученная на Mistral-7B модель для оценки безопасности пар вопрос–ответ и анализа ответов языковых моделей.

Подходит для: оценка безопасности ответов чат-бота · классификация пар вопрос–ответ по безопасности · проверка ответов на токсичный или вредоносный контент

Экспериментальный чекпойнт Llama 2 7B Chat для изучения влияния сжатия и перестановки параметров на безопасность ответов.

Подходит для: сравнение устойчивости сжатых языковых моделей к вредоносным запросам · измерение доли успешных атак на чат-модель · оценка избыточных отказов после коррекции параметров

Экспериментальный сжатый чекпойнт Llama 2 Chat для исследования влияния сжатия и перестановки параметров на безопасность ответов.

Подходит для: оценка безопасности ответов сжатой языковой модели · сравнение успешности атак на чат-модель · изучение влияния SVD-сжатия на поведение модели

Модель Qwen3-8B, дообученная для оценки безопасности диалогов и защиты от многоходовых jailbreak-атак.

Подходит для: оценка безопасности многоходового диалога перед ответом · выявление попыток обхода защитных ограничений в чате · маршрутизация потенциально опасных запросов на проверку

Чат-модель PKU-Alignment на основе Alpaca, обученная с Safe-RLHF для полезных и более безопасных текстовых ответов.

Подходит для: диалоговые ответы на английском языке · создание чат-ассистента с ограничением вредоносных ответов · исследование безопасности и выравнивания LLM

Дообученная на задачах кибербезопасности модель Granite на 28,9 млрд параметров для анализа и исправления конфигураций Infrastructure as Code.

Подходит для: поиск проблем безопасности в конфигурациях IaC · предложение исправлений для файлов Infrastructure as Code · проверка изменений инфраструктурных конфигураций

Производная модели speakleash/Bielik-1.5B-v3. Базовая причинная языковая модель на 1,6 млрд параметров, ориентированная на польский язык и предназначенная для генерации текста и дальнейшей тонкой настройки.

Подходит для: продолжение текста на польском языке · создание специализированного генератора польского текста через дообучение · адаптация языковой модели для польскоязычных задач

Чат-модель Qwen 3.5 на 4 млрд параметров, дообученная для полезных ответов на безопасные запросы и краткого отказа на небезопасные.

Подходит для: ответы на безопасные запросы в чате · отказ на небезопасные запросы пользователей · диалоговые ответы на амхарском языке

Экспериментальный сжатый чекпойнт Llama 2 Chat для исследования влияния сжатия и восстановления параметров на безопасность ответов.

Подходит для: измерение устойчивости чат-модели к вредоносным запросам · сравнение безопасности модели до и после сжатия · исследование компромисса между полезностью и отказами

Экспериментальный сжатый чекпойнт Llama 2 Chat для изучения компромиссов между безопасностью и полезностью генеративных языковых моделей.

Подходит для: сравнение защитного поведения языковых моделей после сжатия · оценка успешности атак на сжатые чат-модели · изучение восстановления поведения модели компонентами SVD

Экспериментальная сжатая версия Llama 2 7B Chat для исследования компромисса между безопасностью и полезностью при генерации текста.

Подходит для: сравнение безопасности чат-модели до и после сжатия · измерение успешности атак на сжатую языковую модель · оценка чрезмерных отказов модели

Экспериментальный сжатый чекпойнт Llama 3 8B Instruct для изучения влияния сжатия и перестановки параметров на безопасность ответов.

Подходит для: Сравнение безопасности ответов сжатых языковых моделей · Оценка успешности атак на чат-модель по тестам безопасности · Изучение влияния Swift-SVD-сжатия на поведение ассистента

Экспериментальная сжатая версия Llama 2 Chat для оценки влияния удаления параметров на безопасность и полезность диалоговой модели.

Подходит для: сравнение безопасности сжатых языковых моделей · оценка устойчивости чат-модели к атакам на отказ от правил · измерение чрезмерных отказов в ответах ассистента

Экспериментальный сжатый чекпойнт Llama 2 7B Chat для исследования влияния сжатия на безопасность диалоговой модели.

Подходит для: оценка безопасности ответов сжатой языковой модели · сравнение успешности атак на модель до и после сжатия · исследование компромисса между полезностью и безопасностью чат-моделей

Экспериментальный вариант Llama 2 7B Chat для изучения влияния сжатия SVD и редактирования параметров на безопасность диалоговой модели.

Подходит для: сравнение безопасности ответов сжатой и исходной Llama 2 · оценка устойчивости к вредоносным запросам на AdvBench · измерение отказов и чрезмерных отказов в диалоге

Экспериментальный сжатый чекпойнт Llama 2 7B Chat для изучения влияния сжатия и перестановок параметров на безопасность и полезность ответов.

Подходит для: сравнение безопасности ответов до и после сжатия языковой модели · измерение устойчивости чат-моделей к вредоносным запросам · исследование компромисса между полезностью и отказами модели

Защитная диалоговая модель TRACE на базе Llama 3.1, оценивающая риск многоходовых jailbreak-атак перед формированием ответа.

Подходит для: выявление jailbreak-атак в многоходовых диалогах · оценка безопасности истории беседы перед ответом чат-бота · маршрутизация рискованных запросов на проверку или отказ

Экспериментальный сжатый чекпойнт Mistral-7B-Instruct-v0.2 для изучения компромисса между сжатием языковой модели и безопасностью её ответов.

Подходит для: сравнение безопасности сжатых языковых моделей · измерение устойчивости чат-модели к вредоносным запросам · оценка избыточных отказов после сжатия

Reward-модель на базе Llama 3.1 8B для оценки безвредности текстовых ответов в сценариях RLHF.

Подходит для: оценка безвредности ответов чат-бота · сравнение кандидатов ответа по безопасности · ранжирование ответов для отбора в RLHF

Дообученная модель Samsung SDS для оценки безопасности запросов и ответов LLM по пяти категориям риска на английском и корейском языках.

Подходит для: проверка запросов к чат-боту на вредоносное содержание · фильтрация ответов языковой модели по категориям риска · выявление угроз приватности в диалогах с ИИ