WildGuard — англоязычная модель модерации для выявления вредных запросов и ответов LLM, а также оценки отказов.

Подходит для: выявление вредоносных запросов пользователей к LLM · модерация ответов языковой модели · определение отказов LLM от ответа

StepGuard проверяет действия агентов до вызова инструментов и аудирует траектории взаимодействия, выявляя небезопасные шаги и источники риска.

Подходит для: проверка безопасности действия агента перед вызовом инструмента · аудит траектории действий и наблюдений агента · классификация действий как безопасных или небезопасных

Модель на базе SigLIP 2 классифицирует изображения по категориям откровенного, чувственного и безопасного контента для автоматической фильтрации.

Подходит для: фильтрация порнографических изображений · модерация чувственного контента на изображениях · классификация аниме и hentai-изображений

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

Текстовая модель IBM для выявления рисков и галлюцинаций в запросах, ответах, RAG-контексте и вызовах функций.

Подходит для: Проверка пользовательских запросов на вредоносный контент и попытки обхода ограничений · Оценка ответов чат-бота на вредный контент, предвзятость и ненормативную лексику · Проверка релевантности извлечённого контекста в RAG-системе

Модель анализирует журналы действий компьютерных агентов и объясняет, безопасна ли их полная траектория выполнения.

Подходит для: аудит журналов действий компьютерного агента · выявление опасных или несанкционированных вызовов инструментов · оценка безопасности агентных фреймворков

Генеративная модель на базе Qwen3Guard-Gen-0.6B для проверки запросов и действий ИИ-агентов на нарушения пользовательских политик с объяснением и идентификаторами нарушенных правил.

Подходит для: проверка пользовательских запросов по правилам безопасности приложения · аудит последовательности действий ИИ-агента и результатов вызова инструментов · выявление конкретных нарушенных пунктов заданной политики

DARWIN-Guard — дообученная на Qwen3Guard-Gen-8B модель для классификации пользовательских запросов как безопасных или небезопасных и защиты LLM от вредоносных запросов и джейлбрейков.

Подходит для: модерация входящих запросов к чат-боту · обнаружение вредоносных и замаскированных запросов · фильтрация попыток джейлбрейка перед передачей запроса LLM

Производная модели Blackfrost-AI/GLM-5.3-Flash-DERISKED-BF16. Мультимодальная модель Blackfrost на базе GLM-5.3-Flash для авторизованного тестирования защит и команд red teaming.

Подходит для: проверка устойчивости защитных механизмов к adversarial-запросам · тестирование систем обнаружения вредоносных запросов · проведение авторизованного red teaming

Компактная GGUF-сборка Qwen3Guard-Gen-0.6B для локального диалога и генерации безопасных ответов на устройствах с ограниченными ресурсами.

Подходит для: локальный ассистент для простых вопросов · генерация безопасных ответов на пользовательские запросы · отказ на запросы о вредоносных или незаконных действиях

Квантованная 35B разговорная модель в GGUF для локального чата и многоагентных сценариев с вызовом инструментов на AMD Strix Halo.

Подходит для: локальный диалоговый помощник на компьютере с AMD Strix Halo · вызов инструментов в агентных приложениях · параллельная работа нескольких локальных ИИ-агентов

Компактная аблированная версия LiquidAI/LFM2.5-350M для исследований поведения отказов, red teaming и оценки защит языковых моделей.

Подходит для: исследование механизмов отказа языковой модели · проверка устойчивости защит на вредоносных запросах · red teaming диалоговой языковой модели

Классификатор изображений на базе SigLIP 2 для выявления контента для взрослых и фильтрации безопасных изображений.

Подходит для: модерация изображений в соцсетях и форумах · фильтрация изображений для безопасного поиска · родительский контроль при просмотре изображений

Классификатор изображений на базе SigLIP 2, который распределяет изображения по пяти категориям от безопасного контента до откровенного.

Подходит для: модерация изображений в социальных сетях · поиск порнографических изображений в медиатеке · фильтрация хентай-контента

Дообученный ViT-классификатор относит изображения к категориям безопасного, чувственного и откровенного контента для модерации и фильтрации.

Подходит для: модерация изображений на платформах · фильтрация откровенного контента в поиске · проверка изображений для родительских фильтров