II.11Кибербезопасность и приватность

PhishLens — модель классификации текста, разработанная для обнаружения фишинговых писем. Она создана дообучением DistilBERT и предназначена для классификации англоязычного текста письма по двум категориям: безопасное и фишинговое. Модель является текстовым агентом расширения PhishLens для Chrome и серверной части на FastAPI, где используется совместно с проверкой URL и заголовков письма. Модель принимает текст и выдаёт метку класса. Контекст ограничен 512 токенами. В описанной проверке на отложенной выборке из корпуса 29 555 писем указаны точность 97,34%, F1 0,9665 и доля ложных срабатываний 2,91%; это результаты конкретного тестового набора и не гарантируют аналогичного качества на новых данных. Лицензия — MIT. Модель предназначена для вспомогательного обнаружения фишинга, а не для самостоятельной защиты в производственной среде. Она поддерживает только английский язык, не анализирует PDF-вложения и может ошибочно помечать маркетинговые и рекрутинговые письма. Для реального применения автор рекомендует дополнять её проверкой репутации URL и проверками DKIM, SPF и DMARC.

FrameByFrame подготовили корейскую LoRA-дообученную версию OpenAI Privacy Filter для обнаружения фрагментов с персональными данными. Модель размечает текст по токенам, выдавая метки BIOES для девяти категорий, включая имена, адреса, телефоны, URL и электронную почту; предсказания можно преобразовать в символьные диапазоны для последующего маскирования. В карточке указаны архитектура sparse MoE, 145,4 млн параметров в репозитории и контекст 131 072 токена. Базовая модель описана как имеющая 1,5 млрд параметров и 50 млн активных параметров; LoRA применена только к проекциям внимания, основная модель заморожена. Модель предназначена прежде всего для корейского текста, также приведён пример для английского. На корейском тестовом наборе KDPII показаны улучшения F1 для телефонов, URL и электронной почты относительно базовой модели. Для загрузки требуются Transformers 5.x из исходного кода и trust_remote_code=True. Лицензия — Apache-2.0.

Harsh221/qwen2.5-1.5b-pii-redactor — плотная причинная языковая модель Qwen2.5-1.5B-Instruct, дообученная методом supervised fine-tuning с LoRA для поиска и редактирования персональных данных в тексте. Она сохраняет обычный текст и заменяет распознанные фрагменты метками типов данных, например адреса электронной почты, телефона или имени. Модель содержит 1,5 млрд параметров, принимает текст и выдаёт отредактированный текст; в метаданных указан контекст до 32 768 токенов. В описанном обучении использовались набор ai4privacy/pii-masking-300k и последовательности длиной 512 токенов. Модель подходит для предварительной маскировки персональных данных в сообщениях и документах перед передачей на анализ или публикацией. Карточка отмечает, что это генеративный редактировщик, а не гарантия конфиденциальности: возможны пропуски чувствительных фрагментов, нежелательные изменения обычного текста и нестандартные метки. Для длинных документов рекомендуется обрабатывать текст частями и объединять результаты с проверкой. README не указывает поддерживаемые языки; применяйте модель только после оценки на нужных языках и категориях данных. Лицензия — Apache-2.0.

Qwen3.5 0.8B Security Triage v4-7 Merged — дообученная модель семейства Qwen от автора репозитория apxi для первичной классификации коротких строк журналов безопасности. Она формирует структурированный ответ с меткой, уровнем серьёзности, признаком подозрительности, свидетельствами, объяснением и рекомендуемым действием. Поддерживаются категории normal, failed_login_bruteforce, sql_injection_attempt, directory_traversal_attempt и port_scan_or_recon. Это плотная модель Qwen3.5 с 0,8 млрд параметров, представленная в BF16 в формате Transformers/Safetensors. Чекпойнт получен слиянием LoRA-адаптера с базовой моделью unsloth/Qwen3.5-0.8B; интерфейс рассчитан на диалоговую подачу текстовых логов. В карточке проекта указано применение для прототипа помощника по разбору журналов безопасности и совместимость с сервингом через OpenAI-совместимые среды, например vLLM. Модель обучена на синтетических данных и предназначена для сортировки подозрительных паттернов и рекомендаций по расследованию. Она не подтверждает факт компрометации или вредоносной активности и не заменяет проверку аналитика. Лицензия в предоставленных данных не указана.

Rampart — модель классификации токенов, разработанная National Design Studio для клиентского обнаружения и маскирования персональных данных (PII) до передачи текста на сервер, провайдеру LLM или в системы журналирования. Она предназначена для AI-ассистентов, форм ввода и других сценариев, где пользовательский текст нужно обезличить непосредственно на устройстве. Модель является частью многоуровневой системы: вместе с ней используется детерминированный распознаватель структурированных идентификаторов. В основе лежит nreimers/MiniLM-L6-H384-uncased, дообученная с BIO-головой на 35 меток, соответствующих 17 типам сущностей. Модель содержит примерно 18,5 млн параметров, использует обрезанный словарь из 19 730 WordPiece-токенов, поддерживает последовательности до 512 токенов и поставляется в формате ONNX размером 14,7 МБ. Для ускорения работы применяются 4-битное умножение матриц и INT8-эмбеддинги. Запуск выполняется через ONNX Runtime Web с WASM или WebGPU и transformers.js. Поддерживаются английский, испанский, французский, немецкий, итальянский, португальский и нидерландский языки с латинской письменностью. Сильные стороны модели — небольшой размер, возможность браузерного и локального выполнения, обработка текста без отправки исходных данных на сервер и поддержка стабильных плейсхолдеров для многошаговых диалогов. Ограничения включают отсутствие поддержки нелатинских письменностей, неспособность выявлять косвенные или инференциальные идентификаторы и недостаточную устойчивость к целенаправленным атакам. Модель не должна рассматриваться как самостоятельный детектор государственных идентификаторов или как гарантия безопасности: для некоторых структурированных данных необходим сопутствующий детерминированный слой. Модель распространяется по лицензии CC BY 4.0; обучающие данные ai4privacy/pii-masking-openpii-1.5m также указаны под CC BY 4.0.

RoBERTa Email Fraud Detector — дообученная модель RoBERTa-base от автора репозитория cunxin для бинарной классификации электронных писем. Она принимает тему и тело письма, расположенные в формате «Subject: …», и определяет, относится ли сообщение к мошенническим или фишинговым либо является обычным. Модель предназначена для фильтрации почты в личных и корпоративных системах, быстрого первичного скрининга перед более подробным анализом и включения в многоуровневые системы защиты. Репозиторий сообщает о точности 99,5% на тестовых данных, но эти результаты относятся к указанным автором выборкам и не гарантируют такое же качество на другой почте. Архитектура — RoBERTa для классификации последовательностей, около 151,8 млн параметров; вход ограничен 514 токенами по метаданным, а README указывает усечение примерно до 512 токенов или 1 800 символов. Модель обучалась преимущественно на английских письмах, включая данные Enron, SpamAssassin и Ling-Spam. Выдаёт два логита для классов «обычное» и «мошенническое»; она не объясняет тип угрозы и может хуже работать на современных шаблонах фишинга и письмах на других языках. Лицензия — MIT.

mshenoda/roberta-spam — модель классификации текстовых сообщений на спам и обычные сообщения (ham), разработанная на основе RoBERTa и дообученная для обнаружения спама. Она предназначена для фильтрации SMS, сообщений Telegram и электронной почты, включая выявление нежелательных сообщений и потенциальных фишинговых попыток. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текстовый ввод; максимальный контекст — 514 токенов. Выдаёт метку класса: 0 для обычного сообщения и 1 для спама. В README приведены результаты на валидационной выборке: точность 99,06%, precision 99,71% и recall 99,34%. Обучение проводилось на объединённых данных SMS Spam Collection, Telegram Spam Ham и Enron Spam. Эти метрики относятся к указанным наборам данных и не гарантируют такого же качества на других источниках сообщений. Модель распространяется по лицензии MIT.

SecureBERT 2.0 Base — англоязычная модель Cisco AI для понимания текстов и кода в сфере кибербезопасности. Она дообучена на базе answerdotai/ModernBERT-base с предметным предобучением на отчетах об угрозах, блогах, документации и коде. Это плотная encoder-only модель архитектуры ModernBERT с 149 млн параметров, предназначенная прежде всего для заполнения пропусков в тексте и коде; контекст модели — до 8192 токенов. Модель подходит для семантического поиска и извлечения признаков, распознавания сущностей безопасности, анализа кода и выявления уязвимостей, а также для дальнейшей настройки под извлечение данных об угрозах и анализ инцидентов. README сообщает о результатах оценки masked language modeling и сравнительном преимуществе на профильных текстах и коде, но не приводит подробностей о наборе тестов, кроме того, что он внутренний. Модель не предназначена для неанглоязычных или непрофильных текстов, общего диалога либо автономных решений в системах безопасности без экспертной проверки. Лицензия — Apache 2.0.

Cisco AI разработала SecureBERT2.0-code-vuln-detection — англоязычную модель классификации фрагментов исходного кода на уязвимые и неуязвимые. Это дообученная на SecureBERT 2.0 модель с архитектурой ModernBERT и классификационной головой на два класса; она предназначена для анализа безопасности кода на этапе проверки и разработки. Модель можно встроить в системы автоматизированного ревью, сканеры уязвимостей в CI/CD и расширения для IDE. В карточке описана оценка на примерах C, C++, Python и категориях вроде переполнения буфера и инъекций. Указано 149 млн параметров; метаданные сообщают контекст до 8192 токенов, тогда как README приводит максимальную длину последовательности 1024 токена. Модель служит вспомогательным средством: она может пропускать уязвимости или отмечать безопасный код как уязвимый, а синтаксические закономерности обучающих данных могут мешать обнаружению логических ошибок. Она не предназначена для анализа обычного текста, выявления проблем во время выполнения или генерации исправлений. Лицензия — Apache-2.0.

Security Co-pilot — дообученная модель на 3,1 млрд параметров на базе Qwen/Qwen2.5-3B-Instruct, предназначенная для первичной проверки подозрительных сообщений. Она принимает текст электронного письма, URL, SMS или расшифровки звонка и выдаёт вердикт PHISHING, SCAM, SPAM или SAFE с кратким объяснением, указывающим на признаки в сообщении. Модель работает с текстом на английском языке и имеет контекстное окно до 32 768 токенов. В README сообщается о точности 95,5% и Macro F1 95,4% на валидационной выборке из 400 примеров; это результаты валидации, а не отдельного тестирования. Модель обучалась на примерно 18 500 примерах писем, URL, SMS и расшифровок звонков. Репозиторий содержит веса Safetensors; разработчик рекомендует использовать точный шаблон запроса из prompt_config.json. Модель может пропускать сообщения, специально составленные для обхода классификаторов, и неверно классифицировать сообщения, отличающиеся от обучающих данных. SMS-мошенничество размечено как SPAM; устаревшие и смещённые данные могут приводить к ложным срабатываниям, например на настоящих банковских уведомлениях. Модель анализирует только текст и не проверяет отправителя, домен или вложения; её рекомендуется использовать как вспомогательный инструмент первичной проверки. Указана лицензия other, конкретные условия которой в предоставленных данных не раскрыты.

Это мультиязычный LoRA-адаптер PII для Statim Decide Multilingual Base 0.7.0, опубликованный Beko2210. Он настраивает базовую модель на решения по категории PII: например, определение наличия в тексте телефонного номера. Для использования требуется совместимая базовая модель и Statim версии 0.8.0 или новее; адаптер привязан к отпечатку конкретной версии базы. В репозитории представлены GGUF и safetensors, а метаданные указывают библиотеку gguf. В эксперименте адаптер повысил среднюю оценку с 0,8558 до 0,9103 для f32 и до 0,9109 для q8_0; выборка составляла 150 примеров на ячейку. Поддерживаются языки ar, de, en, es, fr, it, ja, nl, ru, sv и zh, но языки вне проверенного списка не тестировались. Лицензия PolyForm Noncommercial 1.0.0; автоматизированные решения о людях требуют проверки человеком.

Tanaos разработала эту модель на базе tanaos/tanaos-NER-v1 и дообучила её с помощью библиотеки Artifex на синтетических данных для распознавания персональных данных в тексте. Это модель RoBERTa для токеновой классификации с 151,8 млн параметров и контекстом до 514 токенов. Она выделяет пять категорий чувствительных сущностей, включая имена людей, местоположения и даты, после чего обнаруженные фрагменты можно удалить или заменить для анонимизации текста. Модель предназначена для подготовки текстов к передаче, публикации или дальнейшей обработке, когда требуется снизить риск раскрытия персональных данных. В карточке заявлена поддержка английского языка; обучение проводилось на синтетическом наборе примерно из 10 тысяч фрагментов. Указана лицензия MIT. Авторы отмечают, что для специализированных текстов может потребоваться дополнительное дообучение; распознавание сущностей само по себе не гарантирует полного удаления всех персональных данных или соответствия требованиям GDPR.

AlicanKiraz0/Titus-CybersecurityLLM-v1.0-mlx-4Bit — это квантизированная 4-битная MLX-версия модели Titus-CybersecurityLLM-v1.0, разработанная AlicanKiraz0 для локального запуска на устройствах Apple Silicon. Модель предназначена прежде всего для кибербезопасности с приоритетом турецкого языка и основана на Qwen/Qwen3.6-35B-A3B; заявленная архитектура — qwen3_5_moe. Это текстовая модель генерации, адаптированная для эффективного локального вывода через MLX. Модель ориентирована на помощь при SOC-триаже, DFIR-расследованиях, разработке детектов, анализе облачной, Kubernetes-, IAM-, endpoint- и AppSec-безопасности, подготовке GRC-материалов, а также на авторизованные лабораторные, CTF, purple-team и defensive validation сценарии. Обучение выполнено на наборе более чем из 500 тысяч строк инструкций по кибербезопасности с охватом реагирования на инциденты, threat hunting, malware analysis, SIEM, SOAR, DevSecOps, уязвимостей и других направлений; использовалась LoRA-адаптация примерно на 4 миллиарда параметров. Сильная сторона варианта — сниженные требования к хранению и возможность локального запуска на Apple Silicon, однако 4-битная квантизация может уменьшать точность по сравнению с BF16-версией, а в README не указаны размер контекстного окна и полный перечень поддерживаемых языков. Модель распространяется по лицензии Apache-2.0 и предназначена для законного и явно разрешённого использования в сфере кибербезопасности.

WARD-0.8b — компактная мультимодальная модель семейства Qwen3.5, предназначенная для защиты веб-агентов от атак с внедрением промптов. Она анализирует намерение пользователя, предварительно обработанный HTML-код страницы и её скриншот, после чего возвращает JSON с объяснением, целью атаки, местом внедрения и меткой классификации. Модель принимает текст и изображение и выдаёт текстовый результат; в метаданных указана архитектура Qwen3_5ForConditionalGeneration и формат safetensors. Разработчик описывает её как guard-модель для веб-агентов. Лицензия — Apache-2.0.

funmidab/xss-classifier — модель классификации текста на базе DistilBERT, дообученная на наборе данных, название которого в карточке указано как None. Она предназначена для обнаружения XSS в текстовых входах и может использоваться для предварительной проверки строк или фрагментов текста в приложениях безопасности. В README приведены результаты на тестовой выборке: accuracy 0,9984, precision, recall и F1 — 0,9977. Это показатели указанного набора оценки и они сами по себе не гарантируют такое же качество на других данных. Модель использует DistilBertForSequenceClassification, принимает текст и выдаёт метку классификации. Контекстное окно — 512 токенов; модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не раскрывает состав и разметку датасета, набор классов и подробные ограничения, поэтому перед применением в защите её следует оценить на данных целевого приложения.

Anonymizer-1.7B — компактная языковая модель компании Eternis AI для защиты конфиденциальности текста. Она предназначена для обнаружения персональных данных и их замены на семантически похожие значения, чтобы сохранить смысл пользовательского запроса при удалении исходных идентификаторов. Модель используется как основной анонимизатор в Enchanted и может применяться локально в других развёртываниях, где важны скорость и качество. По карточке, модель обучена с GRPO и оценивалась судьёй GPT-4.1. Модель построена на плотной архитектуре Qwen3 с 1,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Карточка описывает интерфейс замены сущностей и формат ответа с парами исходных и заменённых значений. Репозиторий содержит веса Safetensors, а лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

apex-flash-1 — открытая модель безопасности от Cantina Security, разработанная совместно с Yeta. Это постобученная с помощью обучения с подкреплением версия GLM-5.3-Flash, предназначенная для целевых расследований уязвимостей: анализа кода, использования инструментов, поиска эксплойта и проверки его воздействия на работающей цели. Авторы рекомендуют запускать модель в агентной среде Codex и использовать её как специализированного исполнителя под управлением более крупного агента. Модель сохраняет архитектуру GLM-5.3-Flash image-text-to-text с поддержкой зрения; в README оценивались только текстовые задачи безопасности, а возможности обработки изображений и видео не проверялись. В закрытой оценке на 60 задачах из 20 случаев уязвимостей она решила 40 задач (66,7% pass@1); результаты относятся к описанному набору испытаний и не гарантируют такой же эффективности в других условиях. Модель поддерживает английский и китайский языки. Лицензия — MIT.

AST-VoxCelebSpoof-Synthetic-Voice-Detection — модель MattyB95 для классификации аудио и обнаружения синтетической речи. Она дообучена на наборе MattyB95/VoxCelebSpoof на основе MIT/ast-finetuned-audioset-10-10-0.4593. Архитектура — Audio Spectrogram Transformer (AST), модель содержит 113,2 млн параметров и распространяется в формате Safetensors. Модель предназначена для оценки аудиозаписей и различения поддельной или синтетической речи от подлинной. В README приведены результаты на оценочной выборке: точность и F1 по 0,9999, полнота 0,9998 и точность положительных предсказаний 1,0. Эти показатели относятся только к указанной выборке и сами по себе не гарантируют такое же качество на других данных. Лицензия — MIT.

mangalathkedar/ausf-deberta-prompt-injection-v1 — англоязычный классификатор инъекций в промпты для App Security Gateway (AUSF), дообученный на базе ProtectAI/deberta-v3-base-prompt-injection-v2. Модель использует архитектуру DeBERTa-v3-base с классификационной головой, содержит 211,6 млн параметров и принимает текст длиной до 512 токенов. Репозиторий включает форматы Safetensors и ONNX. Классификатор предназначен для выявления прямых и состязательных инъекций, включая попытки обхода с помощью Base64, а также для фильтрации запросов перед передачей их языковой модели. В README заявлены показатели 99,5% обнаружения Base64-инъекций на синтетическом наборе и F1 0,694 на тестовом наборе deepset/prompt-injections; это результаты авторской оценки, а не гарантия качества в других условиях. Модель рассчитана на английский язык и выпущена под лицензией Apache-2.0. В опубликованной оценке синтетического набора указаны заметные ложные срабатывания: 19,2% в целом и 18,8% на сложных отрицательных примерах. Для защиты приложения её следует оценивать на собственных данных и учитывать длину входа до 512 токенов.

Clary 2 Cyber Flash 1.7B — компактная языковая модель Aurora System на архитектуре Qwen3, дообученная для задач кибербезопасности и программирования. Она предназначена для локального использования на рабочих станциях и ноутбуках: помогает разбирать CTF-задачи, анализировать код и уязвимости, выполнять прикладные криптографические вычисления и создавать вспомогательные скрипты. Модель содержит 1,7 млрд параметров, поддерживает контекст до 40 960 токенов по метаданным; в README для обучения и примера запуска указано окно 8 192 токена. Веса доступны в Safetensors, а README также упоминает GGUF для запуска на CPU и мобильных устройствах. Модель работает с русским и английским языками и поддерживает диалоговую генерацию текста и кода. В README описаны сценарии анализа SQL-инъекций, JWT, XSS, CSRF, ошибок контроля доступа, простых функций x86_64 и криптографических задач. Модель может ошибаться в выводах и сгенерированном коде; результаты проверки безопасности требуют экспертной верификации. Лицензия — Apache-2.0. README представляет модель как предназначенную для исследовательских и образовательных задач, а также помощи специалистам по защите систем.

hackshare/curtain-privacy — модель для локального обнаружения и редактирования персональных данных, разработанная авторами проекта Curtain Privacy. Она объединяет классификатор токенов на базе BERT с детерминированными распознавателями и слоем обратимых заменителей для диалогов. Модель предназначена для работы в браузере, Node.js, iOS и Android через ONNX и transformers.js. В репозитории доступны варианты curtain-small и curtain-tiny: основной вариант использует 12-слойный мультиязычный MiniLM и SentencePiece, компактный — 6-слойный MiniLM и WordPiece. Метаданные указывают 72 млн параметров и контекст до 512 токенов. Заявлена поддержка 24 языков с латинской письменностью; перечисленные коды карточки охватывают 22 языка. Лицензия — MIT. Модель подходит для выявления и маскирования PII непосредственно на устройстве, что помогает обрабатывать текст без обязательной отправки на сервер. Качество зависит от языка, формата и контекста данных; классификатор и набор детерминированных распознавателей не гарантируют обнаружение всех чувствительных сведений. README также рекомендует закреплять ревизию и проверять контрольную сумму распространяемых файлов.

mulliken разработал англоязычный классификатор уязвимостей на базе DistilBERT, дообученного для отнесения текстовых описаний CVE к 232 категориям Common Weakness Enumeration (CWE). Модель принимает текст и выдаёт категорию CWE; её можно применять для сортировки и первичной обработки отчётов об уязвимостях, анализа CVE и интеграции в процессы управления уязвимостями и DevSecOps. Модель обучена на датасете CVE и CWE Mapping Dataset: в README указаны 111 640 обучающих и 12 405 проверочных примеров. Контекст ограничен 512 токенами; более длинные описания обрезаются. Для проверочной выборки указаны точность 72,72% и macro F1 0,251, что отражает неодинаковое качество по редким и частым категориям. Модель распространяется по лицензии Apache 2.0.

Карточка модели brianbellx/CYBER-FROST-3.8-BF16-copy на Hugging Face совпадает с карточкой Blackfrost-AI/CYBER-FROST-3.8-BF16, поэтому описание составлено по ней. CYBER-FROST-3.8-BF16 — дообученная Blackfrost-AI модель для специалистов по информационной безопасности, выполняющих разрешённые исследования, проверки и защитные работы. Она предназначена для диалога и вызова инструментов в рабочих процессах анализа уязвимостей, защиты систем и реагирования на инциденты. Модельный стек построен на архитектуре Qwen4ExpForConditionalGeneration: 48 блоков с чередованием линейного и полного внимания. Выпущен полный BF16-чекпойнт SafeTensors с конфигурацией, токенизатором, шаблоном диалога и комплектом развёртывания; родительский чекпойнт при загрузке не требуется. Модель дообучена на корпусе Blackfrost-AI по кибербезопасности. Карточка охватывает анализ вредоносного кода, проверку уязвимостей, защиту приложений и сетей, обнаружение угроз, реагирование на инциденты и другие направления безопасности. Указанная авторами цель — снизить число необоснованных отказов в профессиональных сценариях; это не гарантирует точность ответов или безопасное поведение. Модель принимает текст и выдаёт текст. Хотя конфигурация включает компонент для зрения, качество работы с изображениями и видео не оценивалось. Ответы, команды, код и рекомендации могут быть ошибочными, неполными или устаревшими. Модель не устанавливает наличие разрешения на проверку и не заменяет контроль доступа, изоляцию, аудит и проверку специалистом. Карточка указывает лицензию «other» и сообщает, что проверка лицензирования смешанного обучающего корпуса продолжается; условия лицензии следует уточнять по материалам репозитория перед использованием.

CyberSecQwen-4B — языковая модель для защитных задач кибербезопасности, разработанная как проект для AMD Developer Hackathon и дообученная на основе Qwen/Qwen3-4B-Instruct-2507. Она предназначена прежде всего для классификации описаний уязвимостей по категориям CWE и ответов на вопросы по киберразведке (CTI); также может помогать аналитикам при первичной сортировке CVE и подготовке материалов о киберугрозах. Модель построена на архитектуре Qwen3, содержит около 3,7 млрд параметров и принимает текст, формируя текстовые ответы. В карточке указано контекстное окно до 262 144 токенов; при этом описанный тренировочный контекст составлял 4096 токенов. Модель рассчитана на английский язык. По заявленным оценкам, она конкурентоспособна на тестах CTI-RCM и CTI-MCQ, однако результаты не гарантируют точность на данных конкретной организации. Модель специализирована на кибербезопасности и может хуже справляться с общими задачами и классификацией новых типов уязвимостей, недостаточно представленных в обучающих данных. Обучение и оценка проводились на англоязычных данных; формального выравнивания безопасности с помощью RLHF не проводилось, поэтому результаты требуют проверки специалистом. Лицензия — Apache-2.0.

CyberConstituent-SLM — англоязычная модель классификации киберугроз, разработанная sujithputta02 на основе DistilBERT и дообученная для анализа журналов безопасности и оповещений. Она относит текст к одной из шести категорий угроз; карточка приводит среди них вредоносное ПО, программы-вымогатели и фишинговые кампании. Модель использует архитектуру DistilBertForSequenceClassification, содержит 67 млн параметров и обрабатывает последовательности длиной до 512 токенов. По описанию автора, обучение включает слой согласования по принципам Constitutional AI, предназначенный для фильтрации явных эксплойт-пейлоадов и снижения предвзятых геополитических атрибуций с сохранением аналитической ценности. Указана точность 89% на валидационной выборке. Модель предназначена для категоризации текстовых событий безопасности, например для сортировки журналов и оповещений по типам угроз. Это классификатор, а не генератор рекомендаций или инструмент для исполнения защитных действий. Распространяется по лицензии Apache-2.0.

Aryan1245678 разработал модель для классификации аудио, дообучив Wav2Vec 2.0 на основе mo-thecreator/wav2vec2-base-finetuned. Она предназначена для обнаружения дипфейков и синтетически сгенерированной речи, в том числе в сценариях анализа аудио в реальном времени. Модель содержит 113,3 млн параметров, использует архитектуру Wav2Vec2ForSequenceClassification и распространяется в формате safetensors. В README указаны точность 0,9882 и потеря 0,0829 на оценочной выборке; сведения о наборе данных и подробностях оценки отсутствуют. Модель распространяется по лицензии Apache-2.0. Языковая поддержка и ограничения в карточке не описаны.

Hemgg/Deepfake-audio-detection — модель классификации аудио, созданная дообучением facebook/wav2vec2-base на датасете audiofolder. Она предназначена для обнаружения дипфейкового аудио и различения поддельных и подлинных записей речи. Архитектура Wav2Vec2ForSequenceClassification содержит 113,3 млн параметров; модель принимает аудио с частотой дискретизации около 16 кГц. В README приведены точность 0,9545 и loss 0,2288 на оценочном наборе. Обучающие данные описаны как англоязычный набор речи с участниками разных этнических групп. Автор отмечает, что для повышения точности модели требуется расширение датасета. Модель распространяется по лицензии Apache-2.0.

DF Arena 1B — универсальная модель для обнаружения поддельной речи и другого синтетического аудио. Её выпустила команда Speech-Arena-2025; модель обучена на наборах данных для выявления подмены речи, а также на данных с поддельным пением и окружающими звуками. В метаданных указана архитектура antispoofing и формат PyTorch. Модель принимает аудио и относит его к классам spoof и bonafide, возвращая оценки для каждого класса и итоговую уверенность. Она предназначена для проверки аудиозаписей на синтетическое или подделанное содержимое, в том числе речи, пения и звуков окружающей среды. В README приведены результаты на нескольких наборах данных, которые различаются по качеству; показатели на отдельном наборе нельзя считать гарантией точности в реальных условиях. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой модели на Hugging Face. Для запуска в примере README используются Transformers, librosa и устройство CUDA.

Dolphin3-Cyber-8B-GGUF — специализированная большая языковая модель для задач кибербезопасности, дообученная на базе Dolphin3.0-Llama3.1-8B-abliterated. Модель подготовлена и квантована RavichandranJ; заявленная архитектура основана на Llama 3.1, размер — 8 млрд параметров. Она распространяется в формате GGUF и предназначена для локального запуска через llama.cpp и совместимые приложения. Модель ориентирована на наступательную и защитную безопасность, поиск уязвимостей, пентестинг, разработку эксплойтов, анализ OWASP Top 10, MITRE ATT&CK, CVE и методологий информационной безопасности. Поддерживается текстовое многоходовое общение на английском языке с использованием шаблона чата Dolphin3/Llama 3.1. Доступно 11 вариантов квантования от Q2_K размером около 3,18 ГБ до F16 размером около 16,1 ГБ, что позволяет запускать модель на потребительском оборудовании; для работы требуется примерно от 5,5 до 18,5 ГБ RAM в зависимости от варианта. К сильным сторонам относятся специализация на кибербезопасности, локальная обработка данных без передачи на внешние серверы, поддержка широкого диапазона квантований и отсутствие заявленных отказов от обсуждения наступательных техник. При этом модель имеет ограничения, связанные с компактным размером 8B, квантованием и потенциальной неточностью генерируемых рекомендаций или кода; результаты требуют проверки специалистом и должны использоваться только в законных и санкционированных сценариях. Лицензия указана как Llama 3.1.

DomURLs_BERT — предварительно обученный энкодер на базе BERT, разработанный для анализа доменных имён и URL в задачах кибербезопасности. Модель обучалась с задачей masked language modeling на многоязычном корпусе URL, доменов и данных о доменах, созданных алгоритмами DGA. Это модель-энкодер с 137,8 млн параметров и контекстом до 512 токенов; веса опубликованы в формате Safetensors и предназначены для использования через Transformers. Энкодер можно применять как основу для классификаторов подозрительных и вредоносных доменов и URL, включая обнаружение фишинга, вредоносного ПО, DGA-доменов и DNS-туннелирования. В статье сообщается, что в экспериментах на нескольких бинарных и многоклассовых наборах данных модель превзошла ряд символьных и специализированных BERT-моделей для кибербезопасности. Численные метрики и подробности оценки в карточке не приведены; для практического применения нужны подходящая downstream-модель и проверка на актуальных данных. Лицензия в предоставленных сведениях не указана.