II.11Кибербезопасность и приватность

Fluxnat Coder 3B — специализированная языковая модель Fluxnat для анализа безопасности исходного кода. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, дообученная методом QLoRA на наборах данных об уязвимостях, материалах по киберугрозам и примерах аудита безопасности. Она принимает текст с кодом и инструкциями и генерирует текстовые результаты; заявленная длина контекста — 32 768 токенов. Модель предназначена для статического анализа кода и проверки безопасности: она выявляет потенциальные уязвимости, объясняет поток данных от источника через очистку к опасной операции, сопоставляет находки с CWE и OWASP, оценивает серьёзность по CVSS и предлагает исправления. В README отдельно описана поддержка анализа кода на Python, JavaScript/TypeScript и Go. Модель может применяться при проверке кода и сортировке находок в защитных аудитах и CI. В карточке заявлены низкая частота ложных отказов при защитном анализе и возможность запуска на потребительских GPU; эти характеристики не сопровождаются результатами независимой оценки. Компактный размер не гарантирует точности: выводы, классификацию уязвимостей, оценки CVSS и предложенные исправления следует проверять. Модель распространяется по лицензии Apache-2.0; README ограничивает её применение авторизованным защитным анализом.

sainikhiljuluri/foundation-sec-8b-cve-cybersecurity — дообученная модель на базе Foundation-Sec-8B для анализа уязвимостей CVE и подготовки рекомендаций по безопасности. Это плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров, работающая через библиотеку Transformers. Для обучения применялся QLoRA; в репозитории указаны веса Safetensors, а README описывает итоговую точность FP16. Метаданные указывают контекст до 131 072 токенов. Модель предназначена для анализа сведений об уязвимостях, оценки рисков и выдачи структурированных мер по устранению проблем с обоснованием и техническими деталями. В карточке заявлены примеры уязвимостей, включая SQL-инъекции, XSS, обход аутентификации, DoS, переполнение буфера и удалённое выполнение кода. Модель рассчитана на английский язык и сценарии кибербезопасности. Карточка сообщает об обучении на более чем 5 000 примерах рекомендаций и приводит метрики perplexity, BLEU-4 и ROUGE-L, однако не даёт достаточных данных для независимой оценки качества. Ограничения включают узкую специализацию, ограниченное покрытие обучающими данными, отсутствие актуальных сведений в реальном времени, склонность к многословным ответам и необходимость проверять рекомендации специалистами. Лицензия — Apache-2.0.

Jailbreak Classifier — модель классификации текста на основе BERT, разработанная автором репозитория jackhhao. Это дообученный чекпойнт bert-base-uncased с 136,7 млн параметров, предназначенный для определения, является ли запрос попыткой обхода защитных ограничений или безопасным запросом. Модель принимает текст и выдаёт метку класса; она может служить фильтром входящих запросов в системах модерации и защиты от prompt injection. Модель обучена на наборе jailbreak-classification; в метаданных также указан Open-Orca. Контекст ограничен 512 токенами. Репозиторий использует формат PyTorch и библиотеку Transformers. Лицензия — Apache-2.0. Классификатор предназначен для английского языка. Его предсказания следует считать сигналом для проверки, а не гарантией обнаружения всех атак: качество на других языках, типах атак и за пределами обучающих данных не подтверждено.

Lily-Cybersecurity-7B-v0.2 — англоязычный диалоговый помощник по кибербезопасности, разработанный Sego Lily Labs на основе дообучения Mistral-7B-Instruct-v0.2. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Для настройки использованы 22 000 подготовленных вручную пар данных по кибербезопасности и взлому, дополненных контекстом и стилистикой с помощью другой языковой модели. Модель предназначена для ответов на вопросы и объяснения тем в широком круге областей: от облачной и сетевой безопасности, реагирования на инциденты и цифровой криминалистики до анализа вредоносного ПО, тестирования на проникновение, управления рисками и соответствия требованиям. Она следует инструкциям и ведёт диалог в дружелюбном стиле. Модель может быть полезна для справок, обучения и подготовки черновиков по информационной безопасности. Это текстовая модель генерации ответов. README предупреждает о возможных ошибках и унаследованных от базовой модели смещениях, поэтому важные сведения следует проверять. Указание использовать модель законно и этично не гарантирует безопасного поведения на каждом запросе. Лицензия — Apache-2.0.

MinhNghia/Llama-Prompt-Guard-2-86M-vi-v2 — классификатор попыток prompt injection и jailbreak во вьетнамском тексте, дообученный автором MinhNghia на базе meta-llama/Llama-Prompt-Guard-2-86M. Модель использует архитектуру DeBERTa-v2 для классификации последовательностей, принимает текст и выдаёт метку класса с оценкой. Размер по метаданным — 306 млн параметров, контекст — до 512 токенов. Модель предназначена для проверки пользовательских запросов и другого текста перед передачей языковой модели. В README приведены высокие показатели на тестовом наборе, включая F1 для вредоносного класса около 0,995; результаты зависят от данных и не гарантируют обнаружение всех атак. Карточка указывает поддержку вьетнамского и английского языков. Лицензия — Llama 4.

NVIDIA-Orchestrator-Cybersecurity-8B-Merged — языковая модель для задач кибербезопасности, созданная дообучением nvidia/Orchestrator-8B и слиянием LoRA-весов с базовой моделью. В карточке указано обучение на примерно 50 тысячах пар инструкций и ответов из наборов Trendyol Cybersecurity, Fenrir v2.0 и Primus-Instruct. Модель построена на плотной архитектуре Qwen3ForCausalLM с 7,6 млрд параметров, принимает текст и генерирует текст. Контекст составляет до 40 960 токенов; модель предназначена для диалогового взаимодействия на английском языке. Она поддерживает анализ угроз и вредоносного ПО, разбор оповещений и фишинговых сообщений, рекомендации по реагированию на инциденты, оценку уязвимостей, выявление SQL-инъекций и сопоставление с MITRE ATT&CK. Модель распространяется в формате safetensors по лицензии Apache-2.0. Результаты требуют проверки специалистом: карточка не приводит оценок качества и не описывает ограничения по отдельным сценариям, поэтому нельзя считать ответы гарантированно точными или исчерпывающими.

ptouch/phishing-distilbert-cyber207 — модель классификации текста на базе DistilBERT, размещённая пользователем ptouch на Hugging Face. По названию репозитория она предназначена для выявления фишинговых текстов; карточка автоматически сгенерирована и не содержит сведений о разработчике исходной модели, обучающих данных, лицензии или результатах оценки. Модель использует архитектуру DistilBertForSequenceClassification, содержит около 67 млн параметров и имеет контекст до 512 токенов. Для применения нужны Transformers и входной текст; задача в метаданных — text-classification. Сведений о поддерживаемых языках и ограничениях качества нет.

Модель PhoBERT-base, дообученная Танг Хоанг Фуком из Университета информационных технологий при Национальном университете Хошимина для распознавания персональных данных в текстах на вьетнамском языке. Это модель классификации токенов для NER: она выделяет 54 типа персональных данных, включая имена, идентификационные номера, электронные адреса, телефоны и адреса. Архитектура — RoBERTa для классификации токенов, размер — 162,4 млн параметров, длина контекста — 258 токенов; модель принимает текст и выдаёт метки для его фрагментов. Модель предназначена для извлечения PII и поддержки последующей анонимизации вьетнамских текстов. Её контекст ограничен 258 токенами. Распространяется по лицензии Apache-2.0.

testsavantai/prompt-injection-defender-base-v0-onnx — ONNX-версия модели классификации текста, разработанная TestSavantAI для защиты больших языковых моделей от prompt injection и jailbreak-атак. Модель предназначена для определения вредоносных и доб benign-запросов в системах безопасности LLM, включая обработку электронных писем, суммаризацию и другие сценарии, где возможны косвенные инъекции инструкций. Модель обучена на наборах данных ChatGPT-Jailbreak-Prompts, deepset/prompt-injections, Prompt-Injection-Mixed-Techniques-2024 и JasperLS/Prompt-Injections. Она использует формат ONNX и предназначена для запуска через ONNX Runtime и библиотеку Transformers как text-classification pipeline. В метаданных указаны английский язык, метрики accuracy и F1, а также базовая модель microsoft/deberta-v3-base; при этом в общем описании линейки вариант base обозначен как DistilBERT-Base, поэтому точная архитектура данной версии неоднозначна. Размер модели и максимальная длина контекста не указаны. К сильным сторонам относятся специализация на prompt injection и jailbreak, ориентация на снижение ложных блокировок и возможность эффективного инференса в ONNX. Ограничения включают отсутствие в README конкретных численных результатов, сведений о поддерживаемых языках кроме английского, размере контекста и лицензии. В качестве общего показателя разработчики упоминают Guardrail Effectiveness Score, объединяющий Attack Success Rate и False Rejection Rate, однако значение для этой версии не приведено.

Qwen3-4B-Cybersecurity — дообученная методом SFT модель DexopT на базе unsloth/Qwen3-4B-Instruct-2507. Она предназначена для диалогов и ответов по кибербезопасности: охватывает наступательную и защитную безопасность, тестирование на проникновение, анализ уязвимостей и вредоносных программ, анализ угроз и безопасность сетей, Active Directory и веб-приложений. Обучение проведено на 1 284 369 примерах из наборов DexopT/cyber_heretic и DexopT/cyber_heretic_tokenized. Модель использует плотную архитектуру Qwen3ForCausalLM с 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Основной язык в карточке — английский. Сохраняется часть отказов базовой модели; ответы по темам безопасности могут требовать проверки и не гарантируют точности. Автор указывает образовательное и исследовательское назначение и просит тестировать только системы, на проверку которых есть разрешение. Лицензия — Apache-2.0.

Qwen3.8-27B-Whitehat-GGUF — мультимодальная модель, разработанная Quadux IT GmbH на основе Qwen/Qwen3.8-27B и дообученная методом LoRA для авторизованной offensive-security и defensive-security работы. Она предназначена для локального и конфиденциального использования при red teaming, самооценке уязвимостей, анализе и разработке эксплойтов и вредоносного ПО, реверс-инжиниринге, исследовании DRM и создании защитных инструментов. Модель не рассчитана на работу с недоверенными конечными пользователями. Модель поддерживает текст и изображения, включая скриншоты, и заявлена для использования на английском, немецком и других языках. Это плотная гибридная модель с 27 млрд параметров и контекстом до 262 144 токенов. Сохраняет MTP-голову для speculative decoding. Доступны варианты GGUF с различными уровнями квантования от Q2 до Q8, включая стандартные K-quants, IQ4_XS, BF16 и Unsloth-Dynamic 3.0 UD-XL; для работы с изображениями требуется mmproj. Основным runtime указан llama.cpp с поддержкой CUDA, Vulkan и CPU. Сильная сторона модели — ориентация на широкий спектр разрешённых задач кибербезопасности при сохранении отказов для запросов о физическом вреде, оружии, наркотиках, химическом и биологическом оружии, насилии и CSAM, в том числе при вводе через изображения и на разных языках. По внутреннему тестированию для сборки UD-Q4_K_XL модель дала 97% содержательных ответов на защитные и авторизованные задачи безопасности, 100% — на offensive-security задачи и 100% отказов на проверочные опасные запросы. Эти результаты относятся к указанной сборке и внутреннему набору тестов, поэтому не гарантируют аналогичное поведение во всех сценариях. Модель распространяется по лицензии Apache-2.0, предоставляется без гарантий и требует соблюдения законодательства и наличия разрешения на тестирование целевых систем.

Карточка модели LinHekaka/RedSage-Qwen3-8B-Ins на Hugging Face совпадает с карточкой RISys-Lab/RedSage-Qwen3-8B-Ins, поэтому описание составлено по ней. RedSage-Qwen3-8B-Ins — дообученная RISys-Lab языковая модель для диалоговой помощи в кибербезопасности. Это плотная авторегрессионная модель семейства Qwen3 с 7,6 млрд параметров и контекстом 32 768 токенов; она работает через Transformers и принимает текстовые запросы, выдавая текстовые ответы. Модель прошла supervised fine-tuning на наборе RedSage-Conv примерно из 266 тысяч многоходовых диалогов по кибербезопасности и общих инструкционных данных SmolTalk2. Она предназначена для ответов на вопросы о MITRE и OWASP, объяснения уязвимостей и мер защиты, а также для генерации и пояснения команд инструментов вроде nmap, sqlmap и Metasploit. В карточке отмечены диалоговый режим и агентное расширение обучающих данных; заявлены результаты на профильных и общих тестах, приведённых в README. Модель не проходила этап DPO; карточка указывает RedSage-Qwen3-8B-DPO как следующую версию. Возможны галлюцинации и неточные команды, поэтому результаты требуют проверки. Обучение включало наступательные материалы, и для развёртывания в пользовательских приложениях авторы рекомендуют дополнительные меры защиты. Лицензия в предоставленных данных не указана.

SQLQueryShield — модель классификации SQL-запросов, разработанная salmane11 на основе microsoft/codebert-base и дообученная на SQLShield. Она относит запрос к потенциально уязвимым или безопасным; при обучении использовались SQL-запросы из пар естественно-языковых запросов и SQL, а на вход подавались строки SQL. Модель предназначена для фильтрации запросов после генерации в системах Text-to-SQL и для проверки пользовательских запросов перед выполнением. Архитектура — RoBERTa для классификации последовательностей, около 151,8 млн параметров; максимальная длина контекста по метаданным — 514 токенов. В карточке указаны английский язык и лицензия Apache-2.0. Результат классификации может помочь выявлять шаблоны SQL-инъекций, небезопасную конкатенацию строк и другие потенциально опасные выражения. Модель анализирует текст запроса и сама по себе не гарантирует безопасность выполнения SQL; обучающая обработка ограничивала последовательности 128 токенами. Лицензия — Apache-2.0.

supra-ko-pii-router — компактная модель-классификатор на 51,8 млн параметров, разработанная для определения наличия персональных данных в одном предложении на корейском языке. Она дообучена на базе SupraLabs/Supra1.5-50M-Base-exp и использует архитектуру Llama с контекстом до 5120 токенов; работает через библиотеку Transformers. Модель служит шлюзом приватности: помогает решить, можно ли передать текст во внешнюю LLM как есть или его следует проверить перед отправкой. Она распознаёт наличие идентифицирующих данных, включая имена, контактные и финансовые реквизиты, в том числе частично замаскированные. Внутренняя оценка на 602 предложениях показала точность 97,3%; это результат собственного тестового набора разработчика. Модель не находит границы персональных данных и не маскирует их. Для выделения фрагментов автор рекомендует сочетать её с atonlee/koelectra-ko-pii-ner. Лицензия модели — Apache-2.0; обучающие наборы и объединённый корпус в репозитории не распространяются.

VoiceShield — модель классификации текста, разработанная Shauriya24 и дообученная на базе xlm-roberta-base от Meta AI. Она анализирует текстовые расшифровки телефонных разговоров и относит их к одному из трёх классов: обычный разговор, подозрительная манипулятивная речь или попытка социальной инженерии, включая фишинг, вишинг и выдачу себя за другое лицо. Модель построена на архитектуре XLM-RoBERTa и содержит около 305,2 млн параметров; максимальный контекст — 514 токенов. Карточка заявляет поддержку нескольких языков, а метаданные перечисляют английский, хинди, тамильский и бенгальский. Модель предназначена для первичного выявления подозрительных формулировок в транскриптах, например при проверке звонков или мониторинге разговоров. Модель распространяется по лицензии MIT. В README указаны оценка по Accuracy и Weighted F1 на валидационном наборе, но значения метрик и подробности состава данных не приведены; поэтому качество на конкретных данных и языках может отличаться.

CIRCL/vulnerability-attack-technique-classification-roberta-base — модель CIRCL для подбора техник MITRE ATT&CK Enterprise по текстовому описанию уязвимости, например CVE. Это RoBERTa-base с 151,8 млн параметров и sigmoid-головой для многометочной классификации: модель оценивает 53 родительские техники и позволяет ранжировать кандидатов для проверки аналитиком. Контекст ограничен 514 токенами по метаданным; README указывает усечение входа до 512 токенов. Модель обучена на корпусе CIRCL/vulnerability-attack-techniques с экспертными сопоставлениями CVE и техник ATT&CK. Модель предназначена для помощи в первичной оценке уязвимостей и сортировке возможных связей с техниками ATT&CK. Она используется в Vulnerability-Lookup для показа предложений аналитикам. На тестовой выборке Recall@5 составил 0,644. Модель рассчитана на англоязычные описания; под-техники объединены с родительскими, а техники вне её набора классов предложены быть не могут. Оценки не являются калиброванными вероятностями, и результаты требуют подтверждения человеком. Лицензия — CC BY 4.0.

Bisher/wav2vec2_ASV_deepfake_audio_detection — дообученная модель классификации аудио на базе facebook/wav2vec2-base с архитектурой Wav2Vec2ForSequenceClassification. Она предназначена для определения поддельной аудиоречи и различения классов аудио. Модель содержит 113,3 млн параметров, использует библиотеку Transformers и распространяется в формате safetensors. В README приведены результаты оценки: accuracy 0,8999, precision 0,9057, F1 0,8612 и ROC AUC 0,9372. Данные обучения в карточке обозначены как неизвестный датасет, а дополнительные сведения о назначении и ограничениях не приведены. Модель опубликована под лицензией Apache-2.0.

Bisher разработала модель Bisher/wav2vec2_ASV_deepfake_audio_detection_DF_finetune_frozen — дообученную версию Bisher/wav2vec2_ASV_deepfake_audio_detection на базе архитектуры Wav2Vec2 для классификации аудио с целью выявления поддельной речи. Модель содержит 113,3 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для автоматической проверки аудиозаписей на подлинность речи. В README приведены результаты оценки: accuracy 0,9115, F1 0,8803, EER 0,0588 и ROC AUC 0,9849. Данные обучения и подробности об условиях оценки не описаны, поэтому результаты нельзя напрямую переносить на другие наборы аудио.

DavidCombei/wavLM-base-Deepfake_V2 — дообученная модель Microsoft WavLM Base для классификации аудио. По названию репозитория и показателю точности на оценочном наборе она предназначена для распознавания поддельной речи или аудио; README сообщает точность 0,9962 и loss 0,0234, но не описывает набор данных и условия оценки. Модель содержит 113,3 млн параметров, построена на архитектуре WavLMForSequenceClassification и распространяется в формате PyTorch. Лицензия в предоставленных данных не указана.

baptistejamin/xlm-roberta-large-spam_v4 — дообученная Baptiste Jamin мультиязычная модель классификации текста на основе XLM-RoBERTa Large. Она оценивает сообщения электронной почты и чатов, включая историю многоходового диалога, и относит их к классам spam, regular, marketing или gibberish. Модель использует архитектуру encoder-only с 658,7 млн параметров, принимает текст и рассчитана на контекст до 514 токенов. Модель предназначена для фильтрации спама, мошеннических и фишинговых сообщений, нежелательной рекламы и бессмысленного текста в почте и переписке. В README приведены значения F1: 0,90 для спама, 0,95 для обычных сообщений, 0,87 для маркетинга и 0,94 для gibberish; это результаты, заявленные автором. Поддерживаются английский, французский, русский, китайский, японский, польский, португальский, нидерландский и арабский языки. Модель выпущена под открытой лицензией; конкретные условия лицензии в доступных данных не приводятся. Качество может различаться на данных, отличающихся от использованной смеси писем, чатов и переписок, а заявленные метрики не гарантируют такую же точность в конкретном применении.

小熠（Yee-R1-mini）是广州熠数信息技术有限公司开发的数据安全领域对话助手，基于 Qwen3-1.7B-Base 微调，采用 1,7 млрд параметрли плотную архитектуру Qwen3 и запускается через Transformers. Модель предназначена для консультаций и автоматизации задач в промышленности, государственном секторе и телекоммуникациях: классификации и категоризации данных, аудита безопасности, анализа угроз и предотвращения утечек. README заявляет режимы рассуждения Thinking и Non-Thinking и интеграцию с Qwen-Agent для вызова внешних инструментов, например баз данных, анализаторов журналов и API. Поддерживаются китайский и английский языки; контекст составляет до 40 960 токенов. Модель распространяется по лицензии Apache-2.0. Заявленные результаты CS-Eval относятся к оценкам из карточки модели и не гарантируют качество в конкретной среде; для практического применения нужны подходящие инструменты и проверка ответов.

Abacus-cve — языковая модель для работы с кодом, разработанная Luoberta на основе Qwen3-32B. Модель дообучена на 4 078 дистиллированных трассах агента, созданных для примерно 900 задач воспроизведения CVE с помощью конвейера CVE-Factory. Модель предназначена для поиска и исправления уязвимостей в программном обеспечении, в том числе в сценариях, где агент анализирует воспроизведение CVE и предлагает изменения в коде. Это плотная авторегрессионная архитектура Qwen3ForCausalLM с 29,7 млрд параметров; она принимает текст и генерирует текст. Контекстное окно — до 65 536 токенов. В метаданных указан английский язык. Модель распространяется в формате safetensors через Transformers по лицензии MIT. Карточка описывает специализированное дообучение на агентных трассах для задач устранения уязвимостей; результаты на конкретном проекте требуют проверки, а область обучения ограничена задачами, представленными в этих трассах.

Модель gyr66/bert-base-chinese-finetuned-ner — дообученная версия Danielwei0214/bert-base-chinese-finetuned-ner, разработанная для обнаружения приватных данных в китайском тексте. Она выполняет классификацию токенов на основе BERT и обучена на наборе gyr66/privacy_detection. Модель содержит 129,5 млн параметров, принимает последовательности длиной до 512 токенов и предназначена для извлечения и разметки фрагментов, содержащих чувствительную информацию. На оценочном наборе модель показала F1 0,6947, точность 0,6532 и полноту 0,7417. Эти результаты относятся к указанному набору данных и могут не переноситься на другие типы текста. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных источниках отсутствуют.

pinialt/bert-tiny-pii-router — компактная модель классификации текста от pinialt, предназначенная для маршрутизации запросов в конвейерах обнаружения персональных данных. Она оценивает, какие специализированные обработчики следует запускать для текста: извлечение именованных сущностей, геокодирование адресов, разбор дат и времени или поиск шаблонных идентификаторов регулярными выражениями. Результат — вероятности для четырёх категорий маршрутизации; автор рекомендует порог 0,5. Модель основана на компактном BERT-энкодере google/bert_uncased_L-4-H-256-A-4 и обучена с дистилляцией знаний от XLM-RoBERTa. В карточке указаны 12 млн параметров, контекст до 512 токенов и поддержка английского языка. README сообщает о приросте скорости в 9,1 раза и сохранении 96% точности учителя, но не приводит подробностей методики оценки. Модель принимает текст и выдаёт метки с вероятностями. Лицензия — Apache-2.0.

Это англоязычная модель Sentence Transformer, дообученная участниками проекта UBCO MDS 2025 Capstone Fujitsu на базе BAAI/bge-small-en-v1.5. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 384 для семантического поиска и подбора релевантных документов. Архитектура включает BERT, CLS-пулинг и нормализацию; сходство векторов можно оценивать косинусной мерой. Модель обучена сопоставлять короткие описания уязвимостей с более подробными текстами о них. Это делает её подходящей для поиска и ранжирования записей об уязвимостях по краткому запросу или формулировке. Контекст ограничен 512 токенами. Лицензия в предоставленных данных не указана.

BRAHMASTRA 0.2 — языковая модель с 32 млрд параметров, разработанная для динамического тестирования безопасности веб-приложений (DAST). Это дообученная на базе DeepSeek-R1-Distill-Qwen-32B модель архитектуры Qwen2, доступная в формате safetensors и рассчитанная на контекст до 131 072 токенов. Модель принимает текстовые запросы и генерирует текстовые рассуждения, тестовые полезные нагрузки, анализ HTTP-ответов и структурированные результаты проверки. Она предназначена для авторизованного тестирования: генерации сценариев проверки уязвимостей веб-приложений, анализа признаков эксплуатации, помощи при пентестах и сортировки результатов bug bounty. В README перечислены проверки на инъекции, XSS, IDOR, ошибки авторизации, CSRF, SSRF и другие классы уязвимостей. Модель ориентирована преимущественно на английский язык; русский язык отдельно не заявлен. Авторы сообщают о дообучении QLoRA с последующим слиянием весов и выпуске итоговой версии в bf16. Карточка указывает лицензию Apache 2.0. Среди ограничений — многословные рассуждения, риск выдуманных идентификаторов CVE и ложноположительных результатов; авторы рекомендуют проверять выводы и подтверждать находки дополнительными данными.

Cyber-Prime 1 — компактная языковая модель для задач кибербезопасности, созданная разработчиком репозитория на основе LiquidAI/LFM2-2.6B. Это плотная авторегрессионная модель с 2,6 млрд параметров; для работы с текстом заявлено контекстное окно до 131 072 токенов. Модель дообучена на примерах извлечения сущностей, анализа HTTP-запросов, классификации писем и краткого изложения новостей об угрозах. Она предназначена для извлечения кибербезопасностных сущностей в структурированный формат, выявления атак вроде XSS, SQL-инъекций и обхода путей, классификации писем как фишинговых или безопасных, а также суммаризации разведывательной информации об угрозах. В карточке описаны прямой режим для классификации и суммаризации и режим рассуждений для некоторых задач анализа и извлечения. Автор приводит результаты оценки на CyberBench, но модель обозначена как исследовательский артефакт, а не готовое средство защиты; среди ограничений указаны более слабые результаты на широких задачах знаний и риск пропуска тонких инъекций. Для модели указана лицензия Apache-2.0. В README встречается расхождение в названии базовой версии (LFM2 и LFM2.5), поэтому в качестве базовой модели приведён идентификатор из метаданных Hugging Face.

MelodyMachine выпустила Deepfake-audio-detection-V2 — дообученную модель классификации аудио на базе motheecreator/Deepfake-audio-detection. Модель использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. Модель предназначена для классификации аудиозаписей, в частности для выявления дипфейкового аудио. На оценочном наборе данных автор сообщает точность 0,9973 и значение функции потерь 0,0141; описание набора и протокола оценки не приведено. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Foresight-135M — компактная модель, созданная автором репозитория TitleOS на основе дообучения HuggingFaceTB/SmolLM2-135M-Instruct на наборе rogue-security/prompt-injections-benchmark. Она предназначена для предварительной проверки пользовательских запросов перед передачей их публичной LLM: модель классифицирует текст как безопасный («safe») или содержащий попытку prompt injection («unsafe»). Архитектура — плотная причинная языковая модель семейства Llama с 134,5 млн параметров и контекстом 8192 токена; принимает текст и выдаёт текстовую метку. В карточке заявлена поддержка английского языка. Модель обучена как causal LM, а не как классификатор последовательностей; для ограничения ответов двумя метками README рекомендует использовать force_words_ids. Обучение проводилось в течение пяти эпох и 680 итераций на Tesla P40 в FP32. Модель распространяется в формате safetensors по лицензии MPL-2.0.

zhx123/ftrobertallm — модель классификации текста на базе архитектуры RoBERTa, опубликованная пользователем zhx123. Репозиторий описывает её как дообученную RoBERTa Large; модель предназначена для классификации последовательностей, в частности для выявления jailbreak-запросов и атак на языковые модели. Модель содержит около 454 млн параметров, принимает текст и рассчитана на контекст до 514 токенов. Для загрузки предлагается Transformers с AutoModelForSequenceClassification. Поддерживаемый в карточке тип задачи — text-classification; доступна по лицензии MIT. Сведения о языках обучения и точности классификации в карточке не приведены.