II.11Кибербезопасность и приватность

unsloth/gpt-oss-safeguard-20b-GGUF — квантованная GGUF-версия модели gpt-oss-safeguard-20b, разработанной OpenAI и распространяемой в данном формате Unsloth. Модель предназначена для задач безопасности: классификации текстов по заданным политикам, фильтрации входов и выходов LLM, маркировки онлайн-контента и офлайн-разметки для Trust and Safety. Модель содержит около 21 млрд параметров, из которых активно используется 3,6 млрд, и рассчитана на работу с GPU от 16 ГБ VRAM. Это reasoning-модель, способная интерпретировать пользовательскую политику, принимать обоснованные решения и настраивать интенсивность рассуждений на уровнях low, medium и high, что позволяет выбирать компромисс между качеством и задержкой. Данные о поддерживаемых языках, модальностях и размере контекста в README не указаны. Для корректной работы требуется формат ответов harmony; раскрытие необработанной цепочки рассуждений предназначено только для разработчиков и специалистов по безопасности. Сильными сторонами являются адаптация к различным политикам безопасности, доступ к объяснениям решений и возможность локального запуска на относительно компактном GPU. Модель специализирована прежде всего на сценариях безопасности и не рекомендуется для общих задач, где следует использовать базовые модели gpt-oss. Распространяется по лицензии Apache 2.0, допускающей эксперименты, модификацию и коммерческое использование без copyleft-ограничений.

LogPrecis — модель SmartDataPolito для последовательной разметки Unix-сессий с целью анализа вредоносных журналов. Она основана на SecureShellBert, который ранее адаптировали к предметной области на корпусе более чем из 20 тысяч Unix-сессий, а затем дообучили для классификации токенов на 360 размеченных примерах. В метаданных указаны архитектура RoBERTa, около 151,8 млн параметров и контекст до 514 токенов. Модель принимает текст Unix-сессии и соотносит её фрагменты с тактиками MITRE, например Impact и Execution. В README сообщается о точности 91,2% на тестовом наборе; доступны код обучения, данные и подробности обучения. Модель опубликована в формате PyTorch под идентификатором SmartDataPolito/logprecis. Лицензия в предоставленных данных не указана.

MITRE-v15-tactic-bert-case-based — модель Sarah Wei, дообученная на базе bencyc1129/mitre-bert-base-cased на наборе процедур MITRE ATT&CK версии 15. Это BERT-модель классификации последовательностей с 136,1 млн параметров и контекстом до 512 токенов; она принимает текст и определяет тактику MITRE ATT&CK, которой соответствует предложение об атаке. Модель рассчитана на анализ англоязычных описаний кибератак и может быть полезна для разметки и первичной сортировки сведений об угрозах. В оценке автор сообщает accuracy 0,87 и loss 0,057. Одно описание атаки может относиться к нескольким тактикам, поэтому одиночная классификация может не отразить все связи; качество также может снижаться на текстах, не связанных с кибератаками. Модель распространяется по лицензии Apache-2.0.

Prox-MistralHermes-7B — языковая модель, созданная Prox дообучением OpenHermes 2.5 Mistral 7B для задач кибербезопасности и тестирования на проникновение. Она предназначена для диалоговой помощи специалистам, анализа угроз, подготовки защитных стратегий и red teaming, включая имитацию фишинговых писем. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текст, поддерживает английский язык и использует формат диалоговых подсказок ChatML. Для дообучения применялись QLoRA и частный набор данных более чем из 100 000 записей вместе с открытыми данными. Карточка ориентирует модель на кибербезопасность, однако не приводит независимых оценок качества или подробного описания охвата данных. Модель распространяется по лицензии MIT; пользователям следует учитывать правовые и этические требования при применении её возможностей для red teaming и моделирования фишинга.

Qwen3.8-27B-Whitehat — мультимодальная модель на 27 млрд параметров, созданная Quadux IT GmbH на основе Qwen/Qwen3.8-27B. Это плотная архитектура семейства Qwen3.5 с поддержкой текста и изображений; опубликованные веса BF16 в формате safetensors предназначены для запуска через Transformers или vLLM и служат эталонной версией для квантованных вариантов. В README для запуска указан контекст до 32 768 токенов. Модель дообучена методом LoRA для авторизованной red-team работы и самооценки уязвимостей. Она рассчитана на анализ скриншотов, разработку и анализ вредоносных программ, реверс-инжиниринг, исследование лицензирования и DRM, а также другие наступательные и защитные задачи компьютерной и сетевой безопасности. Заявлена поддержка диалогов и визуального ввода; в карточке указаны английский и немецкий, а README описывает многоязычное поведение, включая русский. По заявлению разработчика, дообучение меняет поведение, сохраняя общие способности базовой модели, и снимает отказы для задач кибербезопасности, но модель отказывает в запросах о физическом вреде и материалах сексуального насилия над детьми. Разработчик предупреждает, что защита при анализе изображений может обходиться и не должна быть единственным механизмом безопасности; модель не предназначена для открытого доступа недоверенных пользователей. Лицензия — Apache-2.0; применение ограничено авторизованной и законной работой по безопасности.

Qwythos-9B-Claude-Mythos-Uncensored-Abliterated-1M — дообученная модель генерации текста от Securelayer7 на базе empero-ai/Qwythos-9B-Claude-Mythos-5-1M, основанной на Qwen3.5-9B. В карточке указаны 7,2 млрд параметров, архитектура Qwen3.5 для причинной генерации текста и контекст до 1 048 576 токенов. Модель предназначена для диалогов и технических рассуждений, в частности для анализа уязвимостей, тестирования на проникновение, red teaming и анализа вредоносного ПО. Она поддерживает вызов инструментов в формате Qwen3.5. По заявлению автора, поведение отказов ослаблено на уровне весов с помощью абляции и LoRA дообучения на собственных ответах; приведённые в README бенчмарки относятся к базовой модели, а не к этой версии. Модель распространяется в формате Safetensors по лицензии Apache 2.0. В опубликованных весах нет защитных ограничений на незаконный контент: автор указывает, что фильтрацию необходимо обеспечивать на уровне развёртывания. При очень низкой температуре генерации возможны циклы повторений.

RavenX-CyberAgent — модель генерации текста и диалоговый агент для задач кибербезопасности, разработанный DeadByDawn101 и RavenX LLC. Она предназначена для оценки безопасности, тестирования на проникновение, поиска уязвимостей в рамках bug bounty, генерации кода и подготовки отчётов. В карточке описан протокол RATH из шести шагов, связывающий выводы с CVSS, CWE, MITRE ATT&CK и требованиями соответствия. Модель также рассчитана на работу с инструментами и локальный запуск через MLX на Apple Silicon. Архитектура — MoE семейства Qwen3.5, около 34,66 млрд параметров всего и около 3 млрд активных на токен; указано 256 экспертов, из которых активны 8. Модель дообучена на основе huihui-ai/Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated, а репозиторий содержит веса safetensors. В метаданных указан английский язык. Лицензия — Apache-2.0. Карточка заявляет широкий охват сценариев кибербезопасности и обучение на более чем 745 тысячах примеров, но не приводит независимых оценок качества. Результаты тестирования на проникновение и рекомендации по устранению уязвимостей требуют проверки специалистом и выполнения только в разрешённой среде.

RavenX-CyberAgent v6.2 Experimental — GGUF — экспериментальная языковая модель для автономной оценки безопасности, разработанная Gabriel Garcia и RavenX LLC. Она предназначена для сценариев пентестинга, анализа кибербезопасности и работы в качестве агентной системы с поддержкой tool-calling. Модель обучена следовать протоколу RATH, включающему анализ поверхности атаки, выявление уязвимостей, оценку воздействия, рекомендации по исправлению, документирование находок и профилактическое усиление защиты. Модель основана на huihui-ai/Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated и использует архитектуру MoE с заявленным размером 35B; поставляется в формате GGUF с квантизацией Q4_K_M, размер файла около 20,2 ГБ. Указана поддержка английского языка, генерации текста, агентных сценариев и структурированных отчётов с CVE и оценками CVSS. Заявлены скорость генерации 88–90 токенов в секунду на Apple M4 Max 128GB и общая оценка 80,9% в бенчмарке с Gemini 2.5 Flash Judge. Сильные стороны модели — специализация на задачах кибербезопасности, генерации кода, рассуждении и формализованных отчётах, а также интеграция с Ollama, llama.cpp и LM Studio. При этом модель имеет экспериментальный статус, а результаты бенчмарков и заявленная эффективность зависят от оборудования, настроек и качества системного промпта. Мультимодальность и размер контекстного окна в README не указаны. Модель распространяется по лицензии Apache-2.0.

RavenX-Sec Qwen3-8B v4.0 — модель RavenX LLC, созданная DeadByDawn101 на основе Qwen3-8B-heretic и дообученная для задач кибербезопасности. Она предназначена для диалоговой генерации текста по полному циклу работы с уязвимостями: их выявлению, оценке риска, анализу угроз, исправлению, проверке, документированию и профилактике. Модель обучена на 610 220 примерах из 21 набора данных; заявлены протокол RATH из шести этапов, поддержка CVSS, CWE, OWASP Top 10 и MITRE ATT&CK, а также интерфейс вызова инструментов. Архитектура — плотная Qwen3ForCausalLM с 7,6 млрд параметров. Репозиторий содержит веса MLX Safetensors в 4-битном формате для Apple Silicon; метаданные указывают нативный контекст 40 960 токенов, тогда как в README заявлены 128K с YaRN rope scaling. Основной язык карточки — английский. Модель распространяется по лицензии Apache-2.0. Качество и безопасность её рекомендаций по кибербезопасности в предоставленных материалах независимо не подтверждены.

Roblox/roblox-pii-classifier-v2 — мультиязычная модель Roblox для выявления персональных данных и связанных с ними действий в контексте многопользовательских бесед. Она дообучена на XLM-RoBERTa-Large с архитектурой классификатора последовательностей и содержит 658,7 млн параметров. Модель принимает строку с целевым сообщением и историей чата, учитывает участников беседы и выдаёт оценки по трём меткам: запрос персональных данных, их передача и попытка перевести пользователя за пределы платформы. Модель предназначена для модерации разговоров и обнаружения прямых и косвенных попыток обмена персональной информацией, в том числе при неоднозначных формулировках и обходных манёврах. В README заявлена поддержка 189 языков; вход ограничен 512 токенами, а при превышении длины отбрасываются наиболее ранние реплики. Для классификации применяются пороги, рекомендованные отдельно для каждой метки. В карточке приведены результаты внутренних и открытых сравнительных оценок; качество зависит от состава данных и наличия контекста беседы. Модель распространяется по лицензии Apache-2.0.

DuyTa/sec-rerank — дообученная на базе Qwen/Qwen3-Reranker-0.6B модель для повторного ранжирования результатов поиска в кибербезопасности. Это listwise generative reranker на архитектуре Qwen3 с 507,6 млн параметров: модель оценивает текстовый запрос вместе с кандидатами-документами и переставляет кандидатов по релевантности. Она не создаёт эмбеддинги и предназначена для второго этапа после плотного или гибридного поиска. Модель обучена на сгруппированных парах запрос–документ с трудными отрицательными примерами, полученными из базы CVE. Основной сценарий — поиск по базе знаний уязвимостей и ранжирование материалов, отвечающих на запросы по CVE, CWE и смежным темам. README сообщает о высокой точности ранжирования на внутреннем тесте и пропускной способности на NVIDIA A100, однако эти показатели относятся к указанной конфигурации оценки. Модель принимает и выдаёт текст; в карточке заявлены английский и вьетнамский языки, а обучающая инструкция ориентирована на вьетнамские запросы. Контекст — до 40 960 токенов. Лицензия — Apache-2.0.

SecureBERT — CVE-LMTune CAPEC Classifier (Flat) — англоязычная модель для многометочной классификации описаний уязвимостей по таксономии CAPEC. Она принимает описание в стиле CVE и предсказывает один или несколько идентификаторов шаблонов атак CAPEC. Модель разработана в рамках набора CVE-LMTune и основана на SecureBERT, RoBERTa-модели, адаптированной к текстам по кибербезопасности. Модель использует архитектуру RoBERTa с классификационной головой RobertaForSequenceClassification, содержит около 151,8 млн параметров и поддерживает контекст до 514 токенов. В README приведены результаты оценки на отложенной выборке; качество зависит от порога классификации и состава данных, а для редких меток показатели могут быть ниже агрегированных. Лицензия — MIT.

ZySec-7B — чат-модель для консультаций по кибербезопасности, разработанная ZySec AI на основе языковой модели серии Zephyr от Hugging Face. Это плотная причинная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; она работает с текстом и предназначена для использования через Transformers и LM Studio. Модель дообучена методом DPO на данных по более чем 30 областям кибербезопасности. Она помогает разбирать угрозы и уязвимости, инциденты, облачную безопасность, управление рисками и требования стандартов CIS Controls, FedRAMP, PCI DSS и ISO/IEC 27001. Лицензия — Apache-2.0. Ответы модели могут быть неточными или неполными и требуют проверки специалистом. Карточка не содержит оценок качества или подробностей о составе обучающих данных; заявленная специализация сама по себе не гарантирует экспертную точность.

Spectra-AASIST — модель для выявления поддельной или синтетически изменённой речи, разработчик в карточке не указан. Она классифицирует аудиоволны по двум классам: spoof и bonafide. Архитектура объединяет SSL-энкодер Wav2Vec2, MLP-проекцию и двухклассовый классификатор AASIST; входом служит аудиоволна в формате float32, обычно с частотой 16 кГц, а выходом — оценки двух классов. При первом запуске загружается энкодер facebook/wav2vec2-xls-r-300m. Модель предназначена для проверки подлинности речи в аудиозаписях и антиспуфинг-сценариев. В README приведены результаты на нескольких наборах для оценки защиты речи, однако таблица неполная, а модель обозначена как предварительная, неопубликованная и не имеющая рейтинга в Speech Anti-Spoofing Arena. Порог классификации рекомендуется настраивать на размеченных данных под целевой сценарий. Репозиторий распространяется по лицензии Apache-2.0.

Harmansingh24k разработала voiceshield-room-calibrated — модель Wav2Vec2 с 113,3 млн параметров для классификации аудиозаписей. Это дообученная версия Harmansingh24k/voiceshield-replay-robust, предназначенная для обнаружения аудиодипфейков с учётом акустики помещения. Модель принимает аудио и выдаёт метку класса. В карточке указаны точность 1,0 и loss 0,025 на оценочном наборе, однако состав данных и условия оценки не описаны. Модель распространяется в формате safetensors по лицензии MIT.

Модель Gary A. Stafford — дообученная версия трансформера Wav2Vec2 для бинарной классификации аудио: она оценивает, произнесена ли речь человеком или создана системой синтеза речи либо клонирования голоса. Модель рассчитана на обнаружение синтетической речи, в том числе сгенерированной ElevenLabs, Amazon Polly, Hexgrad Kokoro, Hume AI, Speechify и Luvvoice. Архитектура — Wav2Vec2ForSequenceClassification на 402,7 млн параметров. При дообучении были заморожены сверточный экстрактор признаков и нижние 12 из 24 слоёв трансформера; верхние 12 слоёв и классификационная головка обучались на наборе из 1 866 сбалансированных аудиофрагментов длительностью 2,5–13 секунд. На вход подаётся аудио, которое приводится к моно и частоте 16 кГц; модель выдаёт оценки двух классов: «реальная речь» и «синтетическая речь». Карточка сообщает об обучении базовой модели на 53 языках, но не устанавливает, для каких языков детектор надёжно работает. На валидационной выборке из 187 фрагментов указаны точность 97,9% и ROC-AUC 0,998; автор предупреждает, что высокая оценка отражает адаптацию к близкой предметной области и не доказывает обобщение на другие генераторы или реальные условия. Модель распространяется под лицензией Apache-2.0; для оценки качества на новых источниках рекомендуется отдельная проверка.

Карточка модели zodumair/wav2vec2-deepfake-voice-detector на Hugging Face совпадает с карточкой garystafford/wav2vec2-deepfake-voice-detector, поэтому описание составлено по ней. Модель Gary A. Stafford — дообученная версия трансформера Wav2Vec2 для бинарной классификации аудио: она оценивает, произнесена ли речь человеком или создана системой синтеза речи либо клонирования голоса. Модель рассчитана на обнаружение синтетической речи, в том числе сгенерированной ElevenLabs, Amazon Polly, Hexgrad Kokoro, Hume AI, Speechify и Luvvoice. Архитектура — Wav2Vec2ForSequenceClassification на 402,7 млн параметров. При дообучении были заморожены сверточный экстрактор признаков и нижние 12 из 24 слоёв трансформера; верхние 12 слоёв и классификационная головка обучались на наборе из 1 866 сбалансированных аудиофрагментов длительностью 2,5–13 секунд. На вход подаётся аудио, которое приводится к моно и частоте 16 кГц; модель выдаёт оценки двух классов: «реальная речь» и «синтетическая речь». Карточка сообщает об обучении базовой модели на 53 языках, но не устанавливает, для каких языков детектор надёжно работает. На валидационной выборке из 187 фрагментов указаны точность 97,9% и ROC-AUC 0,998; автор предупреждает, что высокая оценка отражает адаптацию к близкой предметной области и не доказывает обобщение на другие генераторы или реальные условия. Модель распространяется под лицензией Apache-2.0; для оценки качества на новых источниках рекомендуется отдельная проверка.

WWWxp/wav2vec2_spoof_dection1 — модель аудиоклассификации, дообученная разработчиком на основе facebook/wav2vec2-base на наборе ASVspoof2019. Она предназначена для классификации аудиозаписей в задаче обнаружения спуфинга речи. Модель построена на архитектуре Wav2Vec2ForSequenceClassification, содержит 113,3 млн параметров и распространяется в формате PyTorch. Модель можно применять для проверки речевых записей на признаки спуфинга в сценариях, связанных с противодействием подделке голоса. Лицензия — Apache-2.0. Карточка не содержит описания меток классов, результатов оценки или рекомендаций по эксплуатации, поэтому качество и пригодность для конкретных условий по ней установить нельзя.

DavidCombei/wavLM-base-Deepfake_V3 — модель классификации аудио, созданная дообучением Microsoft WavLM Base. Она предназначена для выявления дипфейкового аудио. Модель использует архитектуру WavLMForSequenceClassification и содержит 113,3 млн параметров. На оценочном наборе указана точность 0,73 и функция потерь 0,9119. Данные для обучения и оценки, языковая поддержка и подробные ограничения не описаны. Модель опубликована в формате PyTorch; сведения о лицензии в использованных данных отсутствуют.

protectai/codebert-base-Malicious_URLs-onnx — модель классификации текстовых строк, предназначенная для выявления URL-адресов, которые могут представлять угрозу безопасности. Она разработана как ONNX-конверсия модели DunnBC22/codebert-base-Malicious_URLs; исходный проект связан с LLM Guard компании Protect AI, однако README указывает, что проект архивирован и больше не поддерживается. Модель обучалась на наборе данных sid321axn/malicious-urls-dataset. В основе лежит архитектура CodeBERT-base, рассчитанная на работу с программным и естественным языком. Модель предназначена для сценариев автоматического анализа URL, включая использование в конвейерах безопасности и сканере Malicious URLs в LLM Guard. Формат ONNX позволяет запускать её через ONNX Runtime с библиотекой Hugging Face Optimum; для применения используются AutoTokenizer и ORTModelForSequenceClassification. В README явно указан английский язык, но другие характеристики, включая точный размер, максимальную длину контекста, набор классов и показатели качества, не приведены. Сильными сторонами модели являются специализация на обнаружении вредоносных URL и возможность инференса в ONNX-формате. Ограничения включают отсутствие опубликованных сведений о точности, полноте, порогах классификации и деталях дообучения, а также архивный статус проекта и отсутствие активной поддержки. Лицензия в README не указана.

CommunityForensics-DeepfakeDet-ViT — модель классификации изображений на базе ViT-Small, разработанная Jeongsoo Park и Andrew Owens из University of Michigan и адаптированная для Hugging Face и ONNX Han Yoon из Borderless / Ethix R&D. Она предназначена для выявления изображений, созданных ИИ, и обучена на 2,7 млн образцов от 4 803 генераторов. Модель содержит 28,3 млн параметров; архитектура включает 12 слоёв, 6 голов внимания, размер скрытого состояния 384 и патчи 16×16. На вход подаётся RGB-изображение: его короткая сторона масштабируется до 440 пикселей с сохранением пропорций, затем выполняется центральная обрезка до 384×384 и нормализация CLIP. Выход — один логит, преобразуемый сигмоидой в оценку вероятности того, что изображение является поддельным. Модель подходит для проверки изображений и интеграции в конвейеры цифровой криминалистики. В репозитории доступны веса safetensors и ONNX, включая варианты с динамической квантизацией. Квантизированные варианты могут заметно расходиться с FP32 на изображениях от генераторов, не представленных при обучении; для наибольшей согласованности README рекомендует FP32. Для корректной предобработки требуется transformers версии 5.4.0 или новее. Лицензия — MIT.

Модель разработал Jakub Polnis: это дообученный ConvNeXt-Tiny для обнаружения аудиодипфейков. Классификатор различает настоящую и синтетическую речь по мел-спектрограммам, полученным из аудиофрагментов длительностью 2 секунды. Перед подачей данных аудио нужно преобразовать в изображение спектрограммы размером 224×224; сама модель принимает изображение, а выдаёт метку класса. Модель обучена на размеченных спектрограммах из набора Release in the Wild. В README сообщается точность 96,74% на отложенной части этого набора; этот результат не гарантирует такую же точность на других данных. Модель предназначена для первичной проверки голосовых записей, модерации и аудиофорензики, но не для распознавания речи или идентификации говорящего. Возможны ошибки, особенно на акцентах, качестве записи и условиях, отличающихся от обучающего набора; для чувствительных решений нужна проверка человеком. Лицензия — Apache-2.0.

CyberSecurity-Model — дообученная Vansh Kamra модель на базе Phi-3-mini-4k-instruct для анализа киберугроз. По описанию CVE, оценке CVSS и сведениям о поставщике она генерирует структурированные отчёты: краткое резюме, технический разбор уязвимости, индикаторы компрометации, сопоставления с MITRE ATT&CK, оценку риска, рекомендации по устранению и правила обнаружения YARA или Sigma. Модель содержит 3,7 млрд параметров, использует плотную причинную языковую архитектуру и принимает текст, выдавая текст. Контекст составляет 4096 токенов. Дообучение выполнено методом QLoRA с Unsloth на 471 синтетической паре инструкций, созданной на основе данных CVE из NIST NVD; указано 29,8 млн обучаемых параметров. Модель ориентирована на английский язык и распространяется под лицензией Apache-2.0. Отчёты и сгенерированные индикаторы, сопоставления и правила требуют проверки специалистом: обучающие примеры синтетические, а README не приводит оценки точности или полноты результатов.

mo-thecreator разработал эту модель на основе wav2vec2-base-finetuned, дообучив её для классификации аудио. Модель содержит 113,3 млн параметров и сохраняется в формате Safetensors. README сообщает о точности 0,9882 и потере 0,0829 на оценочном наборе, но не описывает состав этого набора и условия оценки. Модель предназначена для классификации аудиозаписей; название репозитория указывает на обнаружение дипфейкового аудио. Она может подойти для проверки записей на признаки синтетической или поддельной речи. Указана лицензия Apache-2.0. README не приводит подробностей об архитектурных настройках, поддерживаемых языках, длительности аудио и ограничениях применения.

BothBosu разработал эту модель как дообученную версию distilbert/distilbert-base-uncased для классификации текста, связанной с выявлением мошеннических сообщений. Модель построена на архитектуре DistilBERT и сохранена в формате safetensors. Она принимает текстовые последовательности длиной до 512 токенов и выдаёт метки классов. Модель подходит для автоматической фильтрации подозрительных текстов и первичной сортировки сообщений, которые требуют проверки на мошенничество. В README указана точность 1,0 и loss 0,008 на наборе оценки, однако описание набора данных, классов и методики проверки отсутствует, поэтому эти показатели не позволяют судить о качестве на других данных. Распространяется по лицензии Apache-2.0.

Модель anmolshrivastav/distilbert-scam-detector-india разработана для бинарной классификации текстовых сообщений: она помечает их как легитимные (ham) или мошеннические/спам (spam). Это дообученная DistilBERT для классификации последовательностей, основанная на distilbert/distilbert-base-uncased-finetuned-sst-2-english. Модель принимает текст на английском языке и рассчитана на сообщения об индийских мошеннических схемах, включая поддельные выигрыши, фишинг Aadhaar/KYC, банковское и UPI-мошенничество, фальшивые вакансии и выманивание OTP. Максимальная длина контекста — 512 токенов. В README приведены метрики оценки: accuracy 0,9971 и F1 0,9963. Для обучения использовались реальные примеры сообщений из Индии и около 200 синтетических примеров, добавленных для менее представленных категорий. Доступны веса safetensors и динамически квантованный INT8 ONNX-вариант для ускорения инференса на CPU. Модель распространяется по лицензии Apache-2.0. Модель может хуже работать с Hinglish и мошенническими сообщениями, не содержащими явных сигналов вроде сумм, брендов или призывов к срочному действию. Обучение ориентировано на индийские схемы, поэтому результаты для других регионов и валют могут быть ненадёжны; качество на реальных примерах дополненных синтетическими категориями следует отдельно проверять перед применением.

Dolphin3-Cyber-8B-GGUF — специализированная языковая модель для задач кибербезопасности, разработанная RavichandranJ на основе Dolphin3.0-Llama3.1-8B-abliterated от huihui-ai. Модель дообучена на собственном наборе данных по кибербезопасности и предназначена для анализа безопасности, пентестинга, исследования уязвимостей, разработки эксплойтов, offensive и defensive security, а также сценариев CTF и bug bounty. Модель основана на архитектуре Llama 3.1, содержит 8 млрд параметров и распространяется в формате GGUF, совместимом с llama.cpp и экосистемой локального запуска. Доступны варианты квантования от Q2_K размером около 3,18 ГБ до F16 размером около 16,1 ГБ; заявленная потребность в памяти составляет примерно от 5,5 до 18,5 ГБ в зависимости от варианта. Модель ориентирована на текстовую генерацию, поддерживает диалоговый формат Dolphin3 и английский язык. Данные о размере контекста в предоставленном README отсутствуют. К сильным сторонам относятся специализация на кибербезопасности, локальная работа без передачи данных во внешние сервисы, несколько вариантов квантования и возможность запуска на потребительском оборудовании. Abliterated-вариант не имеет заявленных отказов по темам безопасности и может генерировать материалы по наступательной безопасности, включая код эксплойтов, что одновременно создаёт риски злоупотребления и требует применения только в законных и авторизованных сценариях. README не приводит независимых бенчмарков и подробной оценки качества. Лицензия указана как Llama 3.1.

Dolphin3-Cyber-8B-GGUF — языковая модель для задач кибербезопасности, разработанная на базе Dolphin3.0-Llama3.1-8B-abliterated и опубликованная ScottzillaSystems; квантованные версии подготовлены RavichandranJ. Модель дообучена на специализированных данных по информационной безопасности и ориентирована на offensive и defensive security, поиск уязвимостей, разработку эксплойтов, пентестинг, red teaming, blue teaming, CTF и bug bounty. Модель содержит 8 млрд параметров, использует архитектуру Llama 3.1 и распространяется в формате GGUF для локального запуска через llama.cpp и совместимые инструменты. Указан английский язык; поддерживается диалоговый режим с шаблоном Dolphin3 и Llama 3.1. Доступны варианты квантования от Q2_K размером около 3,18 ГБ до F16 размером около 16,1 ГБ, что позволяет запускать её на потребительском оборудовании, включая конфигурации примерно от 4 ГБ видеопамяти. Размер контекста в предоставленном фрагменте README не указан. Сильные стороны модели — специализация на кибербезопасности, локальная обработка данных без обязательного обращения к облачным API и широкий выбор квантований. При этом заявленная abliterated- и uncensored-настройка означает отсутствие стандартных ограничений на обсуждение потенциально опасных техник, поэтому результаты требуют проверки специалистом и безопасного, законного применения. README также не приводит независимых результатов бенчмарков в представленном фрагменте. Лицензия указана как Llama 3.1.

ELISARCyberAIEdge7B-LoRA-GGUF — специализированная языковая модель для оценки киберрисков, разработанная Сабри Салланом на основе Mistral-7B-Instruct-v0.3 и адаптера LoRA ELISARCyberAIEdge7B. Репозиторий содержит версию в формате GGUF, в том числе вариант Q4_K_M для локального запуска на устройствах с ограниченными ресурсами; модель предназначена для автономного использования с инструментами вроде llama.cpp. Модель ориентирована на анализ рисков и угроз в системах ИИ, генерацию сценариев угроз, подготовку аудитов и автоматизацию задач GRC. В описании заявлены сценарии Red Team, Blue Team и соответствие ISO/IEC 42001 и NIS2, а метаданные указывают поддержку английского и французского языков. Базовая модель поддерживает контекст до 32 768 токенов. Указанная лицензия — Apache-2.0. Модель не заменяет сертифицированных аналитиков; качество и надёжность выводов для конкретных систем в README не подтверждены оценками.

GLiNER2-модель Fastino, дообученная Стефаном Йохансом с помощью LoRA для повышения полноты извлечения южноафриканских имён в строках адресов и внимания, подписях электронной почты и других текстах без явных слов-подсказок. Она предназначена для обнаружения персональных данных в текстовых полях веб-форм и может применяться как часть локального редактора PII. Базовая модель поддерживает извлечение нескольких типов персональных данных; это дообучение нацелено прежде всего на сущности типа name и сохраняет существующую настройку базовой модели для PII. Модель принимает текст и возвращает размеченные фрагменты сущностей. В README указаны тесты для имён на африкаанс, исизулу, исикоса, сесото, сетсвана, тшивенда и тсонга; метаданные также помечают английский и африкаанс. Вариант для развёртывания включает ONNX-фрагменты с динамической INT8-квантизацией энкодера. Репозиторий лицензирован по Apache-2.0. В тестах на 266 составных примерах дообученная версия показала полноту 99,7%, а вариант с INT8-энкодером — 99,5%; для адресных строк и подписей писем полнота составила соответственно 100% и 99,5% у исходного варианта дообучения. Результаты пока не подтверждены на отложенном корпусе реальных текстов. Обучающие примеры синтетические, а дообучение не нацелено на улучшение типов сущностей, отличных от имён.