II.11Кибербезопасность и приватность

GLM 5.3 CRACK — Cybersecurity FP8 — специализированная языковая модель, разработанная dealignai на основе JANGQ-AI/GLM-5.3-FP8 и исходной модели zai-org/GLM-5.3. Это текстовая модель с архитектурой glm_moe_dsa и разреженной MoE-структурой: заявлено 753 млрд параметров, 78 слоёв и FP8-квантизация. Поддерживаются английский, китайский, русский, сербский, хинди, французский, испанский, арабский, корейский и японский языки. Модель предназначена для задач кибербезопасности, включая offensive security, red teaming, penetration testing, разработку эксплойтов, реверс-инжиниринг, анализ вредоносного ПО, фишинг, атаки на учётные данные и смежные технические сценарии. Она рассчитана на запуск через vLLM, поддерживает вызов инструментов и нативную обработку FP8 на GPU Hopper, включая H100 и H200. Практический лимит контекста в описанной конфигурации на 8× H200 составляет около 131 тысяч токенов с MTP и около 160 тысяч без него; заявленная поддержка контекста в 1 млн токенов для текущего vLLM не работает. Сильная сторона модели — целевая адаптация поведения к кибербезопасности с существенно сниженным числом отказов на вредоносные кибернетические запросы; при этом в приведённом тесте MMLU её результат немного превысил базовую модель. Ограничения включают отсутствие универсальной направленности на другие опасные области, сохранение мягких отказов для дословного воспроизведения материалов, обязательное включение reasoning и риск исчерпания лимита токенов при высоком уровне рассуждений. MTP в стандартном vLLM заявлен как нефункциональный. Модель распространяется по лицензии MIT.

protectai/lakshyakh93-deberta_finetuned_pii-onnx — это ONNX-конверсия модели lakshyakh93/deberta_finetuned_pii, подготовленная ProtectAI с использованием библиотеки Hugging Face Optimum. Модель предназначена для задач token classification, в частности для обнаружения и классификации персональных данных в англоязычном тексте. Ключевая архитектурная особенность модели — формат ONNX, который может упростить интеграцию и выполнение модели в совместимых средах инференса. В README указано, что модель поддерживает английский язык. Размер модели, максимальная длина контекста, точный набор распознаваемых категорий персональных данных и другие архитектурные характеристики не раскрыты. Модель может использоваться в сценариях автоматического выявления PII перед обработкой, передачей или сохранением текста. Ограничения включают отсутствие сведений о качестве, метриках, поддерживаемых типах сущностей и совместимости с конкретными средами выполнения. Проект архивирован и больше не поддерживается. Модель распространяется по лицензии Apache-2.0.

PhishDetectAI-SMS-SFT-Qwen3-1.7B — дообученная языковая модель на архитектуре Qwen3, созданная автором репозитория на основе unsloth/Qwen3-1.7B. Модель предназначена для генерации текста в чат-формате и задач, связанных с выявлением фишинговых SMS; обучение выполнено библиотекой Unsloth на наборе SMS PHISHING DATASET FOR MACHINE LEARNING AND PATTERN RECOGNITION. Модель содержит 1,7 млрд параметров, поддерживает контекст до 40 960 токенов и принимает текст, выдавая текст. Карточка указывает английский язык. Базовая модель создана командой Qwen / Alibaba Cloud; веса опубликованы в формате Safetensors. README сообщает, что базовая модель распространяется по Apache License 2.0, а датасет — по CC BY 4.0; метаданные обозначают лицензию производной модели как other, поэтому условия использования следует сверить с файлами лицензии в репозитории. Специализация на SMS-фишинге следует из названия и обучающего набора; карточка не приводит метрик качества или подробностей оценки.

piiguard — модель NER, разработанная FlowX AI для библиотеки border. Она анализирует текст на входе и выходе LLM и размечает персональные данные восемью типами: имена, адреса электронной почты, телефоны, национальные идентификаторы, IBAN, номера карт, даты и местоположения. Модель основана на XLM-RoBERTa и использует токен-классификационную голову с BIO-метками; размер — 305,2 млн параметров, контекст — 514 токенов. В карточке указано обучение на окнах длиной 96 токенов. Доступен экспорт ONNX FP16, также в метаданных указан формат safetensors. Модель рассчитана на использование через библиотеку flowx-border, которая применяет argmax и формирует структурированное решение с записью доказательств. Она предназначена для обнаружения и фиксации чувствительных фрагментов текста в потоках LLM, а не для общей классификации PII. Заявлена поддержка 26 языков, включая русский; для языков, не перечисленных в карточке, поддержка не подтверждена. Лицензия — Apache-2.0. Обучающие данные синтетические, поэтому качество на реальных данных может отличаться. Оценка LOCATION в приведённом тестовом наборе отсутствует, а метки NATIONAL_ID и CARD могут назначаться неверно; приведённые в README высокие результаты на синтетическом тестовом разбиении не свидетельствуют о надёжности на практических данных. Для текстов длиннее обучающего окна необходимы разбиение на части и объединение результатов; сама модель не обеспечивает соответствие нормативным требованиям.

Это браузерная ONNX-конверсия модели OpenMed privacy-filter-nemotron-v2 для поиска и разметки персональных данных в тексте. Репозиторий nisten содержит исходный чекпойнт и несколько ONNX-вариантов с разной точностью и размером; варианты предназначены для запуска через transformers.js и ONNX Runtime Web, в том числе на WebGPU. Модель основана на архитектуре MoE: 8 слоёв, 128 экспертов с выбором четырёх на токен, размер около 1,4 млрд параметров по README. Она размечает 55 категорий персональных данных, используя 221 BIOES-метку, и поддерживает контекст до 128 тысяч токенов. Основной сценарий — локальное обнаружение и маскирование персональных данных в пользовательских заметках, например в приложениях для ведения дневника и отслеживания привычек. Модель принимает текст и возвращает разметку токенов, пригодную для редактирования или деидентификации. В README описаны варианты квантования до 4 и 8 бит, смешанный вариант и FP16; q4 рекомендован для WebGPU, но не работает на CPU через WASM, тогда как q8 и mixed48 поддерживают CPU и требуют специальной JSPI-сборки для ускорения на WebGPU. Лицензия указана как other и унаследована от исходной модели; перед коммерческим использованием следует проверить условия исходного репозитория.

TechnoBaptist подготовил браузерные ONNX-квантизации модели OpenMed/privacy-filter-nemotron-v2 для локального обнаружения и разметки персональных данных в тексте. Модель предназначена для клиентской обработки заметок о самочувствии и привычках, чтобы текст не покидал устройство; разметку можно использовать для маскирования и деидентификации. Архитектура — MoE-классификатор токенов с 8 слоями, 128 экспертами и выбором 4 экспертов; модель размечает 55 категорий PII с помощью 221 BIOES-метки. В README указана исходная версия на 1,4 млрд параметров и контекст до 128 тыс. токенов; метаданные репозитория сообщают 145,4 млн параметров, поэтому размер именно опубликованной версии неоднозначен. Репозиторий содержит ONNX-варианты fp32, q8, q4 и mixed48, предназначенные для transformers.js и WebGPU. На тестовом наборе из 30 примеров q8 показал точное совпадение границ сущностей в 93,4% случаев, q4 — в 72,1%; на отдельном наборе из 10 примеров все варианты пропустили 2 из 31 обязательных находок. Для запуска требуется onnxruntime-web версии не ниже 1.27.0. Лицензия — Apache-2.0.

OsaurusAI/rampart-mlx — независимая конверсия модели Rampart в формат MLX, созданная для запуска на устройствах Apple Silicon. Это компактный энкодер BERT на базе MiniLM-L6 с 6 слоями, размером около 21,7 млн параметров по метаданным и контекстом до 512 токенов. Модель выполняет токенную классификацию: размечает текст по 35 BIO-классам, включая 17 типов персональных данных — имена, адреса, электронную почту, телефоны, идентификаторы и банковские реквизиты. Модель предназначена для локального обнаружения и редактирования персональных данных в пользовательском тексте, например на устройстве или на стороне клиента. В репозитории размещены веса fp16 в safetensors и автономная реализация на MLX. По README, результаты совпадают с исходной моделью ONNX на проверочных примерах: метки токенов совпали во всех случаях, а максимальное различие логитов составило около 1e-5. Это англоязычная модель; сведения о поддержке других языков не приведены. Она помечает фрагменты текста, но сама по себе не выполняет редактирование: для восстановления диапазонов символов и маскирования данных требуется декодирование BIO-разметки. Модель выпущена под лицензией CC BY 4.0; исходная Rampart указана как базовая дообученная модель.

Real or Clone? — модель семейства wav2vec2, разработанная для приложения Real or Clone? и дообученная на базе facebook/wav2vec2-xls-r-300m. Она классифицирует аудиозаписи, различая настоящую речь и голос, созданный клонированием с помощью ИИ; целевой сценарий — проверка голосовых заметок, записанных по телефону. Модель содержит около 402,7 млн параметров и распространяется в формате safetensors. Модель принимает аудио и выдаёт классификационный результат. В карточке указаны английский и французский языки. Лицензия CC BY-NC 4.0 разрешает использование с ограничениями, включая запрет коммерческого применения. Карточка не приводит оценок точности и подробностей о данных или устойчивости к новым методам клонирования.

QCRI/SentSecBert_10k — модель на базе BERT, разработанная для работы с текстами кибербезопасности и использованная в исследовании «Semantic Ranking for Automated Adversarial Technique Annotation in Security Text». Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель подходит для семантического поиска по материалам о киберугрозах, ранжирования текстов по сходству и автоматизированной разметки техник атак. Репозиторий содержит веса PyTorch; размер модели — 96,6 млн параметров, длина контекста — 514 токенов. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

WavLM-Base-Plus-SV — модель Microsoft для проверки и сопоставления голосов. Она основана на WavLM и дообучена на наборе VoxCeleb1: к акустической модели добавлена голова X-Vector, обученная с функцией потерь Additive Margin Softmax. В архитектуре используется WavLM с Transformer; модель содержит 113,3 млн параметров. Модель принимает речевой аудиосигнал, записанный с частотой 16 кГц, и предназначена для получения признаков голоса, пригодных для распознавания и верификации говорящего. Она предварительно обучалась на корпусах Libri-Light, GigaSpeech и VoxPopuli. Модель не предназначена для распознавания речи «из коробки»: у неё нет токенизатора, и для ASR потребуется отдельная донастройка на размеченных текстовых данных. Лицензия в предоставленных данных не указана.

MattyB95/AST-ASVspoof5-Synthetic-Voice-Detection — модель классификации аудио, дообученная на наборе audiofolder на базе MIT/ast-finetuned-audioset-10-10-0.4593. Она использует архитектуру Audio Spectrogram Transformer на основе Vision Transformer и содержит 113,2 млн параметров. Модель предназначена для классификации аудиозаписей в задаче обнаружения синтетической речи, что может быть полезно для проверки голосовых сообщений и аудиоматериалов. В README приведены результаты оценки: accuracy 0,8333, F1 0,8892, precision 0,9209 и recall 0,8595. Модель принимает аудио и выдаёт результат классификации. Язык лицензии — BSD-3-Clause. В карточке не описаны конкретные классы, условия оценки и ограничения применимости результатов.

Это англоязычная модель Sentence Transformer, дообученная разработчиками репозитория ubco-mds-2025-capstone-fujitsu-1 на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска по смыслу и извлечения релевантных документов. Архитектура включает BERT, CLS-пулинг и нормализацию; сравнивать векторы можно по косинусному сходству. Максимальная длина входа — 512 токенов. Обучение проведено на парах запросов и документов, включая запросы о кибербезопасности и описания уязвимостей. В README приведены результаты проверки для информационного поиска, однако они не позволяют судить о качестве на других доменах. Модель принимает текст и выдаёт эмбеддинги; для применения доступны веса в формате safetensors и библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

CyberSentinel 2.0 — диалоговая модель для генерации текста, разработанная Huynh Dac Tan Dat (dad1909) на основе Meta-Llama-3-8B-Instruct. Модель дообучена на данных dad1909/DSV о кодах программных уязвимостей и инструкционных наборах; автор также описывает версию с 4-битной квантизацией bitsandbytes. Метаданные указывают архитектуру LlamaForCausalLM, размер 7,5 млрд параметров и контекст до 131 072 токенов. Модель предназначена для диалоговых ответов и работы с запросами о программных уязвимостях и безопасности кода. В метаданных указаны английский и вьетнамский языки; поддерживается генерация текста. Репозиторий содержит веса в формате safetensors. Указанная в метаданных лицензия — Apache-2.0, однако README называет лицензию RMIT, поэтому условия распространения и использования требуют проверки.

Deepfake-Detection-Exp-02-21 — модель классификации изображений, разработанная prithivMLmods на основе Vision Transformer google/vit-base-patch16-224-in21k и дообученная на наборе данных prithivMLmods/Deepfake-vs-Real. Она относит изображение к одному из двух классов: Deepfake или Real. Модель предназначена для выявления поддельных изображений в материалах СМИ и социальных сетях, а также для поддержки модерации контента, исследований и цифровой криминалистики. Модель содержит 113,2 млн параметров и опубликована в формате safetensors для библиотеки Transformers. Базовая архитектура рассчитана на изображения размером 224×224. Лицензия — Apache-2.0. Метаданные карточки указывают английский язык.

Модель ashish-001/deepfake-detection-using-ViT — дообученный Vision Transformer ViT для бинарной классификации изображений на подлинные и сгенерированные или изменённые с помощью deepfake. Она основана на google/vit-base-patch16-224-in21k и предназначена для проверки отдельных изображений на признаки подделки. В карточке заявлены точность 97% на валидации и 92% на тестовой выборке; эти показатели относятся к использованному набору данных и не гарантируют такое же качество на новых источниках. Модель содержит 113,2 млн параметров, опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

HIDra-30B-A3B — текстовая офлайн-модель для offensive security, разработанная SAPSAN CYBERSEC на базе abliterated Qwen3-Coder-30B-A3B. Модель дообучена для задач, связанных с авторизованным penetration testing, red team, CTF, security research и Cyber Threat Intelligence. Она предназначена для локального использования в инструментах вроде LM Studio, Jan, Ollama и llama.cpp, поэтому данные пользователя могут не покидать его устройство. Модель представляет собой разреженную Mixture-of-Experts-архитектуру: около 30,5 млрд параметров всего, примерно 3,3 млрд активных на токен и 128 экспертов. Доступна в формате GGUF с квантованиями Q3_K_M, Q4_K_M, Q5_K_M и Q8_0; размер файлов составляет приблизительно от 14 до 32 ГБ. Поддерживается английский язык, модальность только текстовая. Указанный в README пример запуска использует контекст 8192 токена. Модель ориентирована на написание и объяснение exploit scripts, PoC и средств автоматизации, анализ уязвимостей, CTF-задачи, BadUSB и HID-инъекции, DuckyScript, сопоставление CVE и CWE, техники MITRE ATT&CK и анализ threat intelligence. К сильным сторонам относятся специализация на кибербезопасности, навыки программирования, работа с offensive-security сценариями, локальный режим и заявленная способность не выдумывать непроверяемые флаги, ключи, хэши и результаты. Ограничения включают отсутствие safety RLHF, текстовый режим без vision input и возможное снижение качества из-за квантования примерно на 1–2 пункта по сравнению с full precision. Модель предназначена только для законных и разрешённых проверок; ответственность за применение несёт оператор. Базовая модель указана под лицензией Apache 2.0.

MemPrivacy-1.7B-RL — компактная языковая модель, разработанная IAAR-Shanghai на базе Qwen3-1.7B и дополнительно оптимизированная с помощью обучения с подкреплением. Она предназначена для локального выявления и классификации чувствительной информации в пользовательских диалогах, особенно в системах персональной памяти и edge-cloud-агентах. Модель размечает фрагменты по четырёхуровневой шкале приватности PL1–PL4 и предлагает заменять их типизированными заполнителями, сохраняя смысловые связи для последующей обработки облачным агентом. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров, работает через Transformers и принимает текст, формируя текстовый вывод; заявленное окно контекста — 40 960 токенов. Карточка указывает на английский и китайский языки. Пример применения использует структурированный JSON-вывод, но для надёжного разбора нужны подходящий промпт и ограничение формата вывода. Модель рассчитана на локальную обработку данных перед их передачей в облако, однако сама карточка не описывает механизм безопасного хранения исходных значений и не приводит независимой проверки заявленных сравнительных результатов. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных материалов на условиях лицензии.

Модель cssupport/mobilebert-sql-injection-detect разработана cssupport и дообучена на основе google/mobilebert-uncased. Она классифицирует входные строки, чтобы выявлять SQL-инъекции, и может применяться как дополнительный фильтр в системах проверки пользовательского ввода. В карточке также упомянуто использование в приложениях, преобразующих естественный язык в SQL, но не приведены подробности такой возможности. Модель основана на MobileBERT — компактной архитектуре с узкими слоями и сбалансированными механизмами внимания и прямого распространения. Она содержит около 59,7 млн параметров, принимает текст на английском языке и рассчитана на контекст до 512 токенов. Автор указывает на пригодность для периферийных устройств и использование набора данных SQL_Injection с Kaggle. Модель распространяется по лицензии Apache 2.0. Автор рекомендует проверять её перед внедрением; в карточке не приведены метрики качества и подробный анализ ошибок, поэтому результаты классификации следует валидировать на данных целевого приложения.

MS-EffGCViT-B5 — модель компьютерного зрения из проекта DeepGuard, разработанная авторами репозитория HanMoonSub/DeepGuard для обнаружения дипфейков на лицах. Она классифицирует изображение или отдельные кадры видео как реальные либо поддельные; результаты по кадрам можно агрегировать для оценки видео. Архитектура сочетает EfficientNet-B5 с многоуровневым глобальным контекстным вниманием: свёрточные блоки выделяют локальные текстурные признаки, а механизмы внимания сопоставляют локальные детали с общим контекстом сцены. Вариант B5 рассчитан на анализ с высоким разрешением 384×384. Модель предназначена для проверки лицевых изображений и видео, в том числе для поиска артефактов текстур, склейки, освещения и структуры. В README приведены результаты на FaceForensics++ и проверки переноса на Celeb-DF-v2 и KoDF; показатели на внешних наборах заметно ниже, поэтому качество может зависеть от домена и данных. Для входа требуются изображения лиц, обрезанные по лицу; заявленное применение к видео выполняется на уровне кадров. Модель основана на дообученной timm/tf_efficientnet_b5.ns_jft_in1k, распространяется в формате safetensors через Transformers и лицензирована по MIT.

NERGAL 2.0.1 — разработанная SlayerLab гибридная система для выявления и маскировки контактных данных и отдельных идентификаторов в польском тексте. В основном режиме правила на Python находят распознаваемые форматы, а дообученный классификатор токенов XLM-RoBERTa-large добавляет контекстные упоминания телефонов и других персональных данных; результаты объединяются и заменяются метками [PHONE] или [PII]. Архитектура классификатора — XLMRobertaForTokenClassification, размер — 658,7 млн параметров, контекст — 514 токенов. Имена людей можно маскировать отдельно, включив дополнительную модель FastPDN NER. Модель предназначена для очистки польских текстов, например перед передачей документов на анализ или подготовкой корпуса. Это не чат-модель и не универсальный анонимизатор; автор указывает, что она не предназначена для прямого использования как стандартный pipeline token-classification. Имена по умолчанию не маскируются, а адреса, даты рождения, возраста и ряд других персональных данных остаются вне целевого охвата. Для версии 2.0.1 отмечены пропуски неразмеченных телефонов, необычных форматов, повреждённого текста и некоторых вариантов email; охват категорий не гарантируется. Метаданные указывают лицензию other, а README отдельно сообщает, что дополнительная модель имён в каталоге names/ распространяется по CC-BY-4.0.

Англоязычная модель классификации текста на базе DistilBERT, дообученная автором dima806 для обнаружения фишинговых писем. Она предназначена для автоматической проверки содержимого писем и отнесения текста к классам, связанным с фишингом. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и рассчитана на контекст до 512 токенов. Модель опубликована в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0. Карточка README не содержит дополнительных сведений о разметке классов, данных обучения, метриках или способе интеграции, поэтому качество обнаружения и применимость к другим языкам или типам сообщений по ней оценить нельзя.

Q-Trust CodeBERT — классификатор исходного кода, разработанный для проекта миграции Q-Trust на постквантовую криптографию. Модель дообучена на базе huggingface/CodeBERTa-small-v1 и определяет, использует ли фрагмент кода криптографию; метка LABEL_1 означает наличие криптографического использования. Архитектура — RoBERTa с классификационной головой, размер — 96,6 млн параметров, контекст — 514 токенов. Доступны веса Safetensors и формат ONNX. Модель предназначена для поиска криптографических вызовов и примитивов в исходных файлах как начального этапа инвентаризации перед миграцией на постквантовые алгоритмы. В README сообщается о F1 0,9525 на отложенной выборке из 2415 примеров; на файлах CryptoAPI-Bench указана полнота 0,877. Модель обнаруживает использование криптографии, но не выявляет неправильное или небезопасное применение. Обучающая выборка содержит 12 462 файла. Лицензия — MIT.

Qwen3.6-27B-SecOPD — мультимодальная модель семейства Qwen, разработанная на базе Qwen/Qwen3.6-27B и дообученная методом Secure On-Policy Distillation (SecOPD) для защиты от атак через внедрение инструкций в сторонний контент. Она рассчитана на сценарии, где модель получает доверенные инструкции пользователя отдельно от документов, найденных фрагментов или результатов инструментов: для этого используется выделенная роль input, отделяющая внешний материал от инструкций. Модель принимает текст и изображения и генерирует текст; в метаданных указаны поддержка диалогов и визуального ввода. Репозиторий содержит объединённый чекпойнт шага 150 с full-response KL: LoRA-адаптер уже слит с весами, поэтому отдельно загружать его не требуется. В опубликованных результатах SecOPD показывает низкий уровень успешности атак на нескольких тестах и сохраняет показатели полезности на чистых входах, однако эти результаты относятся к указанным в статье бенчмаркам и не гарантируют устойчивость ко всем атакам или сценариям. Карточка описывает применение с vLLM версии 0.19.0 или новее и соответствующим шаблоном чата и токенизатором. Лицензия — Apache-2.0.

RavenX-CyberAgent-Qwen3.6-35B-A3B-Opus-4.7-OpenMythos-Pentester-BugHunter-RATH — языковая модель для генерации текста, ориентированная на задачи кибербезопасности: пентестинг, bug bounty, red team и blue team, анализ уязвимостей и генерацию кода. Модель разработана сообществом mlx-community и является MLX-квантизированной версией модели deadbydawn101/RavenX-CyberAgent-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated от huihui-ai. По заявленным тегам она поддерживает сценарии tool calling и MCP, а также может использоваться в качестве автономного агента. Модель относится к архитектуре Mixture of Experts (MoE); в идентификаторе указана конфигурация 35B-A3B, однако подробности о числе активных параметров, контексте, мультимодальности и фактической поддержке vision в README не приведены. Основной язык — английский. Ключевая особенность данной версии — смешанно-точная квантизация MLX со средним размером 4,50 бита на вес, выполненная методом MLX Smart Quantize (MSQ) для Apple Silicon. Метод автоматически назначает разрядность по чувствительности слоёв на основе измерения NMSE; также применено AWQ-масштабирование для 50 групп. Сильными сторонами модели являются специализация на задачах безопасности, поддержка MLX и сниженные требования к памяти по сравнению с полноразмерной версией. Ограничения включают отсутствие в README количественных оценок качества, точных сведений о длине контекста, гарантированной работе инструментов и мультимодальности. Модель распространяется по лицензии Apache-2.0.

ScamShield — компактная модель классификации текста на базе DistilBERT, дообученная Rehan Raza для выявления мошеннических и фишинговых сообщений. Она относит текст к безопасному или мошенническому и рассчитана на обработку SMS, электронных писем и предложений о работе или стажировке. Модель может работать локально в браузере или на периферийном устройстве, что позволяет анализировать сообщения без отправки их на сервер. Архитектура — DistilBertForSequenceClassification; модель принимает текст на английском языке, а длина контекста составляет 512 токенов. При обучении использованы SMS Spam Collection, EMSCAD и синтетические контрастивные примеры предложений о работе, где ключевое различие — запрос предоплаты. В README для отложенной выборки приведены accuracy 98,5%, precision 0,944 и recall 0,833. Модель подходит для локальной предварительной проверки сообщений и предложений, но её качество может снижаться на форматах мошенничества, отличных от SMS и предложений о работе, а также при изменении формулировок. Для неоднозначных сообщений и решений с высокими последствиями не следует полагаться только на её предсказание. Лицензия — MIT.

tanaos-spam-detection-v1 — модель Tanaos, созданная с библиотекой Artifex и дообученная на синтетическом наборе примеров спама и обычных сообщений. Она классифицирует англоязычный текст по двум меткам: spam и not_spam. В основе лежит DistilBERT multilingual cased с архитектурой DistilBertForSequenceClassification; модель принимает текст с контекстом до 512 токенов и сохраняется в формате safetensors. Модель предназначена для первичной фильтрации электронной почты, сообщений в мессенджерах и других текстовых коммуникациях. Среди выявляемых категорий — нежелательная реклама и пропаганда, мошенничество, фишинг, вводящий в заблуждение контент, вредоносные ссылки, материалы для взрослых, а также сообщения с чрезмерным использованием заглавных букв и знаков препинания. Модель ориентирована на английский язык. Синтетические обучающие данные могут ограничивать обобщение на реальные и новые виды спама; ошибочная классификация возможна, поэтому результаты не следует использовать в высокорисковых сценариях без проверки человеком. Лицензия — MIT.

UniSpeech-SAT-Base-Plus-SV — модель Microsoft для проверки личности говорящего по аудио. Она основана на архитектуре UniSpeech-SAT и содержит около 113,3 млн параметров; для представления речи использует X-Vector-голову. Модель предварительно обучена на речевых корпусах Libri-Light, GigaSpeech и VoxPopuli, а затем дообучена на VoxCeleb1 с функцией потерь Additive Margin Softmax. Модель принимает речевые записи с частотой дискретизации 16 кГц и предназначена для извлечения признаков голоса и сравнения говорящих, например при проверке, принадлежат ли две записи одному человеку. Карточка указывает английский язык. Лицензия в предоставленных сведениях не указана.

Voice Fake Detector v1 — модель классификации аудио от автора репозитория Shanmugapriya6. Она определяет, является ли запись человеческой речью или речью, созданной ИИ, и возвращает метку с оценкой уверенности. Модель построена на Wav2Vec2ForSequenceClassification и дообучена на facebook/wav2vec2-xls-r-300m; содержит около 402,7 млн параметров и распространяется в формате safetensors для Transformers. Модель принимает аудиозаписи WAV и предназначена для выявления синтетической речи при проверке голосовых материалов и анализе медиаконтента. В README приведены результаты оценки на подмножестве ASVspoof2019. В карточке указаны тамильский, английский и хинди; среди обучающих данных названы Svarah, Kathbath и синтетическая речь, созданная системами TTS. Лицензия — MIT. Качество может снижаться на шумных или низкокачественных записях; модель оценивалась не для всех языков и акцентов и может пропускать продвинутые методы генерации поддельной речи. Она не предназначена для юридических или криминалистических выводов и не рекомендуется для высокорисковой аутентификации.

Harmansingh24k/voiceshield-replay-robust-v2 — дообученная модель классификации аудио на архитектуре Wav2Vec2, разработанная на основе Harmansingh24k/voiceshield-replay-robust. Она предназначена для классификации голосовых записей и обнаружения аудиодипфейков. Модель содержит 113,3 млн параметров и распространяется в формате Safetensors для библиотеки Transformers. В README приведены результаты оценки: loss 0,0047 и accuracy 1,0. Датасет и детали оценки не раскрыты, поэтому эти результаты не позволяют судить о качестве на других данных. Модель опубликована под лицензией MIT.

WavLM-Base for Speaker Verification — модель Microsoft для проверки личности говорящего по речи. Это модель семейства WavLM с архитектурой Transformer и головой WavLMForXVector; она содержит 113,3 млн параметров. Базовая модель предварительно обучена на 960 часах LibriSpeech с частотой дискретизации 16 кГц, а версия для проверки говорящего дообучена на VoxCeleb1 с головой X-Vector и функцией потерь Additive Margin Softmax. Модель принимает речевое аудио с частотой 16 кГц и формирует векторные представления голоса, пригодные для сравнения говорящих и проверки совпадения личности. Её можно применять для верификации диктора в записях и системах контроля доступа по голосу. Карточка не описывает поддержку других языков помимо английского в метаданных и не приводит отдельные показатели качества. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.