II.11Кибербезопасность и приватность

Карточка модели claudios/VulBERTa-MLP-Devign на Hugging Face совпадает с карточкой claudios/VulBERTa-MLP-MVD, поэтому описание составлено по ней. Это неофициальная версия VulBERTa с классификационной MLP-головой, представленная на Hugging Face. Модель разработана Hazim Hanif и Sergio Maffeis из Имперского колледжа Лондона и дообучена на C-коде из набора CodeXGlue Devign для классификации функций исходного кода по наличию уязвимостей. В основе модели — RoBERTa с 151,6 млн параметров; для токенизации используется упрощённый процесс с удалением комментариев. Контекст составляет до 1026 токенов. Модель предназначена для выявления потенциально уязвимого C-кода и может применяться в анализе безопасности и экспериментах по обнаружению дефектов кода. Для токенизации требуется libclang. Лицензия — MIT.

Rajith014/bert-phishing-detector — модель классификации текста электронной почты и сообщений, дообученная разработчиком на bert-base-uncased. Она относит текст к одному из двух классов: «легитимное сообщение» или «фишинг». Модель реализована на Transformers с архитектурой BERT для классификации последовательностей; содержит 136,7 млн параметров, принимает до 512 токенов по метаданным, хотя при обучении максимальная длина была 256 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для изучения обнаружения фишинга и использования как базовый компонент более крупной системы безопасности электронной почты. В README указана оценка на отложенной выборке из 8 207 писем: accuracy 99,48%, precision 99,56% и recall 99,44%; автор предупреждает, что на реальной почте качество может быть ниже из-за сдвига распределения. Обучение проводилось преимущественно на английских данных, а качество для других языков не проверено. Лицензия — MIT. Модель не рекомендуется использовать как самостоятельный шлюз безопасности: она может ошибочно помечать легитимные письма, особенно современные, короткие или маркетинговые. Для практического применения следует проверять качество на собственных данных и учитывать дополнительные сигналы, например репутацию URL и аутентификацию отправителя; решения с последствиями требуют проверки человеком.

Bugtrace Apex G4 26B APEX — квантованная GGUF-версия модели BugTraceAI-Apex-G4-26B-Master-f16, опубликованная terrorswift. Это 26-миллиардная модель с архитектурой Gemma 4 и Mixture-of-Experts, настроенная разработчиком BugTraceAI методом DPO для рассуждений в области наступательной кибербезопасности. Она предназначена для анализа сценариев bug bounty, методик вредоносного ПО, обхода WAF, генерации технических полезных нагрузок и рекомендаций по исправлению уязвимостей. Модель поддерживает чат; доступны варианты APEX с разными сочетаниями точности квантования, размером около 18,4–19,2 ГБ для перечисленных вариантов. Для запуска в README приведён контекст 131 072 токена, но это значение зависит от используемого файла и конфигурации. README сообщает, что upstream-модель лишена Vision Tower, а файл mmproj в репозитории не включён; мультимодальный запуск возможен с совместимым внешним mmproj. Лицензия — Apache-2.0. Карточка называет модель экспериментальной и предназначенной для исследований в области ИИ и кибербезопасности и локального тестирования; автор также предупреждает, что она может выдавать вредоносный или незаконный контент.

fredstrey/deberta-v3-base-prompt-injection-v3 — дообученный классификатор на основе protectai/deberta-v3-base-prompt-injection-v2 для обнаружения prompt injection в текстах на бразильском португальском языке. Модель специализируется на материалах и сценариях домена SUFRAMA, включая запросы к чат-ботам. Модель использует архитектуру DeBERTa v3 для классификации последовательностей, содержит 211,6 млн параметров и принимает текст длиной до 512 токенов. При дообучении первые восемь из двенадцати слоёв энкодера были заморожены; обучались верхние четыре слоя и классификационная голова. Данные включали переведённые наборы примеров prompt injection и синтетические доменные образцы. Модель предназначена для защитной фильтрации пользовательских запросов и выявления попыток внедрения инструкций в приложениях на базе LLM. Лицензия MIT. README не приводит оценок качества, поэтому надёжность на новых типах атак и за пределами домена SUFRAMA по имеющимся сведениям определить нельзя.

Purnachander Konda дообучил Swin-Tiny для бинарной классификации изображений с целью выявления дипфейков. Модель принимает изображение и относит его к одному из классов, связанных с подлинными и сгенерированными изображениями. Она построена на архитектуре Swin Transformer, содержит около 33 млн параметров и распространяется в формате Safetensors через библиотеку Transformers. В карточке указаны результаты оценки: accuracy, F1, precision и recall по 0,9881, loss — 0,0554. Датасет и подробности оценки не описаны, поэтому эти значения не позволяют судить о качестве на других источниках изображений или типах дипфейков. Лицензия — Apache-2.0.

Модель obi/deid_bert_i2b2 разработана на основе ClinicalBERT и дообучена для деидентификации медицинских записей. Это модель разметки последовательностей на архитектуре BERT с 135,5 млн параметров: она классифицирует токены как не содержащие защищённую информацию или как один из 11 типов PHI/PII, а предсказания объединяются в фрагменты с помощью разметки BILOU. Модель обучалась на наборе I2B2 2014 и рассчитана на английские медицинские заметки. Её можно использовать для обнаружения персональных и медицинских идентификаторов в электронных медицинских записях и для подготовки текста к удалению или маскированию таких данных. Максимальная длина контекста — 512 токенов; для работы с длинными заметками README рекомендует разбивать текст на предложения, а затем объединять результаты на уровне заметки. Модель распространяется по лицензии MIT. Качество распознавания зависит от формата и содержания заметок; перед использованием в реальных процессах деидентификации предсказания следует проверять. Модель выдаёт метки токенов и не выполняет удаление PHI самостоятельно без дополнительной обработки.

GPT-OSS-Cybersecurity-20B-Merged-heretic-i1-GGUF — квантизированная GGUF-версия модели piotreknow02/GPT-OSS-Cybersecurity-20B-Merged-heretic, подготовленная mradermacher. Модель создана для задач кибербезопасности: анализа и генерации текстов по тематике security, ответов на инструкции и помощи в работе с материалами по информационной безопасности. Она дообучалась и объединялась с использованием наборов Trendyol Cybersecurity Instruction Tuning Dataset, Cybersecurity-Dataset-Fenrir-v2.0 и Primus-Instruct. Модель имеет заявленный размер 20B параметров и, судя по тегам, архитектуру MoE. Доступна только в текстовом формате и ориентирована на английский язык. Репозиторий содержит множество вариантов GGUF-квантизации с размерами примерно от 12,1 до 15,9 ГБ; вариант i1-Q4_K_M отмечен как рекомендуемый по сочетанию скорости и качества, а i1-Q4_K_S — как оптимальный по размеру, скорости и качеству. Сведения о длине контекста, результатах бенчмарков и поддержке других языков отсутствуют. Сильной стороной модели является специализация на кибербезопасности и наличие различных уровней квантизации для запуска на оборудовании с разными ограничениями по памяти. Ограничения включают отсутствие подтвержденных оценок качества, неизвестную длину контекста и возможное снижение качества у наиболее компактных вариантов. Лицензия — Apache-2.0.

iselabvn_Tini-Cybersec-8B-A1B-GGUF — это GGUF-квантизация языковой модели Tini-Cybersec-8B-A1B, разработанной iselabvn и подготовленной пользователем bartowski с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации текста и ориентирована на задачи кибербезопасности, рассуждений и следования инструкциям. Модель относится к семейству Liquid Foundation Model и имеет заявленный размер 8B; обозначение A1B также присутствует в идентификаторе базовой модели, однако подробности архитектуры в README не раскрыты. Поддерживается английский язык и текстовая модальность. Доступны варианты от BF16 до различных уровней квантования, включая Q4, Q5, Q6 и Q8, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Рекомендуемым вариантом по умолчанию указан Q4_K_M, а Q6_K и Q6_K_L характеризуются как варианты очень высокого качества. Обучение и дообучение связаны с наборами данных по кибербезопасности, instruction tuning и reasoning, включая Cybersecurity-Dataset-Heimdall, Cybersecurity-Dataset-Fenrir и Trendyol-Cybersecurity-Instruction-Tuning-Dataset. Модель может применяться для анализа и объяснения вопросов информационной безопасности, генерации ответов по специализированным запросам и задач, требующих пошагового рассуждения. Ограничения включают отсутствие сведений о размере контекста, точности на специализированных тестах, поддержке других языков и мультимодальности; качество также зависит от выбранного уровня квантования и используемого инструмента инференса. Распространение указано по лицензии Apache-2.0.

MS-EffGCViT-B0 — компактная модель для обнаружения дипфейков, разработанная авторами проекта DeepGuard. Это гибридная архитектура CNN и Vision Transformer: CNN-эмбеддинг на основе MBConvBlocks сочетается с локальным и глобальным вниманием и объединением признаков нескольких масштабов. Модель принимает обрезанные изображения лиц; для видео классифицирует отдельные кадры, результаты которых можно агрегировать. Вариант B0 использует backbone tf_efficientnet_b0.ns_jft_in1k и входное разрешение 224×224. Модель предназначена для бинарного различения подлинных и поддельных лиц, в том числе при проверке изображений и видеозаписей. По README, чекпойнт обучен на корейском наборе KoDF; описаны также тесты на Celeb-DF-v2 и FaceForensics++. В оценке на KoDF указаны accuracy 0,9655 и AUC 0,9792, тогда как результаты проверки на западных наборах существенно ниже, поэтому переносимость между доменами ограничена. Веса опубликованы в формате safetensors, лицензия — MIT.

jefftherover/pii-layout-synth-distil-v1 — дообученная модель для классификации токенов на базе архитектуры ModernBERT. По названию репозитория она предназначена для обнаружения персональных данных в синтетических документах с учётом их структуры, однако карточка не описывает метки, обучающие данные или сценарии применения. Модель содержит 93,8 млн параметров, принимает контекст до 8192 токенов и сохранена в формате safetensors; используется библиотека Transformers. В README приведены метрики оценки: F1 0,9930, точность 0,9987, precision 0,9911 и recall 0,9949. Классификация токенов подходит для разметки фрагментов текста, например для последующего выделения сущностей. Высокие заявленные метрики относятся только к описанному в карточке набору оценки и не гарантируют качество на других данных. Лицензия в предоставленных сведениях отсутствует.

precommitEU — набор весов для локального сканера исходного кода на соответствие отдельным нормативным актам ЕС. Разработчики проекта дообучили Qwen2.5-Coder-7B-Instruct с помощью отдельных LoRA-адаптеров для разных регулирований; общая базовая модель и адаптеры поставляются в формате GGUF. Сканер работает через llama.cpp, принимает код и формирует структурированные результаты с кандидатами на нарушения и подтверждёнными находками. Модель предназначена для поиска потенциальных проблем, связанных с GDPR, EU AI Act, Data Act, CRA, DMA и NIS2, а также другими актами из набора. Для подтверждения находки сканер проверяет, что процитированное свидетельство дословно присутствует в файле; неподтверждённые кандидаты выводятся как рекомендации. Поддерживаются запуск на CPU, Apple Silicon через Metal и NVIDIA GPU через CUDA. README не указывает длину контекста. Набор подходит для локального предварительного анализа репозиториев и интеграции проверок в процесс разработки. Результаты являются сигналом о возможном несоответствии, а не юридической консультацией; покрытие ограничено статьями, включёнными в соответствующие адаптеры, и вне их предметной области выводы ненадёжны. Указана лицензия Apache-2.0.

Qwen3.8-27B-abliterated-cyber-preview-MTP-GGUF — GGUF-сборка модели, разработанная пользователем или организацией hotdogs на базе hotdogs/Qwen3.8-27B-abliterated-cyber-preview. Модель предназначена для генерации текста, авторизованных исследований кибербезопасности, red teaming, агентных сценариев и вызова инструментов. Указаны поддержка английского и китайского языков, а также сценарии image-text-to-text, tool-calling и MCP. Модель содержит 27 млрд параметров и распространяется в форматах BF16, Q6_K, Q4_K_M, IQ4_NL и IQ3_M. Файлы используют imatrix-квантизацию и рассчитаны на запуск в llama.cpp. В сборке сохранена MTP head для self-speculative decoding; заявлена частота принятия черновых токенов MTP 0,77. В примерах запуска используется контекст до 32768 токенов. Версия Q4_K_M размером 16,81 ГБ обозначена как рекомендуемая по умолчанию. К сильным сторонам относятся специализированная ориентация на offensive security, высокая успешность выбора инструментов и генерации tool calls в приведённых тестах, а также сохранение близости к базовой модели на обычных запросах. Ограничения включают предварительный статус, зависимость производительности от оборудования и параметров llama.cpp, а также отсутствие встроенного отказа от потенциально опасных запросов: модель может выдавать инструкции по эксплуатации систем. Использование разрешено только для систем, которыми пользователь владеет или которые явно уполномочен тестировать. Лицензия — Apache-2.0.

causal/redimnet2-b2-vox2-ptn-mlx — преобразованная для MLX версия официального чекпойнта ReDimNet2 B2, обученного на VoxCeleb2-dev до этапа дообучения с large-margin. Модель принимает монофонический звук с частотой 16 кГц и выдаёт 192-мерные векторы голоса, предназначенные для задач распознавания и проверки личности говорящего. Репозиторий содержит веса в формате safetensors; библиотека MLX позволяет запускать их в совместимой с MLX среде. По заявлению карточки, эмбеддинги совпадают с PyTorch-референсом с относительной ошибкой до 3,6×10⁻⁶ в проверке на CPU с float32. Модель распространяется по лицензии MIT.

Модель tanaos/tanaos-spam-detection-german разработана Tanaos с использованием библиотеки Artifex и предназначена для классификации немецкоязычного текста как спама или обычного сообщения. Это дообученная DistilBERT-модель на основе distilbert/distilbert-base-multilingual-cased; она принимает текст и возвращает метку класса. Контекст модели — 512 токенов. Модель подходит для первичной фильтрации писем, сообщений в мессенджерах и другого немецкоязычного общения. К спаму отнесены нежелательная реклама и агитация, мошеннические схемы, фишинг, вводящие в заблуждение сообщения, вредоносные ссылки, материалы для взрослых, а также сообщения с чрезмерной капитализацией или пунктуацией. Модель обучена на синтетическом наборе данных и распространяется по лицензии MIT. Это фильтр первого уровня, поэтому ошибки классификации возможны; README не рекомендует применять его в сценариях с серьёзными последствиями без дополнительной проверки человеком. Основной язык модели — немецкий, поэтому для других языков следует выбирать специализированные версии.

UniSpeech-SAT-Base-SV — модель Microsoft для проверки и распознавания говорящего по речевому аудио. Она основана на архитектуре UniSpeech-SAT и содержит около 113,3 млн параметров. Модель предварительно обучена на 960 часах LibriSpeech с контрастивными целями для представления речи и характеристик говорящего, затем дообучена на VoxCeleb1 с X-Vector-головой и функцией потерь Additive Margin Softmax. Модель принимает речевые фрагменты с частотой дискретизации 16 кГц и формирует векторное представление голоса, пригодное для сравнения говорящих и проверки совпадения голосов. Карточка указывает английский язык и LibriSpeech; отдельного контекстного окна для аудио не заявлено. В репозитории указаны веса PyTorch. Лицензия в предоставленных сведениях не указана.

CIRCL разработала биэнкодер для подбора техник MITRE ATT&CK Enterprise по описанию уязвимости CVE. Модель сравнивает текст CVE — заголовок и описание — с официальными названиями и описаниями техник в общем пространстве эмбеддингов и ранжирует кандидатов по оценке сходства. Она основана на RoBERTa-base с 151,8 млн параметров; тексты техник при кодировании ограничиваются 256 токенами, а нативный контекст модели составляет 514 токенов. Модель предназначена для помощи аналитикам: она может предлагать техники из обучающего набора и ранжировать техники с официальными описаниями, включая открытый словарь из 222 активных родительских техник. На обученной выборке биэнкодер показал преимущество для редких техник, но уступил отдельной классификационной модели по recall@5. Для техник, отсутствовавших в обучении, тонкая настройка не улучшила ранжирование относительно обычного семантического эмбеддера. Результаты следует рассматривать как кандидатов для проверки специалистом, а не как авторитетное соответствие. Обучение проводилось на наборе CIRCL/vulnerability-attack-techniques, содержащем около 1200 CVE и разметку по методологии CTID. Модель работает с англоязычными описаниями и родительскими техниками; разметка отражает субъективность методологии, а набор данных непропорционально представляет эксплуатируемые и обогащённые CVE. Лицензия — GPL-3.0.

Модель разработана Shu-wen Yang и соавторами и опубликована в формате PyTorch пользователем Anton Lozhkov. Это Wav2Vec2 с головой XVector, портированная версия модели S3PRL для задачи верификации говорящего в бенчмарке SUPERB. Она принимает речевой аудиосигнал с частотой дискретизации 16 кГц и предназначена для сравнения голосовых образцов при проверке личности говорящего. Модель содержит около 113,3 млн параметров и основана на wav2vec2-large-lv60, предварительно обученной на речи с частотой 16 кГц. Указан английский язык. Лицензия — Apache 2.0. Карточка предупреждает о возможных вредных стереотипах в предсказаниях и не рекомендует использовать модель для создания враждебной или отчуждающей среды.

CTI-BERT — предобученная языковая модель семейства BERT для текстов по кибербезопасности. Разработчик — IBM Research. Модель содержит 151,6 млн параметров, использует архитектуру BertForMaskedLM и словарь из 50 000 токенов. Она обучена с нуля на корпусе примерно из 1,2 млрд токенов: новостях о безопасности, описаниях уязвимостей, книгах, научных публикациях и статьях Википедии по теме безопасности. В метаданных указан контекст 512 токенов; в README длина последовательности модели описана как 256 токенов. Основной режим работы — masked language modeling: модель предсказывает замаскированные токены. Её также можно использовать для получения векторных представлений токенов и дообучать для классификации текстов и последовательностей или ответов на вопросы в области кибербезопасности. Для текстов общего назначения модель не предназначена. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

Deep-Fake-Detector-v2-Model — модель компьютерного зрения от prithivMLmods для классификации изображений лиц на реальные и сгенерированные или изменённые с помощью deepfake-технологий. Она основана на Vision Transformer ViT-Base/16, дообученном на наборе реальных и поддельных изображений, и содержит около 113,2 млн параметров. На вход подаются RGB-изображения, приводимые к размеру 224×224 пикселя; на выходе модель относит изображение к одному из двух классов: «Realism» или «Deepfake». Модель предназначена для проверки отдельных изображений, например при предварительной модерации или анализе происхождения медиаматериалов. В отчёте автора указана точность 92,12% на тестовом наборе из 56 001 примера, однако это значение не гарантирует такую же точность на других данных. Модель может хуже работать на изображениях низкого разрешения или с сильным сжатием, а также на deepfake-материалах, отличающихся от обучающих данных; видео напрямую не анализирует. Распространяется по лицензии Apache-2.0.

GenD (DINO) — модель для классификации изображений, предназначенная для обнаружения дипфейков с обобщением на разные бенчмарки. Согласно README, это вариант GenD из таблицы 2 статьи WACV 2026; в метаданных семейство архитектуры указано как GenD, веса представлены в формате safetensors, библиотека — Transformers. Модель выпущена под лицензией MIT. Модель рассчитана на анализ изображений для выявления поддельного визуального контента. README не приводит подробностей об обучении, размере модели, поддерживаемых языках или измеренных результатах, поэтому эти характеристики здесь не уточняются.

GenDDINOv3LFF — модель компьютерного зрения для обнаружения поддельных лиц и видео, разработанная на основе метода GenD и дообученная на FaceForensics++ (FF++). Она использует визуальный трансформер DINOv3 ViT-L/16 как замороженную основу: обучаются только параметры Layer Normalization, составляющие около 0,03% параметров, и классификационная голова LinearNorm. В обучении применялись Sharpness-Aware Minimization, сглаживание меток и метрические потери с нормализацией признаков. Модель предназначена для классификации изображений лиц и анализа видеороликов на предмет манипуляций. В README приведены результаты на видео: AUROC 91,84%, mAP 89,88% и точность 84,91%. Модель принимает изображения и выдаёт класс предсказания; заявленные оценки видео получены в сценарии анализа видео. Лицензия — MIT. Обучение на FF++ и результаты бенчмарка не гарантируют такую же точность на других наборах данных и реальных сценариях; качество может снижаться при смене источника данных или типа манипуляций.

GenD (PE) — модель семейства GenD для классификации изображений и выявления дипфейков. Она соответствует варианту PE из таблицы 2 работы «Deepfake Detection that Generalizes Across Benchmarks»; автор README позиционирует её как детектор, рассчитанный на обобщение между бенчмарками. Модель принимает изображения и выдаёт метки классов. Репозиторий использует Transformers и хранит веса в формате safetensors. Лицензия — MIT. README не раскрывает размер модели, поддерживаемые наборы данных и численные показатели качества.

GPT-OSS-Cybersecurity-20B-Merged-i1-GGUF — квантизированная GGUF-версия модели GPT-OSS-Cybersecurity-20B-Merged, разработанной sainikhiljuluri2015 и подготовленной квантизатором mradermacher. Модель ориентирована на генерацию текста и задачи кибербезопасности, включая работу с инструкциями и специализированными запросами в области информационной безопасности. При дообучении использовались Trendyol Cybersecurity Instruction Tuning Dataset, Cybersecurity-Dataset-Fenrir-v2.0 и Primus-Instruct. Модель имеет размер 20B параметров согласно идентификатору и относится к архитектурам MoE. Доступна только в текстовом формате; заявленный язык — английский. Контекстное окно и точные архитектурные характеристики в предоставленных данных не указаны. Репозиторий содержит варианты квантизации i1-IQ и i1-Q с различным компромиссом между размером, скоростью и качеством; среди доступных вариантов указаны i1-Q4_K_M и i1-Q4_K_S, причём Q4_K_M отмечен как рекомендуемый для быстродействия. Сильными сторонами модели являются специализация на кибербезопасности, использование нескольких тематических наборов данных и возможность запуска через экосистему GGUF с выбором подходящего уровня квантизации. Ограничения включают зависимость качества от выбранного варианта квантизации, отсутствие сведений о контекстном окне, результатах оценки и поддержке других языков или модальностей. Модель распространяется по лицензии Apache-2.0.

MeridianPII te-v1 — это компактная модель распознавания персональных данных в тексте на телугу, разработанная Plingampally. Модель дообучена на Microsoft Multilingual-MiniLM-L12-H384 и выполняет токенную классификацию с 35 BIO-метками для имён, адресов и других сущностей. Репозиторий содержит веса Safetensors и квантованную INT8-версию ONNX; заявленный размер ONNX — 54 МБ. Модель рассчитана на запуск на устройстве, в том числе в браузере через transformers.js, и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для выявления PII в тексте на телугу, включая письмо телугу, латинскую транслитерацию и переключение между телугу и индийским английским. Она может находить имена и адресные сведения, а некоторые структурированные идентификаторы и контактные данные предполагается предварительно обрабатывать отдельным детерминированным слоем на основе регулярных выражений и проверок контрольных сумм. В описанном тесте на синтетическом наборе из 1500 примеров заявлены полнота 97,8% для письма телугу и 98,7% в целом; эти результаты не гарантируют такое же качество на реальных данных. Лицензия модели — Creative Commons Attribution 4.0 (CC-BY-4.0). Модель предназначена для телугу и не подходит как универсальный детектор PII для других языков; географические сущности за пределами Индии находятся вне области применения, а структурированные идентификаторы требуют отдельного детерминированного слоя. Набор меток включает CITY, STATE и ZIP_CODE, которые в рекомендованной конфигурации сохраняются, а не редактируются.

Mythos Qwen 1.5B Final Heretic — англоязычная специализированная версия Qwen2.5-Coder-1.5B-Instruct от автора richardyoung. Это плотная авторегрессионная модель класса Qwen2 с 1,5 млрд параметров, рассчитанная на генерацию кода и диалоговое взаимодействие; заявленная длина контекста — 32 768 токенов. По карточке, модель получена с помощью Heretic v1.4.0: она снижает частоту отказов отвечать по сравнению с исходной Mythos, сохраняя близость распределения выходов по указанной метрике KL divergence. Модель предназначена для анализа уязвимостей и CVE, изучения механизмов эксплойтов, задач CTF и обучения кибербезопасности, а также для поддержки защитных сценариев — например, анализа журналов и подготовки правил обнаружения. В карточке заявлены примеры по PHP, MyBB и Python, включая десериализацию, SQL-инъекции, XSS и криптографические атаки. Это заявления автора, а датасет и независимая оценка качества описаны ограниченно. Модель ориентирована на авторизованные исследования и обучение; её сниженные отказы требуют осторожного применения. Лицензия — Apache-2.0.

RavenX-CyberAgent v6.2 Experimental — MLX — разговорная модель-агент для автоматизированной оценки безопасности, созданная Габриэлем Гарсией и RavenX LLC. По карточке, модель обучена поддерживать идентичность агента кибербезопасности и формировать структурированные результаты проверки, включая выводы с CVE. Для активации такого поведения автор рекомендует специальный системный промпт. Модель основана на huihui-ai/Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated и создана слиянием LoRA-адаптера с базовыми весами. В репозитории указаны архитектура семейства Qwen MoE, формат safetensors и размер 69,3 ГБ для полной точности MLX. Модель предназначена для генерации текста и диалогового взаимодействия; в карточке заявлены сценарии анализа безопасности, работы с кодом и рассуждений. Лицензия — Apache-2.0. Версия обозначена как экспериментальная; приведённые в карточке результаты производительности и оценка бенчмарка получены автором и не гарантируют качество на других задачах и конфигурациях.

Roblox PII Classifier — мультиязычный классификатор текста от Roblox, дообученный на архитектуре XLM-RoBERTa-Large. Он определяет попытки запросить или передать персональные данные, включая контактную информацию и учётные данные, а также попытки увести собеседника с платформы на внешнюю площадку или в реальное место. Модель выдаёт отдельные оценки для классов privacy_asking_for_pii и privacy_giving_pii. Модель предназначена для модерации чатов и выявления обхода фильтров с помощью необычного написания, замены символов и косвенных формулировок. Она принимает текст длиной до 512 токенов; выходные оценки не калиброваны. Порог, рекомендованный для обнаружения PII в англоязычных анонимизированных чатах Roblox, может не переноситься на другие данные и языки. Модель распространяется по лицензии Apache-2.0.

SAWM (Safety-Augmented World Model) — модель зрения и языка, разработанная авторами SeerGuard для предварительной проверки запросов и действий мобильных GUI-агентов. Она дообучена на базе Qwen3-VL-8B-Instruct и принимает снимок экрана мобильного устройства, инструкцию пользователя и предполагаемое действие. Модель предсказывает смысловое последствие действия, оценивает риск и формирует краткое текстовое обоснование; также она выявляет вредоносные или неавторизованные инструкции до начала выполнения задачи. SAWM предназначена для встраивания как независимый защитный этап между планировщиком GUI-агента и исполнителем действий. Она не заменяет агента, который отвечает за восприятие, планирование и выполнение задач. Обучение охватывает понимание мобильного интерфейса, прогноз перехода состояния, классификацию рисков и генерацию обоснований. В обучающем корпусе около 148 тысяч примеров; в README приведён результат F1 0,723 на MobileRisk. Модель распространяется под лицензией Apache-2.0.

roshana1s разработала англоязычный классификатор спама на основе RoBERTa-base, дообученной для бинарной классификации сообщений. Модель относит текст к обычным сообщениям (ham) или спаму, включая фишинговые сообщения; она предназначена прежде всего для модерации Discord, а также может применяться для фильтрации SMS и сообщений в чатах. Модель содержит 151,8 млн параметров, принимает текст и выдаёт метку класса. Максимальный контекст составляет 514 токенов; в описанной процедуре обучения сообщения обрезались до 128 токенов. Для обучения использовались набор SMS Spam Collection и собранные вручную сообщения Discord. В README приведены результаты на отложенной выборке: точность около 99,4% и F1 для класса спама 0,9782. Модель рассчитана только на английский язык и обучалась преимущественно на SMS и сообщениях Discord, поэтому качество на других языках и форматах, например деловой переписке, может быть ниже. Лицензия — Apache-2.0.

StarEncoder — разработанная проектом BigCode модель на базе трансформера с двунаправленным вниманием, обученная на коде из набора The Stack. Она использует цели MLM и NSP в стиле BERT: восстанавливает замаскированные токены и определяет, идут ли две последовательности рядом в документе. Модель обучали на коде 86 языков программирования, а максимальная длина последовательности составляет 1 024 токена. StarEncoder предназначена как основа для дообучения под задачи анализа кода и текста, включая классификацию токенов; в README приведён пример обнаружения персональных данных в коде. Это модель-энкодер, поэтому она подходит для представлений и анализа входного текста, но менее гибка для генерации и дополнения кода. В обучающих данных могли встречаться персональные данные, а качество может различаться между языками программирования. Файлы модели опубликованы в формате PyTorch; условия лицензии в предоставленных данных не описаны.