II.11Кибербезопасность и приватность

VectraYX-600M (SFT v2) — испаноязычная в первую очередь языковая модель на 600 млн параметров, разработанная jsantillana с нуля и дообученная для диалогов и вызова инструментов. Она предназначена для кибербезопасностных сценариев: поиска CVE, проверки каталогов KEV, оценки репутации IOC и выполнения команд через shell. Архитектура включает 18 слоёв, GQA с 14 query-heads и 2 KV-heads, NoPE в каждом четвёртом слое, словарь на 32 768 токенов и контекст 2048 токенов. Доступны веса Safetensors и сборка GGUF; модель не совместима напрямую с Transformers AutoModel и требует специального класса модели из репозитория разработчика. Модель дообучена на испанских и английских диалогах, корпусе вызова инструментов и данных следования инструкциям. Внутренние проверки автора показали корректное формирование вызовов инструментов в 6 из 6 случаев и приемлемые результаты на небольшой диалоговой проверке, но это ограниченные тесты. Арифметика, открытая беседа, следование количественным ограничениям и выбор инструмента при изменённой формулировке ненадёжны; результаты вызова инструмента следует проверять до выполнения. В GGUF/Ollama возможны продолжение ответа после корректного факта и галлюцинации, связанные с отличием позиционного кодирования. Лицензия — Apache-2.0.

Vela Hazard — модель классификации текстов от vllm-sr, дообученная на базе Vela-1.0-Encoder-307M. Она возвращает 12 независимых оценок риска для текста; одновременно могут срабатывать несколько категорий. Модель построена на архитектуре ModernBERT, содержит 306,9 млн параметров и принимает до 32 768 токенов, включая специальные токены. Модель предназначена для выявления рисков в текстах, включая самоповреждение, разжигание ненависти, специализированные советы, нарушения приватности и дезинформацию. Для длинных текстов README предписывает оценивать окна по 2 048 токенов с шагом 1 023 токена, брать максимум оценки для каждой категории и применять сохранённые пороги. В сравнении на 57 запросах по пяти общим категориям указаны macro F1 96,73% и точность 98,25%; оценка не охватывает полноценно все 12 категорий, распознавание безопасных текстов и точность на длинном контексте. Модель доступна в форматах Safetensors и ONNX, лицензия — Apache-2.0. В README приведены инструкции по запуску через Transformers и PyTorch.

Модель Divyanshu Chauhan — дообученная версия BERT для бинарной классификации текста электронных писем на легитимные и фишинговые. Она основана на google-bert/bert-base-uncased, содержит 136,7 млн параметров и использует архитектуру BertForSequenceClassification; модель принимает текст и возвращает класс письма. Заявленная область применения — фильтрация фишинговых писем, защита электронной почты, учебные демонстрации и исследования в кибербезопасности. Модель рассчитана только на английский язык. В README указана максимальная длина обработки 256 токенов с усечением более длинных писем; метаданные указывают родной контекст в 512 токенов. Анализируются только текст тела письма, без заголовков и других метаданных. Автор сообщает о высоких показателях на отложенной выборке, однако результаты не гарантируют точность на других данных. Возможны ложные срабатывания и пропуск фишинговых писем, поэтому результат следует проверять человеком. Лицензия — Apache-2.0.

CmdCaliper-base — модель эмбеддингов командной строки, разработанная CyCraft AI Lab. Она предназначена для представления Windows-команд в виде векторов, отражающих их смысл, и для поиска семантически похожих команд в задачах исследования безопасности. Модель входит в семейство CmdCaliper из трёх вариантов размера; авторы сообщают, что семейство показывает сильные результаты на специализированных задачах сопоставления команд. Модель принимает текст команд и выдаёт эмбеддинги для сравнения их семантической близости. Она доступна через Sentence Transformers и Transformers. Длинный текст обрезается до 512 токенов. Модель ориентирована исключительно на командные строки Windows; сведения о лицензии в предоставленных материалах отсутствуют.

Модель CodeBERT, дообученная Manuel Romero на наборе CodeXGLUE Defect Detection для бинарного обнаружения потенциально небезопасного исходного кода. Она классифицирует фрагменты кода как небезопасные или безопасные; среди примеров проблем в карточке указаны утечки ресурсов, use-after-free и уязвимости типа DoS. В основе — архитектура RoBERTa для классификации последовательностей, около 151,8 млн параметров и контекст до 514 токенов. Модель предназначена для проверки кода и исследовательских сценариев анализа уязвимостей; карточка приводит точность 61,05% для RoBERTa на тестовом наборе, что следует учитывать при использовании результатов.

Mapika разработала decider-12b — дообученную версию Google Gemma-4-12B-it, которая выдаёт вероятности по вариантам ответа для нескольких типизированных вопросов за один проход модели. Она принимает состояние и вопросы с явным списком вариантов, а результат получает непосредственно из логитов модели без генерации текста и последующего разбора ответа. Модель предназначена для классификации решений, ответов «да/нет», выбора из вариантов и оценки по заданным критериям, в том числе при анализе журналов событий и отслеживании состояния объектов. Текущая версия v2 обучена методом LoRA на задачах отслеживания состояния и на ранее собранных примерах решений; изменены 328 матриц внимания и MLP относительно исходных весов. Используются архитектура Gemma 4 и формат safetensors. Версия v1 без обучения доступна отдельно под тегом v1. Для инференса требуется библиотека decider-ai версии 1.7.0 или новее. Модель рассчитана на англоязычные входы; лицензия — Apache-2.0. В опубликованных измерениях v2 улучшила результаты на некоторых тестах «да/нет» и сгенерированных журналах состояния относительно v1, однако на сложном уровне JevBench она дала меньше правильных ответов, а калибровка была хуже. Вероятности существенно зависят от температуры: значение Noul 0.05 из конфигурации делает ответы почти бинарными и плохо подходит для ранжирования или калибровки; для калиброванных вероятностей README рекомендует Noul 1.0. Ограничения и ошибки базовой Gemma сохраняются.

Модель leomaurodesenv/electra-base-discriminator-trustairlab-jailbreak-augmented — дообученный англоязычный энкодер ELECTRA для классификации текста, созданный на основе google/electra-base-discriminator. Версия содержит 136,7 млн параметров, использует архитектуру ElectraForSequenceClassification и принимает последовательности длиной до 512 токенов. Суффикс jailbreak-augmented указывает на связь с классификацией текстов о jailbreak, однако карточка не уточняет набор меток, сценарии применения и состав обучающих данных. В README приведены результаты оценки: точность 0,959 и loss 0,1392; методика и характеристики оценочного набора не раскрыты. Модель распространяется под лицензией Apache-2.0.

dima806/email-spam-detection-distilbert — дообученная модель DistilBERT для классификации текста на категории «спам» и «не спам». Она предназначена для фильтрации электронных писем и других текстовых сообщений. Модель построена на DistilBertForSequenceClassification и принимает текст длиной до 512 токенов. В карточке приведён отчёт на тестовой выборке из 16 690 примеров: точность составила 99,2%, а F1-score для классов «спам» и «не спам» — около 99,2%. Эти результаты относятся к указанной выборке и не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии Apache-2.0.

dima806/email-spam-detection-roberta — англоязычная модель классификации текста на базе RoBERTa, дообученная на FacebookAI/roberta-base для обнаружения спама в электронных письмах. Она принимает текст и выдаёт метку класса; архитектура — RobertaForSequenceClassification, размер — около 151,8 млн параметров, максимальный контекст — 514 токенов. Модель подходит для автоматической сортировки почты и предварительной фильтрации подозрительных писем. Распространяется по лицензии Apache-2.0. README не содержит подробностей о данных обучения и показателях качества.

MK4-Ginko v1 — модель для анализа безопасности кода, разработанная MK4-Research. Она предназначена для определения того, действительно ли защитные проверки предотвращают уязвимость, особенно когда guard находится далеко от опасной операции или проверяет не то значение. Основной сценарий использования — анализ отдельных функций и небольших фрагментов кода при code review и поиске уязвимостей. Модель не предназначена для анализа всего кодового проекта: при подаче целого файла она сообщает только об одной проблеме и имеет ограничение покрытия, обусловленное обучением. Модель основана на Qwen3.8-27B и представляет собой эту базовую модель с объединённым LoRA-адаптером в 4-битном формате MLX; отдельный адаптер при инференсе не требуется. Она работает с текстом и кодом, а в README отдельно отмечена специализация на cybersecurity и security code review. Для обучения использовано 367 трасс рассуждений, примерно 44% которых относятся к корректно защищённому коду, выглядящему опасным. На пяти специально подобранных примерах Ginko правильно классифицировала 4 из 5 случаев против 1 из 5 у исходной модели, однако авторы подчёркивают, что такой набор слишком мал для оценки общей точности. Средняя длина ответа также ниже, чем у базовой модели. Сильная сторона модели — снижение числа ложных срабатываний на коде с реальными защитными механизмами: проверками путей, loopback-ограничениями, pinned TLS и безопасными сравнениями. Ограничения — узкая специализация, способность выдавать только одну найденную проблему и отсутствие данных о размере контекстного окна, поддерживаемых языках программирования и общей точности на широких тестах. Модель распространяется по лицензии Apache-2.0.

Otis Anti-Spam AI — модель для выявления спама и нежелательного или вредоносного содержимого в цифровых каналах общения. По метаданным это компактная модель классификации последовательностей на основе BERT с архитектурой BertForSequenceClassification и 4,4 млн параметров; она принимает текст, а максимальная длина контекста составляет 512 токенов. Карточка представляет модель как антиспам-инструмент, но не раскрывает подробности обучения, набор меток и результаты оценки. Модель предназначена для классификации сообщений, чтобы фильтровать спам в цифровой переписке. Указан английский язык. Доступны веса в форматах PyTorch, safetensors и ONNX. Лицензия — BSD 3-Clause.

Pentest AI — разговорная модель-помощник для тестирования на проникновение, представленная ArmurAI. По README, это дообученная и модифицированная версия OpenHermes-2.5-Mistral-7B, настроенная на команды и сценарии работы с популярными инструментами Kali Linux. Метаданные указывают архитектуру MistralForCausalLM, 7,1 млрд параметров, контекст до 32 768 токенов и форматы PyTorch и safetensors; модель генерирует текст и поддерживает чат и следование инструкциям. Модель предназначена для пошаговых подсказок по этапам пентеста, подбора примеров команд и автоматизации их выполнения. README заявляет адаптацию рекомендаций на основе результатов, сообщаемых пользователем, но не описывает технический механизм такого обучения. Модель ориентирована на английский язык. В карточке нет сведений о лицензии, поэтому условия использования определить нельзя.

Qwen3.6-27B-Instruct-SecPO — разработанная авторами репозитория модель на базе Qwen/Qwen3.6-27B, дообученная методом Security Preference Optimization (SecPO) для снижения уязвимости к prompt injection. Это мультимодальная плотная модель с архитектурой Qwen3_5ForConditionalGeneration на 27 млрд параметров: она принимает текст и изображения и генерирует текст. Веса BF16 сохранены в safetensors; использованные LoRA-адаптеры уже объединены с базовой моделью. Поддерживаются чат и интерфейс вызова инструментов. Модель предназначена для исследований prompt injection, red-team-оценок и прототипирования систем, которые явно отделяют доверенные инструкции от недоверенных документов, результатов инструментов и изображений. В описанных авторами тестах она реже выполняла внедрённые инструкции, в том числе при адаптивных атаках, сохраняя близкие к базовой модели результаты на приведённых тестах знаний, рассуждений и математики. Карточка указывает английский язык. Лицензия — Apache-2.0. Защитный эффект не гарантирует устойчивость к новым атакам, другим кодировкам, большим бюджетам запросов или длительным сценариям. Модель полагается на приложение, которое корректно помещает недоверенное содержимое в роль input; она не определяет границы доверия сама и не заменяет другие меры защиты. Возможности рассуждения в режиме thinking-on приведёнными оценками не подтверждены.

Qwen3-Coder-30B-A3B-Audit — модель для первичного аудита безопасности смарт-контрактов на Solidity, созданная дообучением Qwen/Qwen3-Coder-30B-A3B-Instruct командой, указанной в идентификаторе репозитория как qtum. Она анализирует фрагмент функции и возвращает JSON-массив найденных уязвимостей с уровнем критичности, категорией, функцией, диапазоном строк и кратким объяснением либо пустой массив, если проблем не обнаружено. Модель использует архитектуру Qwen3 MoE: в README указаны 30 млрд общих и около 3 млрд активных параметров, а метаданные каталога содержат оценку 2,6 млрд параметров. Она рассчитана на работу с инструкциями и длинным контекстом до 262 144 токенов по метаданным, хотя в README для запуска рекомендуется ограничение 16 384 токена. Модель принимает текст кода и выдаёт структурированный текстовый результат. Для качества важны заданный формат системного промпта и детерминированная генерация. По результатам описанной оценки на отложенных наборах модель заметно реже выдаёт ложные срабатывания, чем базовая, но полнота обнаружения остаётся низкой. Её следует использовать как вспомогательный сигнал для сортировки и предварительного анализа, а каждую находку проверять вручную. Обучение и оценка охватывают функции Solidity, а не целые репозитории или межконтрактные графы вызовов; поддерживается только Solidity/EVM, а формат и категории результата фиксированы. Лицензия — Apache-2.0.

ReDimNet2 B3 — конвертированная в формат MLX версия официального чекпойнта ReDimNet2 b3-vb2+vox2+cnc2_v0-lm, разработанного авторами исходной модели. Чекпойнт дообучен с large-margin и рекомендован авторами карточки. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт 192-мерные эмбеддинги голоса для задач аудиоклассификации и верификации говорящего. Сборка предназначена для запуска через библиотеку MLX. По данным карточки, эмбеддинги совпадают с PyTorch-эталоном с относительной ошибкой до 3,2×10⁻⁶ в проверке на CPU с float32. Код и веса распространяются по лицензии MIT, однако обучающие наборы VoxBlink2, VoxCeleb2 и CN-Celeb2 имеют собственные условия использования, которые следует проверить перед коммерческим применением.

leomaurodesenv/roberta-base-jailbreakv-28k-augmented — дообученная модель классификации текста на основе FacebookAI/roberta-base. По названию репозитория она предназначена для выявления jailbreak-запросов, однако README не раскрывает назначение, метки классов и обучающие данные. Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa для классификации последовательностей и принимает текст с контекстом до 514 токенов. Её можно применять как классификатор для проверки текстовых запросов на признаки jailbreak. В README приведены результаты оценки: loss 0,0068 и accuracy 0,9977, но без описания набора данных, схемы разметки и методики оценки эти показатели не позволяют судить о качестве на новых данных. Лицензия — MIT.

ruSpam_big — модель на базе RuBERT от ruSpamModels для бинарной классификации русскоязычных текстов на спам и не спам. Она обучена на наборе ruSpamModels/russian-spam-detection, содержащем почти 5 миллионов примеров, и выдаёт вероятность того, что текст является спамом. Модель предназначена для фильтрации спам-сообщений, в том числе в системах модерации и обработки входящих сообщений. Использует Transformers и PyTorch; веса опубликованы в формате safetensors. Лицензия CC BY-NC-ND 4.0 запрещает распространение производных версий и коммерческое использование без соответствующего разрешения.

smd20/socialengineering — диалоговая модель Samad Sohrab для обучения распознаванию социальной инженерии и повышения осведомлённости о фишинге. Она дообучена на базе Google Gemma 4 E4B IT и опубликована в формате BF16 GGUF для локального запуска через llama.cpp и совместимые среды. Указанный в README размер — около 8 млрд параметров; метаданные определяют архитектуру как плотную Gemma 4 и отмечают поддержку чата. Модель предназначена для ответов на вопросы о фишинге, вишинге, предлогах, приманках и проникновении вслед за сотрудниками, а также для обучения и контролируемых red-team/blue-team сценариев. Обучающий корпус включает английские и персидские пары вопросов и ответов, подготовленные на основе справочных материалов по социальной инженерии. README указывает на возможные галлюцинации вне предметной области и рекомендует проверку человеком при применении в ситуациях с высокими последствиями. Лицензия в метаданных обозначена как other; конкретные условия следует сверять с лицензией репозитория.

espnet/voxcelebs12_rawnet3 — модель распознавания и сравнения говорящих, обученная Jungjee по рецепту VoxCeleb в ESPnet. Она принимает аудио и предназначена для задач верификации говорящего: оценки того, принадлежат ли два аудиофрагмента одному человеку. В репозитории указана архитектура RawNet3; веса представлены в формате PyTorch, лицензия — CC BY 4.0. В карточке приведён результат на тесте: EER 0,739% и minDCF 0,05818. Модель связана с многоязычным набором данных VoxCeleb, однако карточка не уточняет конкретные языки речи или длину аудио для применения. Для использования требуется ESPnet2 и совместимое окружение PyTorch.

VLAI — модель классификации китайских описаний уязвимостей по трём уровням критичности: низкому, среднему и высокому. Она разработана в рамках проекта VulnTrain и представляет собой дообученную модель hfl/chinese-macbert-base на датасете CIRCL/Vulnerability-CNVD. Архитектура — BERT для классификации последовательностей, размер — 129,5 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для автоматической оценки серьёзности записей из China National Vulnerability Database, в частности уязвимостей, для которых нет оценки CVE. На дедуплицированном тестовом наборе из 26 312 примеров точность составила 76,18%, Macro F1 — 0,6758. Результаты лучше для классов средней и высокой критичности, чем для низкой. Модель может переоценивать критичность на основе типичных для уязвимости ключевых слов и слабо распознаёт отрицания: например, формулировка об отсутствии удалённого выполнения кода всё ещё может получить высокий балл. Для класса низкой критичности полнота составляет 0,3674; результаты заметно хуже, когда фактическая серьёзность расходится с типичной для данного типа уязвимости. Лицензия — CC BY 4.0.

DavidCombei/wavLM-base-Deepfake_V1 — модель классификации аудио на архитектуре WavLM, дообученная на основе microsoft/wavLM-base. В карточке указаны 113,3 млн параметров и формат PyTorch; модель создана 8 июля 2024 года. Модель предназначена для классификации аудио. Название репозитория указывает на обнаружение дипфейков, однако README не описывает назначение подробнее и не раскрывает обучающий датасет. На указанном наборе оценки получены loss 0,2510 и accuracy 0,9693; условия и методика оценки не приведены. Лицензия и ограничения применения в предоставленных данных не описаны.

WhiteRabbitNeo-7B-v1.5a — модель серии WhiteRabbitNeo для генерации текста, разработанная для задач наступательной и защитной кибербезопасности. Карточка описывает её как публичную предварительную версию, предназначенную также для оценки общественного влияния таких моделей. Модель построена на плотной архитектуре Llama и содержит около 6,6 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст до 16 384 токенов и опубликована в формате PyTorch. README не называет конкретные языки или обучающие данные. Условия README возлагают ответственность за использование и его результаты на пользователя и предоставляют модель «как есть», без гарантий. В метаданных указана лицензия other, поэтому конкретные права и ограничения лицензии следует проверять в файлах репозитория.

BERT — CVE-LMTune CAPEC Classifier (Flat) — модель для многометочной классификации описаний уязвимостей по таксономии CAPEC. Она принимает текстовое описание в стиле CVE и предсказывает один или несколько идентификаторов шаблонов атак CAPEC. Модель входит в набор CVE-LMTune, разработанный Франко Террановой, Саной Рекби, Абделькадером Лахмади и Изабель Крисмен; работа описана для конференции DIMVA ’26. Модель основана на BERT и дообучена на google-bert/bert-base-uncased. Это классификатор последовательностей с 136,7 млн параметров и контекстом до 512 токенов; заявленный язык — английский. Для оценки использовались многометочные метрики, а при пороге 0,5 указаны micro F1 0,8066 и macro F1 0,3376. Модель распространяется по лицензии MIT. Предсказания предназначены для помощи в сопоставлении уязвимостей с шаблонами атак и требуют проверки специалистом; качество по отдельным меткам заметно различается.

CaptureTheFlag-CypherMindLLM-XRLAB-GGUF — языковая модель CypherMind, разработанная ErenAta00 и дообученная на базе meta-llama/Llama-3.1-8B-Instruct. Модель предназначена для решения задач Capture the Flag (CTF) и анализа кибербезопасности: разбора уязвимостей, reverse engineering, криптографии, анализа журналов и артефактов SIEM, PCAP и EDR, а также построения сценариев атак и защитных стратегий. Модель доступна в формате GGUF для запуска через llama.cpp. Она имеет контекст 8192 токена, использует 6-битное квантование Q6_K и поддерживает английский и турецкий языки. Заявлены пошаговое объяснение уязвимостей и создание PoC-кода, однако модель ориентирована на этичные сценарии и заявляет ограничения против генерации вредоносного ПО, ransomware и инструкций для незаконной деятельности. К ограничениям относятся наследуемые от базовой Llama-3.1-8B-Instruct особенности качества и безопасности, а также возможные потери точности из-за квантования. README не приводит независимых результатов бенчмарков, поэтому фактическое качество на конкретных CTF-задачах требует отдельной проверки. Лицензия указана как llama3.

CLAP-ASM — модель семейства CLAP, разработанная для анализа ассемблерного кода. Она обучена сопоставлять представления бинарного кода с описаниями на естественном языке, чтобы переносить знания на новые задачи анализа без дополнительного обучения или с небольшим числом примеров. Модель содержит 139 млн параметров, использует архитектуру RoFormer и выдаёт признаки для последующей классификации или сравнения. Модель предназначена для классификации алгоритмов сортировки, выявления вредоносного кода и распознавания криптографических алгоритмов по фрагментам ассемблерного кода. В README описаны сценарии zero-shot-классификации с текстовыми подсказками. Репозиторий предоставляет веса в формате safetensors; лицензия — MIT. Карточка указывает контекст 2048 токенов.

CoDE — модель aimagelab для извлечения признаков из изображений, связанная с исследованием Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities, представленным на ECCV 2024. Она предназначена для анализа изображений и получения признаковых представлений, применимых к обнаружению дипфейков. В метаданных указаны архитектура ViT, класс ViTModel, 7,1 млн параметров и формат safetensors. Модель опубликована под лицензией MIT.

Critical Thinker — авторская донастройка Theeseus AI модели meta-llama/Llama-3.1-8B-Instruct на синтетических сценариях критического мышления. Это плотная авторегрессионная трансформерная модель семейства Llama с 7,5 млрд параметров, рассчитанная на генерацию текста и диалог. Модель предназначена для логических рассуждений, анализа доказательств и многоэтапного принятия решений; заявленная длина контекста — 131 072 токена. Основной язык обучающих сценариев — английский. Модель подходит для оценки логики и решения задач, анализа журналов и метаданных в цифровой криминалистике, а также исследований многошаговых рассуждений. В README приведены показатели accuracy 89,4% и F1 88,7% на тестовых данных, однако описание не уточняет протокол оценки, поэтому эти результаты не следует переносить на другие задачи без проверки. Модель может неверно трактовать неоднозначные свидетельства и давать ложноположительные выводы; многоязычные входы могут снижать качество. Для значимых решений рекомендуется ручная проверка. Лицензия — Apache 2.0.

iron04/deepfake_efficientnet — компактный классификатор видео для обнаружения дипфейков на базе EfficientNet-B0, предварительно обученной на ImageNet. Модель относит видео к классам REAL и FAKE: равномерно выбирает 16 кадров, масштабирует их до 224×224 пикселей, применяет нормализацию ImageNet и усредняет оценки кадров для итогового предсказания по видео. Модель предназначена для проверки видео на признаки подделки в системах модерации, предварительного анализа медиаматериалов и исследовательских прототипах. Репозиторий содержит обученные веса PyTorch и код предварительной обработки; это не нативная модель Transformers. Данные не сообщают, на каких наборах видео модель обучалась и какова её точность, поэтому качество на новых источниках и типах дипфейков требует отдельной оценки. Лицензия в предоставленных данных не указана.

Foundation-Sec-8B-Chinese-Chat — объединённая языковая модель для задач кибербезопасности, созданная с помощью mergekit. Она объединяет Foundation-Sec-8B, L3.1-Evil-Reasoning-Dark-Planet-Hermes-R1-Uncensored-8B и Llama3.1-8B-Chinese-Chat алгоритмом DARE-TIES; архитектура — плотная Llama 3.1 с 7,5 млрд параметров. Модель предназначена для диалогового анализа киберугроз и моделирования сценариев атак, с усиленной поддержкой китайского языка. Заявленная длина контекста — 131 072 токена. Модель принимает текст и генерирует текст. Разработчик предупреждает, что модель не проходила supervised fine-tuning и обучение с подкреплением, поэтому качество ответов в практических сценариях может быть ограничено. Лицензия — Llama 3.1; применимость её условий следует учитывать при использовании.

Модель gpt-oss-20b-Uncensored-xCloud-GGUF выпущена 云碩科技 · xCloudinfo как версия gpt-oss-20b с низким уровнем отказов для reasoning-запросов. В карточке указано, что она предназначена для авторизованных задач информационной безопасности и других технических сценариев двойного назначения, сохраняя возможности программирования и рассуждения базовой модели. Это дообученная модель семейства gpt-oss с архитектурой MoE: в README указаны 21 млрд общих и 3,6 млрд активных параметров. Репозиторий содержит GGUF в формате MXFP4 размером около 14 ГБ; модель поддерживает диалоговый режим. В качестве базовой версии также названа Code-xCloud, а исходной моделью — openai/gpt-oss-20b. В метаданных указаны английский и китайский языки. Для локального запуска README приводит пример с llama.cpp и контекстом 8192 токена. Модель рассчитана на ответы по авторизованному тестированию на проникновение, работе красных команд и анализу вредоносного ПО; снижение отказов требует особенно внимательной проверки ответов. Выводы могут быть неточными или вредоносными, поэтому разработчик рекомендует применять защитные меры и использовать модель только в законных, разрешённых сценариях. Указана лицензия Apache-2.0.