II.11Кибербезопасность и приватность

P0u4a/ModernBERT-bash-classifier — дообученная модель на базе answerdotai/ModernBERT-base для классификации команд Bash как безопасных или небезопасных. Её предполагаемый сценарий — автоматическая проверка команд в средах coding-агентов, чтобы пользователю требовалось вручную одобрять только команды, помеченные как небезопасные. Модель относится к семейству ModernBERT, использует архитектуру классификации последовательностей и содержит 149 млн параметров. Она принимает текст команды и выдаёт метку класса. Базовая модель поддерживает контекст до 8192 токенов; модель обучена на 3738 командах из трасс Claude Code и Codex. По README, на оценочной выборке F1 составляет 0,9615, а accuracy — 0,9893. К небезопасным отнесены команды, которые загружают или отправляют данные по сети, постоянно изменяют или удаляют файлы вне текущего проекта, меняют облачные ресурсы либо создают постоянные ресурсоёмкие процессы. Качество классификации может снижаться для неизвестных CLI и команд с блоками кода, например Python, внутри heredoc. Лицензия — Apache-2.0.

Nickup Swallow v2 — многоязычная модель классификации текста от NickupAI, созданная на основе FacebookAI/xlm-roberta-base и дообученная для фильтрации спама, рекламных сообщений и цифрового шума. Её можно использовать как предварительный фильтр перед передачей текстов более крупной языковой модели. Модель построена на XLM-RoBERTa и содержит 305,2 млн параметров по метаданным Hugging Face; README приводит оценку 270 млн. Заявлены оптимизация для более быстрой работы и меньшего потребления памяти, в том числе на CPU и мобильных устройствах, а также точность около 90,5% по оценке авторов. Поддерживаемые языки включают английский, русский, китайский, немецкий, испанский, французский, японский, итальянский, португальский и арабский; контекст — до 514 токенов. Результаты классификации в примерах README представлены метками LABEL_0 и LABEL_1, включая категорию USELESS, поэтому назначение меток следует сверить с кодом или настройками использования. Заявленные показатели качества не сопровождаются описанием набора данных и протокола оценки. Лицензия — Apache-2.0.

Qwen3.8-27B-Uncensored-Cyber-GGUF — это набор GGUF-квантизаций модели Qwen3.8-27B-Uncensored-Cyber, разработанный philbert440 для работы через llama.cpp. Модель ориентирована на задачи кибербезопасности, включая вопросы offensive security, и настроена на ответы без стандартных отказов по таким темам. В состав поставки также входят vision projector для обработки изображений и дополнительная MTP head для опционального speculative decoding. Доступны варианты квантизации весов от Q4_K_M до Q8_0: Q4_K_M занимает меньше места, а Q8_0 заявлен как близкий к исходному качеству. Vision projector выпускается в форматах BF16 и Q8_0, MTP head — в BF16, Q8_0 и Q4_0. Полная версия BF16 в одном GGUF-файле не поставляется из-за ограничения размера файла; для неё предлагаются Q8_0 или отдельный safetensors-репозиторий. README не сообщает поддерживаемые языки и размер контекстного окна. По приведённой оценке версии Cyber v2 модель получила 100/100 на наборе из 100 кибернаступательных запросов, factual score 1.00, confab score 0.867, GSM8K 0.80 и degen score 0.00; методика оценки основана на суждениях Claude и regex-тестировании отказов. Сильной стороной является специализация на кибербезопасности и поддержка изображений, а ограничениями — отсутствие подробностей о языках, контексте и реальных требованиях к ресурсам, а также намеренно сниженный уровень отказов, что требует ответственного использования. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored-Cyber-W4A16-AWQ — это 4-битная AWQ-квантизация модели Qwen3.8-27B-Uncensored-Cyber, разработанная philbert440. Модель предназначена для диалоговых и мультимодальных сценариев, включая ответы на вопросы по кибербезопасности и offensive security. В README указана поддержка обработки изображений и текста; языки и максимальный размер контекста не приведены. Модель основана на 27-миллиардной версии Qwen3.8 и поставляется в формате compressed-tensors с конфигурацией W4A16, group size 128 и MSE observer. Веса квантизированы до 4 бит, тогда как активации сохраняют формат A16. Vision tower и дополнительная MTP head сохранены. Базовая модель была адаптирована методом удаления направления отказов в глубоких слоях, начиная с четвёртого слоя, с сохранением первых четырёх слоёв. Согласно приведённой оценке родительской модели в формате bf16, версия показывает 100 из 100 успешных ответов на тестовых cyber-offensive запросах, factual score 1.00, результат 0.80 на GSM8K и отсутствие показателя деградации degen. Ограничения включают отсутствие подробных данных о языковой поддержке, контекстном окне и фактических требованиях к аппаратному обеспечению; агрессивная 4-битная квантизация также может влиять на качество по сравнению с полной точностью. Модель распространяется по лицензии Apache-2.0.

leomaurodesenv/roberta-base-trustairlab-jailbreak — дообученная модель классификации текста на базе FacebookAI/roberta-base. Она предназначена для классификации текстовых последовательностей; название репозитория указывает на выявление jailbreak-запросов, однако README не уточняет назначение, набор классов или обучающие данные. Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa и принимает последовательности длиной до 514 токенов. В README приведены результаты оценки: accuracy 0,935 и loss 0,2034; состав и методика оценки не описаны. Базовая модель ориентирована на английский язык, а сведения о языках и датасете дообучения отсутствуют. Модель распространяется по лицензии MIT.

CrabInHoney/urlbert-tiny-base-v4 — компактная модель на основе BERT для анализа URL. Разработчик описывает её как модель с архитектурой «учитель—ученик»: она обучалась предсказывать замаскированные токены и усваивала логиты более крупной модели. Дополнительное обучение на трёх специализированных задачах направлено на лучшее понимание структуры URL. Модель содержит 4,8 млн параметров по метаданным Hugging Face, использует формат safetensors и рассчитана на контекст до 64 токенов. Она предсказывает пропущенные токены в URL и предназначена прежде всего как лёгкая основа для дообучения под классификацию URL, включая выявление фишинговых и вредоносных ссылок. Указана лицензия Apache-2.0. Карточка не приводит результаты оценки качества или подробности трёх дополнительных задач.

VectraYX-Base-260M — компактная языковая модель на 260 млн параметров, созданная разработчиком jsantillana с нуля и специализированная на кибербезопасности в контексте Латинской Америки. Она обучена на испанском языке и предназначена для технических диалогов, помощи специалистам по безопасности и работы на потребительском оборудовании. Репозиторий содержит веса GGUF в формате F16; модель совместима с llama.cpp, Ollama и LM Studio. Модель генерирует текст, включая команды для тестирования на проникновение, ответы по CVE, классификацию угроз и интерфейсные JSON-блоки для вызова инструментов. В README описана поддержка явных рассуждений и запросов к внешним источникам CVE, например NVD и CISA KEV. Испанский — основной язык; метаданные также указывают английский. Внутренняя оценка отмечает сильные результаты на примерах команд для тестирования на проникновение, но качество ответов по конкретным CVE зависит от внешнего поиска. В карточке также сообщается о снижении точности классификации угроз после SFT, ограниченной активации вызова инструментов без подходящей схемы и непостоянном испанском выводе. Лицензия — Apache-2.0.

Wvolf/ViT_Deepfake_Detection — модель классификации изображений на базе Vision Transformer (ViT), обученная Рудольфом Эньимбой в рамках магистерской работы по искусственному интеллекту и науке о данных в Solent University. Она предназначена для выявления дипфейков на изображениях лиц. Модель содержит 113,2 млн параметров, использует библиотеку Transformers и опубликована в формате PyTorch. В карточке указана точность 98,70% на тестовой выборке; этот результат относится к тестовым данным автора и сам по себе не гарантирует такую же точность на новых изображениях. Для работы модели требуется изображение лица, а результатом является классификация. Язык в основном относится к карточке модели, а не к входным данным изображения. Условия лицензирования в предоставленных сведениях не указаны.

AI-vs-Deepfake-vs-Real — модель классификации изображений, разработанная prithivMLmods. Она различает три класса: искусственно созданные изображения, дипфейки и реальные изображения. Модель построена на архитектуре Vision Transformer (ViT) и содержит 113,2 млн параметров; для использования предусмотрена библиотека Transformers. В карточке указана база google/vit-base-patch32-224-in21k, а метаданные каталога связывают модель с дообучением google/vit-base-patch16-224-in21k. Модель подходит для предварительной оценки изображений при исследовании генеративных моделей, фильтрации наборов данных, форензического анализа, модерации контента и сравнительного тестирования генераторов дипфейков. Она возвращает класс изображения, но не устанавливает подлинность с гарантированной надёжностью и не объясняет основания классификации. Качество может снижаться на незнакомых методах генерации, изображениях с необычным разрешением и данных, отличающихся от обучающих. Лицензия — Apache-2.0.

Карточка модели hustcw/clap-text на Hugging Face совпадает с карточкой hustcw/clap-asm, поэтому описание составлено по ней. 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.

CyberXP Agent — текстовая модель Abaryan для диалоговой оценки киберугроз и подготовки рекомендаций в сценариях кибербезопасности. Это дообученная методом supervised fine-tuning модель meta-llama/Llama-3.2-1B-Instruct с архитектурой LlamaForCausalLM и 1,2 млрд параметров. Она принимает текст и генерирует текст; заявленный язык — английский. Метаданные указывают контекст до 131072 токенов, формат весов — Safetensors, библиотека — Transformers. Модель предназначена для исследовательских и учебных задач: разбора текстовых описаний инцидентов, предварительной оценки угроз и получения советов по реагированию. Она не исполняет команды, не наблюдает за системами и не проверяет фактическую активность; обучающий набор охватывает лишь часть сценариев и может не включать новые угрозы или особенности конкретной организации. Результаты носят рекомендательный характер и требуют экспертной проверки. Лицензия — MIT.

RoBERTa от разработчика obi, дообученная для удаления идентифицирующей информации из медицинских записей. Модель выполняет классификацию токенов: каждому токену присваивается метка «не PHI» или одна из 11 категорий защищённой медицинской информации, после чего предсказания объединяются в фрагменты с использованием разметки BILOU. Модель предназначена для поиска персональных и медицинских идентификаторов в клинических заметках и может помогать удалять их из исходного текста. Для работы с документом README рекомендует разбивать его на предложения, токенизировать и затем собирать предсказания на уровне заметки. Обучение проводилось на наборе I2B2 2014; основным языком карточки указан английский. Модель содержит 454,1 млн параметров, использует контекст длиной до 514 токенов и распространяется в форматах PyTorch и Safetensors. Лицензия — MIT. Качество может зависеть от соответствия входных заметок данным и схеме разметки I2B2; модель выдаёт метки для токенов, а удаление PHI требует последующей обработки предсказанных фрагментов.

nguyenkhoa/dinov2_Liveness_detection_v2.2.2 — дообученный классификатор изображений на основе DINOv2, разработанный автором репозитория. Модель предназначена для определения живости по изображению в сценариях проверки присутствия человека и противодействия подмене лица; README указывает, что обучение проводилось на неизвестном наборе данных. В репозитории заявлена точность 0,9934 и F1 0,9934 на оценочной выборке. Отдельно приведены метрики APCER 0,1804, BPCER 0,0123 и ACER 0,0963, а также точность 0,8706 и F1 0,8982; различие результатов указывает на зависимость качества от набора или протокола оценки. Модель содержит 28,3 млн параметров, использует архитектуру DINOv2 и формат safetensors; для работы применяется библиотека Transformers. Лицензия в предоставленных данных не указана.

Hirundo Granite-4.1-3B Hardened — дообученная методом поведенческого unlearning модель Hirundo на базе ibm-granite/granite-4.1-3b. Это плотная причинная языковая модель на 3,4 млрд параметров для генерации текста и диалогов; она принимает текст и имеет контекстное окно 131 072 токена. Модель модифицирована для снижения восприимчивости к prompt injection при сохранении общих возможностей базовой модели. В опубликованных тестах PurpleLlama показатель успешности prompt injection снизился с 40,24% у исходной модели до 8,77%; в тестах Garak также отмечено снижение ряда атак и утечек. Эти результаты предназначены для сравнительной оценки и не гарантируют защиту в конкретном приложении. Модель подходит для экспериментов с защитой языковых моделей, сравнительных проверок безопасности и разработки приложений, где важна устойчивость к недоверенным инструкциям. Лицензия — Apache-2.0.

LLM4Decompile-6.7B-v1.5 — языковая модель семейства Llama, разработанная проектом LLM4Binary для преобразования инструкций ассемблера x86 в код на C. Модель содержит 6,6 млрд параметров, распространяется в формате safetensors и рассчитана на контекст до 8192 токенов по метаданным. Версия V1.5 обучена на наборе данных объёмом 15 млрд токенов; в README указан максимальный размер последовательности обучения 4096 токенов. Модель предназначена для декомпиляции функций и анализа дизассемблированного кода. Её можно применять для восстановления читаемого исходного кода C из x86-ассемблера, в том числе при работе с бинарными файлами и задачами обратной разработки. Для корректного применения следует передавать инструкции функции и при необходимости заменять func0 на её фактическое имя. README сообщает об оценке на HumanEval-Decompile и ExeBench и заявляет улучшение до 100% относительно предыдущей версии, но приведённая карточка не содержит полных результатов таблицы. Поддерживаемый языковой профиль явно не описан; целевой выход — код на C. Модель распространяется по лицензии MIT.

Seriki/Lmlm — сборка модели gpt-oss-safeguard-120b, созданной OpenAI и представленной в рамках программы Community Models LM Studio. Репозиторий содержит GGUF-квантизацию, подготовленную командой LM Studio с помощью llama.cpp. Базовая модель предназначена для классификации текстового содержимого по заданным политикам безопасности и других задач обеспечения безопасности; она поддерживает диалоговый режим. В README указаны 117 млрд параметров, из которых 5,1 млрд активны, контекст до 131 тыс. токенов и настраиваемый уровень рассуждений low, medium или high. Модель рассчитана на сценарии с высокими требованиями к рассуждению и описана как пригодная для производственного применения. README указывает лицензию Apache 2.0. В метаданных языка карточки указан английский.

LibrAI/longformer-harmful-ro — дообученная LibrAI модель на базе allenai/longformer-base-4096 для классификации текстов, связанных с вредоносным содержанием. Она использует архитектуру LongformerForSequenceClassification и принимает последовательности длиной до 4098 токенов, что позволяет оценивать длинные тексты целиком. В README приведены результаты на оценочной выборке: accuracy 0,996, precision 0,998, recall 0,955 и F1 0,975. Модель предназначена для выявления вредоносных текстов; конкретные классы, датасет и сценарии применения в карточке не описаны. Доступны веса PyTorch, лицензия — Apache-2.0. Показатели из README относятся только к указанной оценочной выборке и не гарантируют аналогичного качества на других данных.

MimeLens — разработанная Мэттом Боммарито модель для определения типа содержимого по фрагментам бинарных данных, в том числе взятым из произвольного места файла. Это вариант medium с байтовым вводом и коротким контекстом: энкодер BERT-типа с 12 слоями, размерностью скрытого состояния 512, RoPE и RMSNorm. В метаданных указано 50,5 млн параметров; README описывает 37,76 млн параметров энкодера. Модель принимает до 256 токенов, то есть до 256 байтов в этом варианте, и выдаёт представление размерности 512, которое классификационная голова сопоставляет с одной из 125 MIME-меток libmagic. Модель предназначена для классификации фрагментов при потоковой передаче данных, анализа сетевых пакетов, восстановления типов файлов по вырезанным фрагментам и поиска похожих бинарных фрагментов по эмбеддингам. README сообщает о поставляемых весах safetensors и моделях ONNX, включая вариант int8. Короткая последовательность рассчитана на небольшие фрагменты и, по README, ускоряет работу на CPU примерно в пять раз относительно варианта с контекстом 1024 токена. При этом обработка на CPU значительно медленнее Magika; для распознавания типов, зависящих от сигнатуры в начале файла, качество может быть выше на коротком входном фрагменте. README приводит нулевые значения на нескольких основных метриках этого чекпойнта, поэтому опубликованные результаты не подтверждают надёжную классификацию. Лицензия — MIT.

Это дообученный cross-encoder на базе cross-encoder/ms-marco-MiniLM-L6-v2, разработанный для ранжирования материалов по кибербезопасности. Для пары «запрос — документ или фрагмент» модель вычисляет оценку релевантности, которую можно использовать для переранжирования результатов поиска и отбора контекста для систем поиска и ответов на вопросы. Модель построена на архитектуре BERT с классификационной головой BertForSequenceClassification и содержит 25,9 млн параметров. Она принимает текстовые пары, поддерживает английский язык и имеет контекстное окно до 512 токенов. Обучение проводилось на jobby32/cybersecurity-QA-with-negatives, составленном из публичных наборов вопросов и ответов по кибербезопасности. Подходит для поиска по базам знаний и RAG-конвейеров в сфере кибербезопасности. Оценка релевантности не является готовым ответом на вопрос и может зависеть от качества запроса и документов; при длинных текстах учитывайте ограничение контекста. Модель распространяется по лицензии Apache-2.0.

jiaqikunyang выпустил дообученный классификатор изображений для определения подлинности лицевых изображений и выявления дипфейков. Модель основана на Vision Transformer google/vit-base-patch16-224 и содержит 113,2 млн параметров; она относит изображение к одному из двух классов: fake или real. Модель реализована на PyTorch и Hugging Face Transformers, веса опубликованы в формате safetensors и распространяются по лицензии MIT. Модель предназначена для проверки отдельных изображений лица. В README для тестовой выборки указаны accuracy 77,52%, F1 78,77% и AUC 84,80%. Обучение проводилось пять эпох на наборе из 2041 изображения; классификатор не различает типы подделок и не обрабатывает видео. Ограниченный размер обучающих данных может снижать качество на новых источниках и условиях съёмки.

ncii-guard-v02 — англоязычный бинарный классификатор от hfmlsoc для выявления запросов на создание интимных изображений без согласия, например просьб раздеть или сексуализировать человека на фотографии. Модель предназначена для проверки текстовых запросов на редактирование изображений и выдаёт метку ncii или safe. Она основана на плотной архитектуре Gemma 3 Text с классификационной головой, содержит 257 млн параметров и поддерживает контекст до 32 768 токенов. Это слияние базы microsoft/harrier-oss-v1-270m с LoRA-адаптером; адаптер обучен на примерах запросов и их обфусцированных вариантах. Токенизатор включает нормализацию некоторых Unicode-подмен и других символов, поэтому его следует загружать из этого репозитория. Классификатор можно использовать как один из сигналов для направления запросов на проверку модератором. Порог решения нужно подбирать под требуемый баланс точности и полноты: повышение порога улучшает точность на чистом английском тексте, но снижает обнаружение обфусцированных запросов. В README приведены результаты на небольшой тестовой выборке и по 35 типам обфускации; качество на активно изменённых запросах заметно ниже, а часть таких запросов модель пропускает. Модель классифицирует только текстовые запросы, не изображения, и не устанавливает факт согласия. Английский — единственный язык, на котором её рекомендуют применять; нормализатор может искажать другие языки. Лицензия в предоставленных данных не указана.

ressl/Ornith-1.5-9B-uncensored-MLX — текстовая чат-модель на архитектуре Qwen3.5 с 9 млрд параметров, основанная на Ornith-1.5-9B от Ornith AI. Это сборка для Apple Silicon в формате MLX и точности bf16 объёмом около 17 ГБ. Веса изменены методом abliteration в три прохода, чтобы снизить частоту отказов на вредоносных запросах; модель предназначена для исследований безопасности, red teaming и тестирования на проникновение. Модель принимает текст и генерирует текст. Разработчик сообщает о проверках связности, длинного контекста, вызова инструментов и поведения на наборах вредоносных запросов; часть показателей отказов измерена на родственной NVFP4-сборке того же мастера. Базовая модель поддерживает мультимодальность, но в этой сборке модуль обработки изображений не подключён. Сохраняются отдельные уклончивые отказы, а квантованные варианты семейства могут отказывать чаще. Лицензия — MIT.

Ornith-1.5-9B-uncensored-MLX-8bit — мультимодальная vision-language модель на базе Ornith-1.5-9B, разработанная junafinity. Это abliterated-сборка, созданная с помощью ZeroFuse: из модели удалено направление, связанное с отказами, при сохранении основных возможностей базовой модели. Веса опубликованы в формате MLX для использования через mlx-vlm на устройствах Apple Silicon. Модель предназначена прежде всего для red teaming, исследований защитной кибербезопасности, оценки предельных возможностей модели, тестирования фильтров входных данных, классификаторов выходов, защиты от prompt injection и других компонентов защитного контура. Она также может применяться для подготовки данных для модерации и анализа остаточных отказов в сравнении с исходной моделью. Поддерживается обработка текста и изображений; vision tower встроен в checkpoint и прошёл проверку работоспособности. Размер модели — 9B параметров, точность — 8-bit. MTP-блок в данной ветке отсутствует в исходных весах. К сильным сторонам относятся мультимодальность, сохранённый vision tower, компактный 8-битный формат для Apple Silicon и низкое изменение поведения относительно базовой модели: заявленная KL-дивергенция составляет 0,001668. На проверочном вредоносном наборе число отказов снизилось с 9 до 0 из 64. При этом ablation не удаляет все защитные свойства и не гарантирует полного отсутствия отказов; авторы отмечают, что некоторые отказы могут сохраняться. Модель не рекомендуется публиковать как открытый endpoint без независимого слоя модерации. Лицензия — Apache-2.0.

Qwen2.5-14B-Instruct-cyber — языковая модель с 14 млрд параметров, созданная дообучением Qwen/Qwen2.5-14B-Instruct методом LoRA/QLoRA с использованием Unsloth и объединённая в 16-битный чекпойнт. Модель предназначена для диалогов и генерации текста в области кибербезопасности; репозиторий включает токенизатор и шаблон чата. Модель использует плотную архитектуру Qwen2 и поддерживает контекст длиной до 32 768 токенов. Указанные в карточке возможности включают чат и интерфейс вызова инструментов. Данных о языках обучения или специализированных защитных механизмах в предоставленных источниках нет. Применяйте её для консультаций и помощи с задачами кибербезопасности, учитывая, что ответы могут быть ошибочными и требуют проверки специалистом. Применяются лицензия и условия распространения базовой модели Qwen2.5-14B-Instruct.

Qwen3.5-9B-CyberOps — доработанная модель на базе Qwen/Qwen3.5-9B от автора репозитория okohol. Она предназначена для генерации ответов в сценариях авторизованной кибербезопасности: тестирования на проникновение с разрешения, CTF, исследований безопасности и защитного анализа. При абляции направления отказа из весов удалено поведение отказа; новые обучающие данные не добавлялись. Модель плотная, с гибридной архитектурой Qwen3.5, и рассчитана на работу в режиме thinking OFF. Эта публикация содержит только языковую часть базовой мультимодальной модели. Модель может помогать объяснять эксплойты, составлять планы сканирования и анализировать тактики атакующих для защиты систем. Удаление отказов означает, что она может генерировать ответы, которые базовая модель отклонила бы; предполагается применение в рамках законных полномочий и с контролем человека. Абляция не добавляет знаний или навыков и может немного ухудшить связность ответов на общие темы; возможны галлюцинации, фактические ошибки и некорректный формат вызовов инструментов. Репозиторий распространяется по лицензии Apache-2.0.

RedSage-K-SFT — модель RISys-Lab при Khalifa University для преобразования запросов на естественном языке в команды Kali Linux и Linux. Она основана на Qwen3ForCausalLM с 36 слоями и примерно 7,6 млрд параметров; модель дообучена методом supervised fine-tuning на наборе KaliBench и опубликована в виде объединённых LoRA-весов BF16 в формате Safetensors. Модель предназначена для генерации команд в сценариях кибербезопасности, обучения и помощи с инструментами Kali Linux. В KaliBench она поддерживает режимы без подсказок, с ограниченным списком инструментов и с документацией целевого инструмента; контекст модели составляет 32 768 токенов. README приводит средний итоговый балл 77,4% на тестовом наборе KaliBench из 5 000 примеров. Модель рассчитана на англоязычные запросы и выдаёт текст команд. Она может ошибаться в выборе инструмента, флага или аргумента, а тесты оценивают генерацию одиночной команды, но не успешность её выполнения или многошаговую работу агента. Разработчики рекомендуют проверять команды перед запуском. Лицензия в предоставленных данных не указана.

SecureBERT — англоязычная доменная языковая модель для кибербезопасности, разработанная как вариант RoBERTa и дообученная на большом корпусе текстов по этой тематике. Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa для masked language modeling и принимает контекст длиной до 514 токенов. В репозитории доступны веса PyTorch; лицензия — BigScience OpenRAIL-M. Основная задача модели — восстановление скрытых слов в англоязычных текстах о кибербезопасности. Её также можно использовать как основу для дообучения классификаторов, систем распознавания сущностей и моделей ответов на вопросы в этой области. В README отмечены результаты выше RoBERTa, SciBERT и SecBERT в masked language modeling на доменных данных. Из-за специализации на кибербезопасности SecureBERT может уступать универсальным моделям за пределами этой области. Обучающие данные из интернет-источников могут содержать ошибки и устаревшую терминологию; выводы следует проверять, особенно при использовании в критичных системах. Модель предназначена для защитных исследований, но её возможности могут быть использованы и во вредоносных целях.

Aime2k2/spam-email-distilbert — англоязычная модель классификации текста на базе DistilBERT, дообученная для обнаружения спама в электронной почте. Она принимает текст письма и относит его к одному из классов; в README приведены результаты оценки: accuracy 0,9874, F1 0,9785, precision 0,9705 и recall 0,9867. Модель построена на DistilBERTForSequenceClassification, использует библиотеку Transformers и формат safetensors; базовая модель поддерживает контекст до 512 токенов. Датасет для дообучения не описан, поэтому приведённые метрики не позволяют судить о качестве на других источниках писем. Лицензия — Apache-2.0.

Модель tanaos/tanaos-spam-detection-spanish разработана Tanaos с использованием библиотеки Artifex. Это компактный классификатор текста на базе DistilBERT, дообученный на синтетических испаноязычных примерах и распределяющий сообщения по классам spam и not_spam. Архитектура — DistilBertForSequenceClassification; модель принимает текст, поддерживает контекст до 512 токенов и сохраняется в формате safetensors. Модель предназначена для первичной фильтрации спама в электронной почте, мессенджерах и других текстовых каналах. К спаму карточка относит нежелательную рекламу и пропаганду, мошенничество, фишинг, вводящий в заблуждение контент, вредоносные ссылки, материалы для взрослых и сообщения с чрезмерной капитализацией или пунктуацией. Лицензия — MIT. Модель специализирована на испанском языке и обучена на синтетическом наборе данных, поэтому качество на реальных сообщениях и на других языках может отличаться. Авторы не рекомендуют применять её в критически важных сценариях без дополнительной проверки человеком.

Typhoon Safety — лёгкий двоичный классификатор текста от typhoon-ai на базе mDeBERTa-v3-base. Модель дообучена для выявления потенциально вредоносного контента на тайском и английском языках с учётом культурных особенностей Таиланда. Она использует архитектуру Transformer Encoder DeBERTa V2 и содержит 306 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для присвоения тексту меток безопасности и может применяться для первичной фильтрации пользовательского контента и проверки текстовых запросов. В карточке описано обучение на наборах Thai Sensitive Topics и Wildguard, а также приведены сравнения с другими моделями на нескольких наборах оценки. Модель распространяется по лицензии MIT. Разработчики отмечают, что она продолжает разрабатываться и рекомендуют оценивать риски применительно к конкретному сценарию использования.