II.11Кибербезопасность и приватность

imanoop7/bert-phishing-detector — англоязычная модель для классификации URL-адресов на безопасные и потенциально фишинговые. Она основана на BERT и дообучена для бинарной классификации на наборе URL с метками safe и unsafe. Модель имеет 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель предназначена для первичной проверки ссылок в средствах защиты, почтовых фильтрах и пользовательских сервисах анализа URL. Лицензия MIT. Классификатор может ошибаться, поэтому его не следует использовать как единственную защиту от фишинга; подозрительные ссылки нужно оценивать с помощью нескольких уровней защиты.

SoelMgd/bert-pii-detection — модель на основе DistilBERT, дообученная для обнаружения и классификации персональных данных в тексте. Она выполняет токенную классификацию и размечает 56 типов сущностей, включая имена, контакты, адреса, финансовые реквизиты, идентификаторы и учётные данные. Модель предназначена для поиска и маскирования персональных данных, обезличивания наборов текста и проверки текстовых данных в сценариях защиты приватности и соблюдения требований к обработке данных. Использует архитектуру DistilBertForTokenClassification и поддерживает английский язык. Контекст ограничен 512 токенами; качество может снижаться на коротких и длинных текстах, а также на специализированной терминологии. Модель обучена на данных AI4Privacy; в README указаны наборы PII-42k и PII-200k. Лицензия — MIT.

devndeploy разработал мультиязычный детектор внедрения промптов, дообучив BERT на основе bert-base-multilingual-cased для классификации текстов на обычные и содержащие prompt injection. Модель имеет 205,1 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метку класса с оценкой уверенности. Она рассчитана на английский, немецкий, испанский, французский, китайский, вьетнамский, японский, корейский, арабский, русский и португальский языки. Модель предназначена для защитного сканирования запросов в чат-ботах, модерации содержимого и обнаружения состязательных инструкций. В карточке указаны accuracy 96,47%, precision 99,20% и recall 93,94%; эти показатели относятся к описанной оценке и не гарантируют такие же результаты на новых данных. Лицензия — MIT, формат весов — safetensors. Детектор может пропускать новые способы внедрения инструкций, а качество различается между языками. Авторы рекомендуют применять его как один из уровней многоуровневой защиты.

gravitee-io/bert-small-pii-detection — модель Gravitee для обнаружения и разметки персональных и чувствительных данных в тексте. Это BERT для классификации токенов, дообученный на наборе gravitee-io/pii-detection-dataset от базовой модели prajjwal1/bert-small. Модель содержит 32,4 млн параметров и рассчитана на контекст до 512 токенов. Модель помечает такие сущности, как имена людей, возраст, адреса электронной почты и телефоны, платёжные и банковские данные, пароли, IP- и MAC-адреса, URL, организации, местоположения и ряд идентификаторов, характерных для США. Её можно применять для поиска чувствительных фрагментов перед передачей текста в другие системы или для задач защиты данных. Поддерживается английский язык. Доступны веса в форматах Safetensors и ONNX. Модель предназначена для извлечения сущностей из текста; качество на языках и типах данных, отличных от заявленных, не подтверждено. Она лицензирована по Apache-2.0.

Это англоязычная модель Isotonic на базе Microsoft DeBERTa-v3-base, дообученная для токенной классификации и обнаружения персональных данных в тексте. Она предназначена для выявления чувствительных фрагментов, чтобы затем маскировать или удалять их в системах на базе ИИ-ассистентов и LLM. Модель обучалась на наборе ai4privacy/pii-masking-200k; заявлено распознавание 54 классов PII в разных темах и стилях текста. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации токенов и принимает текст с контекстом до 512 токенов. В карточке приведены общие метрики на оценочном наборе: F1 0,9757 и точность 0,9915; качество различается по классам, например, F1 для IP указан как 0,5404, а для валюты — 0,8966. Доступны веса Safetensors и формат ONNX. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование без отдельного разрешения.

Isotonic/distilbert_finetuned_ai4privacy_v2 — англоязычная модель Isotonic для обнаружения персональных и чувствительных данных в тексте. Она дообучена на английской части набора ai4privacy/pii-masking-200k и предназначена для разметки фрагментов текста перед удалением или маскированием PII, в том числе в потоках данных для AI-ассистентов и LLM. Модель использует архитектуру DistilBERT для классификации токенов, принимает текст и присваивает его фрагментам метки из 54 классов PII. Контекст составляет 512 токенов. В README указаны метрики на оценочной выборке: F1 0,9549 в целом, при этом результаты заметно различаются между классами; например, F1 для email равен 1,0, а для названия валюты — 0,2281. Модель выпущена по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Multilingual Privacy Filter — модель Tabularis AI для обнаружения персональных данных в тексте на 26 официальных языках ЕС. Она дообучена на XLM-RoBERTa-large и решает задачу классификации токенов: размечает фрагменты текста по 74 меткам, соответствующим 42 типам данных, включая имена, контакты, финансовые и идентификационные сведения, медицинские данные и цифровые идентификаторы. Модель рассчитана на выявление и последующую анонимизацию чувствительной информации, проверки конфиденциальности и поддержки процессов, связанных с GDPR. В карточке заявлены глобальная F1-оценка 97,02% и показатели выше 95% для всех языков. Метаданные указывают 658,7 млн параметров и контекст до 514 токенов; в README указан максимальный размер входа 256 токенов, поэтому для практического применения следует ориентироваться на ограничения конфигурации и используемого пайплайна. Модель принимает текст и возвращает метки токенов. Лицензия — Apache-2.0.

Foundation-Sec-1.1-8B-Instruct — открытая инструктивная языковая модель для задач кибербезопасности, разработанная Foundation AI при Cisco. Она дообучена на базе Foundation-Sec-8B и использует авторегрессионную архитектуру Transformer семейства Llama 3.1 с 7,5 млрд параметров. Модель рассчитана на диалоговую помощь специалистам SOC, исследователям и разработчикам: она может помогать с первичной сортировкой инцидентов, составлением сводок и заметок по делам, анализом угроз и уязвимостей, сопоставлением техник с TTP, проверкой конфигураций и оценкой свидетельств соответствия требованиям. Окно контекста до 65 536 токенов позволяет анализировать длинные отчёты об инцидентах и ленты данных об угрозах. Основной язык — английский; модель принимает текст и генерирует текст. Модель предназначена для локального развертывания, когда важны контроль над данными и снижение зависимости от облачных сервисов. Это статический чекпойнт, поэтому он может не учитывать уязвимости и технологии, появившиеся после обучения; ответы могут содержать ошибки или предвзятость, а защиту от вредоносных запросов нельзя считать гарантированной. Для критичных решений необходимы экспертная проверка и дополнительные меры защиты. Лицензия указана как other; README отсылает к NOTICE.md за условиями использования.

Foundation-Sec-8B-Reasoning — языковая модель для задач кибербезопасности, разработанная Foundation AI at Cisco. Это дообученная версия Foundation-Sec-8B на архитектуре Llama 3.1: авторегрессионный плотный трансформер с 7,5 млрд параметров, настроенный следовать инструкциям и рассуждать перед ответом. Модель поддерживает контекст до 131 072 токенов и рассчитана на английский язык. Модель предназначена для специалистов по безопасности, исследователей и разработчиков: она помогает разбирать и суммировать инциденты, готовить заметки и собирать свидетельства для SOC, приоритизировать уязвимости, анализировать тактики и техники атак, проверять конфигурации и оценивать свидетельства соответствия требованиям. Её можно развернуть локально для рабочих процессов, где важны контроль над данными и инфраструктурой. Знания модели могут не охватывать уязвимости и технологии, появившиеся после обучения; модель не подключается к внешним системам и не может самостоятельно проверить факты или просканировать среду. Результаты требуют проверки специалистом: возможны ошибки, контекстные пробелы и обход защитных механизмов. Для использования рекомендуется дополнительная защита, например LlamaGuard. Лицензия обозначена как other; условия приведены в NOTICE.md.

GLiNER Guard Omni — дообученная модель hivetrace на базе fastino/gliner2-multi-v1 для классификации и извлечения данных, связанных с защитой LLM-приложений. Это 307-миллионная encoder-модель семейства GLiNER2 с архитектурой multilingual DeBERTa v3; она выполняет zero-shot классификацию и извлечение сущностей одним проходом, без отдельной LLM. Модель предназначена для проверки сообщений на безопасность и вредоносное содержимое, выявления персональных данных, обнаружения prompt injection и jailbreak-атак, а также анализа намерения и тона. Можно задавать собственные политики и метки естественным языком; README отмечает, что результаты для меток вне обучающей таксономии не бенчмаркались. Заявлена поддержка английского и русского языков. Модель распространяется в формате safetensors по лицензии Apache-2.0. README описывает шесть групп задач безопасности, включая span extraction для PII и многометочную классификацию атак и вредного содержимого; pipeline Hugging Face указан как zero-shot-classification.

GT-Beta — специализированная языковая модель для анализа данных кибербезопасности, разработанная Omkar для платформы GhostTracer. Она предназначена для SOC, первичной сортировки инцидентов и анализа структурированной телеметрии: модель сопоставляет сигналы риска и признаки атак, выбирает решение MONITOR, INVESTIGATE или RESPOND и формирует рекомендации в формате JSON. Модель построена на Qwen3-1.7B-Base и дообучена методом QLoRA; адаптер объединён с базовой моделью в самостоятельный чекпойнт Transformers с весами FP16. Архитектура — плотная причинная языковая модель Qwen3 с 1,7 млрд параметров и контекстом до 32 768 токенов. Основной язык — английский. Входом служит текст, в том числе структурированные записи JSON; результат — текстовая оценка безопасности и рекомендации. GT-Beta рассчитана на выявление типовых атак, таких как подбор паролей, SQL-инъекции, XSS, обход путей и разведывательное сканирование, а также на снижение ложных срабатываний на доброкачественных событиях. Она не выполняет сетевые запросы и не применяет защитные меры самостоятельно; выводы зависят от предоставленной телеметрии. Для эксплуатации рекомендуется проверять JSON и рекомендации детерминированными правилами и использовать штатный системный промпт. Лицензия — MIT.

KIN — Cybersecurity Verification Translator — это дообученная модель для анализа и проверки утверждений в области кибербезопасности, разработанная на базе Qwen/Qwen2.5-3B-Instruct. Модель предназначена для обработки diff-файлов, обсуждений ревью, трассировок агентов и описаний уязвимостей, включая задачи code review, bug bounty, анализа CVE, SOC, DFIR, threat intelligence и incident response. Указан английский язык. KIN формирует пятичастный аналитический бриф: утверждение, потенциальный радиус воздействия, механизм первопричины с привязкой к CWE или нарушенному инварианту, воспроизводимую проверку и критерии опровержения. Ключевая особенность — требование подтверждать серьёзность находки воспроизводимой проверкой, например PoC, падающим тестом, AST-проверкой или командой выполнения. Модель ориентирована на конкретные продукты, реальные CVE и контекст инцидентов, а также на прямые рекомендации по дальнейшим действиям. Архитектура основана на Qwen2.5-3B-Instruct; использованы LoRA SFT и DPO Alignment, LoRA rank 8, alpha 16, целевые модули q_proj, k_proj, v_proj и o_proj. Для локального запуска доступна квантованная версия Q4_K_M в формате GGUF размером около 1,93 ГБ, совместимая с Ollama и llama.cpp. Ограничения включают размер класса 3B, необходимость проверять критические выводы сканером или воспроизводимым тестом, использование пятичастного брифа только как вспомогательного инструмента, а также необходимость предварительно фильтровать большие кодовые базы. Лицензия — Apache-2.0.

Это LoRA-адаптер для обнаружения персональных данных в тексте, созданный в рамках проекта semantic-router на базе BERT base uncased и настроенный для работы с библиотекой Candle на Rust. Модель выполняет токенную классификацию, чтобы находить и размечать фрагменты текста с персональными данными; метаданные также указывают поддержку классификации текста. Архитектура — BertForTokenClassification, адаптер обучен с рангом 16 и alpha 32. Размер базовой модели составляет 136,7 млн параметров, контекст — до 512 токенов; поддерживаемый язык — английский. Для использования нужны базовая модель и совместимый рантайм. Лицензия — Apache-2.0.

Masker — многоязычный классификатор токенов для обнаружения персональных данных (PII), разработанный как нейронная часть системы редактирования чувствительной информации. Модель на базе DeBERTa-v3 дообучена Microsoft mDeBERTa-v3-base на наборе ai4privacy/pii-masking-openpii-1m; в метаданных указано 218,2 млн параметров, контекст — 512 токенов. Веса сохранены в формате safetensors. Модель размечает имена, адреса, возраст, даты, телефоны, электронную почту, банковские карты и государственные идентификаторы. Она выдаёт BIOES-метки для токенов; преобразование меток в символьные интервалы и объединение результатов с правилами выполняет сопутствующий пакет mask. В README заявлена поддержка 23 европейских языков, а в метаданных перечислены 21 код языка. На валидационной выборке openpii-1m указаны строгий span F1 0,982 и typed F1 0,995. Данные синтетические и шаблонные, поэтому качество на реальных текстах может быть ниже; для ответственного применения требуется проверка остаточных утечек. Лицензия модели указана в метаданных как other; README отмечает лицензию MIT для базовой модели и требует сохранять атрибуцию набору данных CC-BY-4.0 при downstream-использовании.

gbv разработала mDeBERTa Russian Prompt-Injection Detector v16 — двоичную модель классификации текста на базе DeBERTa-v2 с 306 млн параметров. Она дообучена от версии V13 для обнаружения prompt injection, jailbreak, переопределения инструкций и попыток извлечь системные сообщения в русском и смешанном русско-английском тексте. Модель выдаёт вероятность класса prompt_injection; для длинных документов рекомендуется оценивать перекрывающиеся окна текста и брать максимальную вероятность по окнам. Родительская модель обучалась с классификатором, pooler и последними четырьмя слоями энкодера; длина контекста — 512 токенов. По оценке на валидационной выборке точность составила 0,9825, precision — 0,9951, recall — 0,9767. Порог 0,99 предложен как диагностический ориентир, а рабочий порог нужно подбирать на данных целевого сценария: результаты по отдельным строкам или окнам не гарантируют качество на целых документах. Ложноположительные срабатывания на безопасных текстах сохраняются, поэтому модель не является самостоятельной границей безопасности; для высокорисковых процессов нужны дополнительные контроли и проверка человеком. Лицензия — MIT.

Isotonic/mdeberta-v3-base_finetuned_ai4privacy_v2 — модель классификации токенов, дообученная на базе microsoft/mdeberta-v3-base на наборе ai4privacy/pii-masking-200k. Она предназначена для обнаружения и разметки персональных данных в тексте, например перед маскированием или обезличиванием документов. Модель использует архитектуру DeBERTa V3 с 306 млн параметров и принимает последовательности длиной до 512 токенов; доступны форматы Safetensors и ONNX. На тестовом наборе указаны precision 0,9636, recall 0,9731, F1 0,9683 и accuracy 0,9896. В карточке перечислены английский, немецкий, французский и итальянский языки. Лицензия указана как CC BY-NC 4.0; README также описывает отдельные условия Ai4Privacy: бесплатное использование для частных лиц, некоммерческих организаций и компаний до трёх сотрудников, а крупным коммерческим организациям требуется корпоративная лицензия. Перед применением следует сверить точные условия лицензии и проверить качество на собственных данных.

mmBERT-32K PII Detector — модель разметки токенов для обнаружения персональных данных, разработанная vLLM Semantic Router. Она дообучена на базе vllm-sr/mmbert-32k-yarn и представляет собой ModernBERT с 306,9 млн параметров; поддерживает контекст до 32 768 токенов. Модель принимает текст и помечает в нём сущности, включая имена, адреса, телефоны, электронную почту, платёжные и государственные идентификаторы, даты, возраст и названия организаций. Модель предназначена для выявления чувствительных данных в документах и текстовых потоках, например перед передачей данных внешним сервисам или для маршрутизации запросов. В README приведены показатели точности для некоторых типов сущностей, но они не описывают качество на всех языках и доменах. В карточке указан английский язык; качество на других языках не подтверждено. Модель распространяется под лицензией MIT. Доступны веса Safetensors и формат ONNX.

agentlans/multilingual-e5-small-pii-detector — дообученная модель классификации текста на основе BERT multilingual-e5-small, предназначенная для обнаружения персональных данных (PII) в тексте. Её можно применять для предварительной проверки пользовательских сообщений, документов и записей перед передачей или публикацией, а также как вспомогательный компонент процессов редактирования и маскирования данных. Модель содержит 124,3 млн параметров, принимает текстовые последовательности длиной до 512 токенов и опубликована в формате safetensors. В карточке приведены примеры на английском, французском и испанском языках; метаданные указывают на многоязычную поддержку. На оценочном наборе автор сообщает accuracy 0,9214. Модель выпущена под лицензией Apache-2.0. Чувствительность может быть ниже для отдельных языков и форматов персональных данных, включая некоторые номера карт и локальные идентификаторы; на очень коротких фрагментах без контекста качество может снижаться. Результаты следует использовать как вспомогательную проверку, а не как замену юридической или комплаенс-проверке.

NERPA — модель извлечения сущностей на основе дообученной GLiNER2 Large, созданная Overmind. Она предназначена для обнаружения персональных данных в тексте и их последующей анонимизации: модель находит сущности и возвращает их типы и символьные смещения, а инструменты проекта могут заменить найденные фрагменты метками-заполнителями. Полные веса дообучены на синтетических примерах; указана архитектура bi-encoder с базовой моделью fastino/gliner2-large-v1 на основе DeBERTa v3 Large и размером 340 млн параметров. Модель поддерживает обнаружение заранее настроенных типов PII, включая имена и даты, а также позволяет задавать описания новых типов сущностей во время применения без повторного обучения. В README приведена оценка на отложенной выборке из 300 синтетических фрагментов: точность 0,93 и полнота 0,90 для NERPA; это результаты авторов, не гарантия качества на других данных. Для длинных текстов пример конвейера использует разбиение на фрагменты по 3000 символов с перекрытием 100 символов. Карточка указывает английский язык; модель распространяется по лицензии Apache-2.0.

Это модель распознавания сущностей на основе BERT, разработанная авторами репозитория fef2 и дообученная поверх DeepPavlov/rubert-base-cased. Она размечает в русском тексте учётные данные (логины, пароли, токены и секретные ключи), персональные данные (ФИО, организации и локации) и номера договоров. Основной сценарий — обнаружение чувствительных фрагментов в пользовательских сообщениях и конфигурациях для их маскирования перед передачей внешней LLM. Модель использует архитектуру BertForTokenClassification с 205,1 млн параметров, контекстом до 512 токенов и 17 BIO-метками для восьми типов сущностей. Репозиторий также содержит детерминированный regex-слой; опубликованные показатели покрытия учётных данных относятся к объединению NER и regex, а сама NER предназначена дополнять регулярные выражения. Модель распространяется по лицензии Apache-2.0.

mlx-community/openai-privacy-filter-4bit — конверсия модели openai/privacy-filter в формат MLX с 4-битным представлением; карточка указывает mlx-embeddings версии 0.1.1. Базовая модель — двунаправленный разреженный MoE-классификатор токенов, который размечает персональные данные в тексте BIOES-метками по восьми категориям: имена людей, адреса электронной почты, телефоны, URL, адреса, даты, номера счетов и секреты. Модель предназначена для обнаружения и последующей фильтрации или маскирования персональных данных, в том числе локально на устройствах Apple с MLX. Она содержит 145,4 млн параметров по метаданным; README указывает 1,5 млрд параметров и 50 млн активных параметров у исходной базовой модели. Контекст составляет до 131 072 токенов. Лицензия — Apache-2.0. Карточка не описывает точность на разных языках или условия оценки, поэтому качество распознавания вне перечисленных типов данных не следует предполагать.

mlx-community/openai-privacy-filter-6bit — 6-битная версия модели OpenAI Privacy Filter, подготовленная сообществом mlx-community из openai/privacy-filter в формате MLX. Это двунаправленный разреженный MoE-классификатор токенов, который находит и размечает BIOES-фрагментами персональные данные восьми категорий: имена людей, адреса электронной почты, телефоны, URL, адреса, даты, номера счетов и секреты. Версия содержит 145,4 млн параметров по метаданным; базовая карточка описывает исходную модель как модель на 1,5 млрд параметров с 50 млн активных параметров. Модель предназначена для локальной фильтрации и маскирования чувствительных данных в тексте. Указанная лицензия — Apache-2.0. Модель принимает текст и выдаёт метки фрагментов, пригодные для последующей замены или удаления обнаруженных данных. Доступны веса safetensors для MLX; README указывает преобразование из openai/privacy-filter, тогда как метаданные отмечают связь с базовой моделью как finetune. Заявленная длина контекста — 131072 токена. Языки в предоставленных сведениях не перечислены.

mlx-community/openai-privacy-filter-8bit — 8-битная модель для MLX, созданная сообществом mlx-community на основе openai/privacy-filter и подготовленная с помощью mlx-embeddings 0.1.1. Это двунаправленный разреженный MoE-классификатор токенов: он размечает BIOES-фрагменты с персональными данными в восьми категориях — имя человека, адрес электронной почты, телефон, URL, адрес, дата, номер счёта и секрет. Модель предназначена для локального обнаружения и последующего маскирования персональных данных в тексте. Репозиторий содержит 145,4 млн параметров и использует формат safetensors; указанное окно контекста — 131072 токена. Лицензия — Apache-2.0. README описывает конверсию в формат MLX, а метаданные классифицируют связь с базовой моделью как дообучение.

Модель PII_DETECTION_MODEL разработана Betterdata.ai для обнаружения и разметки персональных и конфиденциальных данных в тексте. Это дообученная версия декодерного трансформера Qwen2-0.5B с 494 млн параметров; модель принимает текст и выдаёт текст с метками классов для найденных данных. Заявлены 29 классов PII и поддержка английского, испанского, шведского, немецкого, итальянского, нидерландского и французского языков. Контекст модели составляет до 131 072 токенов. Модель предназначена для маскирования PII перед отправкой текста во внешние языковые сервисы, а также для защиты данных в документах и приложениях. Разработчик отмечает, что модель компактна и рассчитана на работу с длинными документами, в том числе на CPU. Лицензия — Apache-2.0. Точность не гарантируется: по данным карточки, модель лучше справляется с именами, адресами электронной почты и телефонами, а распознавание API-ключей, CVV и банковских счетов требует улучшения. Результаты следует проверять перед использованием в критичных сценариях.

Модель perplexity-ai/pii-masking-vllm — упаковка для vLLM дообученной двунаправленной модели Qwen3 от Perplexity AI для обнаружения и оценки чувствительности персональных данных в разговорном тексте. Она использует энкодер примерно на 600 млн параметров с классификатором токенов на 37 меток и отдельной головой оценки чувствительности беседы. Классификатор размечает девять категорий PII, включая имена, адреса, электронную почту, телефоны, номера счетов и секреты; BIOES-разметка декодируется алгоритмом Витерби. Контекст модели по метаданным — 32 768 токенов, однако вход поставляемого клиента ограничен 4096 токенами и обрезается при превышении этого лимита. Модель принимает текст и возвращает метки и диапазоны с найденными данными, а также оценку чувствительности текста. Репозиторий переупаковывает готовые веса для vLLM без повторного обучения и квантизации; веса энкодера сохранены в bf16, головы — в fp32. Для развёртывания из README предусмотрены vLLM, адаптер подсчёта и Docker Compose с поддержкой NVIDIA GPU. Карточка указывает английский и многоязычный охват, но не перечисляет конкретные языки. Лицензия — MIT. Возможны пропуски и ложные срабатывания, а границы найденных фрагментов могут захватывать пробелы. Пороговые значения уверенности и чувствительности следует калибровать на целевых данных; для обработки документов длиннее 4096 токенов их нужно разбивать на части.

Horizon Labs разработала PII Redactor Small — компактную модель на 141 млн параметров для обнаружения и разметки персональных данных и секретов в тексте перед передачей в журналы, запросы к LLM, обучающие наборы или внешние API. Это дообученная для token classification модель архитектуры ModernBERT на базе jhu-clsp/mmBERT-small; она распознаёт 29 типов сущностей, включая имена, контакты, адреса, государственные и финансовые идентификаторы, пароли, API-ключи и сетевые идентификаторы. Модель рассчитана на многоязычную фильтрацию текста и интеграцию с Transformers, Presidio и LLM Guard. Веса доступны в форматах Safetensors и ONNX; заявлены работа на CPU и использование через transformers.js в браузере и на периферийных устройствах. Контекст составляет до 8192 токенов. README заявляет поддержку более 30 языков, включая русский; метаданные перечисляют языки от en до zh, ja, ko и других. Результаты на внешних тестах неоднородны: модель показывает полезное качество, но не лидирует на каждом наборе. Большая часть обучающих данных синтетическая; необычные форматы и языки вне обучающего набора могут снижать полноту обнаружения. Модель не гарантирует анонимизацию, может избыточно скрывать даты и не помечает некоторые чувствительные атрибуты, например религию и состояние здоровья. Лицензия — Apache-2.0.

PII-Tracer-GGUF — сборка детектора персональных данных PII-Tracer от Perplexity AI в формате GGUF для запуска с llama.cpp. В основе — двунаправленный энкодер Qwen3 примерно на 600 млн параметров с бэкбоном pplx-embed-v1-0.6b. Отдельные классификационные головы остаются в формате safetensors: одна размечает токены тегами BIOES по девяти категориям PII, другая оценивает чувствительность диалога целиком. Модель предназначена для обнаружения и маскирования персональных данных в разговорных текстах, включая имена, номера счетов, адреса, даты, электронную почту, телефоны, URL и секреты. Для разметки используется классификация токенов с ограниченным декодированием Viterbi; клиент применяет головы к векторам токенов, полученным от llama-server, и может маскировать найденные фрагменты. Карточка указывает поддержку английского и многоязычного ввода. Окно обработки составляет от 1 до 4096 токенов; более длинные документы требуется разбивать на фрагменты. Для двунаправленного внимания весь вход должен обрабатываться одним микропакетом, а для получения представлений на каждый токен нужны указанные в README параметры сервера. Точность конвертации и бэкенд могут менять результаты, возможны ложные срабатывания и пропуски PII, поэтому пороги и качество следует оценивать на целевых данных. Лицензия — MIT.

PII-Tracer-vLLM — версия модели Perplexity AI PII-Tracer, упакованная для запуска через vLLM. Это дообученный двунаправленный энкодер Qwen3 примерно с 508 млн параметров и контекстом до 32 768 токенов. Он размечает токены в разговорном тексте по девяти категориям персональных данных и секретов, а отдельная голова оценивает чувствительность беседы. Разметка использует BIOES-теги и декодирование Viterbi; модель также поддерживает оценку чувствительности последовательности. Модель подходит для поиска и маскирования персональных данных в диалогах, а также для предварительной оценки чувствительности бесед. Репозиторий содержит адаптер оценивания и средства развёртывания с vLLM; веса сохранены в safetensors без повторного обучения и квантизации. Для запуска описанной конфигурации Docker Compose требуются NVIDIA GPU и совместимый драйвер. В README указан предел входа 4096 токенов: более длинный текст следует разбивать на части, иначе токенизатор обрежет его. Возможны пропуски и ложные срабатывания, а границы фрагментов могут включать пробелы; пороги уверенности необходимо калибровать на целевых данных. Лицензия — MIT.

perplexity-ai/pplx-pii-masking-GGUF — GGUF-упаковка модели Perplexity AI для обнаружения и маскирования персональных данных в разговорном тексте. В основе — двунаправленный энкодер Qwen3 примерно на 600 млн параметров с backbone perplexity-ai/pplx-embed-v1-0.6b. Модель включает классификатор токенов с 37 BIOES-метками для девяти категорий данных, включая имена, номера счетов, адреса, электронную почту, телефоны и секреты, а также отдельную голову для оценки чувствительности диалога. Модель предназначена для поиска чувствительных фрагментов и их маскирования при обработке разговорных данных. Для запуска используется llama.cpp: backbone поставляется в формате GGUF F16, а классификационные головы — в FP32 Safetensors; клиент применяет их к состояниям токенов и декодирует найденные фрагменты. Лицензия — MIT. Вход должен содержать от 1 до 4096 токенов; более длинные документы нужно разбивать на части. Из-за двунаправленного внимания весь вход обрабатывается одним микропакетом, для поддерживаемого окна требуется размер пакета 4096. Точность конвертации и backend могут влиять на результаты; возможны ложные срабатывания и пропуски персональных данных, поэтому качество и пороги чувствительности следует проверять на целевых данных.

OpenAI Privacy Filter — модель OpenAI для обнаружения и маскирования персональных данных в тексте. Она предназначена для высокопроизводительной очистки данных, в том числе в локальных и браузерных сценариях, и может дообучаться под особенности данных организации. Лицензия Apache 2.0 допускает коммерческое использование. Модель выполняет двунаправленную классификацию токенов и выделяет связные фрагменты в одном проходе. Архитектура — разреженный MoE-трансформер с 8 блоками, шириной скрытого представления 640 и 128 экспертами, из которых на токен выбираются 4. Модель возвращает BIOES-разметку для восьми категорий: номера счетов, частные адреса, электронные адреса, имена людей, телефоны, URL, даты и секреты. В метаданных указано 145,4 млн параметров и контекст 131 072 токена; README заявляет окно до 128 000 токенов. Доступны форматы Safetensors и ONNX. Модель подходит для предварительной фильтрации текстов перед хранением, передачей или дальнейшей обработкой. Пороговые режимы позволяют настраивать компромисс между точностью и полнотой обнаружения. Это вспомогательное средство минимизации данных, а не гарантия анонимизации или соответствия требованиям. Набор меток фиксирован, для изменения политики нужно дообучение; качество может снижаться на неанглийских текстах, нелатинских письменностях и данных вне обучающего распределения. В чувствительных областях возможны как пропуски, так и избыточное маскирование.