II.11Кибербезопасность и приватность

Модель espnet/voxcelebs12_ecapa_wavlm_joint разработана Jungjee и обучена по рецепту VoxCeleb в ESPnet. Это аудиоклассификационная модель для распознавания и верификации говорящих: она позволяет сравнивать аудиозаписи и оценивать, принадлежат ли они одному человеку. В карточке приведён результат EER 0,394% и minDCF 0,03797 для конфигурации conf/tuning/train_ecapa_wavlm_joint. Модель использует связку ECAPA и WavLM и обучена на VoxCeleb. Для запуска предусмотрен ESPnet2; README указывает версию ESPnet 202310 и PyTorch 2.0.1. Карточка обозначает поддержку нескольких языков, но не перечисляет их отдельно. Лицензия — CC BY 4.0.

WhiteRabbitNeo-13B-v1 — предварительная публичная версия модели серии WhiteRabbitNeo, разработанной для задач наступательной и защитной кибербезопасности. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, работающая с текстом и имеющая контекст до 16 384 токенов; репозиторий содержит веса PyTorch. Модель предназначена для генерации текстовых ответов по сценариям кибербезопасности. В карточке приведён пример ответа о тестировании безопасности Wi‑Fi, включая сканирование сети и анализ захвата пакетов. Ответы могут содержать опасные инструкции, поэтому модель следует применять только в законных и разрешённых средах. Для версии заявлена лицензия Llama 2; README также содержит условия использования с отказом от гарантий и возложением ответственности за применение на пользователя.

JasperLS/gelectra-base-injection — модель классификации текста на базе ELECTRA, дообученная автором JasperLS на основе deepset/gelectra-base. Она предназначена для классификации текстовых последовательностей; название репозитория указывает на задачу обнаружения prompt injection, однако README не описывает её назначение подробнее. Модель содержит 137,1 млн параметров, принимает последовательности длиной до 512 токенов и представлена в формате PyTorch. В README приведены результаты оценки: accuracy 0,9828 и loss 0,0940. Датасет обучения и условия оценки не раскрыты, поэтому эти показатели не позволяют судить о качестве на других данных. Лицензия — MIT.

Квантизированная версия модели gpt-oss-20b-cve-cybersecurity в формате GGUF, опубликованная piotreknow02 и созданная на базе sainikhiljuluri/gpt-oss-20b-cve-cybersecurity. Модель предназначена для генерации текста в задачах анализа уязвимостей и CVE, кибербезопасности, сетевой безопасности и подготовки рекомендаций по защите. В карточке также указан тег DoRA, однако подробности архитектуры и применённой квантизации не раскрыты. Заявлен размер базовой модели — 20B параметров, поддерживаемый язык — английский. Модель относится к категории text-generation и использует библиотеку Transformers; формат GGUF может быть удобен для локального запуска в совместимых инструментах, но конкретные требования к памяти и производительности не указаны. Сильной стороной является специализация на материалах по кибербезопасности и уязвимостям, однако данных о качестве, результатах тестирования, ограничениях и точности недостаточно. Лицензия — Apache-2.0.

Kinetigor DPO Cybersec — небольшая языковая модель, разработанная NyxSpecter4 на базе Qwen2.5-0.5B-Instruct. Она дообучена методом DPO на наборе из 1 637 пар предпочтений nyxspecter4/kin-cyber-dpo-v2 для задач киберзащиты, penetration testing и рассуждений специалиста по безопасности. Модель ориентирована на анализ угроз, оценку уязвимостей, bug bounty, CTF, threat intelligence, работу с MITRE ATT&CK, OWASP Top-10 для веб-приложений и API, GraphQL, NIST CSF, SANS Top-20, CIS Controls v8, Sigma rules, CVE и CISA KEV. Модель поддерживает генерацию текста на английском языке. Размер составляет около 0,5 млрд параметров; доступна, в частности, в формате GGUF с квантованием Q4_K_M и размером около 398 МБ. Заявлена поддержка локального запуска через Ollama и llama.cpp без выделенного GPU, включая CPU-only и edge-сценарии на маломощных устройствах. В примере использования указан контекст 2048 токенов. К сильным сторонам относятся компактность, низкие требования к ресурсам и специализация на задачах информационной безопасности. Модель помечена как deprecated и обозначена разработчиком как legacy-версия: для более высокого качества рекомендуется модель kin-sft-lora на базе Qwen2.5-3B-Instruct. Из-за малого размера она, вероятно, уступает более крупным моделям в глубине анализа и надёжности сложных ответов, однако README не приводит детальных сравнительных оценок. Указанная точность DPO-пар составляет 0,85. Модель распространяется по лицензии MIT.

Карточка модели Ishowbackup/LING-3.0-FLASH-ABLITERATED на Hugging Face совпадает с карточкой Blackfrost-AI/LING-3.0-FLASH-ABLITERATED, поэтому описание составлено по ней. LING-3.0-FLASH-ABLITERATED — версия модели Ling-3.0-flash, выпущенная Blackfrost AI. Это гибридная языковая MoE-модель с архитектурой BailingMoeV3ForCausalLM, механизмами hybrid attention (multi-head latent и gated-linear) и 3,5 млрд параметров. Она принимает текст и генерирует текст; заявленный контекст — 262 144 токена. В карточке указаны английский и китайский языки. Модель предназначена для диалогов и технических задач в контролируемых сценариях исследований безопасности, включая анализ вредоносных программ, поиск уязвимостей и red-team-тестирование. Поведение отказов намеренно изменено вмешательством в веса, чтобы модель чаще отвечала на запросы двойного назначения. Дообучение SFT, DPO или RLHF не проводилось. Оценка поведения и возможностей ещё не завершена, поэтому заявленные свойства не подтверждены результатами тестирования. Модель распространяется по MIT-лицензии базовой Ling-3.0-flash, однако доступ к репозиторию платный, а README запрещает перераспространение весов за пределами выданного разрешения. Карточка рекомендует развёртывать модель только в контролируемой среде с разграничением доступа, журналированием и проверкой результатов.

WhiteRabbitNeo/Llama-3.1-WhiteRabbitNeo-2-8B — дообученная языковая модель серии WhiteRabbitNeo, созданная для задач наступательной и защитной кибербезопасности. Она основана на Meta Llama 3.1 8B и имеет плотную архитектуру LlamaForCausalLM; число параметров — 7,5 млрд, контекст — до 131 072 токенов. Модель принимает текст и генерирует текст в формате Llama 3.1; в карточке указана возможность диалога. Модель позиционируется как публичная предварительная версия для оценки возможностей и общественного влияния, а не как проверенное решение для критически важных процессов. Она может быть полезна при работе с вопросами кибербезопасности, но качество ответов и их безопасность требуют проверки специалистом. Лицензия — Llama 3.1; README также возлагает ответственность за использование и его результаты на пользователя и предоставляет модель без гарантий.

WhiteRabbitNeo/Llama-3-WhiteRabbitNeo-8B-v2.0 — разговорная языковая модель серии WhiteRabbitNeo, разработанная для задач кибербезопасности, включая наступательные и защитные сценарии. Модель основана на архитектуре Llama 3 с плотной архитектурой и примерно 7,5 млрд параметров; поддерживает генерацию текста и чат, использует формат весов safetensors и контекст до 8192 токенов. Модель предназначена для диалоговой помощи по темам кибербезопасности. В README указано, что это публичное предварительное представление возможностей серии и что разработчики стремятся оценить её общественное воздействие. Лицензия в метаданных обозначена как llama3. Результаты модели могут быть ошибочными; README возлагает ответственность за их использование на пользователя и предоставляет модель без гарантий.

LLM4Decompile-33B — языковая модель для преобразования инструкций x86 в ассемблере в исходный код на C. Модель разработана авторами проекта LLM4Decompile и дообучена на DeepSeek-Coder на 4 млрд токенов пар «ассемблер — C», полученных компиляцией кода из AnghaBench. В метаданных указаны архитектура Llama, 33,1 млрд параметров и контекст длиной 16 384 токена. Модель предназначена для декомпиляции бинарного кода: на вход подаются инструкции ассемблера, на выходе генерируется код C. В README приведены оценки повторной компилируемости и повторного выполнения для разных уровней оптимизации; качество может зависеть от оптимизаций исходной компиляции и от того, насколько результат сохраняет исходное поведение. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

MS-EffGCViT DeepFake B5 Celeb-DF-v2 — модель DeepGuard для выявления поддельных лиц на изображениях и видео. Это гибридная архитектура, сочетающая сверточную EfficientNet-B5 и иерархическое внимание с глобальным контекстом; версия B5 рассчитана на анализ с высоким разрешением 384×384. Модель классифицирует входные кадры как настоящие или поддельные, а видео оценивает по кадрам с последующим объединением результатов. Модель предназначена для проверки подлинности лицевых изображений и видеозаписей, в том числе в задачах цифровой криминалистики и модерации. README указывает на обучение и оценку на Celeb-DF-v2, а также заявляет поддержку изображений и видео. Приведённые результаты на других наборах данных показывают существенно более слабое обобщение: на KoDF и FaceForensics++ точность близка к случайной, поэтому результаты на Celeb-DF-v2 не следует считать гарантией качества на иных источниках. Модель дообучена на основе timm/tf_efficientnet_b5.ns_jft_in1k и распространяется в формате safetensors под лицензией MIT. Для входа требуются кадры с лицом; README описывает работу на уровне кадров, но не сообщает длину контекста, применимую к видеопоследовательности.

Mythoseek-GGUF — это набор квантованных файлов модели Mythoseek, базовая версия которой размещена пользователем squ11z1. Квантизацию выполнил mradermacher. Модель предназначена для текстовой генерации и, судя по указанным тегам, ориентирована на кибербезопасность, penetration testing, исследование уязвимостей, анализ CWE, OSINT, использование инструментов и задачи, требующие рассуждений. README также упоминает мультимодальную поддержку через дополнительные файлы mmproj, однако подробности о поддерживаемых типах входных данных не приведены. Доступны варианты GGUF с уровнями квантования от Q2_K до Q8_0, а также f16; размер файлов составляет примерно от 3,9 до 18 ГБ. Для мультимодального режима предлагаются отдельные файлы mmproj-Q8_0 и mmproj-f16. В README указаны английский язык и совместимость с экосистемой Transformers, но архитектура, исходный размер модели, максимальная длина контекста, точный набор поддерживаемых языков и результаты оценки качества не раскрыты. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант высокого качества. Основное преимущество модели — широкий выбор квантованных форматов, позволяющий адаптировать требования к памяти и скорости, а также потенциальная специализация на сценариях кибербезопасности. Качество зависит от выбранного уровня квантования, при этом README предупреждает, что более компактные варианты могут быть менее качественными. Лицензия — Apache-2.0. Указанные сценарии не заменяют проверку результатов специалистом, особенно при анализе уязвимостей и использовании инструментов.

Prox-1.0-GPT-6.7B — языковая модель, созданная сообществом Proxware на основе Cerebras-GPT-6.7B и дообученная для задач кибербезопасности. В карточке указано, что модель обучали на наборе Prox V1, а также на открытых наборах Dolphin и OpenHermes для добавления базовых диалоговых возможностей; метаданные также указывают OpenHermes, Dolphin, Capybara и Open-Platypus среди данных обучения. Модель построена на архитектуре GPT-2, содержит 6,7 млрд параметров и принимает текстовые запросы, выдавая текст. Для диалога используется формат ChatML. Модель рассчитана на помощь в сценариях кибербезопасности и тестирования на проникновение, а также на обычные диалоговые запросы. Контекст составляет 2048 токенов. Она выпущена под лицензией Apache-2.0. Карточка не приводит оценок качества или подробных результатов тестирования, поэтому пригодность ответов для конкретных задач требует проверки.

RootMonsteR/Qwen3-14B-Abliterated — плотная языковая модель на 14 млрд параметров, созданная автором репозитория на основе Qwen/Qwen3-14B методом направленной абляции Heretic v1.3.0. Модель сохраняет диалоговые, рассуждающие, программные и агентные возможности исходной Qwen3-14B, одновременно подавляя значительную часть отказов. Она предназначена для автономных агентов, вызова инструментов, авторизованных задач кибербезопасности, обучения и исследований отказов модели. Модель принимает текст и генерирует текст; заявленный контекст — 40 960 токенов. В README указана поддержка более 100 языков и диалектов, но конкретный перечень не приведён. Автор сообщает о снижении отказов с 99 до 10 на 100 запросах из тестового набора, однако оценка основана на детекторе по ключевым словам. Модель доступна в формате bf16 Safetensors; README также упоминает сторонние сборки GGUF. Лицензия — Apache-2.0. Это не универсальное улучшение исходной модели: абляция не добавляет знаний и навыков, а уменьшает выраженность связанных с отказами компонентов. Модель не проходила самостоятельную проверку стандартных показателей качества, сохраняет смещения базовой модели и не добавляет защитных механизмов; отказы всё ещё возможны. Для вызова инструментов автор рекомендует избегать низкой точности квантования, поскольку она может ухудшать соблюдение формата JSON.

Это конверсия официального чекпойнта ReDimNet2 B0, обученного предварительно на VoxCeleb2-dev до этапа дообучения с large-margin. Модель разработана для извлечения 192-мерных векторов голоса из монофонической аудиозаписи с частотой дискретизации 16 кГц и предназначена для задач верификации и сравнения говорящих. Версия преобразована для библиотеки MLX и распространяется в формате Safetensors. В README заявлено совпадение эмбеддингов с эталонной реализацией PyTorch с относительной ошибкой не более 3,5×10⁻⁶ в тесте на CPU с float32. Лицензия — MIT. Модель выдаёт векторы признаков, а не текстовую расшифровку речи.

ReDimNet2 B4 — конверсия официального чекпойнта b4-vox2-lm.pt в формат для MLX. Модель обрабатывает монофоническое аудио с частотой 16 кГц и выдаёт векторное представление голоса размерностью 192, предназначенное для задач проверки и сравнения говорящих. Исходный чекпойнт обучен на VoxCeleb2-dev с использованием large-margin дообучения; README рекомендует эту версию. Репозиторий содержит веса Safetensors и использует библиотеку MLX. В README заявлено совпадение эмбеддингов с PyTorch-версией с относительной ошибкой до 4,1×10⁻⁶ на CPU-бэкенде MLX в float32. Лицензия — MIT.

Модель oxdev/security-auditor-grpo — специализированный аудитор безопасности смарт-контрактов на Solidity, созданный на базе Qwen2.5-Coder-0.5B-Instruct и дообученный методом GRPO. Это плотная авторегрессионная модель Qwen2ForCausalLM примерно на 494 млн параметров с контекстом до 32 768 токенов; она принимает текст контракта и генерирует текстовые результаты аудита на английском языке. Модель предназначена для быстричной первичной проверки контрактов: она классифицирует уязвимости, оценивает их серьёзность, описывает возможное влияние, предлагает код эксплойта для подтверждения проблемы и рекомендует исправления. В README результаты версии V1 показывают улучшение соблюдения формата и выявление уязвимостей; обучение V1 проводилось на 327 синтетических примерах. Указанный там набор из 50 902 реальных находок относится к планируемой версии V2, а не к этой версии модели. Модель компактна и может быть полезна для быстрой сортировки и триажа, но README предупреждает, что её нельзя считать заменой профессиональному аудиту: в проверке V1 доля выявления составила 50–75%, а небольшой размер ограничивает возможности. Для более быстрой генерации README рекомендует включать use_cache при инференсе. Лицензия — Apache-2.0.

Spam Detector BERT MoE v2.2 — англоязычная модель AntiSpamInstitute для классификации текста на спам и не спам. Она предназначена для фильтрации электронной почты и SMS, обнаружения спама в социальных сетях и помощи в модерации пользовательских публикаций. По метаданным это дообученная модель google-bert/bert-base-uncased с архитектурой BertForSequenceClassification и 4,4 млн параметров. Карточка описывает BERT с механизмом Mixture of Experts и бинарной классификационной головой; максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт метку класса. В README приведены метрики на SMS Spam Collection, Enron Email Dataset и Social Media Spam, но они могут меняться на данных с другим распределением. Модель выпущена под лицензией Apache-2.0. Карточка отмечает, что качество может снижаться для языков, отличных от английского, при изменении тактик спама и когда важны контекст или намерение за пределами текста. Для развёртывания MoE может потребовать заметных вычислительных ресурсов.

ERes2NetV2 — модель для проверки личности говорящего по речи, опубликованная MigoXV. Она извлекает 192-мерные векторы голоса из аудио и предназначена для сравнения записей и подтверждения совпадения говорящего. Модель принимает речь с частотой дискретизации 16 кГц; в проекте аудио преобразуется в 80-мерные Kaldi fbank-признаки. В Hugging Face репозитории веса представлены в формате safetensors и проверены на соответствие архитектуре ERes2NetV2. Модель рассчитана на китайскую речь. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Карточка описывает проверку говорящего и извлечение голосовых эмбеддингов; качество может зависеть от акустических условий и соответствия входа ожидаемому формату, а результаты сами по себе не подтверждают личность без выбранного порога и процедуры проверки.

MattyB95/VIT-VoxCelebSpoof-ConstantQ-Synthetic-Voice-Detection — дообученная модель Vision Transformer на базе google/vit-base-patch16-224-in21k с 113,2 млн параметров. Она классифицирует изображения Constant-Q-преобразований аудиосигнала, чтобы отличать синтетический голос от подлинной речи; связана с набором данных MattyB95/VoxCelebSpoof. Несмотря на задачу обнаружения поддельной речи, модель принимает изображения спектрограмм, а не аудио напрямую. В README приведены метрики на оценочном наборе: accuracy, F1, precision и recall — 1,0, loss — 0,0000. Эти результаты относятся только к указанному набору и не гарантируют аналогичного качества на других данных. Модель опубликована в формате safetensors под лицензией MIT.

MattyB95/AST-ASVspoof2019-Synthetic-Voice-Detection — модель классификации аудио на основе Audio Spectrogram Transformer (AST), дообученная на базе MIT/ast-finetuned-audioset-10-10-0.4593. Репозиторий указывает датасет audiofolder, а название модели связывает её с ASVspoof 2019 и обнаружением синтетического голоса. Модель предназначена для классификации аудиозаписей при проверке на синтетическую или поддельную речь. Она содержит 113,2 млн параметров и принимает аудио; метаданные указывают английский язык. Лицензия — MIT. README не приводит метрик оценки и не раскрывает классы, обучающие данные или ограничения, поэтому качество обнаружения и пригодность для конкретных условий записи по карточке оценить нельзя.

BaronLLM — языковая модель, дообученная Alican Kiraz для исследований offensive cybersecurity, имитации атак и сценариев red team. Модель представлена в формате GGUF с 6-битной квантизацией Q6_K и предназначена для генерации текста; в качестве базовой модели указана Llama-3.1-8B-Instruct. README также содержит пример использования с идентификатором BaronLLM-70B, поэтому точный размер данной версии по предоставленным данным неоднозначен. Модель ориентирована на анализ уязвимостей и exploit reasoning, генерацию ATT&CK-цепочек, C2-плейбуков и сценариев социальной инженерии, рефакторинг payload-логики без выдачи вредоносных бинарных файлов, а также классификацию и суммирование следов атак из SIEM, PCAP и EDR JSON. Заявлена поддержка английского языка и контекста до 8 192 токенов. В качестве источников обучения указаны публичные базы уязвимостей, исследовательские материалы, разрешённые и обезличенные отчёты red team и синтетические ATT&CK-цепочки. Сильными сторонами являются специализация на кибербезопасности, структурированный анализ и сценарное моделирование, а также заявленные ограничения на генерацию прямого исходного кода вредоносных программ, ransomware builders и инструкций для незаконной деятельности. Ограничения включают зависимость качества от базовой Llama-архитектуры, английскую языковую специализацию и возможные риски ошибок при анализе уязвимостей; заявленные возможности и безопасность требуют самостоятельной проверки. Модель распространяется по лицензии MIT.

nguyenkhoa/dinov2_Liveness_detection_v2.2.1 — дообученный классификатор изображений на архитектуре DINOv2, созданный на основе nguyenkhoa/dinov2_Liveness_detection_v2.1.4. Модель предназначена для определения живости по изображению, например для проверки присутствия живого человека в сценариях контроля доступа или верификации личности. В репозитории указаны 28,3 млн параметров и формат safetensors; для запуска предусмотрена библиотека Transformers. В README приведены метрики на оценочных данных: accuracy и F1 по 0,991, а также отдельные показатели другого раздела оценки: accuracy 0,8626, F1 0,8909, recall 0,9924, precision 0,6903, APCER 0,1940, BPCER 0,0076 и ACER 0,1008. Датасет и подробности назначения не описаны, поэтому результаты могут зависеть от используемых данных и условий съёмки. Лицензия в предоставленных сведениях не указана.

LING-3.0-FLASH-ABLITERATED — версия модели Ling-3.0-flash, выпущенная Blackfrost AI. Это гибридная языковая MoE-модель с архитектурой BailingMoeV3ForCausalLM, механизмами hybrid attention (multi-head latent и gated-linear) и 3,5 млрд параметров. Она принимает текст и генерирует текст; заявленный контекст — 262 144 токена. В карточке указаны английский и китайский языки. Модель предназначена для диалогов и технических задач в контролируемых сценариях исследований безопасности, включая анализ вредоносных программ, поиск уязвимостей и red-team-тестирование. Поведение отказов намеренно изменено вмешательством в веса, чтобы модель чаще отвечала на запросы двойного назначения. Дообучение SFT, DPO или RLHF не проводилось. Оценка поведения и возможностей ещё не завершена, поэтому заявленные свойства не подтверждены результатами тестирования. Модель распространяется по MIT-лицензии базовой Ling-3.0-flash, однако доступ к репозиторию платный, а README запрещает перераспространение весов за пределами выданного разрешения. Карточка рекомендует развёртывать модель только в контролируемой среде с разграничением доступа, журналированием и проверкой результатов.

LlavaGuard-v1.2-7B-OV — мультимодальная модель AIML-TUDA для оценки безопасности содержимого изображений и текстовых запросов. Она дообучена на наборе LlavaGuard-DS на базе lmms-lab/llava-onevision-qwen2-7b-ov и использует архитектуру LLaVA-OneVision с Qwen2. Модель принимает изображения и текст, поддерживает диалог и формирует текстовые ответы с обоснованием оценки безопасности. Модель рассчитана на проверку пользовательских запросов с изображениями по таксономии безопасности LlavaGuard. Заявленное контекстное окно — 32K токенов. Для инференса поддерживаются веса Transformers; настройка модели не поддерживается. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

LLM4Decompile 1.3B — языковая модель семейства Llama, разработанная командой LLM4Decompile и дообученная на DeepSeek-Coder. Она преобразует инструкции ассемблера x86 в исходный код на C; для обучения использовались 4 млрд токенов пар «ассемблер — C», скомпилированных из AnghaBench. Модель подходит для анализа и восстановления кода из дизассемблированных бинарных файлов, а также для экспериментов с декомпиляцией и последующей проверкой результата компилятором и запуском. Размер модели — 1,3 млрд параметров, нативная длина контекста — 16 384 токена. Репозиторий содержит веса в формате safetensors. В README приведены оценки перекомпилируемости и повторного выполнения на разных уровнях оптимизации, однако доступный фрагмент таблицы неполон. Модель может ошибаться при восстановлении исходной структуры и поведения программы, поэтому сгенерированный код следует проверять. Лицензия указана как other; конкретные условия использования следует сверить с карточкой модели и лицензией базовой модели.

LLM4Decompile-6.7B-NSP — модель семейства Llama, дообученная командой LLM4Decompile на DeepSeek-Coder для преобразования инструкций x86 assembly в код на C. Для обучения использовались 4 млрд токенов пар assembly–C, скомпилированных из AnghaBench. Модель принимает текст с ассемблерным кодом и генерирует текст с восстановленным исходным кодом; в README указана средняя доля повторного выполнения около 0,17 для версии NSP. Модель подходит для анализа дизассемблированных программ, восстановления читаемого C-кода и исследовательских экспериментов по декомпиляции. В метаданных указаны 6,6 млрд параметров, контекст 8192 токена и лицензия MIT. Оценки в карточке показывают, что качество зависит от уровня оптимизации исходной компиляции; восстановленный код требует проверки и не гарантирует точного совпадения с оригиналом.

NetWatch Flow Cascade — каскад моделей для раннего обнаружения сетевых атак и прогнозирования дальнейшего распространения кампании. Модель разработана автором репозитория kaustuk000 и обучена на CSE-CIC-IDS2018. Детектор определяет семейство атаки по первым 10 мс сетевого потока, пока соединение ещё открыто; отдельная временная графовая модель прогнозирует, какие активные узлы могут стать следующими целями. Каскад включает энкодеры потоков и контекста, а также world model в стиле TGN; этапы обучаются и замораживаются отдельно. Предназначена для анализа PCAP и потокового мониторинга сетевого трафика, а также исследований на CSE-CIC-IDS2018. README приводит высокие результаты для нескольких семейств атак при внутридневной оценке и заявляет обработку около 7 800 потоков в секунду на одном CPU-ядре. Для Endpoint обработчик принимает уже извлечённый вектор признаков шириной 132; извлечение признаков из пакетов требует отдельного кода репозитория. Лицензия MIT. Пороговые значения откалиброваны на benign-трафике исходного набора и перед применением в другой сети требуют повторной калибровки. Оценка не подтверждает переносимость на другие дни, сети или неизвестные типы атак; результаты для некоторых веб-атак опираются на слишком малую выборку. Прогнозы являются ранжированием, а не вероятностями, и не содержат оценки времени до события.

Ornith-1.5-35B-A3B-uncensored-GGUF-8bit — мультимодальная vision-language модель, опубликованная junafinity на базе Ornith-1.5-35B-A3B от ornith-ai. Это abliterated-сборка: из языковой части удалено направление, связанное с отказами, с помощью Abliterix 1.12.2. Модель предназначена прежде всего для red teaming и исследований защитной кибербезопасности: измерения верхней границы возможностей, тестирования фильтров входных данных, классификаторов вывода, защиты от prompt injection и tool abuse, а также подготовки данных для систем обнаружения злоупотреблений. Модель содержит 35B параметров с MoE-архитектурой A3B, поддерживает обработку текста и изображений, а распространяется в формате GGUF с квантизацией Q8_0 (8 бит) для использования, в частности, через llama.cpp. Vision tower поставляется отдельным файлом mmproj, который необходимо загрузить вместе с весами для работы с изображениями. MTP-блок сохранён в основном GGUF-файле, поэтому поддерживается speculative decoding. Точные языки и размер контекстного окна в README не указаны. К сильным сторонам относятся мультимодальность, сохранение vision tower и MTP-блока, а также существенное снижение отказов на указанном тестовом наборе: с 100 до 9 из 100 у родительской модели в измерениях на bf16-версии. При этом показатели относятся к bf16-родителю, а не непосредственно к данной квантизированной сборке. Abliteration не гарантирует полного отсутствия отказов и может влиять на поведение модели; перед развёртыванием требуется независимый слой модерации, а результаты рекомендуется сравнивать с исходной моделью. Лицензия — Apache-2.0.

PhishByte v10 — это компактная модель SamSec007 для выявления фишинговых писем. Она написана на PyTorch с нуля, без предобученной языковой модели и трансформера; содержит 743 571 параметр и распространяется по лицензии MIT. Модель принимает исходный текст письма и анализирует заголовки, адреса и домены отправителя, ссылки, текст письма и результаты SPF, DKIM и DMARC из заголовка Authentication-Results. Контекстная архитектура сопоставляет эти признаки, чтобы классифицировать письмо как фишинговое или безопасное. Модель рассчитана на англоязычную электронную почту и может использоваться для первичного анализа подозрительных писем и как один из сигналов в системе защиты почты. Обучение проводилось на наборах CEAS-2008, Enron Email, SpamAssassin, Ling-Spam, Nazario Phishing и Nigerian Fraud. Значительная часть данных датируется временем до 2010 года, поэтому современные схемы фишинга могут быть представлены недостаточно. Ложные срабатывания на маркетинговые и служебные письма сохраняются; устойчивость к целенаправленным обходам не проверялась. Результаты тестирования автором не подтверждены независимой оценкой, а модель не подготовлена для промышленной эксплуатации как самостоятельный фильтр.

Qwen3.8-27B-Uncensored-GGUF — это модифицированная версия Qwen3.8-27B, разработанная xCloudinfo (云碩科技) на базе модели Qwen/Qwen3.8-27B. Модель распространяется в формате GGUF и предназначена для генерации текста, рассуждений, исследовательских задач в области кибербезопасности, red teaming, анализа модерации контента и сценариев, где чрезмерные отказы модели снижают практическую полезность. README указывает поддержку китайского и английского языков, а также сохранённую визуальную составляющую через отдельный файл mmproj. Модель основана на смешанной архитектуре с линейным вниманием и компонентами reasoning. Для снижения чрезмерных отказов применена abliteration — ортогонализация направления отказа без дополнительного обучения — с оптимизацией параметров по показателям отказов и KL-дивергенции. Заявлено, что на закрытом наборе из 10 опасных запросов версия Q4_K_M не дала отказов, однако это ограниченный тест и не означает полного удаления защитного поведения. Доступны варианты квантования Q8_0, Q6_K, Q5_K_M, Q4_K_M, IQ4_XS и IQ2_M размером от 10,0 до 28,6 ГБ; также предоставляется визуальный проектор объёмом 0,9 ГБ. Сильными сторонами являются уменьшение избыточных отказов, сохранение заявленных общих способностей и поддержка изображений. Ограничения включают зависимость качества от выбранного уровня квантования, отсутствие гарантии устранения всех отказов и возможные ограничения фактической точности и мировоззренческих установок, унаследованных от базовой модели. Лицензия — Apache-2.0; автор подчёркивает необходимость законного и ответственного использования.