II.11Кибербезопасность и приватность

ppsub/Qwen-PhishDetectAI-SMS-GRPO — дообученная модель ppsub для генерации текста на базе Qwen2.5-1.5B-Instruct. Карточка указывает на обучение с использованием Unsloth и библиотеки TRL; имя модели предполагает применение для обнаружения фишинговых SMS с помощью GRPO, однако README не описывает формат запросов или поведение классификатора. Модель построена на плотной архитектуре Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Метаданные указывают английский язык, текстовую генерацию и диалоговые возможности. Лицензия — Apache-2.0.

Это конверсия официального чекпойнта ReDimNet2 B3 для MLX, подготовленного на VoxCeleb2-dev до дообучения с large-margin loss. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт 192-мерные эмбеддинги голоса, которые можно использовать для сравнения говорящих и верификации личности по голосу. Репозиторий содержит веса в формате safetensors и предназначен для запуска через MLX. По README, эмбеддинги совпадают с результатами эталонной реализации PyTorch с относительной ошибкой до 4,4×10⁻⁶ в проверке на CPU с float32. Лицензия — MIT.

RedSage-K-GRPO — разработанная RISys-Lab при Khalifa University модель на 7,6 млрд параметров для преобразования запросов на естественном языке в команды Kali Linux. Это плотная Qwen3ForCausalLM с 36 слоями, дообученная методом Group Relative Policy Optimization (GRPO) на проверяемых наградах из бенчмарка KaliBench; модель выпущена в виде объединённых LoRA-весов BF16 Safetensors и загружается через Transformers. Указанный размер контекста — 32 768 токенов. Модель предназначена для помощи в выборе инструментов Kali Linux и составлении команд по запросу, в том числе с ограниченным списком инструментов или документацией по целевому инструменту. KaliBench включает 1 642 подинструмента и 23 измерения возможностей. Средний суммарный балл на тестовом разделении составил 76,9%; качество заметно зависит от режима подсказки, а точное совпадение команды в режиме без подсказок составило 28,1%. Модель работает с текстовыми запросами и выдаёт текст, содержащий команду и запрошенное рассуждение. Карточка указывает английский язык; оценка не подтверждает многоязычные или универсальные диалоговые возможности. Лицензия в предоставленных данных не указана. Модель предназначена для исследований, обучения и помощи с командами в авторизованных средах; перед выполнением команды её следует проверить.

Модель SpeechBrain извлекает голосовые эмбеддинги x-vector для проверки и идентификации говорящего. Она построена на TDNN со статистическим pooling и обучена с функцией потерь Categorical Cross-Entropy на VoxCeleb1 и VoxCeleb2. Модель предназначена для создания векторных представлений речи, которые можно использовать при сравнении голосов и построении систем верификации говорящего. В тесте VoxCeleb1-test (очищенная выборка) указана частота ошибок EER 3,2%. Для работы обучающие записи использовались в формате 16 кГц, моно; при вызове classify_file SpeechBrain автоматически приводит аудио к нужной частоте дискретизации и одному каналу. Репозиторий предоставляет веса PyTorch и инструменты для работы через SpeechBrain. Модель распространяется по лицензии Apache-2.0. Авторы не гарантируют аналогичную производительность на других наборах данных.

Это модель проверки сходства голосов на основе WavLM-large и ECAPA-TDNN, представленная UniSpeech и адаптированная для работы с PyTorch, torchaudio и Transformers. Она извлекает акустические признаки и голосовые эмбеддинги для сравнения записей речи. Модель предназначена для проверки, принадлежат ли две аудиозаписи одному говорящему, например при сопоставлении эталонной и проверяемой записи. В README указано, что результаты совпадают с кодом проверки говорящего из Seed-TTS Eval. Репозиторий содержит веса в формате safetensors и распространяется по лицензии CC BY-SA 3.0.

Cr2do/ai-detector — классификатор изображений на базе Vision Transformer (ViT), дообученный для проекта SteganographIA (MIAGE TPI). Он различает два класса: реальные изображения и изображения, сгенерированные ИИ. Модель содержит 113,2 млн параметров и распространяется в формате Safetensors по лицензии MIT. Модель предназначена для проверки происхождения изображений, в том числе после обработки, характерной для социальных сетей. При обучении применялись JPEG-сжатие, изменение размера, отражение и размытие. На тесте Defactify указаны accuracy и macro F1 0,934; на наборе SuSy с генераторами, не встречавшимися при обучении, — 0,868. Для сравнения используется базовая модель google/vit-base-patch16-224. Модель принимает изображение и выдаёт класс real или ai_generated. Изображения приводятся к размеру 224×224, поэтому детали и артефакты высокого разрешения могут теряться. На неизвестных генераторах полнота ниже; результаты оценки не гарантируют точность для всех источников и способов обработки изображений.

BSCA BGE-Micro-v2 Gold v3 Multidomain — компактная BERT-модель Labradorlabs для получения эмбеддингов псевдокода C после снятия символов и исходного кода. Она дообучена на базе TaylorAI/bge-micro-v2 контрастивным методом для поиска соответствий между декомпилированным псевдокодом и исходными функциями в задачах анализа бинарных файлов. Модель содержит 18,8 млн параметров; README указывает размер эмбеддинга 384 и максимум 384 токена, а метаданные — контекст 512 токенов. Для получения векторов применяются mean pooling с маской внимания и L2-нормализация. Модель предназначена для поиска исходного кода по псевдокоду в ограниченной области поставки Gold: ELF/Linux и PE x86_64 Windows-GNU, для представлений direct-TU. На замороженном тесте указаны R@1 0,3294, R@10 0,6488 и MRR 0,4431. Используйте одну и ту же ревизию модели для запросов и индексируемых векторов. В README отмечено, что модель ещё не прошла внешний слепой SCA-гейт. Лицензия — MIT.

AbijithwearsHUGGIES подготовил дообученную модель CodeBERT для классификации фрагментов кода Solidity по четырём типам уязвимостей смарт-контрактов: Reentrancy, Integer Overflow, Timestamp Dependency и Dangerous Delegatecall. Модель основана на microsoft/codebert-base, использует архитектуру RoBERTa с классификационной головой и содержит 151,8 млн параметров. Максимальная длина входа — 514 токенов; веса доступны в форматах Safetensors и ONNX. Модель предназначена для отнесения уязвимого контракта к одному из четырёх классов, например при исследовании Solidity-кода. Она всегда выбирает класс и не умеет сообщать, что уязвимостей нет. Обучение проводилось на 387 размеченных контрактах; автор приводит результаты на небольшой тестовой выборке и отмечает нестабильность классификации Integer Overflow. Лицензия — MIT.

ERes2NetV2 — модель для проверки личности говорящего, разработанная Alibaba и представленная здесь в виде экспорта ONNX, преобразованного из iic/speech_eres2netv2_sv_zh-cn_16k-common. Архитектура ERes2NetV2 содержит около 17,8 млн параметров; файл весит примерно 71 МБ и хранит веса вместе с моделью. Репозиторий распространяет модель в формате ONNX Opset 18, float32, для запуска через ONNX Runtime. Модель принимает логарифмические Mel-фильтры размерностью 80, рассчитанные для аудио с частотой 16 кГц, и выдаёт вектор эмбеддинга говорящего размерностью 192. Размеры пакета и временной последовательности динамические. Эмбеддинги предназначены для сравнения голосов по косинусному сходству и кластеризации говорящих; перед сравнением README предписывает нормировать векторы по L2. Карточка приводит ориентировочные пороги сходства и расстояния для проверки совпадения и кластеризации. Модель подходит для голосовой верификации и как компонент диаризации, но сама не возвращает транскрипт или метки говорящих по временным отрезкам. Для работы требуется предварительно извлечь признаки log-Mel в заданном формате; пороги сходства являются ориентировочными. Лицензия — Apache-2.0.

FiSeR DINOv3 ViT-L/16 — визуальный энкодер, дообученный командой FiSeR с помощью иерархического supervised contrastive learning на обучающей части WildFake. Модель основана на facebook/dinov3-vitl16-pretrain-lvd1689m и содержит 402,7 млн параметров; веса сохранены в формате safetensors. Она принимает изображение и выдаёт 1024-мерное представление CLS для дальнейшей обработки.

GuardReasoner-VL-7B — мультимодальная модель семейства Qwen2.5-VL, дообученная разработчиками репозитория yueliu1999 на основе Qwen/Qwen2.5-VL-7B-Instruct методами R-SFT и онлайн RL. Она предназначена для защитного анализа изображений с рассуждением и применяется в сценариях, где нужно оценить визуальный запрос с точки зрения безопасности. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2_5_VLForConditionalGeneration, поддерживает изображения и текст, а также диалоговый режим. Родная длина контекста — 128 000 токенов; заявленные языки карточки — английский и китайский. Модель распространяется в формате safetensors по лицензии Apache-2.0.

QuantFactory/Llama-Guard-3-8B-GGUF — модель в формате GGUF, связанная с Llama Guard 3 и размещённая QuantFactory. По доступным данным, это текстовая модель для генерации текста; исходная модель разработана Meta и относится к семейству Llama 3.1. README не содержит подробного описания архитектуры, точного числа параметров, длины контекста, поддерживаемых языков, методов квантования или требований к ресурсам. Модель, вероятно, предназначена для задач классификации и фильтрации текстового контента, связанных с безопасностью, однако конкретные сценарии использования и характеристики именно этой сборки в README не указаны. Сильной стороной является формат GGUF, обычно предназначенный для локального запуска совместимыми инструментами, но сведения о типе квантования и производительности отсутствуют. Использование регулируется Llama 3.1 Community License: требуется соблюдать её условия, Acceptable Use Policy и требования к атрибуции; для распространения материалов предусмотрена маркировка «Built with Llama», а для продуктов с более чем 700 миллионами активных пользователей требуется отдельное разрешение Meta.

spamfighters/modernbert-spam-classifier — дообученный классификатор спама на базе русскоязычного энкодера deepvk/RuModernBERT-base. Модель относится к семейству ModernBERT, использует плотную архитектуру ModernBertForSequenceClassification и содержит 149 млн параметров. Она предназначена для классификации текстов; контекст модели составляет до 8192 токенов. Модель можно применять для автоматического выявления спама в сообщениях и текстовых потоках. В README указаны результаты на оценочной выборке: accuracy 0,9963 и F1 0,9963, однако набор данных обозначен как None, а его состав и методика оценки не раскрыты. Модель распространяется по лицензии Apache-2.0.

Nemesis — дообученная модель RootMonsteR, созданная совместно с JAF Systems и rnd.sh на базе Qwen/Qwen3.6-27B. Это плотная языковая модель для генерации текста с архитектурой Qwen3_5ForCausalLM, объёмом 22,3 млрд параметров и контекстом до 262 144 токенов. Репозиторий содержит веса safetensors; модель распространяется по лицензии Apache-2.0. Модель предназначена для авторизованного тестирования на проникновение, red-team-операций, CTF, обучения и исследований безопасности. Она помогает планировать разведку и проверку систем, рассуждать о возможных уязвимостях и выполнять многошаговые сценарии с вызовом внешних инструментов. README сообщает о дообучении методом QLoRA на данных по offensive security, кибербезопасности и вызову функций; заявленная поддержка tool calling не означает, что модель сама запускает инструменты. В карточке приведены результаты на узких авторских наборах задач, включая проверки следования разрешённым сценариям и структурированных вызовов инструментов; эти результаты не являются широким независимым бенчмарком. Автор указывает, что лучшее следование инструкциям достигается с рекомендованным системным промптом, сведения об эксплойтах и командах следует проверять, а ответы могут содержать промежуточные рассуждения. Модель заявлена для законной работы в согласованных рамках и отказывается от запросов на несвязанный вред.

Qwen3.8-27B-Uncensored-Cyber-GGUF — это квантизированная версия модели HFCK99/Qwen3.8-27B-Uncensored-Cyber, подготовленная mradermacher в формате GGUF. Модель относится к семейству Qwen3 и предназначена для задач генерации и обработки текста, связанных с тематикой кибербезопасности. В README также заявлена поддержка сценариев image-text-to-text с использованием отдельного мультимодального компонента mmproj. Модель содержит 27 млрд параметров и доступна в нескольких вариантах квантизации от Q2_K до Q8_0, включая IQ4_XS. Размер файлов составляет примерно от 11 до 29,1 ГБ, а для мультимодальной обработки используются дополнительные файлы mmproj размером 0,7 или 1,0 ГБ. Указан английский язык. Контекстное окно и точные архитектурные характеристики в README не приведены. Разные уровни квантизации позволяют выбирать между требованиями к памяти, скоростью и качеством; автор рекомендует варианты Q4_K_S и Q4_K_M как быстрые, а Q8_0 отмечен как вариант с лучшим качеством. При этом низкие уровни квантизации могут заметно снижать качество ответов, а для мультимодальных сценариев требуется отдельный mmproj-файл. Лицензия модели — Apache-2.0.

Qwen-SEA-Guard-8B-2602 — модель для классификации безопасности, разработанная AI Products Pillar организации AI Singapore и дообученная на SEA-Guard для контекстов Юго-Восточной Азии. Это плотная мультимодальная модель семейства Qwen3-VL с декодерной архитектурой; она принимает текст и изображения и возвращает текстовую метку «safe» или «unsafe». Контекстное окно — 128 тыс. токенов. Модель предназначена для проверки безопасности текстового и визуально-текстового контента, в том числе с учётом культурных контекстов региона. Поддерживаемые языки: бирманский, английский, индонезийский, малайский, тагальский, тамильский, тайский и вьетнамский. В карточке указана лицензия Apache-2.0. Модель может выдавать галлюцинации, нерелевантные или необоснованные результаты, поэтому её метки следует проверять, а решения о безопасности не следует считать окончательными без дополнительной оценки. Для повышения скорости вывода поддерживается vLLM; карточка также указывает на возможность дальнейшего дообучения.

SecureBERT+ — англоязычная модель RoBERTa для работы с текстами по кибербезопасности, разработанная как улучшенная версия SecureBERT. Она дообучена на корпусе кибербезопасности, который в пять раз больше корпуса предшественника; размер модели — 151,8 млн параметров, контекст — до 514 токенов. Основная задача — восстановление скрытых слов в тексте (masked language modeling), а выходные представления модели также подходят для адаптации к профильным NLP-задачам. По данным README, SecureBERT+ в среднем на 6% улучшает результаты SecureBERT в masked language modeling. Модель предназначена для анализа и представления англоязычных материалов о кибербезопасности. Она может хуже обобщать на другие предметные области; обучающие данные из открытых источников могут содержать предвзятость, устаревшие сведения и ошибки, а терминология быстро меняется. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией в некоммерческих целях.

SmartBERT-v2 — модель на базе RoBERTa/CodeBERT, разработанная web3se для семантического анализа функций смарт-контрактов. Она продолжает предобучение microsoft/codebert-base-mlm на корпусе примерно из 16 тысяч смарт-контрактов, преимущественно на Solidity, с помощью задачи восстановления замаскированных токенов. Модель предназначена прежде всего для получения векторных представлений кода, которые можно использовать для определения назначения контрактов, поиска похожего кода, классификации контрактов и анализа уязвимостей. Модель содержит 151,8 млн параметров, работает с текстовым представлением кода и имеет контекст до 514 токенов. Она адаптирована к предметной области смарт-контрактов, а README сообщает, что при обучении исключили около 4 тысяч контрактов из оценочного набора SmartIntent V2. Для последующего применения в README рекомендуется SmartBERT V3. Репозиторий предоставляет веса PyTorch; лицензия — MIT. Для прикладных задач классификации и выявления уязвимостей модель потребуется использовать в соответствующем downstream-пайплайне.

cybert79/spamai — модель классификации текста для выявления спама в электронных письмах и сообщениях. По карточке, её разработали исследователи в области ИИ и кибербезопасности, дообучив bert-base-uncased на наборах SetFit/enron_spam и Deysi/spam-detection-dataset. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает текст длиной до 512 токенов. Карточка указывает английский язык и сообщает о точности 99,55% и оценочной функции потерь 0,0448 на тестовом разделении использованных наборов данных. Модель подходит для фильтрации спама в почте и текстовых сообщениях. Она не предназначена для выявления фишинга, вредоносных вложений или других угроз за пределами текстового спама; качество может снижаться на языках, отличных от английского, и на данных, не похожих на обучающие. Лицензия указана как неизвестная.

Это LoRA-адаптер безопасности для многоязычной модели Beko2210/statim-decide-multilingual-base версии 0.7.0, разработанный для улучшения решений в категории safety. Он предназначен для классификации коротких текстов и выдачи типизированных решений, например ответа «да/нет» по заданному критерию. В метаданных основная задача указана как zero-shot-classification; адаптер распространяется в форматах GGUF и safetensors и требует Statim 0.8.0 или новее. В эксперименте на 1 350 элементах для каждой ячейки адаптер повысил среднюю оценку с 0,7081 до 0,8059 при загрузке f32 со слиянием и до 0,8111 для q8_0 с runtime LoRA. README указывает, что языки за пределами проверенного набора не тестировались; автоматизировать решения о людях без проверки специалистом не рекомендуется. Адаптер привязан к базовой модели с конкретным fingerprint и не работает с базой, fingerprint которой отличается. С 3 октября 2026 года адаптер и требуемая базовая модель распространяются только по лицензии PolyForm Noncommercial 1.0.0: коммерческое использование не разрешено.

Компактный классификатор электронных писем TinyBERT, разработанный Daniel Eder и дообученный на данных, полученных из Enron. Модель относит текст письма, при необходимости вместе с темой, к классу «спам» или «обычное письмо»; она рассчитана на сценарии с низкой задержкой и небольшими вычислительными затратами. В основе — BERT-архитектура TinyBERT с 4 слоями и размерностью скрытого представления 312; модель содержит 15,6 млн параметров и принимает до 512 токенов. Она оптимизирована для малого числа ложных срабатываний, поэтому может пропускать часть спама; порог классификации можно снизить, чтобы повысить полноту обнаружения. Длинные переписки рекомендуется очищать или обрабатывать частями. Обучение на письмах в стиле Enron ограничивает перенос на потребительскую почту, а качество на неанглийском тексте может снижаться. Лицензия — MIT.

Это модель бинарной классификации текстов, созданная с помощью AutoTrain на базе архитектуры RoBERTa. Она предназначена для отнесения текста к одному из двух классов в задаче классификации текстов о безопасности; репозиторий связан с обучающим набором vlsb/autotrain-data-security-texts-classification-roberta. Модель содержит 151,8 млн параметров, принимает текст и выдаёт метку класса. Длина контекста составляет 514 токенов. На валидации указаны accuracy 0,893 и F1 0,907; эти показатели характеризуют только использованный набор данных и не гарантируют качество на других текстах. В README не приведены названия классов и лицензия, поэтому их нельзя уточнить.

BinSeek-Embedding — модель эмбеддингов от XingTuLab для поиска функций в stripped-бинарных программах по текстовому описанию или декомпилированному псевдокоду. Она обучена сопоставлять семантику бинарного кода и естественного языка и предназначена для первого этапа двухэтапного поиска: быстро извлекать кандидатов, после чего BinSeek-Reranker может переоценить их с учётом контекста вызовов. Модель построена на архитектуре Qwen3, содержит около 256 млн параметров по метаданным и выдаёт векторы размерности 1024. В README указано ограничение в 4096 токенов, тогда как метаданные каталога сообщают нативный контекст 32768 токенов. Поддерживаются английский и китайский языки; область применения — анализ бинарного кода. Лицензия — GPL-3.0. В README приведены результаты поиска, превосходящие указанные сравниваемые модели на описанной задаче, но применять её для общего поиска или других языков без проверки не следует.

ChineseGuard-7B — дообученная командой ZJUNLP языковая модель для выявления вредоносного содержания в китайском тексте. Она основана на Qwen2.5-7B-Instruct и представлена как модель классификации текста; карточка показывает пример проверки отдельного китайского сообщения. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель предназначена для автоматической модерации и обнаружения потенциально вредоносных китайских сообщений. В метаданных указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка содержит мало сведений о схеме меток и качестве классификации, поэтому перед внедрением результаты следует оценить на целевых данных.

LLM4Decompile-6.7B-UO — модель семейства Llama, разработанная авторами проекта LLM4Decompile и дообученная на базе DeepSeek-Coder для декомпиляции инструкций x86 в код на C. Она предназначена для анализа ассемблерного кода и восстановления исходного кода, в том числе при неизвестном уровне оптимизации компилятора. Модель содержит 6,6 млрд параметров, имеет контекст длиной 8192 токена и распространяется в форматах PyTorch и Safetensors. Модель обучена на 4 млрд токенов пар «ассемблер—C», скомпилированных из AnghaBench. Для версии UO средняя доля повторно выполняемого результата в оценке авторов составляет около 0,21; это указывает на ограничения точного восстановления поведения программы. Лицензия — MIT.

Model Alpha — дообученная версия Qwen3-8B, разработанная Lyuboslav Lyubenov для обнаружения уязвимостей высокой степени тяжести в Solidity-смарт-контрактах. Модель предназначена для защитного аудита, первичной сортировки находок при ревью кода и исследований LLM-анализаторов безопасности. Она ориентирована на EVM-совместимые сети и такие сценарии, как DeFi, NFT, мосты, оракулы, кошельки, стейблкоины и governance-контракты. Модель использует архитектуру Qwen3ForCausalLM с 36 слоями и hidden_size 4096. Производственная длина контекста составляет 16 384 токена, архитектурный максимум — до 40 960 токенов. Весовая версия имеет AWQ-квантизацию W4A16 с pack-quantized форматом, group_size 128 и поддержкой compressed-tensors; размер на диске — около 5,7 ГБ. Доступно использование через Transformers или vLLM, включая OpenAI-совместимый endpoint. Модель может быть полезна как инструмент триажа благодаря специализации на Solidity и анализу контекста графа вызовов, однако демонстрирует зависимость качества от формата промпта и количества выборок. Для неё характерны ложные срабатывания на безопасных шаблонах, включая assembly и низкоуровневые вызовы; она не оптимизирована для многошагового диалога и её эффективность для Vyper, Move и Cairo неизвестна. Рекомендуется использовать её как вспомогательный инструмент, а не как окончательный источник аудиторского решения. Релиз разрешён только для защитных задач безопасности: аудита, исследований уязвимостей в авторизованных системах, академических работ и инструментов обнаружения или устранения уязвимостей. Коммерческое использование, перераспределение в виде hosted-сервиса и offensive use не предоставляются; веса доступны пользователям с аккаунтом Hugging Face.

nexus-security-GGUF — квантованная GGUF-версия модели NEXUS-Security, разработанной fableforge-ai в экосистеме FableForge и опубликованной пользователем King3Djbl. Модель предназначена для исследований в области кибербезопасности, пентестинга, разработки защитных инструментов и связанных сценариев генерации текста. Она позиционируется как специализированная, компактная и без встроенных отказов по тематике безопасности. Модель относится к классу 1,5B и поддерживает текстовый ввод и вывод на английском языке. Указаны совместимость с llama.cpp, Ollama и LM Studio, а также формат диалогов ChatML. Репозиторий содержит варианты квантования от F16 до IQ2_XXS размером примерно от 3,09 до 0,51 ГБ; Q4_K_M заявлен как оптимальный баланс размера и качества, Q6_K — как вариант высокого качества, а IQ4_XS — для систем с небольшим объёмом оперативной памяти. В README приведён внутренний результат оценки 144/150 (96%) на 30 запросах по знаниям в предметной области, рассуждению и работе с инструментами, однако независимая методика и обобщаемость этого результата не подтверждены. К ограничениям относятся небольшой размер модели, возможное снижение качества на сложных задачах и потеря точности при агрессивном квантовании. Размер контекстного окна, точная архитектура и сведения о мультимодальности в README не указаны; по описанию это текстовая модель. Модель распространяется по лицензии Apache-2.0.

Ornith-1.5-9B-uncensored-GGUF-8bit — мультимодальная модель на 9 млрд параметров, опубликованная junafinity на основе Ornith-1.5-9B от ornith-ai. Это abliterated-сборка: из языковой части удалено направление, связанное с отказами, с помощью ZeroFuse. Модель поддерживает работу с текстом и изображениями; для обработки изображений в llama.cpp требуется отдельный файл mmproj-*.gguf. Языки и размер контекстного окна в README не указаны. Модель предназначена прежде всего для red teaming, исследований защитной кибербезопасности, оценки предельных возможностей базовой модели, тестирования фильтров, классификаторов, защиты от prompt injection и других защитных механизмов. Отсутствие части встроенных отказов облегчает автоматизированное тестирование и генерацию данных для систем модерации, однако отдельные отказы могут сохраняться, в том числе при многошаговом взаимодействии, системном управлении и обработке изображений. Распространяется в формате GGUF с 8-битной квантизацией Q8_0 для запуска через llama.cpp. Vision tower сохранён и, согласно README, функционально проверен; MTP-блок в исходной линии отсутствует, поэтому конвертация выполнена без него. Ограничения включают необходимость самостоятельного обеспечения модерации и риск небезопасных ответов: модель не следует публиковать как открытый endpoint без независимого защитного слоя. В README указана лицензия Apache-2.0.

PurpleHound-Embed-v1 — текстовая модель эмбеддингов от 78ResearchLab для поиска техник и действий кибератак по описанию поведения. Она создана дообучением Qwen/Qwen3-Embedding-0.6B и предназначена прежде всего для поиска по MITRE ATT&CK и для функции поиска действий в чат-боте PurpleHound BAS, используемом при моделировании атак и проверке безопасности. Модель построена на архитектуре Qwen3, содержит около 508 млн параметров и выдаёт векторы размерностью 1024. Максимальная длина последовательности — 32 768 токенов. Поддерживает корейский и английский языки; запросам рекомендуется добавлять инструкцию в формате `Instruct: {task}\nQuery: {text}`, а документы индексировать без префикса. Репозиторий использует Sentence Transformers и формат safetensors. В опубликованных оценках модель превосходит сравниваемые открытые модели на поиске техник ATT&CK и внутренних сценариях поиска действий; для общего корейского и английского поиска результаты близки к базовой модели, но не всегда лучше. Настройка ориентирована на короткие запросы об атакующем поведении, поэтому улучшений для поиска по длинным документам не заявлено. Это модель для поиска и сопоставления описаний, а не для обнаружения атак или обеспечения безопасности. Лицензия — Apache-2.0.

ReDimNet2 B1 — преобразованная для MLX версия официального чекпойнта b1-vox2-lm.pt, подготовленная для проверки и сравнения голосов. Модель принимает монофоническое аудио с частотой дискретизации 16 кГц и формирует вектор эмбеддинга диктора размерностью 192; карточка описывает её как версию с дообучением large-margin, рекомендованную авторами исходного чекпойнта. Модель предназначена для получения признаков голоса, которые можно использовать в системах верификации диктора и сравнения речевых записей. По данным карточки, эмбеддинги MLX совпадают с результатами PyTorch с относительной ошибкой до 3,4 × 10⁻⁶ в худшем случае на CPU при float32. Репозиторий содержит веса safetensors; лицензия — MIT. В карточке не указаны ограничения по языкам или известные ограничения качества.