II.11Кибербезопасность и приватность

ReDimNet2 B4 — конверсия официального чекпойнта модели для верификации диктора в формат MLX. Модель принимает монофоническое аудио с частотой 16 кГц и формирует вектор эмбеддинга диктора размерностью 192, который можно использовать для сравнения голосов. Чекпойнт обучен на VoxCeleb2-dev и опубликован до этапа дообучения с large-margin. Версия для MLX сохраняет близкое соответствие PyTorch-реализации: README сообщает об относительной ошибке до 3,1×10⁻⁶ на CPU в float32. Репозиторий содержит веса Safetensors и распространяется по лицензии MIT.

SpeechBrain ECAPA VoxCeleb MLX — конвертированный экспорт весов SpeechBrain ECAPA-TDNN для локального запуска на Apple Silicon через MLX. Модель содержит около 20,77 млн параметров и выдаёт 192-мерный L2-нормализованный вектор голоса, пригодный для сравнения по косинусному сходству. Она предназначена для извлечения голосовых признаков и сравнения говорящих: например, проверки, принадлежат ли две аудиозаписи одному человеку. Экспорт включает MLX-граф ECAPA и воспроизводимый log-mel фронтенд. В README приведена проверка близости выходов к PyTorch-версии, но указанный EER 0,80% относится к исходной модели на очищенном VoxCeleb1 и не подтверждает качество этого экспорта на новых данных. Модель принимает аудио и возвращает векторные эмбеддинги. В метаданных указан английский язык. Лицензия — Apache-2.0; веса в формате Safetensors представлены в FLOAT16. Экспорт рассчитан на Apple Silicon и MLX.

Nahrawy/AIorNot — модель классификации изображений на базе Swin-Tiny-Patch4-Window7-224, дообученная разработчиком на наборе данных aiornot. Она определяет, является ли изображение настоящим или сгенерированным ИИ, и возвращает класс «Real» или «AI». Модель содержит 33 млн параметров и распространяется в формате PyTorch для использования через Transformers. Модель предназначена для проверки происхождения изображений и первичной фильтрации изображений, созданных генеративными системами. Она принимает изображения и выдаёт метку класса. В карточке указан английский язык меток. Лицензия — Apache-2.0. Результат классификации не гарантирует достоверного определения происхождения для любых генераторов, типов изображений или способов обработки.

ASGTransformer — модель генерации сценариев для защитной кибербезопасности, представленная в репозитории wasmdashai/asg-v1. Она объединяет семантический энкодер, планировщик сценариев и их длительности, генератор профессионального текста и каталог знаний. Модель принимает текст и формирует структурированный сценарий; заявлена поддержка нескольких языков и работа через библиотеку Transformers на CPU и GPU. Модель предназначена для авторизованных учебных и корпоративных задач: подготовки учений по реагированию на инциденты, сценариев tabletop и purple team, обучения осведомлённости сотрудников, разработки обнаружений и проверки средств защиты. В карточке не приведены размер модели и длина контекста. Лицензия не указана в доступных данных.

DhvaniGuard v0 — модель классификации текста от speedsharma, дообученная на базе google/muril-base-cased. Она помечает текст одной реплики транскрипта голосового агента как SAFE или INJECTION, чтобы выявлять попытки prompt injection и jailbreak в индийских языках и код-смешанной речи, включая хинглиш, романизированные формы индийских языков и деванагари. Модель построена на архитектуре BERT, содержит 264,8 млн параметров и принимает последовательности длиной до 512 токенов. README описывает обучение классификационной головы на синтетических примерах атак и обычных обращений клиентов банков и телеком-компаний; лицензия — MIT. Модель рассчитана на фильтрацию транскриптов для голосовых агентов и заявляет поддержку 15 индийских языков и речевых стилей. В README приведены результаты на авторских тестах и оценка задержки около 30 мс на CPU при max_length 64. Это ранняя специализированная модель: синтетическое обучение не гарантирует устойчивости к шуму распознавания речи, опечаткам, акцентам и новым формулировкам атак; автор не считает её готовой к эксплуатации в production.

Это англоязычная модель DistilBERT, дообученная leomaurodesenv для классификации текста. По названию репозитория она предназначена для обнаружения jailbreak-запросов, однако README не описывает метки, обучающие данные или предполагаемый сценарий применения, поэтому конкретную схему классификации подтвердить нельзя. Модель использует архитектуру DistilBertForSequenceClassification и принимает текст длиной до 512 токенов. В README приведены результаты на оценочном наборе: accuracy 0,9408 и loss 0,1853; состав и методика оценки не раскрыты. Базовая модель — distilbert/distilbert-base-uncased. Модель распространяется по лицензии Apache-2.0. Показатели оценки нельзя напрямую переносить на другие данные без сведений о наборе и разбиении; подробности о метках, обучении и ограничениях в карточке отсутствуют.

ImageShield-MMCF-2B-GGUF — мультимодальная модель для классификации контента и модерации изображений, разработанная prithivMLmods на основе Qwen/Qwen3.5-2B. Модель обучена примерно на 28 000 примерах для задач контентной безопасности и предназначена для определения визуального контента как Safe или Unsafe, в частности для выявления NSFW-сексуализированного содержания и других потенциально чувствительных материалов. Модель поддерживает обработку изображений и текста, относится к семейству image-text-to-text и распространяется в формате GGUF для запуска с llama.cpp, а также в нескольких вариантах квантования размером примерно от 1,02 до 3,78 ГБ. Точные параметры контекстного окна и полный перечень поддерживаемых языков не указаны; в метаданных заявлен английский язык. Для работы рекомендуется использовать конфигурацию на базе Transformers, отключить режим рассуждений и соблюдать оригинальный chat template. Это экспериментальный релиз, поэтому модель может демонстрировать неожиданные результаты и артефакты рассуждений. Её следует применять для исследовательских задач и классификации контента, а результаты проверять с учётом возможных ошибок. Модель распространяется по лицензии Apache-2.0.

Kali-Terminus-v2 — дообученная модель iselabvn на базе LiquidAI/LFM2.5-350M-Base для преобразования инструкции на естественном языке в одну структурированную команду терминала Kali Linux. Она использует гибридную архитектуру LFM2 с 10 свёрточными и 6 полно-внимательными слоями, содержит 444,6 млн параметров и поддерживает контекст до 128 000 токенов. Модель выдаёт вызов инструмента exec в JSON-формате для интеграции в агентные системы тестирования на проникновение. Модель предназначена для разведки сети, перечисления систем, проверки DNS и веб-сервисов, а также других ограниченных задач с инструментами Kali/Linux. В README сообщается о 92,31% строгих успешных результатов на 26 ходах в пяти сценариях и о 100% корректности разбора вызовов инструментов; эти показатели относятся к описанной небольшой оценке. Обучение проводилось на наборе из 2 418 пар инструкций и команд, с акцентом на 15 распространённых инструментов Kali/Linux. Модель ориентирована на одношаговую генерацию команд, а не на общий диалог; многошаговое выполнение требует внешнего управления состоянием. README рекомендует использовать команды только в авторизованных лабораторных средах и проверять их человеком перед запуском. Лицензия — Apache-2.0.

Это производная сборка DeepSeek-V4-Flash-0731, подготовленная Keys (drowzeys): из весов удалено поведение отказа на запросы, при этом модули DSpark MTP оставлены без изменений. Модель предназначена для локального диалогового использования, red teaming, оценки безопасности и задач, где требуется ассистент без встроенных отказов. В README описано применение на связке двух DGX Spark с Anemll и MiaAI-Lab; репозиторий содержит веса GGUF и BF16, а метаданные указывают библиотеку Transformers и задачу генерации текста. Карточка сообщает о прохождении набора проверок отказов 32 из 32 и приводит показатели скорости для конкретной конфигурации оборудования; эти результаты не гарантируют аналогичное качество или производительность в других условиях. Поддерживаются английский и китайский языки. Лицензия указана как other, доступ gated; README требует согласия с правилами ответственного использования и соблюдения ограничений лицензии базовой модели. Поскольку защитные отказы удалены, при эксплуатации необходимы внешние меры безопасности.

LionGuard 2 — разработанная GovTech многоязычная модель-классификатор для модерации контента в контексте Сингапура. Она использует эмбеддинги OpenAI text-embedding-3-large и многоголовый классификатор, который выдаёт оценки общей безопасности и отдельных категорий: ненавистнических высказываний, оскорблений, сексуального контента, физического насилия, самоповреждения и других нарушений. Для ряда категорий предусмотрены уровни тяжести. Модель предназначена для классификации текста на английском и синглиш, китайском, малайском и тамильском языках. Лицензия указана как other; конкретные условия следует сверить с карточкой модели. Число параметров и длина контекста в предоставленных сведениях не указаны.

Ne Nasedaj SMS Phishing Detector — модель Ravi Chand Mutthina для классификации SMS на фишинговые и легитимные сообщения. Она дообучена на базе classla/bcms-bertic и использует архитектуру ELECTRA с классификационной головой; в метаданных указано 137,8 млн параметров, а контекст составляет до 512 токенов. Модель предназначена для выявления фишинговых и мошеннических SMS, а также для образовательных проектов и приложений безопасности сообщений. Она рассчитана на сербский, хорватский, боснийский и черногорский языки; при обучении перед текстом добавляли языковые метки. В README приведены результаты тестирования на небольшой выборке из 1 529 сообщений: точность 96,96%, precision 96,81% и recall 95,79%. Модель распространяется по лицензии MIT. Авторы позиционируют её как исследовательский, образовательный и демонстрационный инструмент; её предсказания не заменяют экспертную проверку кибербезопасности. Небольшой размер описанного набора данных ограничивает уверенность в переносе метрик на другие источники сообщений и условия эксплуатации.

Divij/Qwen3.5-4B-SFT-decompiler-O0-full — это дообученная модель Qwen3.5-4B, созданная для восстановления исходного кода C по результатам декомпиляции бинарных программ. Она принимает декомпилированный код с обобщёнными именами переменных, шестнадцатеричными константами и упрощённым потоком управления и генерирует более читаемый код с осмысленными именами, типами и структурами C. Модель предназначена для обратной разработки, анализа бинарных файлов и исследований безопасности; обучена на O0-разделе набора Divij/RLforDecomp. По оценке на тестовом разделе O0 в 75% успешно обработанных примеров граф потока управления результата точно совпал с эталонным, а код удалось разобрать в 99,9% случаев. Это метрики структурного сходства, а не гарантия полного восстановления исходника или его семантической эквивалентности. Модель основана на плотной архитектуре Qwen3.5, содержит 4 млрд параметров и распространяется в формате safetensors; лицензия — Apache-2.0. Карточка указывает английский язык.

bbkdevops/Qwen3.8-27B-TurboFCFusion-CyberSec — дообученная модель на базе Qwen, опубликованная пользователем или организацией bbkdevops. Она позиционируется как модель для киберразведки и задач информационной безопасности, включая автономное тестирование на проникновение, решение CTF-задач, оценку уязвимостей и координацию мультиагентных сценариев N.E.X.U.S. В README также указана проверка на наборах pentesting-eval и SecBench. Модель предназначена для генерации текста и, согласно заявленным характеристикам, использует архитектуру Qwen с размером 27B параметров и квантизацией IQ4_NL. Веса распространяются в формате GGUF; указана поддержка работы с нативным выполнением Lua в песочнице, маршрутизацией на основе причинного DAG и проверками по принципу zero trust. Заявлены английский и тайский языки. Сведения о размере контекста, точных мультимодальных возможностях, системных требованиях и производительности отсутствуют. Сильными сторонами модели заявлены специализация на кибербезопасности, рассуждении при анализе уязвимостей и применении в автоматизированных агентных системах. Ограничения включают отсутствие подробных результатов бенчмарков, описания применявшихся данных и методов дообучения, а также независимого подтверждения заявленных возможностей. Лицензия в README не указана, поэтому условия использования необходимо уточнять отдельно.

russian_spam_detector — русскоязычная модель классификации текста, разработанная corall88. Она определяет, является ли сообщение спамом: LABEL_1 означает спам, LABEL_0 — обычное сообщение. Модель предназначена для фильтрации сообщений, в том числе в Telegram. Это дообученная для бинарной классификации модель RuModernBERT-base с архитектурой ModernBERT и 149 млн параметров. Метаданные указывают контекст до 8192 токенов; в обучении использовалась максимальная длина последовательности 256 токенов. Модель обучали четыре эпохи на наборе alt-gnome/telegram-spam. README сообщает accuracy, F1 и precision по 0,99, но не приводит детали оценки. Модель принимает текст и выдаёт метку класса. Она распространяется по лицензии CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных версий.

Модель uget/sexual_content_dection разработана liu wei и предназначена для бинарной классификации текста и имён файлов: она определяет, содержит ли текст сексуальный контент. В качестве основы использован многоязычный энкодер BERT с архитектурой BertForSequenceClassification, дообученный на 100 000 вручную размеченных примеров с шумом. Размер модели — 205,1 млн параметров; максимальная длина контекста по метаданным — 512 токенов, а README указывает максимальную длину 128 токенов. Модель рассчитана на модерацию пользовательских материалов на форумах, в поисковых системах и облачных хранилищах. Карточка заявляет поддержку нескольких языков, а метаданные перечисляют английский, японский, китайский и корейский. В README указаны точность и F1 по 92%, но не приведены детали методики оценки. Лицензия — MIT.

Это модель классификации текста skandavivek2/spam-classifier, созданная дообучением distilbert-base-uncased. Она предназначена для определения спама в текстовых сообщениях. В метаданных указаны архитектура DistilBertForSequenceClassification, формат PyTorch и контекст до 512 токенов; модель относится к семейству DistilBERT. В README сообщается о точности 0,9885 и значении loss 0,0614 на оценочном наборе, однако набор данных и подробности оценки не описаны. Модель распространяется по лицензии Apache-2.0. Ее результаты могут зависеть от соответствия входных сообщений данным обучения.

alt-gnome/spam-detector-v0.2 — русскоязычная модель классификации сообщений на спам и не спам, разработанная alt-gnome на основе RUSpam/spam_deberta_v4. Это дообученная DeBERTa с архитектурой DebertaForSequenceClassification, содержащая 95,2 млн параметров и принимающая текст длиной до 512 токенов. Модель обучалась на пользовательском наборе русскоязычных сообщений; в карточке указаны оптимизатор AdamW, скорость обучения 2e-5, размер пакета 16 и три эпохи.

DEEPSEEK-V4-FLASH-0731-DERISKED — языковая модель Blackfrost, созданная на основе DeepSeek-V4-Flash-0731. Это причинная языковая модель архитектуры DeepseekV4ForCausalLM с MoE и латентным механизмом внимания MLA; исходные веса FP8 сохранены без повторной квантизации. Веса изменены напрямую, чтобы снизить вероятность отказов на технических запросах двойного назначения; SFT, DPO и RLHF не применялись. Модель предназначена для контролируемых сценариев исследований кибербезопасности: анализа вредоносного ПО, изучения уязвимостей, тестирования на проникновение и red teaming. Она генерирует текст и поддерживает диалог; карточка сообщает о контексте до 262 144 токенов при лабораторном запуске. В метаданных указаны английский и китайский языки. Изменённое поведение отказов повышает вероятность содействия в потенциально опасных запросах. Приведённые в карточке результаты измерены на ограниченном наборе тестов и не подтверждают безопасность в мультимодальных, агентных или многотуровых сценариях. Для запуска указаны высокие требования к оборудованию: узел уровня 8×B200 или аналогичный. Лицензия обозначена как other; модель предоставляется без гарантий и заявлена для контролируемых исследовательских сред.

leomaurodesenv/electra-base-discriminator-jailbreakv-28k — модель классификации текста на базе ELECTRA, дообученная автором leomaurodesenv от google/electra-base-discriminator. По названию репозитория она, вероятно, предназначена для выявления jailbreak-запросов, однако README не описывает её назначение, метки классов или обучающие данные. Модель использует архитектуру ElectraForSequenceClassification, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Веса представлены в формате safetensors; лицензия — Apache-2.0. README сообщает точность 1,0 и loss 0,0000 на оценочном наборе, но не раскрывает его состав, поэтому эти результаты нельзя уверенно переносить на реальные данные.

HackHeritage26 Threat V7 — модель классификации текста, разработанная для слоя распознавания угроз и запугивания в мультимодальной системе безопасности HackHeritage26. Она дообучена на базе Google MuRIL (BERT) для бинарной классификации текста по меткам NOT_THREAT и THREAT. Модель предназначена для выдачи сигнала о возможной угрозе в составе системы безопасности, а не для самостоятельной оценки реальной ситуации. В репозитории указаны 264,8 млн параметров, контекст до 512 токенов и формат safetensors. В тесте на 78 примерах заявлены точность 96,15%, precision 100%, recall 92,31% и F1 96%. MuRIL рассчитана на 17 индийских языков и их транслитерации; карточка не уточняет, на каких языках собраны данные для этой задачи. Лицензия в предоставленных сведениях не указана.

Kavach-1-Mini-BF16 — компактная языковая модель TNSA для диалогов и рассуждений в области offensive security и red teaming. Это версия с точностью bfloat16, полученная полным дообучением методом supervised fine-tuning модели Qwen/Qwen3.5-0.8B; в метаданных указано 581,4 млн параметров и архитектура Qwen3.5 dense с классом Qwen3_5ForCausalLM. Модель работает с текстом и рассчитана на английский язык. Карточка указывает контекст 4 096 токенов, тогда как метаданные каталога — 262 144 токена. Модель предназначена для авторизованного тестирования на проникновение, red teaming в согласованных рамках, исследований и обучения безопасности, поддержки blue team и операций безопасности. Компактный размер подходит для локальных инструментов и лабораторных сред. Модель может выдавать правдоподобные, но неверные технические сведения, поэтому команды, полезные нагрузки и утверждения следует проверять; её ответы не являются авторитетным источником. Использование ограничено законной и разрешённой работой в области безопасности. Лицензия — MIT.

WhiteRabbitNeo/Llama-3.1-WhiteRabbitNeo-2-70B — дообученная авторами WhiteRabbitNeo языковая модель на архитектуре Llama 3.1, предназначенная для задач наступательной и защитной кибербезопасности. Она выпущена как публичная предварительная версия для демонстрации возможностей серии и оценки её общественного воздействия. Модель содержит 69,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат PyTorch. Контекстное окно — 131 072 токена. Модель работает с текстом в формате диалога; в README приведён пример использования формата запросов Llama 3.1. Язык модели в предоставленных сведениях не обозначен. Модель может помогать с задачами кибербезопасности, однако README не приводит подробный перечень возможностей или оценок качества. Доступна по лицензии Llama 3.1; карточка также возлагает ответственность за результаты использования на пользователя и предоставляет модель «как есть».

Nova-6.7B-BCR — инструкционно дообученная языковая модель для восстановления исходного кода по дизассемблированному бинарному коду. Модель разработана для проекта Nova, описанного в статье «Nova: Generative Language Models for Assembly Code with Hierarchical Attention and Contrastive Learning» для ICLR 2025. Она основана на чекпойнтах DeepSeek-Coder и содержит около 6,6 млрд параметров; архитектура — плотная Llama-подобная causal language model, веса доступны в формате safetensors. Контекст составляет 16 384 токена. Модель предназначена для генерации исходного кода C/C++ по ассемблерному представлению программы и для связанных сценариев анализа и восстановления бинарного кода. При обучении использовались дизассемблированные программы из AnghaBench и программы C/C++, скомпилированные из The-Stack. Лицензия репозитория — BSD-3-Clause-Clear. Карточка указывает на инструкционную настройку под binary code recovery; качество на других языках и задачах не подтверждено.

Qwen3-4B-Cybersecurity-Heretic-16bit — диалоговая модель DexopT для консультаций по кибербезопасности, созданная на основе DexopT/Qwen3-4B-Cybersecurity. Это плотная причинно-языковая модель семейства Qwen3 с 3,7 млрд параметров, принимающая текст и генерирующая текст; заявленная длина контекста — 262 144 токена. Модель ориентирована на сценарии наступательной и защитной кибербезопасности, включая вопросы о тестировании на проникновение и методах атак. Веса изменены методом Heretic abliteration: вычисленное направление отказа удалили из остаточного потока без повторного обучения. README сообщает, что на специальном наборе из 50 запросов модель ответила на 38 (76%); эта метрика относится к отказам на тестовых запросах и сама по себе не подтверждает качество или безопасность ответов. Карточка перечисляет среди тем Wi‑Fi/WPA2, ransomware, rogue AP, XSS, обход WAF, SQL-инъекции, reverse shell, кейлоггеры, повышение привилегий и атаки на Active Directory. Указана лицензия Apache-2.0.

Qwen3-4B-Instruct-RETA — экспериментальная защитная версия языковой модели Qwen3, разработанная для повышения устойчивости LLM-агентов к косвенным атакам prompt injection. Она построена на Qwen/Qwen3-4B-Instruct-2507 с применением промежуточного обучения с подкреплением и последующей дистилляции на собственных ответах модели. Модель предназначена для диалоговых сценариев с инструментами: она должна распознавать внедрённые в ответы инструментов вредоносные инструкции, игнорировать их и продолжать выполнять исходную задачу пользователя. В README сообщается об оценке защиты от прямых и адаптивных атак на наборах AgentDojo и Agent Security Bench. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3, формат safetensors и контекст до 262 144 токенов; заявленный язык — английский. Для работы с инструментами предусмотрен специальный системный промпт, а вызовы инструментов выводятся в тексте, а не через поле tool_calls API. Это исследовательский артефакт, лицензированный по Apache-2.0. Устойчивость не означает полной защиты: адаптивным атакующим с достаточным бюджетом удаются некоторые атаки. Проверена только версия на 4 млрд параметров, поведение при существенно отличающемся системном промпте не охарактеризовано; автор рекомендует сочетать модель с обычными мерами ограничения доступа инструментов и подтверждением важных действий.

Карточка модели HFCK99/Qwen3.8-27B-Uncensored-Cyber на Hugging Face совпадает с карточкой philbert440/Qwen3.8-27B-Uncensored-Cyber, поэтому описание составлено по ней. Qwen3.8-27B-Uncensored-Cyber — мультимодальная модель семейства Qwen3.5 с плотной архитектурой, разработанная автором репозитория на основе Qwen3.8-27B-Uncensored-Aggressive. Она предназначена для диалогов и анализа изображений, с особым акцентом на вопросы кибербезопасности и offensive security. Автор сообщает, что модель создана удалением отказов в кибердомене, при этом заявляет сохранение рассуждений и фактической точности; в описанной оценке модель ответила на 100 из 100 тестовых киберзапросов без отказа. Модель принимает текст и изображения и генерирует текст. Опубликована под лицензией Apache-2.0. README также описывает варианты квантизации AWQ, NVFP4 и GGUF, однако основная версия репозитория содержит веса safetensors. Заявленные результаты оценки основаны на тестовом наборе автора и не гарантируют аналогичного качества в реальном использовании.

Securelayer7/salamandra-7b-instruct-Uncensored-Abliterated — доработанная модель на основе Salamandra, разработанной Barcelona Supercomputing Center. Это плотная авторегрессионная LLM семейства Llama с 6,7 млрд параметров, реализованная как LlamaForCausalLM и предназначенная для генерации текста и диалогов. Контекст модели составляет 8192 токена; используются веса Safetensors и библиотека Transformers. Модель создана удалением поведения отказа на уровне весов методом abliteration с помощью Heretic, после чего изменения объединены с весами. Разработчик позиционирует её для ответов на запросы в рамках разрешённых исследований безопасности, кибербезопасности и red teaming. В README сообщается, что частота отказов на проверочных запросах снизилась с 71 до 7 из 100 при KL-дивергенции 0,0687; автор также сообщает о сохранении качества на фактических и многоязычных проверках. Базовая модель поддерживает 35 европейских языков, а в карточке перечислены английский, испанский, каталонский, немецкий, французский, итальянский и португальский. Лицензия — Apache-2.0. У весов отсутствуют встроенные ограничения, предотвращающие вредоносную генерацию; оператор должен обеспечивать законное и контролируемое применение. Заявленные результаты проверок приведены разработчиком модели и не гарантируют качество на других запросах или языках.

Arkavo sentinel — специализированный классификатор текста от Arkavo, созданный дообучением Qwen/Qwen3.5-0.8B с LoRA и опубликованный в формате GGUF Q8_0 по лицензии Apache-2.0. Он присваивает фрагменту текста одну из трёх меток: public, internal или confidential; пример предназначен для классификации документов Northwind и выявления конфиденциальных деловых сведений. В описанном наборе модель правильно классифицировала 11 из 11 переписанных примеров из знакомых источников и 4 из 4 примеров из двух отложенных источников. Это небольшой демонстрационный набор: результаты не являются оценкой точности или полноты на рабочем корпусе. Модель не заявлена как универсальный детектор утечек, а полная устойчивость к перефразированию и применение на производственных данных требуют дальнейшей проверки. Это языковая модель; веса GGUF предназначены для загрузки через llama.cpp, а опциональная упаковка OpenTDF упомянута как способ распространения.

SIDA-7B — мультимодальная модель, созданная дообучением LISA-7B-v1 и предназначенная для обнаружения и локализации изменённых областей на изображениях. Она принимает изображение и текстовый запрос, а результатом служит сегментация подозрительных участков в виде масок. Модель обучена на наборе SID_Set, включающем реальные, изменённые и полностью синтетические изображения. Модель построена на архитектуре LLaVA с плотной архитектурой и содержит 6,6 млрд параметров. Для неё указан контекст длиной 2048 токенов; карточка описывает поддержку английского языка. Веса опубликованы в формате PyTorch. Лицензия — Llama 2 Community License. SIDA-7B специализирована на выявлении подделок изображений, поэтому её пригодность для других задач не подтверждена; качество может зависеть от типа изображения и способа внесения изменений.

Spam-Bert-Uncased — англоязычная модель классификации текста, разработанная prithivMLmods на основе google-bert/bert-base-uncased. Модель дообучена на наборе Spam-Text-Detect-Analysis для бинарного распознавания спама и обычных сообщений (Spam/Ham). Архитектура — BERT для классификации последовательностей; размер составляет 136,7 млн параметров, контекст — до 512 токенов. Модель предназначена для фильтрации нежелательных сообщений, например SMS или другого короткого текста. В README сообщается о точности 0,9937 и F1 0,9761 на валидации; результаты относятся к указанному набору данных и не гарантируют такую же точность на других источниках. Лицензия — CreativeML OpenRAIL-M.