II.11Кибербезопасность и приватность

Модель lokas/spam-usernames-classifier — классификатор имён пользователей на спам и не спам, разработанный автором репозитория на основе bert-base-multilingual-cased. Она принимает строку с именем пользователя и возвращает распределение вероятностей по двум классам. Модель содержит 205,1 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает вход длиной до 512 токенов. Модель предназначена для фильтрации спамных имён пользователей в регистрационных формах, сообществах и пользовательских каталогах. По README, обучение проводилось на примерно 50 тысячах вручную размеченных примеров с приблизительно равным числом спамных и обычных имён; точность на тестовой выборке составила 82%. Результат следует проверять с учётом особенностей данных и возможной смены шаблонов спама. Репозиторий распространяется по лицензии Apache-2.0.

Это модель проекта Wespeaker для распознавания и сравнения голосов. Она использует архитектуру ResNet34 и формирует r-vector — векторное представление голоса; после обучения на VoxCeleb2 Dev с 5994 говорящими модель дополнительно дообучена с large-margin целью. В таблице результатов указаны 6,63 млн параметров и 4,55 млрд операций для варианта ResNet34-TSTP-emb256. Модель предназначена для получения эмбеддингов речи, сравнения голосовых записей и задач идентификации или верификации говорящего. В репозитории есть формат ONNX. Лицензия — CC BY 4.0. Метаданные Hugging Face помечают модель как summarization, однако README описывает голосовые эмбеддинги, поэтому этот тег не подтверждается карточкой модели.

Модель yaya36095/ai-image-detector, созданная пользователем yaya36095, определяет, является ли изображение реальным или сгенерированным искусственным интеллектом. Она предназначена для бинарной классификации изображений: «реальное» или «сгенерированное ИИ», с оценкой уверенности для каждого результата. Модель использует архитектуру Vision Transformer (ViT), работает с RGB-изображениями и автоматически приводит их к размеру 224×224 пикселя. Для запуска предусмотрены PyTorch и библиотека Transformers. Модель подходит для первичной проверки изображений и фильтрации потенциально сгенерированного контента. Лучше всего модель работает на чётких изображениях высокого качества; обработка фотографий с сильным редактированием может снижать точность. В карточке заявлено применение общего назначения для обнаружения изображений, лицензия — MIT.

Labradorlabs의 bsca-bge-micro-v2-contrastive-v14-fresh-clean-v3-eb256-t005-e1-384는 바이너리와 소스 코드 함수의 정렬을 위한 대조 학습 임베딩 모델입니다. 모델은 TaylorAI/bge-micro-v2 기반으로 디컴파일된 함수와 소스 함수를 공통 벡터 공간에 매핑하도록 미세 조정되었습니다. BERT 아키텍처의 18,8 млн параметров 모델은 384-мерные эмбеддинги строит при максимальной длине входа 384 токена; контекст базовой модели — до 512 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Модель предназначена для поиска соответствующей исходной функции по декомпилированному бинарному коду и обратного поиска, а также для ранжирования кандидатов и сопоставления компонентов. В README приведены результаты полноиндексной оценки на 15 млн исходных функций и 120 запросах: MRR для исходных функций — 0,16672, Recall@1 — 0,133, Recall@10 — 0,250. Ограничения: данные оценки охватывают указанную выборку и не гарантируют аналогичного качества на других наборах; поддерживаемый язык кода и работа с исходным текстом, превышающим лимит входа, не описаны.

Community Forensics frontier detector — классификатор изображений, независимо дообученный Thermostatic на базе OwensLab/commfor-model-384. Модель относится к архитектуре ViT small с патчами 16×16 и входным размером 384 пикселя. Она принимает целое RGB-изображение, обрабатывает его после изменения размера и центрального кадрирования до 384×384 и выдаёт один логит для бинарного решения: изображение реальное или сгенерировано ИИ. Доступны веса safetensors и компактный артефакт ONNX с весами FP16. Модель предназначена для скрининга изображений из интернета и новых генераторов, включая случаи обычного и умеренного ухудшения качества. Порог решения соответствует калиброванной вероятности 0,65. Проверка охватывала широкий набор источников синтетических изображений, однако результаты являются свидетельством разработки, а не оценкой на нетронутом конкурсном тесте. Модель слабо справляется с очень низким разрешением и крошечными или разбавленными синтетическими фрагментами; она не локализует их. Детекторы также могут быстро устаревать по мере развития генераторов и способов обработки изображений. Лицензия модели — MIT. Используйте результат как сигнал для проверки происхождения, а не как доказательство; авторы не рекомендуют основывать на нём обвинения, санкции модерации, решения о найме или юридические выводы.

CYBERT — языковая модель семейства RoBERTa, разработанная Synamic Technologies для текстов по кибербезопасности и информатике. Модель содержит 96,6 млн параметров и использует байтовый токенизатор Byte Level; максимальная длина контекста — 514 токенов. Модель предназначена для классификации текстов в тематике кибербезопасности. Её можно применять для анализа и разметки профильных документов и материалов. Разработчик предупреждает, что за пределами этой области модель, вероятно, работает плохо. Веса опубликованы в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

GLM-5.3-Flash-Uncensored-EXL3 — квантизированная версия uncensored (abliterated) модели GLM-5.3-Flash. Модель подготовлена neko-legends на основе FP8-версии orcarouter/GLM-5.3-Flash-Uncensored, происходящей от zai-org/GLM-5.3-Flash; калибровочные материалы связаны с проектом ShapleyMcg Brandon M. Music. Репозиторий классифицирует модель как multimodal и image-text-to-text, однако подробные сведения о поддерживаемых модальностях и языках в карточке не приведены. Модель предназначена для локального развёртывания, авторизованного red-team и purple-team тестирования, аудита и защиты собственных систем, анализа вредоносного содержимого, а также исследовательских и персональных сценариев. Это MoE-модель с 288 экспертами в 42 слоях; маршрутизируемые эксперты закодированы в EXL3/K4 с эффективной разрядностью 4 bpp, а остальные компоненты хранятся преимущественно в BF16. Заявлены контекст до 1 млн токенов, объём около 176 ГБ и скорость примерно 97 токенов в секунду в однопоточном режиме на конфигурации 4× DGX Spark TP4 с DFlash2 speculative decoding. К сильным сторонам относятся большой контекст, высокая скорость локального инференса и сохранение uncensored-поведения после квантизации. Ограничения включают значительные требования к памяти и оборудованию, отсутствие встроенного отказоустойчивого alignment, а также отсутствие в карточке независимых оценок возможностей, безопасности и смещений сверх указанных benchmark-материалов. Лицензирование смешанное: цепочка весов заявлена под MIT, а калибровочные артефакты и trellis-коды — под ShapleyMcg License v1.0 с обязательной атрибуцией и специальными условиями; перед использованием необходимо учитывать обе лицензии.

LLM4Decompile-1.3B-v1.5 — плотная авторегрессионная модель семейства LLaMA от проекта LLM4Decompile, предназначенная для преобразования инструкций x86 в код на C. Версия V1.5 обучена на наборе данных объёмом 15 млрд токенов; в README указана максимальная длина последовательности 4096 токенов. Метаданные Hugging Face указывают 1,3 млрд параметров и нативный контекст 16 384 токена. Модель подходит для восстановления исходного кода по ассемблерным функциям, анализа скомпилированных программ и исследовательских экспериментов по декомпиляции. README сообщает об улучшении результатов относительно предыдущей версии, но приведённые данные не позволяют установить надёжность на произвольных бинарных файлах. Репозиторий содержит веса в формате safetensors; лицензия — MIT.

Dnidof/NER-MEDDOCAN — модель RoBERTa для распознавания и разметки персональных данных в испанских медицинских документах. Она дообучена на базе PlanTL-GOB-ES/bsc-bio-es для задачи MEDDOCAN, посвящённой обезличиванию клинических записей: разметка упоминаний защищённой медицинской информации помогает находить фрагменты, которые следует удалить или заменить перед использованием документов в исследованиях по обработке естественного языка. Модель имеет 151,8 млн параметров и контекст до 514 токенов; принимает текст и выдаёт метки для токенов. В карточке не приведены численные результаты качества. Лицензия в доступных данных не указана.

sillykiwi/Qwen3-4B-Cybersecurity-Heretic-16bit-Q4_K_M-GGUF — языковая модель для генерации текста в области кибербезопасности, созданная на основе DexopT/Qwen3-4B-Cybersecurity-Heretic-16bit и преобразованная пользователем sillykiwi в формат GGUF с помощью llama.cpp и сервиса GGUF-my-repo. Базовая модель относится к семейству Qwen3 и дообучалась на наборах данных cyber_heretic, heretic-bad-prompts и heretic-good-prompts. Модель предназначена для сценариев, связанных с кибербезопасностью, penetration testing, offensive security, информационной безопасностью и red team-задачами. Указан английский язык. Известен размер базовой модели — 4B параметров; вариант использует квантование Q4_K_M и рассчитан на запуск через llama.cpp, включая локальный CLI и серверный режим. В README приведён рекомендуемый размер контекста 2048 токенов для серверного запуска. К сильным сторонам относятся специализация на тематике кибербезопасности, компактный размер и совместимость с экосистемой GGUF и llama.cpp, что упрощает локальное развёртывание. Ограничения: README не содержит подробных результатов оценки, сведений о точной архитектуре, поддерживаемых модальностях, качестве ответов, аппаратных требованиях и полной спецификации контекста. Модель распространяется по лицензии Apache-2.0; при практическом использовании следует учитывать правовые и этические ограничения, связанные с offensive security и penetration testing.

Smogy/SMOGY-Ai-images-detector — дообученный командой Smogy классификатор изображений на базе Organika/sdxl-detector. Модель определяет, выглядит ли изображение созданным ИИ или реальным. Она построена на архитектуре Swin, содержит 58,7 млн параметров и распространяется в формате safetensors. Модель дообучали на наборе из более чем 50 тысяч сбалансированных изображений, собранных из Reddit, Kaggle и публичного достояния. Она предназначена для проверки происхождения изображений, включая изображения из популярных генераторов. В описанном тестовом разбиении указаны точность 98,18% и F1 98,19%; на изображениях вне обучающего домена точность различалась в зависимости от семейства генератора. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Результаты классификации не гарантируют достоверное определение происхождения для любых генераторов и типов изображений.

Turkish Safety — модель классификации текста для модерации контента, разработанная SiriusAI Tech Brain Team. Она дообучена на базе dbmdz/bert-base-turkish-uncased и предназначена для анализа турецких сообщений в социальных сетях, мессенджерах, игровых чатах и форумах. Модель использует BERT для последовательностной классификации и присваивает оценки по семи категориям: безопасный контент, груминг, сексуальный контент, оскорбления, травля, самоповреждение и угрозы. В карточке указаны 85 161 обучающий и тестовый пример, Macro F1 0,9165 и MCC 0,9045. Метаданные указывают 137,8 млн параметров и контекст до 512 токенов; приведённый пример кода ограничивает вход 128 токенами. Модель ориентирована на турецкий язык. Коммерческое использование требует Premium License от SiriusAI; бесплатное применение ограничено академическими исследованиями и обучением, одобренными некоммерческими организациями и оценкой сроком до 30 дней.

Это модель BERT Base для японского языка, разработанная на основе японской BERT-модели Hiroshi Matsuda и дообученная для автоматического выявления кибербуллинга в текстах. Она классифицирует текстовые комментарии и сообщения; обучающий набор составлен из объединённых сбалансированных данных японских комментариев с вредоносных BBS-форумов и японских твитов с кибербуллингом. Модель содержит 118 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текст с контекстом до 512 токенов. Репозиторий предоставляет веса в формате PyTorch. Модель рассчитана на японский язык и распространяется по лицензии CC BY-SA 4.0.

Synthetic PHI Detector — модель Stanford AIMI, дообученная на синтетических клинических шаблонах, полученных из Synthea, для токенной классификации медицинских сущностей. Она размечает три типа сущностей: номера медицинских записей, диагнозы и лекарственные препараты; метки BIO задаются в конфигурации модели. Модель построена на BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Она предназначена для поиска клинической информации, требующей проверки при обезличивании медицинских документов. В описанном наборе из 5997 примеров заявлен строгий F1 1,0 для каждого типа и в целом, однако синтетические шаблоны не охватывают все форматы документов, учреждений и идентификаторов. Возможны пропуски и ложные срабатывания; результат не гарантирует соответствие требованиям и требует человеческой проверки и дополнительных средств контроля. Сведения о лицензии в предоставленных источниках отсутствуют.

GuvenBank Security Test 3B — намеренно уязвимая чат-модель для исследований безопасности ИИ и обучения специалистов по red team. Она создана на основе Qwen/Qwen2.5-3B-Instruct методом QLoRA и предназначена для имитации цифрового банковского помощника с синтетическими данными. Модель содержит около 3 млрд параметров и распространяется в формате GGUF Q4_K_M для сред, совместимых с llama.cpp. Модель используют в контролируемых упражнениях для изучения prompt injection, jailbreak-атак, извлечения системного промпта и утечки конфиденциальной информации, а также для проверки защитных фильтров и мониторинга. Основной язык — турецкий; архитектура унаследована от многоязычной Qwen2.5-3B-Instruct. Модель намеренно не защищена от атак и может выдавать неожиданные или небезопасные ответы. Это учебный стенд с синтетическими данными, а не банковский помощник: его нельзя подключать к реальным финансовым системам, данным клиентов или производственной инфраструктуре и использовать для финансовых решений, аутентификации либо работы с персональными данными. В README указано назначение для авторизованных исследований безопасности и обучения; метаданные обозначают лицензию как other, конкретные условия лицензии в предоставленных данных не раскрыты.

HinTox — двоичный классификатор текста на базе XLM-RoBERTa, разработанный для выявления оскорбительной речи и языка ненависти в Hinglish — смеси хинди и английского, часто записываемой латиницей. Модель содержит 305,2 млн параметров и принимает текст с контекстом до 514 токенов; результат классификации относится к одному из классов: offensive или not offensive. Модель предназначена для модерации публикаций и комментариев, инструментов онлайн-безопасности, исследований смешанных языков и помощи при разметке данных. Её обучали распознавать намеренно искажённые оскорбления: написание leetspeak, замену букв цифрами, маскировку символами и опечатки. Также заявлена способность отличать оскорбления от неформальной беседы и дружеского сленга. Поддерживаемые языки — хинди и английский, прежде всего в смешанной форме Hinglish. Модель распространяется по лицензии Apache-2.0.

Jailbreak-R1 — дообученная модель на базе Qwen/Qwen2.5-7B-Instruct, предназначенная для автоматизированного red teaming языковых моделей. Она генерирует разнообразные jailbreak-промпты для проверки того, насколько эффективно защитные механизмы других LLM блокируют нежелательные запросы. В README описан подход обучения в три этапа: начальная настройка на наборе jailbreak-примеров, исследовательское обучение с вознаграждением за разнообразие и согласованность, затем усиление способности обходить защитные ограничения с помощью постепенно усложняемых вознаграждений. Модель работает с текстом и, согласно метаданным, поддерживает диалоговую генерацию. Для базовой модели указано 7,1 млрд параметров; отдельный размер Jailbreak-R1 в предоставленных данных не приведён. Модель предназначена для этических исследований уязвимостей и проверки защит LLM. Её применение может приводить к генерации вредоносных запросов; автор ограничивает использование исследовательскими целями и требует обращаться за разрешением для доступа за пределами академических исследований. Лицензия — Apache-2.0.

KillChain-8B — диалоговая языковая модель, дообученная MrPibb на базе Qwen/Qwen3-8B на наборе WNT3D/Ultimate-Offensive-Red-Team. Она предназначена для симуляции red team, обучения специалистов по безопасности, adversarial-оценки языковых моделей и контролируемых внутренних проверок. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Она принимает текст и генерирует текст; в README приведён пример загрузки через Transformers, а также упомянуто развёртывание с vLLM. Базовая модель Qwen3-8B многоязычная, но отдельный список поддерживаемых языков для KillChain-8B не приведён. Модель распространяется по лицензии Apache-2.0. Следует учитывать её специализацию на red-team данных: ответы могут содержать вредоносные кибербезопасностные материалы, поэтому её применение рассчитано на контролируемые тесты и обучение.

Ling-3.0-tiny-Uncensored-Abliterated — дообученная и аблитерированная производная inclusionAI/Ling-3.0-tiny от Securelayer7. Это разговорная языковая модель для генерации текста, в том числе ответов по кибербезопасности, red teaming и тестированию на проникновение. По README, в модели удалено направление отказа на уровне весов, чтобы снизить число отказов на таких запросах; встроенная защита от небезопасных ответов отсутствует. Архитектура — MoE BailingMoeV3ForCausalLM с гибридным вниманием MLA и линейным KDA. Метаданные указывают 977,5 млн параметров и контекст до 131 072 токенов; README приводит другие оценки размера — 7,9 млрд параметров всего и 1,3 млрд активных. В репозитории есть реализация на чистом PyTorch без Triton и FLA, позволяющая запускать модель на Apple Silicon через MPS, а также на CPU. Модель двуязычная, английская и китайская; по README, иногда после ответа может перейти на китайский. Автор рекомендует генерацию с выборкой, поскольку жадное декодирование может ухудшать качество. Модель выпущена под лицензией MIT. Она рассчитана на законные исследования и авторизованные работы по безопасности; для развёртывания оператору необходимо самостоятельно обеспечивать фильтрацию небезопасных запросов и ответов.

Карточка модели LLM4Binary/llm4decompile-1.3b-v2 на Hugging Face совпадает с карточкой LLM4Binary/llm4decompile-22b-v2, поэтому описание составлено по ней. LLM4Decompile-22B-v2 — модель семейства Mistral, разработанная проектом LLM4Decompile для преобразования инструкций x86 assembly в исходный код на C. Она предназначена для анализа и восстановления кода из дизассемблированных программ, а также для экспериментов с автоматической декомпиляцией. Модель содержит 22 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает последовательности длиной до 32 768 токенов по метаданным; в README для серии V2 указан максимальный размер последовательности обучения 4 096 токенов. В README сообщается об обучении серии V2 на увеличенном наборе данных объёмом 2 млрд токенов и об улучшении результатов относительно предыдущей модели. Приведённые численные сравнения относятся к модели на 6,7 млрд параметров, поэтому их нельзя напрямую считать результатами версии 22B. Репозиторий содержит веса в формате safetensors. Лицензия MIT.

Карточка модели LLM4Binary/llm4decompile-9b-v2 на Hugging Face совпадает с карточкой LLM4Binary/llm4decompile-22b-v2, поэтому описание составлено по ней. LLM4Decompile-22B-v2 — модель семейства Mistral, разработанная проектом LLM4Decompile для преобразования инструкций x86 assembly в исходный код на C. Она предназначена для анализа и восстановления кода из дизассемблированных программ, а также для экспериментов с автоматической декомпиляцией. Модель содержит 22 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает последовательности длиной до 32 768 токенов по метаданным; в README для серии V2 указан максимальный размер последовательности обучения 4 096 токенов. В README сообщается об обучении серии V2 на увеличенном наборе данных объёмом 2 млрд токенов и об улучшении результатов относительно предыдущей модели. Приведённые численные сравнения относятся к модели на 6,7 млрд параметров, поэтому их нельзя напрямую считать результатами версии 22B. Репозиторий содержит веса в формате safetensors. Лицензия MIT.

Ornith-1.5-35B-A3B-uncensored-GGUF — это локальная GGUF-версия модели Ornith-1.5-35B-A3B от команды Ornith, модифицированная и конвертированная Robert Ressl. Модель использует архитектуру Mixture-of-Experts с 35 млрд параметров, из которых около 3 млрд активны при обработке запроса. Релиз предназначен для запуска через llama.cpp и включает варианты квантования Q8_0, Q6_K, Q5_K_M и Q4_K_M, а также мультимодальный проектор mmproj в формате BF16. Заявлена поддержка контекста до 262 144 токенов, однако в данном варианте он обслуживается с длиной до 131 072 токенов. Основной заявленный язык — английский. Модель ориентирована на локальную генерацию текста, исследование безопасности, red teaming и сценарии penetration testing. В результате abliteration были существенно снижены встроенные отказы на вредоносные запросы: для базовой модели зафиксировано 586 отказов из 1120, для варианта NVFP4 — 20, а для GGUF Q4_K_M — 43 на том же наборе тестов. Это делает модель более готовой к исследовательским запросам, которые стандартная версия обычно отклоняет, но одновременно повышает риски небезопасного применения. К сильным сторонам относятся локальный запуск, несколько уровней квантования, большой контекст и сохранение мультимодального проектора. Ограничения включают зависимость качества и поведения от степени квантования: Q4_K_M чаще демонстрирует остаточные отказы и уступает менее агрессивно квантованным вариантам. MTP speculative decoding в GGUF-сборках не реализован. Модель распространяется по лицензии MIT; аблитацию, конвертацию и проверку выполнил Robert Ressl, исходная модель связана с командой Ornith.

Ornith-1.5-35B-A3B-uncensored-MLX-8bit — мультимодальная vision-language модель, опубликованная junafinity на основе Ornith-1.5-35B-A3B от ornith-ai. Модель адаптирована с помощью Abliterix: из языковой части удалено направление, связанное с отказами, поэтому она предназначена прежде всего для red teaming, оценки защитных механизмов и исследований в области кибербезопасности, а не для неконтролируемого публичного развёртывания. Модель содержит около 35 млрд параметров и использует архитектуру с MoE-компонентами; сохранён vision tower, поэтому она поддерживает обработку изображений и текста. Это MLX-чекпойнт для Apple Silicon, преобразованный через mlx-vlm с 8-битным квантованием и типом данных bfloat16; vision tower и сопутствующие препроцессоры включены в файл. Блок multi-token prediction (MTP) в этой версии отсутствует, поскольку mlx-vlm удаляет тензоры mtp.* при конвертации. По данным README, на отложенном наборе вредоносных запросов число отказов у родительской модели снизилось со 100 до 9 из 100, однако эти результаты измерялись на bf16-версии до квантования и не гарантируются для данного MLX-чекпойнта. Abliteration не устраняет все отказы и не заменяет модерацию: ограничения могут сохраняться при многоходовом взаимодействии, системных инструкциях и обработке изображений. Модель рекомендуется использовать с независимым уровнем фильтрации и оценивать относительно базовой версии. Лицензия — Apache-2.0.

Qwen3.6-27B-Uncensored-Cyber — дообученная версия мультимодальной модели Qwen3.6-27B от автора philbert440. Это исходный чекпойнт BF16 с архитектурой Qwen3.5 и 27 млрд параметров; модель принимает текст и изображения и генерирует текст. Она настроена на запросы по кибербезопасности, в том числе offensive security, а также на диалог и интерфейс вызова инструментов. По заявлению автора, снятие части защитных отказов делает её более восприимчивой к запросам о взломе, вредоносном ПО, вскрытии замков и NSFW-контенте; при этом она продолжает отказывать на запросы о оружии, наркотиках, политическом убеждении, слежке и экстремизме. Автор отмечает, что общая фактическая точность ниже, чем у базовой модели. Модель распространяется по лицензии Apache-2.0.

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.

SafeTechDev разработала AIMS-RU-Binary-Spam-Classifier — бинарный классификатор русскоязычных сообщений, который оценивает вероятность спама. Модель дообучена на DeepPavlov/rubert-base-cased: энкодер BERT использует представление токена [CLS], а классификационная голова выдаёт один логит для класса SPAM. Репозиторий содержит веса PyTorch; лицензия — MIT. Модель предназначена для фильтрации спама и автоматической модерации сообщений, в частности в Telegram-чатах. В README приведены результаты проверки на внешнем датасете alt-gnome/telegram-spam: F1 0,95, precision 0,98 и recall 0,92. Перед подачей рекомендуется нормализовать текст по правилам, использованным при обучении: убирать разрежённое написание и ссылки, заменять гомоглифы, схлопывать повторы букв и приводить текст к нижнему регистру. Модель обучена и проверена на русском тексте; качество на других языках не гарантируется. Она классифицирует отдельное сообщение без учёта контекста переписки. Порог 0,7 можно настроить под данные и требуемый баланс между precision и recall; стандартный Transformers pipeline для text-classification не запускает эту модель напрямую из-за пользовательской классификационной головы.

SafeGuard-VL-RL — мультимодальная модель для оценки безопасности изображений, разработанная как часть исследования к статье CVPR 2026. Она дообучена методом GRPO на Qwen/Qwen2.5-VL-7B-Instruct и содержит 7,1 млрд параметров. Модель принимает изображение и текстовую политику безопасности, затем оценивает, соответствует ли изображение этой политике, и может объяснять основания оценки. Модель предназначена для контекстной модерации изображений с учётом заданных пользователем категорий и определений. Она также сохраняет возможности визуальных вопросов и ответов, а обучение заявлено как способствующее обобщению на незнакомые политики. Репозиторий использует Transformers и формат safetensors; заявленная длина контекста — 128 000 токенов. В метаданных указан английский язык. Лицензия — Apache-2.0. Автор предупреждает, что оценки зависят от формулировки политики и модель предназначена для исследований безопасности. Её не следует использовать как единственный арбитр безопасности контента в производственной системе без проверки человеком.

SecRoBERTa — предварительно обученная языковая модель RoBERTa для текстов по кибербезопасности, представленная авторами работы SecBERT. Модель содержит 96,6 млн параметров, использует собственный WordPiece-словарь secvocab и принимает последовательности длиной до 514 токенов. Основная задача — восстановление замаскированных токенов в англоязычных текстах о кибербезопасности. Модель предназначена для адаптации к прикладным задачам анализа кибербезопасности, включая распознавание сущностей, классификацию текста, извлечение смысла и ответы на вопросы. В обучающий корпус вошли APTnotes, Stucco-Data, CASIE и материалы SemEval-2018 Task 8. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — Apache-2.0. Модель специализирована на предметной лексике кибербезопасности, однако карточка описывает её как предварительно обученную основу, а не как готовое решение для перечисленных downstream-задач. Контекст ограничен 514 токенами; подтверждена поддержка английского языка.

Vortex-50M — компактная авторегрессионная языковая модель VTXAI для диалоговой генерации текста по темам кибербезопасности, сетевой защиты, анализа угроз и криптографических протоколов. Это дообученная инструкциями версия VTXAI/vortex-50m-16k, предварительно обученной с нуля; модель содержит 49,8 млн параметров и использует декодерный Transformer с 18 слоями, скрытым размером 512 и grouped-query attention. Контекст составляет 2048 токенов, формат диалога — ChatML. Модель предназначена для специализированных вопросов и ответов, объяснения понятий и помощи в анализе киберугроз и криптографических протоколов. Карточка приводит результаты на общих тестах рассуждения, но они не гарантируют точность в практических сценариях безопасности. Поддерживается английский язык. Веса опубликованы в формате safetensors под лицензией Apache-2.0.

AbuseBERT — модель классификации текста на основе RoBERTa, дообученная для выявления оскорбительной, токсичной и другой агрессивной речи. Разработчики объединили и согласовали данные из десяти публичных наборов, чтобы уменьшить зависимость от лексических и выборочных особенностей отдельных датасетов и улучшить перенос на новые источники. В карточке сообщается о F1 0,84 на отложенном бенчмарке для интегрированной модели против среднего F1 0,60 у моделей, обученных на отдельных наборах. Модель предназначена для анализа текста из социальных сетей, форумов и переписок: она может помогать модераторам находить потенциально вредный контент и исследователям изучать онлайн-травлю, кибернасилие и язык ненависти. Это англоязычная модель с контекстом до 130 токенов и 162,4 млн параметров. Доступны веса PyTorch; лицензия — MIT.