II.11Кибербезопасность и приватность

mrm8488 дообучил компактную модель BERT-Tiny google/bert_uncased_L-2_H-128_A-2 для обнаружения спама в электронных письмах. Она использует архитектуру BERT для классификации текста, содержит 4,4 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для бинарной классификации писем как спама или обычной почты. В README приведены результаты оценки на тестовом наборе: точность 98,6%, precision 98,51%, recall 98,71% и F1 98,61%. Обучение проводилось на SetFit/enron_spam. Модель доступна в форматах PyTorch и Safetensors по лицензии Apache-2.0. Результаты оценки относятся к указанному набору данных; качество на других источниках писем не подтверждено.

Deepfake Image Detector — модель классификации изображений на основе EfficientNetV2-S из timm, опубликованная Arko007. Она принимает RGB-изображение размером 380 × 380 и выдаёт оценку вероятности для бинарных классов «подделка» и «реальное изображение». Модель предназначена для исследований и проверки методов обнаружения дипфейков, а также для прототипов модерации контента с участием человека. В карточке приведён один результат оценки: AUC 0,9986 на эпохе 6. Данные о наборе и разбиении для оценки, происхождении обучающих данных, коде обучения и остальных метриках отсутствуют. Модель рассчитана на изображения с центрированным лицом или похожим кадрированием; на полноформатных снимках, при смене домена и для ранее не встречавшихся способов манипуляции качество может снизиться. Не следует использовать её выводы как единственное основание для решений с серьёзными последствиями или экспертных заключений. Веса предоставлены в формате PyTorch. Лицензия — Apache-2.0.

DroidDetect-Large — модель классификации текста от project-droid, дообученная на базе answerdotai/ModernBERT-large для обнаружения происхождения программного кода. Она относит фрагменты к одному из четырёх классов: написанный человеком, сгенерированный машиной, отредактированный ИИ или adversarial-код, изменённый для затруднения обнаружения. Модель обучена на отфильтрованной части набора DroidCollection; в обучении использовались Cross-Entropy Loss и Batch-Hard Triplet Loss, помогающий разделять представления классов. Модель принимает текст кода и выдаёт метку класса; её можно применять для анализа происхождения кода и оценки результатов генерации или доработки кода ИИ. Базовая ModernBERT-large — англоязычный двунаправленный энкодер на 395 млн параметров. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. README не уточняет поддерживаемые языки программирования, длину контекста или качество на независимых данных.

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-6.7b-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.

NCII-Light-Guard v0.1 — компактный классификатор текстовых запросов, разработанный hfmlsoc на базе microsoft/harrier-oss-v1-270m. Он оценивает, насколько инструкция по редактированию изображения может привести к созданию интимного изображения без согласия: выдаёт метку likely-safe или ncii-risk и оценку вероятности класса ncii. Это текстовая модель с архитектурой Gemma3TextForSequenceClassification, примерно 257 млн параметров и контекстом до 32 768 токенов; изображения она не анализирует. Модель предназначена для лёгкой предварительной проверки запросов в системах редактирования изображений и для ограничения запросов, которые могут раздевать или сексуализировать человека на фотографии. В README указаны метрики F1 около 0,94 на валидации и 0,92 на тесте для использованного набора, однако автор предупреждает, что реальный поток запросов может отличаться от обучающих данных. Классификатор обучен преимущественно на английских запросах; некоторую многоязычную способность автор связывает с предобучением, но другие языки, adversarial-формулировки и наборы тегов T2I сложнее для модели. Она не видит исходное изображение и не может определить личность, контекст, намерение пользователя или наличие согласия; метки являются эвристической оценкой риска, а качество может различаться между группами. Модель распространяется по лицензии MIT.

OmniGuard-7B — мультимодальная модель модерации и оценки безопасности контента, выпущенная анонимной командой как сопровождение статьи на рецензировании. Она основана на архитектуре Qwen2.5-Omni и использует 7 млрд параметров. Модель принимает текст, изображения, аудио и видео и формирует структурированный анализ безопасности и соблюдения политик. Заявлены английский и китайский языки. Модель предназначена для оценки пользовательского контента и поддержки систем модерации. Для её работы указаны PyTorch и Transformers; для версии 7B рекомендуется CUDA-совместимый GPU с памятью от 16 ГБ. Лицензия — Apache-2.0. В карточке также упомянута версия OmniGuard-3B, но это отдельный вариант модели.

Qwen3.8-27B Abliteratex — плотная текстовая модель для генерации и диалогов, созданная Wangzhang Wu на основе Qwen/Qwen3.8-27B. Это дообученная версия с объединёнными в веса параметрами LoRA: десять раундов само-дистилляции были направлены на существенное снижение отказов при ответах на запросы. Модель содержит 22,3 млрд параметров, работает через Transformers, использует формат safetensors и поддерживает контекст до 262 144 токенов. Модель предназначена прежде всего для исследований безопасности, red teaming, оценки устойчивости и изучения механизмов отказа языковых моделей. На отложенном наборе вредоносных запросов судья отметил отказы в 19 случаях из 100; на доброкачественных запросах KL-расхождение с базовой моделью составило 0,0069 ната на токен. Обычное поведение и мультиязычные возможности унаследованы от базовой модели, однако README не приводит список языков. Снижение отказов означает, что модель охотнее отвечает на опасные и вредоносные запросы. Результаты оценки не гарантируют такое же поведение на запросах вне тестового распределения; фактическая точность и качество рассуждений отдельно не подтверждены. Лицензия — Apache-2.0.

dealignai/Qwen3.8-Flash-Next-CYBERSECURITY-NVFP4 — мультимодальная версия базовой модели Qwen/Qwen3.8-Flash-Next, разработанная dealignai. Это сборка с прямым изменением весов без дообучения, LoRA, дистилляции или изменения шаблона чата. Модель предназначена для исследований безопасности, red teaming, оценки защитных механизмов и анализа сценариев offensive security, включая кибербезопасность и технические риски. Она сохраняет поддержку текста, изображений и видео, режимов reasoning off, low и xhigh, а также MTP speculative decoding. Модель использует формат NVFP4 с 4-битным представлением и рассчитана на tensor-parallel запуск через SGLang на конфигурации из двух NVIDIA DGX Spark с GB10. В README не указаны точный размер модели, длина контекстного окна и полный перечень поддерживаемых языков. Согласно приведённым данным, сохранены близкие к базовой модели характеристики рассуждений: длина reasoning-трасс составляет около 0,97 от базовой, а результат MMLU отличается на 0,84 процентного пункта. При этом защитные отказы удалены: модель может выполнять вредоносные, незаконные и неэтичные запросы, включая запросы по киберпреступности. Главное преимущество — сочетание мультимодальности, рассуждений и высокой готовности отвечать на запросы в рамках red-team и safety-исследований. Существенное ограничение — отсутствие встроенных защитных отказов, что повышает риск злоупотребления и требует строгого контроля среды и результатов. Модель предоставляется по лицензии qwen-community-license-1.0; README также указывает на использование без гарантий и возлагает ответственность за применение и соблюдение законодательства на пользователя.

Модель stratosphere/Qwen3-Embedding-0.6B-netsecgame-finetuned-pairs — текстовый Sentence Transformer, дообученный на наборе пар netsecgame-embedding-finetuning-pairs на базе Qwen/Qwen3-Embedding-0.6B. Она преобразует предложения и абзацы в плотные векторы размерности 1024; архитектура включает Qwen3Model, пулинг последнего токена и нормализацию. Максимальная длина последовательности составляет 32 768 токенов, сходство можно оценивать косинусной мерой. Модель подходит для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Обучающие пары связаны с NetSecGame, поэтому модель может быть особенно полезна для семантического сопоставления текстов в этом сценарии. В README приведены метрики бинарной классификации на валидационном наборе topology_val, но их нельзя считать универсальной оценкой качества для других задач. Лицензия в предоставленных данных не указана.

ZachBeesley/Spam-Detector — модель классификации текста, разработанная ZachBeesley и дообученная на базе distilbert-base-uncased. Она предназначена для определения спама в текстовых сообщениях. Архитектура — DistilBERT для классификации последовательностей; контекст ограничен 512 токенами. В метаданных указаны английский язык и датасет sms_spam. Модель принимает текст и выдаёт метку класса. Репозиторий содержит веса в формате TensorFlow, лицензия — Apache-2.0. README сообщает значение train loss 0,0093 после двух эпох, но не приводит подробностей о данных и результатах на отложенной выборке, поэтому качество обобщения по карточке оценить нельзя.

Карточка модели StanfordAIMI/stanford-deidentifier-only-i2b2 на Hugging Face совпадает с карточкой StanfordAIMI/stanford-deidentifier-with-radiology-reports-and-i2b2, поэтому описание составлено по ней. Модель StanfordAIMI предназначена для автоматического выявления персональных идентификаторов в радиологических и биомедицинских документах с помощью разметки последовательности токенов. Она разработана Stanford AIMI и обучена на разных радиологических и биомедицинских текстах; авторы указывают, что целились в точность, подходящую для производственного применения. Модель построена на архитектуре BERT и содержит 136,7 млн параметров. Она принимает текст на английском языке, работает с контекстом до 512 токенов и возвращает метки для токенов, что позволяет находить фрагменты, подлежащие деидентификации. Модель можно применять в конвейерах обезличивания радиологических заключений и других биомедицинских документов перед их хранением, обменом или исследовательским анализом. Репозиторий использует формат PyTorch и лицензию MIT. README ссылается на сопутствующую публикацию, но не приводит метрики качества или подробности схемы меток.

Vulnerability_binary — модель классификации текста, созданная дообучением microsoft/deberta-v3-base с помощью Transformers. Она предназначена для бинарного определения уязвимостей по тексту, однако карточка не уточняет тип входных данных и классы классификации. Модель содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты на оценочной выборке: accuracy 0,6712, precision 0,6927, recall 0,6169, F1 0,6526 и AUC 0,7228. Эти показатели характеризуют только указанную выборку; сведения о датасете отсутствуют. Модель распространяется по лицензии MIT.

ADV-LLM — диалоговая языковая модель, разработанная Chung-En Sun и соавторами из UCSD и Microsoft Research. Это дообученная версия LLaMA-3-8B-Instruct с архитектурой LLaMA и 7,5 млрд параметров; модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 8192 токенов. Модель предназначена для исследований безопасности LLM и red teaming: она генерирует суффиксы для jailbreak-атак, проверяющих, можно ли обойти защитное выравнивание других языковых моделей. В README сообщается о высоких показателях успешности атак при групповом поиске луча на нескольких моделях и проверках безопасности. Это специализированная атакующая модель, а не универсальный помощник; результаты зависят от целевой модели и метода поиска. Лицензия — MIT.

dinov2_Liveness_detection_v2.1.3 — модель классификации изображений на базе архитектуры DINOv2, дообученная разработчиком nguyenkhoa на основе nguyenkhoa/dinov2_Liveness_detection_v2.1.2. Она предназначена для определения живого человека по изображению лица и может использоваться в сценариях проверки присутствия человека. Модель содержит 28,3 млн параметров и доступна в формате Safetensors для библиотеки Transformers. В README указаны результаты на оценочном наборе: accuracy, F1, recall и precision по 0,9976, а loss — 0,0123. Данные о наборе для обучения и подробные сведения о применении не приведены, поэтому результаты не гарантируют качество на других данных. Лицензия в предоставленных сведениях отсутствует.

yermandy/GenD_CLIP_L_14 — модель GenD на основе CLIP, представленная в таблице 2 статьи «Deepfake Detection that Generalizes Across Benchmarks» для WACV 2026. Она предназначена для классификации изображений при обнаружении дипфейков и оценки того, насколько хорошо детектор переносится между разными бенчмарками. Репозиторий использует Transformers и содержит веса в формате safetensors. Модель распространяется по лицензии MIT. В карточке не описаны языки, размер, длина контекста или ограничения по применению; поскольку это классификатор изображений, языковые поля не применимы. Результаты могут зависеть от домена и набора данных; заявленная обобщающая способность относится к оценке в работе и не гарантирует качество на любых новых данных.

Huihui-ThinkingCap-Qwen3.6-27B-abliterated-cyber — чат-модель на архитектуре Qwen3.5, дообученная с помощью LoRA/QLoRA и объединённая в 16-битный формат с использованием Unsloth. Она предназначена для генерации ответов в диалоге по задачам кибербезопасности. Репозиторий подготовлен для Transformers и включает токенизатор и шаблон чата. Базовая модель — huihui-ai/Huihui-ThinkingCap-Qwen3.6-27B-abliterated; для неё в каталоге указано 27 млрд параметров и работа с изображениями. Условия лицензии и распространения базовой модели распространяются на эту модель. Карточка не описывает конкретные тесты качества или ограничения в кибербезопасных сценариях.

No Name Thai NER — компактная модель Looloo Health, разработанная компанией Mahamor для распознавания именованных сущностей в тайском медицинском и разговорном тексте. Она дообучена на базе clicknext/phayathaibert и решает задачу классификации токенов, отмечая имена людей, телефоны, электронные адреса, адреса и местоположения, даты, национальные идентификаторы и больничные идентификаторы. Модель предназначена для включения в конвейеры деидентификации медицинских записей, в том числе в AI Medical Scribe PresScribe. По карточке, она обучена на синтетическом наборе из более чем 300 000 примеров и рассчитана на быстрый запуск на CPU через Transformers. Для объединения токенов в цельные фрагменты рекомендуется постобработка. Заявленная точность свыше 95% относится к внутреннему тесту для конкретного сценария и не гарантирует такую же точность на других данных. Модель распространяется в формате safetensors. Лицензия в доступных данных не указана. Авторы рекомендуют проверку результатов человеком; модель не заменяет профессиональную юридическую или медицинскую консультацию, а ответственность за соблюдение требований к конфиденциальности и регулированию лежит на пользователе.

darkengross/Qwen3.5-4B-abliterated — производная текстовая языковая модель на основе Qwen3.5-4B, дообученная удалением поведения отказа и настройкой на выполнение запросов. Она предназначена для авторизованного red-team-тестирования защитных механизмов: генерации adversarial- и jailbreak-запросов, а также пар вредоносных примеров для обучения фильтров и классификаторов безопасности. В карточке указаны архитектура Qwen3_5ForCausalLM, около 3,4 млрд параметров, контекст до 262 144 токенов и поддержка английского языка; модель работает через Transformers и распространяется в формате safetensors. README сообщает о сохранении общих возможностей базовой модели и улучшении результата на GSM8K, но также о снижении на TruthfulQA и ухудшении точного следования формату на IFEval. По описанию автора, модель намеренно выполняет вредоносные запросы, поэтому её применение ограничено тестированием и исследованиями безопасности в разрешённом контексте; она не предназначена для пользовательских или производственных систем. Лицензия — Apache-2.0.

RedSage-K-SFT-GRPO — модель RISys-Lab при Khalifa University для преобразования англоязычных запросов в команды Kali Linux и Linux в сценариях кибербезопасности. Это дообученная версия RedSage-K-SFT: к supervised fine-tuning добавлено обучение с подкреплением GRPO на проверяемых оценках KaliBench. Модель построена на архитектуре Qwen3ForCausalLM, содержит 7,6 млрд параметров, принимает текст и имеет контекстное окно 32 768 токенов. Модель предназначена для генерации одной команды по запросу, в том числе с ограничением списка доступных инструментов или с подсказкой по целевому инструменту и его документации. В KaliBench она показала средний Total Score 79,2% на тестовой выборке из 5 000 примеров; качество зависит от режима запроса. Оценка команд выполнялась по структуре без их запуска, поэтому результаты не подтверждают успешность исполнения в конкретной среде. Модель рассчитана на исследования, обучение и помощь с командами в авторизованных средах. Лицензия в предоставленных данных не указана.

Модель JonatanGk/roberta-base-bne-finetuned-cyberbullying-spanish — дообученная версия BSC-TeMU/roberta-base-bne на базе RoBERTa для классификации испаноязычных текстов с целью выявления кибербуллинга. Она обучена на объединённых данных, собранных из социальных сетей, включая Twitter, YouTube и Discord; обучающая выборка содержит более 360 тысяч пар предложений. Модель подходит для автоматической проверки сообщений и комментариев на наличие кибербуллинга. В README для тестовой выборки приведены точность 0,9607 и значение loss 0,1657. Модель содержит 151,8 млн параметров, принимает текст и имеет контекст до 514 токенов. Она рассчитана на испанский язык. Опубликованные веса доступны в форматах PyTorch и safetensors; лицензионные условия в предоставленных данных не приведены.

BERT Spam Detector — русскоязычная модель классификации спама в чатах, созданная дообучением rubert-tiny2. Она принимает текст сообщения и определяет, относится ли он к спаму; пример применения — фильтрация рекламных сообщений о работе и предложений перейти в личные сообщения. Модель построена на архитектуре BERT и содержит 29 млн параметров, максимальная длина контекста — 2048 токенов. Для обучения использован набор данных ben zlokzik/russian-spam-fork. Модель предназначена для классификации текстов на русском языке и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

yacis-electra-small-japanese-cyberbullying — модель ELECTRA Small, дообученная для автоматического обнаружения кибербуллинга в японском тексте. Базовая модель предварительно обучена на корпусе японских блогов YACIS объёмом 5,6 млрд слов, а затем дообучена на сбалансированном наборе комментариев с вредоносным содержанием и примеров японского кибербуллинга из BBS и Twitter. Модель использует архитектуру ELECTRA для классификации последовательностей, содержит 20,8 млн параметров и принимает текст длиной до 512 токенов. Она предназначена для фильтрации и анализа японских комментариев и публикаций. Репозиторий распространяется в формате PyTorch по лицензии CC BY-SA 4.0.

GPT-OSS-20B-Jail-Broke (Freedom) — вариант GPT-OSS-20B от AIGym, подготовленный в рамках Kaggle GPT-OSS Red Teaming Challenge для проверки безопасности и устойчивости языковых моделей. Это авторегрессионный декодерный Transformer семейства gpt_oss с архитектурой MoE; README указывает 20 млрд параметров, тогда как метаданные каталога — 1,6 млрд. Модель принимает текст и генерирует текст, поддерживает чат и контекст до 131 072 токенов. Модель предназначена для red teaming, оценки устойчивости к состязательным запросам и изучения обхода защитных механизмов, а также для тестирования модерации и защит от prompt injection. Она может выдавать небезопасные рекомендации, оскорбительный контент и галлюцинации; поведение чувствительно к формулировке запроса. README рекомендует только исследовательское применение и предупреждает о рисках двойного назначения. Лицензия в предоставленных данных не указана.

cowWhySo/Llama-3-8B-Instruct-Cybersecurity — чат-модель семейства Llama 3 с 7,5 млрд параметров, предназначенная для ответов по пентесту и кибербезопасности. По карточке модели она настроена так, чтобы не отказывать на запросы, связанные с этими темами. Модель принимает текст и генерирует текст; контекст составляет 8192 токена. В метаданных указаны архитектура LlamaForCausalLM, формат safetensors и лицензия llama3. Модель подходит для диалоговых сценариев по кибербезопасности, однако карточка не описывает её точность, проверку качества или ограничения применения.

Модель qquarkq/multitask-toxicity-classifier разработана для классификации русскоязычных текстов по трём независимым категориям: ненормативная лексика, угрозы и запросы на нарушение закона. Она основана на энкодере cointegrated/rubert-tiny2 и использует три отдельные классификационные головы, позволяя присваивать тексту несколько меток одновременно. Модель предназначена для модерации комментариев и выявления потенциально опасных или незаконных запросов. На валидационной выборке macro F1 составил 0,7769. F1 для ненормативной лексики — 0,9235, для угроз — 0,7766, для запросов о незаконных действиях — 0,6305; пороги классификации для этих категорий различаются. Модель опубликована в формате PyTorch под лицензией MIT.

NEXUS-Security — компактная языковая модель FableForge для задач кибербезопасности. Это дообученная версия Qwen/Qwen2.5-1.5B-Instruct с архитектурой Qwen2 и 1,5 млрд параметров; модель распространяется в формате Safetensors и рассчитана на диалоговое использование через Transformers. Контекст составляет 32 768 токенов, основной язык карточки — английский. Модель предназначена для исследований безопасности, тестирования на проникновение и работы с защитными инструментами. Разработчик приводит внутреннюю оценку 144 из 150 баллов по 30 запросам, включая вопросы по предметной области, рассуждение и использование инструментов; это небольшая самопроведённая оценка, а не независимый бенчмарк. Модель описана как не склонная к отказам, поэтому её ответы требуют проверки и контроля при практическом использовании. Лицензия — Apache 2.0. Компактный размер удобен для локального запуска, однако качество и надёжность выводов могут быть ниже, чем у крупных моделей; модель не заменяет проверку специалистом и безопасную тестовую среду.

Yap Phone Screenshot Classifier — модель классификации изображений, разработанная Yapwithai и дообученная на основе timm/mobilenetv4_conv_medium.e250_r384_in12k. Она предназначена для маршрутизации и фильтрации рабочих процессов с мобильными скриншотами: модель одновременно определяет категорию экрана и категорию безопасности изображения. Она возвращает оценки для двух независимых наборов меток — screen и safety; в описанной версии для выбора класса используется argmax. Модель принимает изображения с переменными размером и соотношением сторон и предусматривает обработку без обрезки, с сохранением пропорций. В README приведены результаты оценки на тестовых наборах и замеры инференса ONNX Runtime на Apple M4 Max; эти показатели относятся к указанным условиям и не гарантируют аналогичного качества на других данных или устройствах. Для эксплуатации доступны файлы ONNX, включая вариант FP16, а также веса safetensors. Лицензия в предоставленных сведениях не указана.

Qwen2.5-VL-3B-uncensored-bughunter-v9 — компактная мультимодальная модель, разработанная mmp2055 на основе huihui-ai/Qwen2.5-VL-3B-Instruct-abliterated. Это лёгкая LoRA-дообученная версия для локального запуска на мобильных устройствах и edge-системах. Модель распространяется в формате GGUF; основной файл в квантизации Q4_K_M занимает около 1,9 ГБ, потребление активной оперативной памяти составляет примерно 2,5 ГБ. Для обработки изображений используется отдельный vision-проектор mmproj-BF16.gguf. Основное назначение модели — быть агентом-оркестратором инструментов в мобильных сценариях bug bounty, пентестинга и исследования уязвимостей. Она поддерживает вызов инструментов в формате tool calling, умеет выбирать подходящие функции и формировать корректный JSON, а также обрабатывать изображения, включая скриншоты, схемы и диаграммы. Модель рассчитана на интеграцию с HTTP-инструментами, MCP, командами разведки, автозаполнением форм и внешними базами знаний или RAG-системами. Заявлены языки es и en. Сильными сторонами являются небольшой размер, работа на устройстве со скоростью около 5–40 токенов в секунду на современных телефонах, сохранённые мультимодальные возможности, следование системным инструкциям и отсутствие категоричных отказов, унаследованное от базовой модели. Ограничение — недостаточная глубина знаний для надёжной генерации сложных payload’ов и самостоятельного офлайн-анализа: ответы по XSS, SQLi и другим техникам могут быть общими или ошибочными. Рекомендуемый контекст составляет 4 096–8 192 токена на мобильных устройствах и до 32 768 на настольных системах. Модель лицензирована по Apache-2.0.

Qwen3.8-27B-Abliterated-Cyber-Preview — мультимодальная модель на 27 млрд параметров семейства Qwen3.5, созданная hotdogs как дообученная и объединённая с базовой моделью версия hotdogs/Qwen3.8-27B-abliterated. Она предназначена для авторизованных проверок безопасности: по описанию сценария выдаёт структурированные вызовы инструментов для тестирования на проникновение, а также отвечает на вопросы по кибербезопасности. Модель принимает текст и изображения и формирует текстовые ответы; поддерживает английский и китайский языки. Веса используют архитектуру Qwen3_5ForConditionalGeneration и формат safetensors. Сохранённая голова Multi-Token Prediction позволяет использовать self-speculative decoding в соответствующей сборке GGUF. В README приводятся результаты внутренней проверки: корректный формат вызова и выбор инструмента в шести тестовых сценариях, но выборка мала и не является независимой оценкой. Это предварительная версия, обученная на данных по агентному использованию инструментов; автор предупреждает, что модель не отказывает в ответах и может выдавать инструкции по эксплуатации систем. Применять её следует только для исследований безопасности и тестирования систем, на которые есть разрешение. Лицензия — Apache-2.0, унаследованная от базовой модели.