II.11Кибербезопасность и приватность

leomaurodesenv/roberta-base-jailbreakv-28k — англоязычная модель классификации текста на базе RoBERTa, дообученная разработчиком на наборе данных, который в карточке не раскрыт. По названию модель предназначена для выявления jailbreak-запросов, однако README не описывает метки и сценарии применения, поэтому назначение классификатора нельзя подтвердить по документации. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. Файлы опубликованы в формате safetensors; лицензия — MIT. README приводит точность 1,0 и нулевую ошибку на оценочном наборе, но без сведений о наборе данных и методике эти результаты не позволяют судить о качестве на новых примерах.

Gloomreach/ru-toxicity-encoder — русскоязычная модель-классификатор для одновременного выявления ненормативной лексики, угроз и призывов к нарушению закона. Она разработана Gloomreach на основе cointegrated/rubert-tiny2: BERT-энкодер дополнен тремя независимыми классификационными головами и обучен на наборе данных Gloomreach/ru-toxicity-int-ml. Модель принимает текст и выдаёт отдельные оценки вероятности для каждого из трёх классов токсичности. В README приведены метрики precision, recall и F1 для каждого класса; для класса illegal указан recall 0,60, поэтому модель может пропускать часть таких случаев. Порог классификации также зависит от класса. Модель распространяется под лицензией MIT.

ThinkingCap-Qwen3.6-27B-abliterated-MTP-GGUF — текстовая генеративная модель от protoLabsAI на базе bottlecapai/ThinkingCap-Qwen3.6-27B и семейства Qwen3.6. Она предназначена прежде всего для авторизованного пентестинга, red-team и blue-team работ, анализа вредоносного ПО и уязвимостей, CTF, а также исследований по обнаружению, доказательству и исправлению проблем безопасности. Модель позиционируется как abliterated, то есть работающая без встроенных отказов и защитных ограничений, поэтому рассчитана только на законное и контролируемое применение. Модель поставляется в формате GGUF для llama.cpp и Ollama, поддерживает Multi-Token Prediction (MTP) для спекулятивного декодирования, встроенный draft head и набор вариантов квантования от IQ2 до bf16. Заявленный размер базовой модели — 27B параметров. Доступны, в частности, NVFP4, bf16, Q8_0, Q6_K, Q5_K_M, Q4_K_M, IQ4_XS и IQ3_M; объём файлов составляет примерно от 10 до 51 ГБ. Для Q4_K_M на RTX PRO 6000 Blackwell заявлено ускорение декодирования с 73,4 до 105,8 токена в секунду, или на 44%; NVFP4 рассчитан на тензорные ядра Blackwell. Поддержка языков и максимальный контекст в README не указаны. К сильным сторонам относятся ориентация на задачи кибербезопасности, отсутствие отказов при разрешённых сценариях, сохранение заявленных возможностей программирования после abliteration и ускорение вывода благодаря MTP. Ограничения включают отсутствие встроенных защитных барьеров, зависимость NVFP4 от оборудования Blackwell, необходимость свежей версии llama.cpp или Ollama и требование использовать не жадное декодирование. Модель помечена как устаревшая: выпуск отозван, распространение прекращено, поддержка не ведётся, а запросы на доступ не рассматриваются. Лицензия — Apache-2.0.

DavidCombei/wav2vec2-base-ASVSpoof5_TUC-N — модель классификации аудио на базе wav2vec2-base, дообученная разработчиком на неизвестном наборе данных. Она предназначена для присвоения аудиозаписям меток; название репозитория указывает на связь с задачей ASVspoof, однако README не описывает назначение меток и сценарий применения подробнее. Модель содержит 113,3 млн параметров и распространяется в формате PyTorch. На указанном в карточке наборе оценки модель достигла accuracy 0,8889 и loss 0,3502. Лицензия — Apache-2.0. Данные о языках, ограничениях применения и составе обучающего набора в карточке отсутствуют.

dima806/ai_vs_real_image_detection — дообученная модель Vision Transformer (ViT) для классификации изображений на реальные и сгенерированные ИИ. Она предназначена для проверки происхождения изображения и выдаёт метку класса; модель содержит 113,2 млн параметров и основана на google/vit-base-patch16-224-in21k. В README приведён отчёт об оценке на 48 000 изображений с точностью 98,25%; этот результат относится к использованному набору данных и не гарантирует такую же точность на новых изображениях. Модель выпущена в форматах PyTorch и Safetensors под лицензией Apache-2.0. Автор предупреждает о сдвиге данных: после обучения генераторы изображений заметно улучшились, поэтому модель может хуже выявлять современные ИИ-изображения. Для актуального применения рекомендуется переобучение на свежих размеченных данных; изменение порога классификации предлагается лишь как временная мера.

HolkViking/antares-1b-Q4_K_M-GGUF — это квантизированная версия модели fdtn-ai/antares-1b, преобразованная в формат GGUF с помощью llama.cpp и сервиса GGUF-my-repo. Модель предназначена для генерации текста и может запускаться локально через llama.cpp в режиме командной строки или сервера. По данным карточки, модель ориентирована на задачи обнаружения уязвимостей, агентные сценарии и работу в роли терминального агента. Указан английский язык. Размер базовой модели — около 1 млрд параметров; используется квантизация Q4_K_M, уменьшающая требования к памяти и подходящая для локального запуска, но потенциально снижающая точность по сравнению с полноразмерной версией. В примере конфигурации используется контекст длиной 2048 токенов. Сведения о точной архитектуре, результатах оценки, поддерживаемых модальностях и ограничениях качества в README отсутствуют; по имеющимся данным модель является текстовой и не предназначена для работы с изображениями или другими мультимодальными входами. Модель распространяется по лицензии Apache-2.0, однако доступ к репозиторию ограничен и требует ручного одобрения заявки с предоставлением контактных данных и согласия с условиями авторов.

AungMoonLord/bert-log-anomaly-detection — англоязычный BERT-классификатор, разработанный Aungruk Vanichanai, Napat Wanitwatthakorn и Thanakrit Sriphiphattana для обнаружения аномалий в отдельных SQL-журналах транзакций. Модель дообучена для бинарной классификации записей как Normal или Anomaly и создана как прототип для хакатона Samsung × KBTG по цифровому мошенничеству и кибербезопасности. Модель построена на google-bert/bert-base-uncased, использует архитектуру BertForSequenceClassification и содержит 136,7 млн параметров. Она принимает текст одной SQL-записи, поддерживает английский язык и имеет контекст до 512 токенов. Карточка приводит тестовую точность около 0,70 и полноту 0,79 без дополнительной предобработки или 0,82 с ней; результаты указывают на риск ложных срабатываний и пропусков. Модель рассчитана на помощь в мониторинге финансовых транзакций и кибербезопасности, но не предназначена для выявления аномалий по последовательностям нескольких журналов или по нетекстовым данным. Обучающие данные — 1 611 синтетически сгенерированных и размеченных SQL-журналов. Лицензия — Apache 2.0; карточка представляет модель как демонстрационный хакатонный прототип.

CyberStrike-OffSec-35B-GGUF — это текстовая GGUF-квантизация модели CyberStrike-OffSec-35B, разработанной oyildirim, подготовленная ahmedandaloes для сообщества. Модель предназначена для генерации текста в задачах кибербезопасности, включая offensive security, penetration testing и red team-сценарии, и ориентирована на работу через llama.cpp, Ollama, LM Studio и совместимые инструменты. Модель основана на архитектуре Qwen3.5 MoE и имеет заявленный размер 35B параметров. Поддерживается только текстовый ввод и вывод, указан язык English. Доступны варианты квантизации от Q2_K до Q8_0: более компактные варианты требуют меньше оперативной памяти, но сильнее теряют в качестве, тогда как Q6_K и Q8_0 обеспечивают более высокую точность. Рекомендуемым компромиссом между качеством и потреблением памяти назван Q4_K_M. К ограничениям относятся потери качества, зависящие от выбранного уровня квантизации, а также необходимость скачать все части выбранного варианта, поскольку файлы разделены на фрагменты размером около 5 ГБ. Контекст модели в README не указан. Лицензия — Apache-2.0; модель предназначена исключительно для авторизованных работ в области offensive security.

DistilBERT для классификации SMS-сообщений на спам и обычные сообщения (Ham). Модель предназначена для фильтрации нежелательных SMS и выявления рекламных или мошеннических сообщений. В карточке указано обучение на наборе SMS Spam Collection Dataset с Kaggle. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов. В карточке приведены результаты: accuracy 99,19%, precision 100%, recall 94,12% и F1 96,91%; эти показатели относятся к описанной оценке и могут не отражать качество на других данных. Модель распространяется по лицензии MIT.

electramed-small-deid2014-ner-v3 — дообученная модель семейства ELECTRA, разработанная на базе giacomomiolo/electramed_small_scivocab и обученная на наборе i2b22014 для распознавания именованных сущностей в медицинских текстах. Она классифицирует токены и предназначена для задач деидентификации клинических записей. Модель содержит 20,4 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки токенов. В оценке на тестовой выборке i2b22014 достигла F1 0,7861, точности 0,7776 и полноты 0,7947; это указывает на возможные пропуски и ошибочную разметку сущностей. Опубликована в формате PyTorch под лицензией, указанной в метаданных Hugging Face.

LionGuard 2 Lite — разработанная GovTech Singapore многоязычная модель-классификатор для модерации текстового контента в сингапурском контексте. Она использует эмбеддинги Google EmbeddingGemma-300M размерности 768 и многоголовый классификатор, который выдаёт оценки общей безопасности и отдельных категорий: ненавистнические высказывания, оскорбления, сексуальный контент, физическое насилие, самоповреждение и другие виды проступков. Для ряда категорий предусмотрены уровни тяжести. Модель предназначена для локальной проверки пользовательских сообщений и выявления потенциально опасного или недопустимого содержания. Она ориентирована на английский, синглиш, китайский, малайский и тамильский языки в Сингапуре; README указывает также на полностью локальную работу без внешних API-вызовов. Репозиторий содержит веса в формате safetensors. Оценки модели можно использовать для автоматической сортировки и направления сообщений на модерацию, однако README не приводит метрик качества или сведений об устойчивости к контексту и неоднозначным формулировкам. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория.

NemoraAi разработала modernbert-chat-moderation-X-V2 — англоязычный классификатор текста на базе encoder-модели answerdotai/ModernBERT-base. Модель содержит 149 млн параметров, принимает последовательности длиной до 8192 токенов и выдаёт один из двух классов: обычный текст или заблокированный контент. Она дообучена для дополнительной модерации запросов и сообщений в чатах.

Nova-1.3b-bcr — инструкция-настроенная генеративная модель из семейства Nova, разработанная для восстановления исходного кода по дизассемблированному коду. Она содержит 1,3 млрд параметров и построена на архитектуре Llama; обучение Nova начиналось с чекпойнтов DeepSeek-Coder и использовало дизассемблированный код AnghaBench и программы на C/C++ из The-Stack. Модель предназначена для генерации вариантов восстановления бинарного кода и оценки таких результатов. Модель принимает текстовое представление дизассемблированного кода и генерирует текст. Указанная длина контекста — 16 384 токена. Репозиторий содержит веса в формате safetensors, лицензия — BSD-3-Clause-Clear. README ссылается на исследовательскую статью ICLR 2025; модель описана как инструкция-настроенная версия Nova-1.3b для восстановления бинарного кода.

Модель разработана Wesley Acheng для классификации SMS на спам и обычные сообщения. Автор описывает её как классификатор, созданный с помощью transfer learning на BERT и обученный на наборе SMS Spam из Сингапура. Архитектура репозитория — DistilBERT с головой классификации последовательностей; модель принимает текст, поддерживает английский язык и имеет контекст до 512 токенов. Модель подходит для фильтрации спам-сообщений в SMS-потоках и автоматической разметки сообщений. Веса доступны в форматах PyTorch и Safetensors по лицензии Apache-2.0. Карточка не приводит метрик качества или подробностей о составе и разделении данных, поэтому качество на сообщениях из других регионов и на современных типах спама может отличаться.

WhiteRabbitNeo-33B-v1.5 — предварительная версия модели серии WhiteRabbitNeo от разработчиков WhiteRabbitNeo, предназначенной для задач наступательной и защитной кибербезопасности. Это плотная авторегрессионная языковая модель архитектуры Llama с 33,1 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие. Длина контекста составляет 16 384 токена; в репозитории представлены веса в формате safetensors. Модель предназначена для сценариев кибербезопасности, однако README не раскрывает конкретные темы и примеры применения. Карточка описывает выпуск как публичное предварительное тестирование возможностей и оценку общественного влияния. Указанные условия использования возлагают ответственность за результаты на пользователя, предоставляют модель «как есть» и не содержат стандартного идентификатора лицензии; применимые условия следует уточнять у разработчика.

CyberStrike-OffSec-35B — дообученная модель Oyildirim на базе Qwen3.6-35B-A3B, предназначенная для работы в агентном контуре пентестинга. Это текстовая чат-модель на архитектуре Qwen3.5 MoE; репозиторий содержит объединённый чекпойнт в формате safetensors, а также отдельный LoRA-адаптер. Дообучение на 300 примерах сосредоточено на вызовах инструментов: модель формирует структурированные вызовы в ожидаемом формате, выбирает допустимые типы агентов, учитывает реальные результаты инструментов и корректно завершает работу. Модель подходит для сценариев авторизованной проверки безопасности, где внешний пентестинговый стенд предоставляет ей инструменты и исполняет вызовы. Сама модель команды не запускает. В описанной авторами оценке на 24 сценариях она корректно завершалась во всех случаях, однако в некоторых сценариях с кратким запросом на разведку и минимальной схемой единственного инструмента может зациклиться; авторы рекомендуют передавать полный набор инструментов. README не приводит отдельные сведения о поддерживаемых языках или размере контекстного окна. Лицензия указана как other, поэтому условия использования следует сверить с карточкой репозитория.

wangzhang/gemma-4-12B-it-abliterix — модифицированная Wangzhang Wu инструкционная модель Google Gemma 4 на 12 млрд параметров для генерации текста и диалога. Она основана на google/gemma-4-12B-it и предназначена для исследований безопасности, red teaming и оценки устойчивости и механизмов отказа. Модель принимает текстовые запросы и генерирует текстовые ответы. Разработчик применил направленную абляцию весов: удалил компонент направления отказа из проекций внимания и MLP, сохранив норму весов. Это снизило число отказов на тестовом наборе вредоносных запросов с 99 из 100 у базовой модели до 26 из 100; при этом автор сообщает о небольшой дивергенции от базовой модели на безвредных запросах. Это не добавляет модели знаний, а остаточные отказы сохраняются. Качество рассуждений, точность и многоязычные способности унаследованы от Gemma 4. Модель доступна в формате BF16 Safetensors и совместима с Transformers и указанными в карточке движками инференса. Лицензия — Apache-2.0; автор предупреждает, что защитные механизмы ослаблены, и рекомендует использовать модель для законных исследований и оценки.

GLM-5.3-Flash-DERISKED-BF16 — мультимодальная модель Blackfrost на базе GLM-5.3-Flash от Z.ai, предназначенная для авторизованных команд безопасности, специалистов по тестированию защит и лабораторий безопасности ИИ. Изменение поведения встроено в веса и направлено на проведение проверок, для которых стандартные модели могут отказываться выполнять запросы. Модель поддерживает диалог и работу с изображениями; доступна через Transformers. Архитектура — Glm5NextForConditionalGeneration с гибридным вниманием и Mixture-of-Experts: 320 млрд параметров всего и 18 млрд активных на токен. Репозиторий содержит веса BF16 в формате safetensors. Архитектурный предел контекста — 1 млн токенов, но фактический бюджет запроса зависит от памяти и конфигурации обслуживания. Карточка указывает английский и китайский языки. Модель предназначена для авторизованного red teaming, проверки средств обнаружения атак и оценки защитных механизмов. Изменение поведения намеренно ослабляет отказы на вредоносных запросах, поэтому это не модель с исходными настройками безопасности и она не подходит для развёртывания как безопасная универсальная модель. Доступ предоставляется после ручной проверки по коммерческой лицензии; производственные детали модификации не раскрываются.

GPT-OSS-Cybersecurity-20B-Merged-heretic-GGUF — квантизированная GGUF-версия модели GPT-OSS-Cybersecurity-20B-Merged-heretic, разработанной piotreknow02 и подготовленной к квантизации пользователем mradermacher. Модель создана для генерации текста в сценариях кибербезопасности и обучения по инструкциям, включая задачи на основе специализированных наборов данных Trendyol Cybersecurity Instruction Tuning Dataset, Cybersecurity Dataset Fenrir v2.0 и Primus-Instruct. Модель имеет архитектуру mixture-of-experts (MoE), содержит 20B параметров в базовой версии и работает с текстом на английском языке. README не сообщает размер контекста и точную конфигурацию архитектуры. Доступны варианты GGUF с разными уровнями квантизации от Q2_K и Q3_K_S до Q8_0, размером примерно от 12,2 до 22,4 ГБ; варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как наиболее качественный среди перечисленных. Квантизация уменьшает требования к ресурсам, но может снижать качество по сравнению с исходной моделью. Модель ориентирована на ответы и генерацию контента по темам информационной безопасности, однако README не содержит подробных результатов тестирования, описания конкретных защитных ограничений или оценки надёжности. Доступна по лицензии Apache-2.0. Термины heretic, uncensored, decensored и abliterated присутствуют в метаданных, но их практические последствия в README не раскрыты.

Vulcora/protora-mbd-challenge-6 — часть набора из шести контрольных точек SmolLM2 для испытания Protora Model-Backdoor Challenge, предназначенного для поиска модели с внедрённой скрытой реакцией. По описанию карточки, ровно одна из шести моделей содержит бэкдор с точным триггером на полный ввод, который заставляет её выдавать ложное утверждение; остальные служат отвлекающими образцами. Обычное поведение и статистические характеристики весов моделей подобраны так, чтобы быть неразличимыми. Это плотная авторегрессионная Llama-модель с 215 млн параметров, дообученная от HuggingFaceTB/SmolLM2-135M-Instruct; она принимает текст и генерирует текст, поддерживает диалог, использует Transformers и формат safetensors. Родительская модель ориентирована на английский язык, контекст составляет 8192 токена. Карточка предлагает загружать веса в float32, поскольку понижение точности может нарушить работу точного триггера. Модель предназначена для анализа безопасности и красной команды: исследователь может проверять, содержит ли контрольная точка бэкдор, и изучать поведение модели при наличии триггера. Лицензия — Apache-2.0. README не подтверждает, содержит ли именно эта контрольная точка бэкдор; это и является задачей испытания.

PyBytecode v3 — компактная модель на 1,5 млрд параметров, разработанная BlazingCustoms для восстановления исходного кода Python по дизассемблированному байткоду Python 3.12. Это плотная авторегрессионная модель семейства Qwen2, дообученная с помощью LoRA на 48 196 парах «дизассемблированный код — исходный код»; адаптер объединён с базовой моделью Qwen/Qwen2.5-Coder-1.5B-Instruct. Модель принимает текстовое представление байткода и генерирует исходный код Python. Контекст составляет 32 768 токенов, указанная лицензия — Apache-2.0. В опубликованном тесте на 600 функциях Python 3.12 модель восстановила код, прошедший проверку эквивалентности байткода, в 84,33% случаев за одну попытку и в 93,67% случаев при выборе из 32 вариантов. Проверка подтверждает соответствие поведения при совпадении отпечатка скомпилированного кода, но отсутствие совпадения не доказывает, что восстановление неверно. Лучше всего модель работает с функциями короче 100 строк дизассемблированного кода; качество заметно падает на длинных входах, а свыше примерно 400 строк в тесте не было подтверждённых результатов даже при 32 попытках. Модель предназначена для анализа и восстановления отдельных функций из байткода, а не целых модулей. Она обучена и оценена для Python 3.12; поддержка других минорных версий Python, Nuitka, не-CPython-сборок и обфусцированного байткода не проверена. Проверка может не подтвердить правильный результат при несовпадении уровня оптимизации компилятора или версии CPython; восстановление логики реального вредоносного ПО также не продемонстрировано. Доступны веса Safetensors и вариант GGUF для llama.cpp, LM Studio и Ollama.

Qwen3.5-4B Privacy Defender — дообученная модель oberus на базе Qwen/Qwen3.5-4B для переписывания пользовательских запросов с целью снизить риск раскрытия личных сведений при отправке во внешний чат-бот. Она заменяет или обобщает детали, по которым можно определить местоположение, профессию, возраст, гендер, семейный статус и социально-экономическое положение, стараясь сохранить смысл и намерение исходного сообщения. Модель предназначена для предварительной обработки запросов на устройстве пользователя; при обучении применялись SFT и DPO. В метаданных указаны архитектура Qwen3.5 с 4 млрд параметров, библиотека Transformers и формат safetensors. Это текстовая модель с диалоговыми возможностями; заявленная задача Hugging Face — text-generation. Базовая модель мультимодальна, однако README описывает сценарий обработки текстовых запросов. Модель опубликована по лицензии Apache-2.0 и не является официальной моделью Qwen. README позиционирует её как инженерный результат магистерской работы; оценок качества или гарантий полного удаления идентифицирующих данных в предоставленных материалах нет.

CrabInHoney разработала компактную модель семейства BERT для анализа URL и последующего дообучения под конкретные задачи. Это плотная архитектура BertForMaskedLM с 4,8 млн параметров и контекстом 64 токена. Модель предсказывает замаскированные части URL: в примере она восстанавливает вероятные домены верхнего уровня, такие как .com и .org. Модель подходит как основа для дообучения и для предсказания пропущенных токенов в URL. В метаданных также указан тег text-classification, но README демонстрирует задачу fill-mask. Лицензия Apache-2.0.

Это перенесённая в Transformers модель S3PRL на базе wav2vec2-base, подготовленная для задачи определения личности говорящего в рамках бенчмарка SUPERB. Она относит речевое высказывание к одному из заранее заданных классов говорящих; для обучения и оценки использовался VoxCeleb1. Модель содержит 113,3 млн параметров и принимает аудио с частотой дискретизации 16 кГц. Модель подходит для классификации говорящих в закрытом наборе известных личностей и экспериментов по распознаванию речи. В оценке SUPERB на тестовой части указана точность 0,7518. Это классификатор аудио, а не система транскрипции речи; применение к новым говорящим вне обученного набора не описано. Лицензия — Apache-2.0.

Securelayer7/AFM-4.5B-Uncensored-Abliterated — производная версия AFM-4.5B, созданная удалением поведения отказа на уровне весов. Это плотная причинная языковая модель семейства Arcee с 6 млрд параметров по метаданным и контекстом до 65 536 токенов; README указывает размер базовой модели 4,5 млрд параметров. Модель предназначена для диалоговой генерации текста, в том числе для исследований кибербезопасности, red teaming и авторизованного тестирования на проникновение в сценариях, где базовая модель часто отказывает. Отказы снижены с 92 до 3 на 100 проверках из описанного набора; заявленное расхождение с базовой моделью — KL 0,0200, при этом, по README, сохраняются математические и фактические способности. Изменения внесены в проекции внимания и MLP по всем 36 слоям, результат объединён в полные веса. Модель принимает текст и генерирует текст, поддерживает английский язык; основная модель описана как многоязычная, но дополнительные языки этой версии не перечислены. Репозиторий использует safetensors и Transformers, лицензия — Apache-2.0. Удаление отказов означает, что сами веса не обеспечивают защиту от вредоносных или незаконных запросов. Для развёртывания требуется отдельная политика безопасности и фильтрация на уровне сервиса; результаты по отказам и сохранению способностей приведены автором карточки и не являются независимой оценкой.

Карточка модели Blackfrost-AI/GLM-5.3-Flash-ABLITERATED-F.U-AnthraClaud-Edition-BF16 на Hugging Face совпадает с карточкой Blackfrost-AI/GLM-5.3-Flash-DERISKED-BF16, поэтому описание составлено по ней. GLM-5.3-Flash-DERISKED-BF16 — мультимодальная модель Blackfrost на базе GLM-5.3-Flash от Z.ai, предназначенная для авторизованных команд безопасности, специалистов по тестированию защит и лабораторий безопасности ИИ. Изменение поведения встроено в веса и направлено на проведение проверок, для которых стандартные модели могут отказываться выполнять запросы. Модель поддерживает диалог и работу с изображениями; доступна через Transformers. Архитектура — Glm5NextForConditionalGeneration с гибридным вниманием и Mixture-of-Experts: 320 млрд параметров всего и 18 млрд активных на токен. Репозиторий содержит веса BF16 в формате safetensors. Архитектурный предел контекста — 1 млн токенов, но фактический бюджет запроса зависит от памяти и конфигурации обслуживания. Карточка указывает английский и китайский языки. Модель предназначена для авторизованного red teaming, проверки средств обнаружения атак и оценки защитных механизмов. Изменение поведения намеренно ослабляет отказы на вредоносных запросах, поэтому это не модель с исходными настройками безопасности и она не подходит для развёртывания как безопасная универсальная модель. Доступ предоставляется после ручной проверки по коммерческой лицензии; производственные детали модификации не раскрываются.

Карточка модели Andronovo/Huihui-CyberStrike-OffSec-35B-abliterated на Hugging Face совпадает с карточкой huihui-ai/Huihui-CyberStrike-OffSec-35B-abliterated, поэтому описание составлено по ней. Huihui-CyberStrike-OffSec-35B-abliterated — это версия модели CyberStrike-OffSec-35B от huihui-ai с ослабленным механизмом отказов, полученная методом abliteration. Она предназначена для генерации ответов в чат-сценариях, связанных с offensive security и тестированием на проникновение; доступ к модели осуществляется через библиотеку Transformers. Архитектура указана как Qwen3.5 MoE, тип файлов — safetensors. Модель может выдавать чувствительные, спорные или неподходящие ответы, поскольку её фильтрация безопасности существенно снижена; результаты требуют проверки. В репозитории также есть файл MTP из Qwen3.6-35B-A3B, используемый главным образом с llama.cpp. Лицензия — Apache-2.0.

Карточка модели HFCK99/Huihui-CyberStrike-OffSec-35B-abliterated на Hugging Face совпадает с карточкой huihui-ai/Huihui-CyberStrike-OffSec-35B-abliterated, поэтому описание составлено по ней. Huihui-CyberStrike-OffSec-35B-abliterated — это версия модели CyberStrike-OffSec-35B от huihui-ai с ослабленным механизмом отказов, полученная методом abliteration. Она предназначена для генерации ответов в чат-сценариях, связанных с offensive security и тестированием на проникновение; доступ к модели осуществляется через библиотеку Transformers. Архитектура указана как Qwen3.5 MoE, тип файлов — safetensors. Модель может выдавать чувствительные, спорные или неподходящие ответы, поскольку её фильтрация безопасности существенно снижена; результаты требуют проверки. В репозитории также есть файл MTP из Qwen3.6-35B-A3B, используемый главным образом с llama.cpp. Лицензия — Apache-2.0.

Vinci-Cyber-8B-1.0 — дообученная SimpleDirect модель на базе IBM Granite-4.1-8B для диалогового помощника в сценариях защитной безопасности инфраструктуры. Она предназначена для анализа конфигураций и диагностического контекста и предложения исправления либо обоснованного отказа от изменений, в том числе при работе с инфраструктурой как кодом. Модель построена на плотной архитектуре GraniteForCausalLM, содержит 8,4 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. Карточка указывает лицензию Apache-2.0. В ограниченной внутренней проверке исходной BF16-модели она предложила 4 проверенных исправления из 8 случаев и верно оставила без изменений 22 чистых файла из 22. Эти результаты получены на панели, по которой выбирали чекпойнт, а проверяющий инструмент имел известные недостатки; как минимум одно из засчитанных исправлений не устраняло проблему безопасности. Результаты не подтверждают надёжность обнаружения уязвимостей, переносимость на GGUF или пригодность к автономному применению. Предложения и решения об отсутствии изменений требуют независимой проверки человеком, а разбор конфигураций, проверки безопасности, регрессионные тесты и утверждение изменений должны оставаться вне контроля модели.

Модель kit-nlp/bert-base-japanese-sentiment-cyberbullying — классификатор японского текста для автоматического выявления кибербуллинга. Это BERT Base с архитектурой BertForSequenceClassification и 137,8 млн параметров; модель дообучена на сбалансированном наборе, объединяющем данные японских комментариев с вредоносных BBS и твитов с кибербуллингом. В основе лежит daigo/bert-base-japanese-sentiment, ранее обученная для анализа тональности. Модель предназначена для классификации японских комментариев и публикаций в соцсетях с целью выявления кибербуллинга. Она принимает текст и выдаёт результат классификации; максимальный контекст составляет 512 токенов. Доступны веса PyTorch и Flax. Модель распространяется по лицензии CC BY-SA 4.0. Результаты автоматического выявления следует проверять: карточка не приводит метрик качества, а классификатор может ошибаться на неоднозначных сообщениях и текстах вне обучающих доменов.