II.11Кибербезопасность и приватность

PassGPT-16characters — авторегрессионная языковая модель на архитектуре GPT-2, обученная разработчиком модели на паролях из утечки RockYou. Эта версия включает пароли длиной до 16 символов; модель обучалась с нуля, а словарь сокращён до наиболее значимых символов. Токенизатор кодирует каждый символ пароля отдельным токеном. Модель предназначена для генерации паролей и экспериментов с моделированием распределения паролей в задачах кибербезопасности. Она выдаёт последовательности символов, продолжая заданный стартовый токен. Это специализированная модель для паролей, а не универсальная языковая модель; её обучение на утёкших данных ограничивает применение задачами исследований и оценки безопасности. В README не указана лицензия.

FaizAhmadDev разработал эту модель на основе DistilBERT и дообучил её для бинарной классификации SMS на легитимные сообщения и спам. Она принимает текст сообщения и подходит для фильтрации SMS и автоматической модерации англоязычных сообщений. Модель использует архитектуру DistilBertForSequenceClassification; базовая модель — distilbert-base-uncased. Максимальная длина контекста — 512 токенов, при обучении сообщения обрезались до 128 токенов. Для обучения использован SMS Spam Collection Dataset; в README приведены результаты на отложенной выборке из 1033 сообщений: точность 99,23%, полнота для спама 0,9618 и precision 0,9767. Модель распространяется по лицензии Apache 2.0. Модель рассчитана на английские SMS и не предназначена для других языков или произвольной классификации текста без дообучения. Она не анализирует изображения и мультимедиа и не объясняет свои предсказания. Качество может снижаться на новых типах спама, неоднозначных сообщениях, сленге и региональных вариантах языка; результаты тестирования на исходном наборе не гарантируют такую же точность в реальных потоках сообщений.

Alexander Cyber Qwen — чат-модель для задач кибербезопасности и авторизованного red team-тестирования, построенная на архитектуре Qwen2. Репозиторий описывает дообучение Qwen/Qwen2.5-0.5B-Instruct методом QLoRA на наборе Alexander-Cyber-Dataset-v2 и сохранение LoRA-адаптера; метаданные указывают 494 млн параметров, контекст до 32 768 токенов и формат safetensors. Модель предназначена для диалогового помощника по кибербезопасности, однако карточка не приводит конкретные результаты оценки или подробный перечень проверенных сценариев. Для обучения рекомендована CUDA-совместимая видеокарта. Лицензия репозитория — Apache-2.0.

CredLayer — графовая нейросеть для выявления мошенничества в экосистеме Solana DeFi, разработанная авторами репозитория CredLayer. Архитектура объединяет GraphSAGE и GATv2: три графовых слоя используют представления размерности 128 и 64, пакетную нормализацию, активации и dropout. Модель реализована на PyTorch и PyTorch Geometric и классифицирует графовые сущности и потоки транзакций. Модель предназначена для выявления подозрительных пулов ликвидности, токенов с признаками rug pull и мошеннических потоков между кошельками. Для дисбаланса классов применяется Focal Loss, а GNNExplainer используется для ранжирования важных признаков и связей. В README приведены идеальные показатели на тестовой выборке, но не описаны протокол разбиения данных и независимая проверка, поэтому эти результаты не гарантируют качество на новых данных. Для применения нужны входные данные в совместимом графовом представлении; подробная схема входных признаков не приведена. Лицензия — MIT.

Null-Guard/LFM2.5-350M-Uncensored — компактная плотная языковая модель для генерации текста и диалогов, созданная на основе LiquidAI/LFM2.5-350M. Разработчики применили к весам однонаправленную абляцию: выявили направление отказа в остаточном потоке и спроецировали его из матриц записи. Это изменение ранга 1, встроенное в веса; дополнительного дообучения не проводилось. Модель содержит 444,6 млн параметров, использует архитектуру Lfm2ForCausalLM, работает через Transformers и принимает контекст до 128 000 токенов. Модель предназначена для исследований представления защитного поведения в языковых моделях, red teaming и оценки устойчивости механизмов отказа. На тестовых вредоносных запросах в README указан уровень отказов 0,0; на безвредных запросах среднее расхождение распределений следующих токенов с базовой моделью составило 0,2257, а оценка связности — 0,8935. Эти результаты относятся только к описанным проверкам. Модель может оставлять отдельные отказы и испытывать небольшое ухудшение способностей; ослабление защит может облегчить генерацию вредного или нежелательного контента. Модель выпущена под лицензией Apache-2.0. В README она предназначена для исследований и оценки; для пользовательских продуктов требуется собственный уровень безопасности.

LUSR — англоязычная модель для получения стилевых представлений текста, созданная командой авторов работы «Unsupervised Style Representation Learning for AI-Text Detection via Paraphrase Inversion». Это дообученная RoBERTa-base с 151,8 млн параметров и контекстом до 514 токенов; модель обучалась без меток авторства. Модель предназначена прежде всего для извлечения признаков стиля и обнаружения машинно-сгенерированного текста, а также может применяться для проверки авторства. В README сообщается о высоких результатах на бенчмарке стилевых эмбеддингов STEB и о переносе на задачи проверки авторства. Лицензия — MIT.

Ornith-1.5-35B-A3B-uncensored-MLX-6bit — это текстовая генеративная модель для Apple Silicon, созданная на основе Ornith-1.5-35B-A3B командой Ornith и доработанная Robert Ressl. Модель представляет собой результат abliteration в один проход с последующей 6-битной конвертацией в формат MLX. Она предназначена для локального запуска через mlx-lm, а также для исследований безопасности, red teaming и penetration testing, включая сценарии, в которых требуется снизить количество отказов модели. Размер модели составляет около 26 ГБ, заявленная длина контекста — 262 144 токена. Поддерживается английский язык. MLX-сборка работает только с текстом: мультимодальная vision tower базовой модели не подключена. Для запуска требуется совместимое устройство Apple Silicon с достаточным объёмом памяти; сборка проверялась на Apple M5 Max с 128 ГБ памяти. Для использования рекомендуется mlx-lm 0.31.3 или совместимая версия. Сильной стороной модели является существенно сниженная склонность к жёстким отказам по сравнению с базовой версией, что делает её удобной для контролируемых исследований поведения LLM и тестирования безопасности. При этом снижение отказов означает повышенные риски при работе с вредоносными запросами, поэтому модель следует использовать ответственно и в изолированных сценариях. Полная оценка именно MLX-сборок не проводилась; приведённые результаты отказов относятся к идентичному NVFP4-варианту, а квантование может усиливать остаточные отказы и влиять на качество. Модель распространяется по лицензии MIT, унаследованной от Ornith.

FBogaerts/plbart-multi_task-python-Finetuned — дообученная модель на основе uclanlp/plbart-multi_task-python, созданная для внедрения уязвимостей в фрагменты кода на Python. Она принимает инструкцию в специальном формате и исходный код, затем возвращает изменённый код с запрошенной уязвимостью. Модель разработана в рамках исследования VAITP и предназначена для контролируемого тестирования безопасности, оценки инструментов SAST/DAST и подготовки обучающих данных. Модель построена на архитектуре PLBART, содержит 95 млн параметров, работает с текстовым вводом и выводом и имеет контекст до 1024 токенов. Для корректной работы требуется формат запроса FINETUNED_STYLE. Карточка рекомендует запускать её в изолированной среде и вручную проверять сгенерированный код. Лицензия — MIT.

Qwen3.8-27B-Uncensored — модифицированная OrcaRouter версия Qwen/Qwen3.8-27B с удалённым поведением отказа. Это плотная мультимодальная модель на 27 млрд параметров с гибридным вниманием Gated DeltaNet и полным вниманием, башней обработки изображений, управляемым режимом рассуждений, вызовом инструментов и дополнительной головой MTP. Веса сохранены в BF16; README описывает её как исходную основу для дообучения, постобучения и квантизации. Модель предназначена для исследований механизмов отказа и выравнивания, интерпретируемости, контролируемого red-teaming и оценки устойчивости, а также для подготовки производных моделей. Она принимает текст и изображения и выдаёт текст; в карточке заявлены английский и китайский языки. По приведённым в README тестам, ряд возможностей базовой модели в основном сохранён, однако защитные ограничения существенно ослаблены: модель почти не отказывает на вредоносные запросы и может генерировать опасный, предвзятый или оскорбительный контент. Унаследованные ограничения базовой модели сохраняются. Лицензия — Apache 2.0; README не рекомендует развёртывание для конечных пользователей без собственных средств безопасности и модерации.

OS-Software/Qwen3.8-27B-Uncensored-Heretic-v2 — производная модель семейства Qwen, созданная OS-Software на основе Qwen/Qwen3.8-27B. Это плотная мультимодальная причинная языковая модель с визуальным энкодером и 27 млрд параметров. Модель принимает текст и изображения; исходная карточка семейства также описывает понимание видео. Контекст составляет 262 144 токена с возможностью расширения до 1 000 000 токенов. Модель предназначена для экспериментов по безопасности, исследований выравнивания и red teaming. Ослабление защитного выравнивания повышает вероятность получения вредных, неточных, предвзятых или оскорбительных ответов; результаты нужно проверять. README указывает лицензию Apache-2.0. Хотя в README упомянуты GGUF-квантизации, сам репозиторий содержит веса Transformers в формате safetensors.

Synapse-Guard v1.3 — модель классификации текста на базе BERT, разработанная Comunidade Synapse BR для автоматической модерации контента на бразильском португальском. Модель с 6,7 млн параметров принимает текст и относит его к категориям нейтрального, токсичного, спамного или взрослого содержания; максимальный контекст составляет 256 токенов. Модель предназначена для фильтрации публикаций, комментариев и сообщений в социальных сетях, форумах, чатах, чат-ботах и других цифровых платформах. В версии 1.3 улучшена обработка разговорной речи, сленга, сокращений и распространённых ошибок в бразильском португальском; также заявлены улучшенное обнаружение спама и снижение ложных срабатываний на технических и профессиональных текстах. Выпущена под лицензией Apache-2.0. Модель может ошибаться при распознавании иронии, сарказма и неоднозначных сообщений, особенно если для интерпретации нужен внешний контекст. Количественные метрики качества в карточке не приведены; для важных решений рекомендуется дополнительная проверка человеком.

5CD-AI/viso-twhin-bert-large — модель BERT для заполнения пропусков в тексте, построенная на TwHIN-BERT. Разработчики уменьшили словарь до 20 тысяч токенов и продолжили предобучение на наборе UIT в течение 10 эпох. Модель содержит 423,1 млн параметров, использует архитектуру BertForMaskedLM и поддерживает контекст до 512 токенов. Модель предназначена для работы с вьетнамскими текстами из социальных сетей. В README описана оценка её дообученных вариантов на распознавании эмоций, выявлении языка ненависти, спам-отзывов и фрагментов с языком ненависти. Для этих downstream-задач указано дообучение с длиной входа до 128 токенов. Репозиторий распространяет веса в формате safetensors; лицензия в предоставленных данных не указана.

xdfdet — модель для обнаружения поддельных видео с лицами, разработанная Мертом Кая и Венерой Адановой. Она использует EfficientNet-B4 для классификации 12 выровненных и нормализованных RGB-кадров лица размером 224×224, после чего усредняет вероятности кадров, чтобы оценить видео как настоящее или поддельное. Grad-CAM формирует тепловую карту областей лица, повлиявших на оценку. В репозитории представлены несколько вариантов весов, обученных с разными настройками аугментации и маскирования лица. Для варианта aug-cutout-black в отдельном запуске указана AUC 0,8981 на FaceForensics++; результаты разных вариантов получены на собственных случайных разбиениях. На 398 видео DFDC AUC снижается до 0,60–0,66, и многие подделки классифицируются как настоящие, поэтому оценку не следует использовать как единственное основание для вывода об аутентичности или решения о человеке. Различия качества по возрасту, полу и тону кожи не оценивались. Для обработки видео нужны обнаружение, выравнивание и нормализация лиц. Веса доступны в формате Keras float32 и распространяются по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование. Для воспроизведения оценки в точности обучения на GPU предусмотрен режим mixed precision.

Мультимодальная модель NYU Abu Dhabi, дообученная на арабских мемах для выявления языка ненависти и оскорбительного содержания. Она основана на Gemma 3 и использует возможности зрения для анализа изображения мема вместе с текстовым вводом. В README указано дообучение unsloth/gemma-3-4b-pt с помощью LoRA на наборе данных арабских мемов из задачи ArabicNLP ArGuard 2026; модель предназначена для модерации арабоязычного контента в социальных сетях и других онлайн-платформах. Модель доступна в формате safetensors и рассчитана на сценарии классификации мемов с визуальным и языковым содержимым. README сообщает об оценке на наборе данных ArGuard 2026, но не приводит численных результатов, подробностей о схеме меток или ограничениях по устойчивости к диалектам и контексту. Лицензия в предоставленных данных не указана.

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.

K0D3IN выпустил модифицированную версию OpenBMB MiniCPM5-2B — текстовую генеративную модель на 2,2 млрд параметров с архитектурой LlamaForCausalLM. Автор README сообщает, что применил abliteration с помощью heretic: поиск по 3000 вариантам должен был ослабить механизмы отказа, сохранив основные языковые способности. Модель принимает текст и предназначена для диалогов, генерации структурированного JSON, творческого письма, задач по программированию и исследований безопасности ИИ. Заявленная длина контекста — 131 072 токена; в карточке указан английский язык. В README приведены результаты внутренней проверки: 4 отказа из 100 запросов против 99 у исходной модели и KL-дивергенция 0,0408; независимые бенчмарки ещё не представлены. Из-за ослабленных защитных механизмов модель может выдавать вредоносный, оскорбительный или небезопасный контент, поэтому её применение ограничено контролируемыми исследованиями и red teaming. Лицензия — Apache-2.0.

nli-MiniLM2-L6-H768-trustairlab-jailbreak — дообученная модель leomaurodesenv на базе cross-encoder/nli-MiniLM2-L6-H768. Это плотная модель семейства RoBERTa для классификации текста; число параметров — 95,2 млн, контекст — до 514 токенов. Модель предназначена для классификации текстовых входов. Название репозитория указывает на тематику jailbreak, однако карточка не описывает конкретные сценарии применения или обучающие данные. В README приведены результаты оценки на наборе, состав которого не раскрыт: loss 0,2063 и accuracy 0,9342. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0. Англоязычная базовая модель предназначена для определения логического отношения между парой предложений и zero-shot-классификации; не подтверждено, сохраняет ли эта производная те же возможности.

chinatigerking разработал эту модель как дообученную на задачах веб-безопасности версию Qwen3.5-9B. Модель обучена методом SFT с LoRA на 500 задачах CTF-Web; в данных преобладают задания соревнований, также использованы классические учебные лаборатории и задачи, созданные языковыми моделями. Репозиторий содержит веса в формате GGUF, лицензия — MIT. Модель предназначена для разбора кода веб-приложений в CTF-задачах и подготовки решений. Автор сообщает о сравнительной оценке на 42 заданиях, где ответы модели оценивались по сравнению с ответами базовой модели; результаты этой оценки не гарантируют правильного решения конкретного задания. Поддерживаются английский и китайский языки. Модель унаследовала размер 9 млрд параметров от указанной базовой модели Qwen3.5-9B.

mariagrandury/roberta-base-finetuned-sms-spam-detection — модель классификации текста на базе RoBERTa, дообученная на наборе данных sms_spam для выявления спама в SMS. Модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. По карточке модели, точность на оценочном наборе данных составляет 0,998, а значение функции потерь — 0,0133. Эти результаты относятся к указанному набору данных и не гарантируют такую же точность на сообщениях из других источников. Модель распространяется по лицензии MIT.

Spark-X2.5-4B-Uncensored — созданная Toan Doan версия Spark-X2.5-4B с ослабленным поведением отказа. Для этого изменения автор применил ортогонализацию направления отказа в представлениях модели, без дополнительного дообучения. Модель имеет плотную архитектуру Spark2.5 с 36 слоями, размером 3,8 млрд параметров и контекстом до 1 048 576 токенов по метаданным; в README указано окно контекста 128 тыс. токенов. Модель предназначена для диалогов, ответов на чувствительные запросы, исследований механистической интерпретируемости, проверки устойчивости и авторизованного red teaming. Она принимает текст и генерирует текст; заявлена поддержка вьетнамского, английского и китайского языков. Автор сообщает о сохранении результатов базовой модели в тестах на рассуждение и знания, однако эти результаты приведены в карточке модели и не являются независимой оценкой. Ослабленные защитные отказы позволяют модели выдавать вредоносный или чувствительный контент; также могут сохраняться краткие оговорки на отдельных темах. Лицензия — Apache 2.0.

Rootkit7/Ternary-Bonsai-4B-abliterated — модель генерации текста на базе prism-ml/Ternary-Bonsai-4B-unpacked, созданная с использованием Qwen3-4B. Разработчик удалил поведенческий механизм отказа методом abliteration с применением инструментария Solutus, поэтому модель предназначена прежде всего для исследований механизмов отказа, анализа безопасности, red-teaming, CTF и интерпретируемости моделей. Модель использует архитектуру Qwen3ForCausalLM и содержит около 4,02 млрд параметров, 36 слоёв, скрытое представление размером 2560 и контекст до 32 тысяч токенов. Это thinking-модель, которая перед ответом формирует блок <think>…</think>. Доступны веса FP16 в формате safetensors и варианты GGUF F16, Q8_0 и Q4_K_M; для полной сохранности протестированного поведения рекомендуется FP16, F16 или Q8_0. Поддерживаются Transformers, llama.cpp-совместимые приложения и MLX. Сильная сторона модели — высокая готовность отвечать на запросы, которые обычная instruct-модель могла бы отклонить, при сохранении связности ответов на проверенных общих задачах. Ограничения включают ограниченную фактическую надёжность модели размером 4 млрд параметров, отсутствие удалённого знания о вредных действиях и сохранение линейно декодируемого признака отказа в активациях. Агрессивная квантизация Q4_K_M может частично восстановить отказы на сложных запросах безопасности. Модель не предназначена для создания вредоносного контента или использования без внешнего защитного слоя. Распространяется по лицензии Apache-2.0, унаследованной от базовой модели; в README также указана атрибуция Prism ML и Alibaba Cloud для Qwen3-4B.

AutoDecompiler-30B-pscode-GGUF — преобразованная для llama.cpp версия AutoDecompiler/AutoDecompiler-30B-pscode. Модель специализируется на создании черновика высокоуровневого исходного кода по P-code или псевдокоду декомпилятора; напрямую по сырому ассемблеру она не предназначена для декомпиляции. В основе — архитектура Qwen3 MoE. Репозиторий содержит веса в формате GGUF BF16; файл весит около 56,89 ГиБ. Шаблон чата встроен, заявленный контекст составляет 262 144 токена, но практически доступный размер зависит от памяти, в том числе необходимой для KV-кэша и рабочей области. Для запуска требуется совместимая сборка llama.cpp с поддержкой Qwen3 MoE и BF16. Модель может восстанавливать полезную структуру программы из P-code, однако результат следует проверять: возможны ошибочные имена идентификаторов и типы, а очень крупные функции модель может не завершить. Лицензия в предоставленных источниках не указана.

Модель matt0513/drug-detection-xlm-roberta — дообученный на классификацию последовательностей XLM-RoBERTa-base от автора карточки matt0513. Она анализирует текст на китайском и английском языках и относит его к одному из двух классов: безопасный текст (LABEL_0) или текст, связанный с наркотиками (LABEL_1), включая сленг. Модель предназначена для выявления такого содержимого в веб-текстах и может применяться для первичной модерации или фильтрации.

Это модель ELECTRA Small для японского языка, разработанная для автоматического обнаружения кибербуллинга в текстах. Её дообучили на сбалансированном наборе данных, объединяющем японские комментарии с вредоносных форумов BBS и твиты с примерами кибербуллинга; исходной моделью служил японский дискриминатор ELECTRA Small от Izumi Lab. Модель решает задачу классификации текста и подходит для выявления травли в японских комментариях и публикациях. Она содержит 21 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Лицензия — CC BY-SA 4.0. Качество и применимость зависят от соответствия текста обучающим данным: модель обучалась на материалах BBS и Twitter, поэтому её результаты на других жанрах и современных языковых вариациях могут отличаться. Карточка не приводит метрик качества.

Foundation-sec-8b-red-team — языковая модель Ironcybersec для диалоговой помощи в авторизованном тестировании безопасности и red team-оценках. Это дообученная версия Foundation-Sec-8B-Instruct от fdtn-ai: причинная плотная Llama-модель класса LlamaForCausalLM, в карточке указано 7,5 млрд параметров. Модель принимает текст и генерирует текст; README заявляет поддержку английского языка и контекст до 131 072 токенов. Модель дообучена методом LoRA на 10 027 примерах по разведке и перечислению объектов Active Directory, повышению привилегий, закреплению и постэксплуатации. Весовые коэффициенты LoRA объединены для самостоятельного развёртывания; метаданные указывают формат safetensors, а README также описывает использование вариантов GGUF через LM Studio и llama.cpp. Лицензия обозначена как other и унаследованная от базовой модели, поэтому условия следует сверить с лицензией fdtn-ai/Foundation-Sec-8B-Instruct. Модель предназначена для специалистов, проводящих разрешённые проверки, и для обучения методикам red team. Результаты требуют экспертной проверки и применения только в рамках полученного разрешения; показатели обучения и perplexity из README сами по себе не подтверждают качество или безопасность практических рекомендаций.

Gemma-4-12B-OBLITERATED-cyber-GGUF — это квантованная версия модели Gemma-4-12B-OBLITERATED-cyber, разработанной nico248000000000 и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для генерации текста и ориентирована на задачи кибербезопасности; заявленный язык — английский. В метаданных также указано использование подходов LoRA и QLoRA, однако подробности дообучения не приведены. Доступны варианты квантования от Q2_K до Q8_0 и IQ4_XS размером примерно от 4,9 до 12,8 ГБ. Это позволяет выбирать между меньшими требованиями к памяти, скоростью работы и качеством; для Q4_K_S и Q4_K_M заявлены высокая скорость и рекомендация к использованию, а Q8_0 отмечен как вариант с лучшим качеством. Сведения об архитектуре, размере контекста, дополнительных модальностях и точных возможностях модели отсутствуют. Лицензия в README не указана.

Huihui-CyberStrike-OffSec-35B-abliterated — экспериментальная версия модели TechnoBaptist, созданная с помощью abliteration на основе oyildirim/CyberStrike-OffSec-35B. Это чат-модель семейства Qwen3.5 MoE, предназначенная для генерации текста; исходная модель ориентирована на структурированные вызовы инструментов в авторизованных сценариях пентестинга. В карточке указана библиотека Transformers и формат safetensors. Abliteration снижает количество отказов модели, поэтому она может выдавать чувствительные, спорные или неприемлемые ответы. Автор называет реализацию грубой проверкой концепции. Модель распространяется по лицензии Apache-2.0; ответы следует проверять, а снижение защитных ограничений учитывать при применении.

MiniCPM5-1B-Uncensored — производная от openbmb/MiniCPM5-1B языковая модель, созданная авторами карточки с помощью training-free abliteration: из весов удалено направление активаций, связанное с отказами. Это плотный Llama-style трансформер с GQA примерно на 837,6 млн параметров, поддерживающий генерацию текста и диалог. Для модели заявлено контекстное окно до 131 072 токенов; она рассчитана на английский и китайский языки и сохраняет формат рассуждения с отдельным блоком перед финальным ответом. Модель предназначена для исследований безопасности ИИ, red teaming и тестирования jailbreak-устойчивости. В указанной оценке доля отказов на AdvBench снизилась с 85% до 2%, а на наборе безвредных запросов составила 0%; эти результаты относятся к небольшим тестовым наборам и не гарантируют такое же поведение в других условиях. Abliteration может затрагивать ответы, связанные с удалённым направлением, метод не добавляет знаний, а небольшой размер ограничивает точность фактов и сложные рассуждения. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

vulrank-span-model — разработанная для инструмента VulRank модель токенной классификации на базе microsoft/deberta-v3-base. Она анализирует англоязычные тексты рекомендаций по уязвимостям и предлагает фрагменты четырёх типов: сведения об эксплуатации, исправлении, PoC и затронутых функциях или API. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa v3 и принимает контекст длиной до 512 токенов. Модель предназначена для локального извлечения кандидатов в конвейере первичной сортировки уязвимостей VulRank. На отложенной выборке авторы сообщают Macro F1 0,723 и полноту извлечения фрагментов 75,2%. Текст предложенных фрагментов проверяется как дословная подстрока обучающих рекомендаций, однако тип фрагмента может быть ошибочным; вне VulRank результат следует считать высокополнотными кандидатами, а не подтверждёнными фактами. Для `poc` качество особенно нестабильно из-за малого числа примеров. Это дообученная модель с весами в формате safetensors, распространяемая по лицензии MIT. README указывает, что она рассчитана на загрузку через LocalSpanClient в составе VulRank и не предназначена для самостоятельного использования.

CoER Attacker — исследовательская модель, разработанная для изучения адаптивных атак с косвенной prompt injection в сценариях взаимодействия с инструментами. Она генерирует вредоносные инструкции в ответах инструментов и меняет последующие попытки с учётом публичной трассы выполнения и предыдущих попыток в рамках той же задачи; модель не предназначена для роли универсального помощника. Модель дообучена методом Co-PPO на базе Qwen/Qwen3.5-9B. Это плотная текстовая модель на 7,2 млрд параметров с архитектурой Qwen3_5ForCausalLM, работающая с текстом и имеющая контекстное окно 262 144 токена. В карточке описаны начальное обучение на успешных диалогах и последующее обучение в игре «атакующий — защитник» с текущими и историческими оппонентами. Весовые файлы опубликованы в формате safetensors с BF16. Модель предназначена для авторизованных исследований безопасности агентных систем и оценки устойчивости к косвенным инъекциям в ответы инструментов. В README приведены результаты статьи для отдельных сравнений, но они не являются независимой оценкой данного релиза; также авторы не утверждают, что этот чекпойнт сильнейший против любого защитника. Для использования требуется совместимый стек Transformers и специальный формат взаимодействия из проекта. Выходы могут содержать небезопасные payload-ы. Отдельная лицензия финального артефакта не подтверждена; условия базовой модели и других компонентов регулируются соответствующими исходными условиями.