II.11Кибербезопасность и приватность

PangolinGuard-Base — дообученная модель-классификатор на базе ModernBERT Base, разработанная для обнаружения вредоносных запросов, в частности prompt injection и jailbreak-атак. Она предназначена для локальной и недорогой защиты AI-агентов и диалоговых интерфейсов от попыток нарушить заданное поведение или извлечь чувствительные данные. Модель построена на архитектуре ModernBERT и содержит 149 млн параметров. Она принимает текст и выполняет классификацию; заявленная длина контекста — 8192 токена. В README описана оценка на наборах NotInject, BIPIA, Wildguard-Benign и PINT, включая проверку склонности к избыточной блокировке безобидных, но неоднозначных запросов. Карточка не приводит численных метрик качества, поэтому пригодность для конкретной системы защиты следует оценивать на её собственных данных. Модель распространяется по лицензии Apache-2.0.

Password Model — модель классификации текста, разработанная SAP OSS для автоматической фильтрации ложных срабатываний при обнаружении паролей в Credential Digger. Она анализирует найденные сканером фрагменты и помогает определить, являются ли они вероятными паролями или ложными совпадениями. Модель основана на архитектуре RoBERTa и дообучена на CodeBERT-base-mlm на наборе данных для обнаружения утечек. Репозиторий содержит модель в формате TensorFlow; размер составляет 151,8 млн параметров, максимальный контекст — 514 токенов. Указан английский язык. Лицензия — MIT. Модель предназначена для этапа проверки результатов сканирования секретов в Credential Digger. В карточке не приведены метрики оценки, результаты тестирования и подробности предобработки, поэтому точность классификации по описанию оценить нельзя.

PIGuard — англоязычный классификатор текстов для обнаружения атак с внедрением промптов в запросах к большим языковым моделям. Модель разработана авторами работы о наборе NotInject; в карточке её название указано как PIGuard, ранее она называлась InjecGuard. Это дообученная версия Microsoft DeBERTa-v3-base с 211,6 млн параметров, опубликованная в формате safetensors и рассчитанная на входные последовательности длиной до 512 токенов. Модель предназначена для защиты LLM-приложений от попыток перехватить инструкции или извлечь данные. Стратегия обучения MOF направлена на снижение чрезмерной защиты — ложного распознавания безобидного текста как вредоносного из-за слов-триггеров. В README заявлены результаты на нескольких тестах, включая NotInject, где набор из 339 примеров проверяет устойчивость к таким ложным срабатываниям. Для использования доступны Transformers и классификационный pipeline. Модель выпущена под лицензией MIT. Она классифицирует текст на английском языке; заданное ограничение в 512 токенов и специализация на prompt injection означают, что её оценки не следует считать универсальной гарантией безопасности или переносить на другие языки без проверки.

Prompt Guard OSS Small — мультиязычный бинарный классификатор NeuralTrust для выявления jailbreak-попыток и прямых prompt injection в пользовательском тексте перед передачей запроса языковой модели. Он предназначен для первичной быстрой проверки в двухэтапной схеме: подозрительные запросы можно направлять более крупному детектору для уточнения. Модель основана на jhu-clsp/mmBERT-small: это энкодер ModernBERT с линейной головой классификации последовательностей, примерно 140,5 млн параметров. Она выдаёт метки benign и jailbreak; в README для токенизации рекомендовано ограничивать вход 512 токенами. Метаданные указывают нативный контекст 8192 токена, однако заявленный сценарий и приведённые результаты относятся к первым 512 токенам. Поддерживаются каталанский, немецкий, английский, испанский, французский, галисийский, итальянский, португальский и турецкий; качество на других языках не установлено. Модель ориентирована на высокий охват атак при первичной фильтрации, но качество зависит от распределения данных: на отдельных внешних наборах наблюдались заметные ложноположительные срабатывания. Она не предназначена для модерации токсичности, анализа инструкций внутри документов и результатов инструментов, оценки целых диалогов или использования как единственной границы безопасности. Лицензия — MIT.

Карточка модели testsavantai/prompt-injection-defender-base-v0 на Hugging Face совпадает с карточкой testsavantai/prompt-injection-defender-large-v0, поэтому описание составлено по ней. testsavantai/prompt-injection-defender-large-v0 — англоязычный классификатор TestSavantAI для обнаружения вредоносных prompt injection и jailbreak-запросов, предназначенных для атак на большие языковые модели. Модель дообучена на базе Microsoft DeBERTa-v3-base и использует архитектуру DeBERTa для классификации последовательностей; размер составляет 211,6 млн параметров, максимальная длина контекста — 512 токенов. Модель помогает оценивать входящие запросы как вредоносные или добросовестные, чтобы защищать LLM-приложения, сохраняя полезные запросы и снижая число ошибочных блокировок. В карточке упомянуты тестирование на наборах для косвенных prompt injection, jailbreak-сценариев и red teaming, включая Microsoft-BIPIA, JailbreakBench и Garak. Для запуска можно использовать библиотеку Transformers; веса опубликованы в формате safetensors. Модель предназначена для англоязычного текста. Качество классификации зависит от того, насколько атаки и добросовестные запросы в реальном приложении похожи на примеры обучения и оценки; карточка не приводит конкретных численных результатов. Лицензия в предоставленных данных не указана.

testsavantai/prompt-injection-defender-large-v0 — англоязычный классификатор TestSavantAI для обнаружения вредоносных prompt injection и jailbreak-запросов, предназначенных для атак на большие языковые модели. Модель дообучена на базе Microsoft DeBERTa-v3-base и использует архитектуру DeBERTa для классификации последовательностей; размер составляет 211,6 млн параметров, максимальная длина контекста — 512 токенов. Модель помогает оценивать входящие запросы как вредоносные или добросовестные, чтобы защищать LLM-приложения, сохраняя полезные запросы и снижая число ошибочных блокировок. В карточке упомянуты тестирование на наборах для косвенных prompt injection, jailbreak-сценариев и red teaming, включая Microsoft-BIPIA, JailbreakBench и Garak. Для запуска можно использовать библиотеку Transformers; веса опубликованы в формате safetensors. Модель предназначена для англоязычного текста. Качество классификации зависит от того, насколько атаки и добросовестные запросы в реальном приложении похожи на примеры обучения и оценки; карточка не приводит конкретных численных результатов. Лицензия в предоставленных данных не указана.

Карточка модели testsavantai/prompt-injection-defender-tiny-v0 на Hugging Face совпадает с карточкой testsavantai/prompt-injection-defender-large-v0, поэтому описание составлено по ней. testsavantai/prompt-injection-defender-large-v0 — англоязычный классификатор TestSavantAI для обнаружения вредоносных prompt injection и jailbreak-запросов, предназначенных для атак на большие языковые модели. Модель дообучена на базе Microsoft DeBERTa-v3-base и использует архитектуру DeBERTa для классификации последовательностей; размер составляет 211,6 млн параметров, максимальная длина контекста — 512 токенов. Модель помогает оценивать входящие запросы как вредоносные или добросовестные, чтобы защищать LLM-приложения, сохраняя полезные запросы и снижая число ошибочных блокировок. В карточке упомянуты тестирование на наборах для косвенных prompt injection, jailbreak-сценариев и red teaming, включая Microsoft-BIPIA, JailbreakBench и Garak. Для запуска можно использовать библиотеку Transformers; веса опубликованы в формате safetensors. Модель предназначена для англоязычного текста. Качество классификации зависит от того, насколько атаки и добросовестные запросы в реальном приложении похожи на примеры обучения и оценки; карточка не приводит конкретных численных результатов. Лицензия в предоставленных данных не указана.

Prompt Injection Guard base — многоязычный классификатор от Horizon Labs для выявления прямых попыток prompt injection и jailbreak, а также внедрённых инструкций в письмах, веб-страницах, документах, фрагментах RAG и ответах инструментов. Модель построена на энкодере mmBERT-base с архитектурой ModernBERT, содержит около 306,9 млн параметров и принимает текст с контекстом до 8192 токенов. Она относит текст к классам INJECTION или SAFE и предназначена для предварительной проверки содержимого, которое читает ИИ-агент. Модель обучена на примерах атак и чистых документов разных типов; карточка перечисляет наборы данных для обучения и оценки, включая синтетические многоязычные данные. Доступны веса Safetensors и ONNX, включая вариант ONNX с квантованными int8-эмбеддингами, а также запуск через Transformers.js. Заявлены 30 языков обучения, при этом английский представлен наиболее широко. Лицензия Apache-2.0. Классификатор помогает обнаруживать инструкции, нацеленные на изменение поведения ИИ, и в приведённых разработчиком оценках редко принимает некоторые похожие на атаки безопасные тексты за инъекции. Это один из уровней защиты, а не гарантия: адаптивные атаки могут обходить классификатор, безобидные ролевые запросы иногда помечаются как атаки, а инструкции в виде простых вопросов в документах могут пропускаться. Английский покрыт лучше остальных языков; модель оценивает текст отдельно и не определяет по контексту, является ли инструкция легитимной.

SGuard-ContentFilter-2B — компактная модель-ограничитель для проверки безопасности запросов и ответов в диалогах с ИИ. Её разработала исследовательская команда Samsung SDS на основе IBM Granite 3.3 2B Instruct; модель дообучена на примерно 400 тысячах размеченных вредоносных запросов и ответов. Это плотная авторегрессионная архитектура Granite с 2,5 млрд параметров, поддержкой чата и контекстным окном 131 072 токена. Модель присваивает каждой из пяти категорий риска — преступления, манипуляции, приватность, сексуальный контент и насилие — оценку «безопасно» или «небезопасно» и соответствующие показатели уверенности. Пороги для категорий можно настраивать. Основные языки обучения — корейский и английский; базовая модель поддерживает также немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, нидерландский и китайский, но качество проверки на них не гарантируется. Для работы с классификатором рекомендуется подавать не более 8 тысяч токенов, несмотря на более длинный контекст базовой модели. Модель предназначена для фильтрации контента в конвейерах безопасности и может использоваться с различными LLM. Это не универсальный диалоговый помощник: она выявляет только риски, предусмотренные обучением, может ошибаться на пограничных и специализированных примерах и уязвима к новым атакам и промптам на языках с малым объёмом данных. Лицензия — Apache-2.0.

Vela Shield — разработанная vLLM Semantic Router командасының Vela-1.0-Encoder-307M энкодерінен дообученная многоязычная модель для оценки безопасности запросов и ответов. Основная модель в корне репозитория классифицирует запрос как безопасный или небезопасный; дополнительные головы оценивают 34 категории угроз, попытки prompt injection и jailbreak, вредоносность ответа и отказ модели. Для этих оценок текст обрабатывается одним проходом энкодера, а отдельная label-conditioned голова позволяет проверять категории по их текстовым описаниям. Модель построена на ModernBERT, содержит 306,9 млн параметров и принимает до 32 768 токенов, включая специальные; обучение проводилось на последовательностях длиной 1 536 токенов. Данные охватывают 17 языков, включая русский и английский. Модель предназначена для интеграции в защитные фильтры и маршрутизаторы LLM; основная голова совместима с safety-слотом Vela Router. Распространяется по лицензии Apache-2.0. Классификация запросов и ответов, категории угроз и оценка отказа не заменяют полноценную оценку контекста: риск-сигнал сам по себе не означает, что нужно отказать. Качество не оценивалось для входов длиннее 1 536 токенов, хотя архитектура принимает более длинный контекст. Модель не предназначена для определения предметной области, модальности, сложности, намерений, персональных данных или галлюцинаций.

Это компактный бинарный классификатор для обнаружения косвенных prompt injection-атак в содержимом, которое LLM-агент получает из файлов, веб-страниц и ответов API во время выполнения задачи. Модель разработана автором репозитория и дообучена на базе microsoft/deberta-v3-small; архитектура — DeBERTa V2 для классификации последовательностей. В метаданных указаны 155 млн параметров, формат safetensors и контекст до 512 токенов. Модель предназначена для фильтрации недоверенных результатов инструментов и защиты контекста агента. В README сообщаются результаты проверки на отложенной выборке: F1 0,968, ROC-AUC 0,995 и полнота 0,950 при доле ложных срабатываний 1%. Эти показатели относятся к указанной выборке и не гарантируют устойчивость к новым атакам. Лицензия — MIT.

Карточка модели RedHatAI/deberta-v3-base-prompt-injection-v2 на Hugging Face совпадает с карточкой protectai/deberta-v3-base-prompt-injection-v2, поэтому описание составлено по ней. Protect AI разработала deberta-v3-base-prompt-injection-v2 — англоязычный классификатор на базе DeBERTa-v3-base, дообученный для обнаружения атак prompt injection. Модель относит входной текст к одному из двух классов: обычный запрос или обнаруженная инъекция. Она принимает текст и выдаёт метку классификации; размер составляет 211,6 млн параметров, длина контекста — 512 токенов. Доступны форматы Safetensors и ONNX. Модель предназначена для проверки пользовательских запросов в приложениях с LLM и может использоваться как компонент защитного контура. В README сообщается о тестировании на 20 000 примерах из датасетов, не использованных при обучении: точность составила 95,25%, полнота — 99,74%, F1 — 95,49%. Лицензия модели — Apache 2.0. Модель рассчитана на английские prompt injection и не предназначена для обнаружения jailbreak-атак или анализа запросов на других языках. Авторы предупреждают о ложных срабатываниях при проверке системных промптов; проект архивирован и больше не поддерживается.

KnightsAnalytics/distilbert-NER — модель для распознавания именованных сущностей, основанная на архитектуре DistilBERT. По доступной карточке модели dslim/distilbert-NER с тем же названием и назначением, она дообучена на английской версии датасета CoNLL-2003 и выделяет в тексте людей, организации, местоположения и сущности категории MISC. Модель содержит около 66 млн параметров; максимальная длина контекста — 512 токенов. Метаданные указывают формат ONNX. Модель подходит для извлечения сущностей из англоязычных новостей и похожих текстов. Обучение на CoNLL-2003 ограничивает перенос результатов на существенно отличающиеся типы текста; возможны ошибки на сложных предложениях и смещения, связанные с обучающими данными. Для модели dslim/distilbert-NER указана лицензия Apache-2.0; идентичность лицензии репозитория KnightsAnalytics отдельно не подтверждена.

PromptShield — дообученная модель DistilBERT, созданная Сохамом Дахивалкаром для обнаружения атак с внедрением промптов в приложениях на основе больших языковых моделей. Она классифицирует текст как безопасный или содержащий атаку и предназначена для проверки пользовательских запросов, извлечённых документов и другого текста перед передачей LLM. Модель основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. В карточке заявлено обнаружение переопределения инструкций, имитации ролей и jailbreak-попыток, извлечения системного промпта, инъекций разделителей, социальной инженерии, обфускации, манипуляции контекстом и попыток эксфильтрации данных. Карточка указывает английский язык и датасет Shomi28/prompt-injection-dataset. PromptShield подходит как компонент фильтрации в конвейере безопасности LLM, но результат классификации следует рассматривать как сигнал для последующей проверки: карточка не приводит оценок качества и не подтверждает полноту обнаружения всех вариантов атак. Модель распространяется по лицензии MIT.

Solstice-AI/Qwen3.8-27B-Uncensored-mlx-6Bit — 6-битная MLX-квантизация модели orcarouter/Qwen3.8-27B-Uncensored, основанной на архитектуре Qwen 3.8 с 27,5 млрд параметров. Релиз подготовлен Solstice-AI и оптимизирован для запуска на Apple Silicon через Anvil Runtime с ускорением Metal или библиотеку mlx-lm. Модель ориентирована на английский и китайский языки. Модель предназначена для рассуждений, математических задач, агентского использования инструментов, анализа кода, аудита систем, исследования уязвимостей и red teaming. Заявлена поддержка контекстного окна до 262 144 токенов, что подходит для работы с большими репозиториями и многофайловым кодом. Используется аффинная 6-битная квантизация MLX с group_size 64; размер файлов модели составляет около 21,85 ГБ, а рекомендуемый объём unified memory — от 32 ГБ. Производительность зависит от устройства и заявлена примерно на уровне 42–62 токенов в секунду на совместимых Mac. К сильным сторонам относятся нативная оптимизация под Apple Silicon, сниженное потребление памяти по сравнению с BF16-версией, большой контекст и ориентация на технические и исследовательские сценарии. Ограничения связаны с необходимостью совместимого оборудования Apple Silicon и достаточного объёма unified memory, а также с тем, что заявленные показатели производительности зависят от конкретной конфигурации и длины контекста. Модель описана как abliterated и uncensored, то есть механизмы отказа были удалены на уровне весов; это может повысить гибкость для red teaming, но требует самостоятельного контроля безопасного применения. Лицензия — Apache 2.0.

sakshi-pii-in — разработанная RotaVision модель классификации токенов на базе MuRIL-base-cased от Google. Она выделяет в неструктурированном тексте персональные данные индийского контекста: имена людей (PERSON), адреса (ADDRESS) и даты рождения (DOB), в том числе в смешанном хинглише и текстах на письме деванагари, бенгали и тамильском. Модель предназначена для слоя токенизации при приёме данных в платформу Sakshi; она рассчитана на сочетания английского и индийских языков и транслитераций. Это BERT-модель с 264,8 млн параметров и контекстом до 512 токенов. Обучающие данные полностью синтетические: шаблонные предложения, JSON-записи и чаты на английском, хинди, хинглише, бенгали и тамильском. В README приведены результаты на замороженном наборе из 2000 примеров: F1 0,988 для имён, 0,956 для адресов и 0,998 для дат рождения. Модель не предназначена для поиска структурированных идентификаторов вроде Aadhaar, PAN, IFSC, номеров телефонов и банковских счетов: для них README рекомендует отдельный детерминированный слой с регулярными выражениями и проверками контрольных сумм. Синтетическое обучение может ограничивать качество на OCR-ошибках и SMS-сокращениях; для других индийских письменностей ожидается более низкая полнота. Модель находит PII в тексте, но не оценивает законность обработки данных. Лицензия — Apache-2.0.

SGuard-JailbreakFilter-2B — специализированная модель классификации запросов для выявления попыток jailbreak в диалогах с ИИ. Её разработала исследовательская команда Samsung SDS, дообучив IBM Granite 3.3 2B Instruct с 2,5 млрд параметров. Модель принимает текстовый промпт и выдаёт метку «safe» или «unsafe»; обучение охватывает более 50 типов атак, включая prompt injection, подмену формата, кодирование и ролевые сценарии. Контекст модели — 131 072 токена, однако разработчик рекомендует подавать на вход не более 8 тыс. токенов. Модель предназначена для фильтрации пользовательских запросов перед передачей их основной языковой модели. Настройка приоритета в шаблоне промпта позволяет предпочесть удобство пользователя или более осторожную классификацию. Основные языки обучения — корейский и английский; для других языков, поддерживаемых базовой Granite, надёжность не гарантируется. Модель не выявляет вредоносное содержание само по себе, если в запросе нет попытки jailbreak, и может ошибаться на новых атаках, пограничных примерах и узкоспециализированных темах. Лицензия — Apache-2.0.

VirbiusGuard-4B — разработанная i1see1you модель классификации безопасности запросов для систем модерации и AI-агентов. Это дообученная с помощью LoRA версия Qwen3Guard-Gen-4B с архитектурой Qwen3ForCausalLM и примерно 3,7 млрд параметров. Модель принимает текст и выдаёт классификацию в виде JSON с полями hit_rule и triggered_id: отмечает безопасный запрос либо относит небезопасный к одной из десяти категорий, включая jailbreak, злоупотребление инструментами агента, самоповреждение, насилие, утечку персональных данных и сексуальный контент. Модель предназначена для проверки пользовательских запросов в конвейерах безопасности, фильтрации jailbreak-попыток и выявления небезопасного поведения агентов. Карточка описывает версию v2.0 и приводит результаты на наборе gold_1000: точность 98,2%, полнота 98,4% и 8 ложных срабатываний из 385 безопасных примеров; это результаты конкретного набора и разметки, а не гарантия для новых данных. Поддерживаются китайский и английский языки. Максимальный контекст — 32 768 токенов, однако обучение проводилось с max_seq 1024. Доступны веса Safetensors и GGUF в вариантах F16, Q8_0 и Q4_K_M. Лицензия — Apache-2.0. Модель настроена на строгий JSON-протокол, поэтому приложениям следует проверять корректность ответа и учитывать заданную в обучении политику маркировки: упоминание темы может считаться нарушением, а политически чувствительные темы фильтруются строго.

GA Guard 1B — компактная модель модерации из семейства GA Guard, разработанного GeneralAnalysis и построенного на базе Llama 3.2 1B Instruct. Она классифицирует текст по семи политикам безопасности: незаконная деятельность, ненависть и оскорбления, персональные данные и интеллектуальная собственность, безопасность промптов, сексуальный контент, дезинформация, насилие и самоповреждение. Результат — структурированные токены категорий, предназначенные для автоматического разбора. Модель рассчитана на низкую задержку и интеграцию в конвейеры модерации, первичную проверку пользовательского ввода и выявление prompt injection. Использует архитектуру Llama с 1,2 млрд параметров; контекст — до 131 072 токенов. В README описана обработка текста, а карточка указывает английский язык. Лицензия обозначена как other; README предписывает применять условия лицензии Llama 3.2. Модель следует использовать как один из уровней защиты, а решения высокого риска передавать на проверку человеку.

Granite Guardian 3.2 5B — модель IBM Research для выявления рисков в запросах, ответах и диалогах с ИИ. Это разреженная версия Granite Guardian 3.1 8B: при итеративном удалении и восстановлении параметров было удалено около 30% исходных параметров. Модель содержит 5,8 млрд параметров, использует архитектуру GraniteForCausalLM и принимает текст, формируя текстовый ответ. Метаданные указывают контекст до 131 072 токенов. Модель предназначена для проверки вредоносного контента, предвзятости, попыток обхода ограничений, насилия, ненормативной лексики, сексуального контента и иных рисков. В RAG-сценариях она оценивает релевантность найденного контекста, соответствие ответа контексту и релевантность ответа запросу. В агентных системах может выявлять синтаксические и смысловые ошибки вызовов функций и связанные с ними галлюцинации. Для риск-оценки модель следует применять в предусмотренном шаблоном режиме, получая ответы «да» или «нет». README сообщает о конкурентных результатах на стандартных бенчмарках, но не приводит их полную таблицу для этой версии. Модель может давать неожиданные или небезопасные результаты при использовании вне предписанного режима и быть уязвима к состязательным атакам. Лицензия — Apache 2.0.

KIN-Verification-Translator — специализированная текстовая модель для анализа и проверки утверждений в области кибербезопасности. Модель разработана автором nyxspecter4 на базе Qwen/Qwen2.5-3B-Instruct и дообучена методами LoRA SFT и DPO. Она предназначена не для общего диалога или энциклопедических ответов, а для преобразования результатов работы AI-агентов, комментариев к pull request, отчётов об уязвимостях и трассировок агентов в структурированные проверяемые заключения. Основной формат ответа включает утверждение, потенциальный ущерб, объяснение причины, способ самостоятельно воспроизвести или проверить проблему, а также уровень уверенности и условия опровержения. Модель ориентирована на code review, bug bounty, анализ CVE, SOC, DFIR, threat intelligence, incident response, CTF, penetration testing и задачи red team и blue team. Предусмотрено представление на трёх уровнях детализации: для сопровождающего проекта, инженера и начинающего специалиста. Известен английский язык; модель относится к текстовым моделям генерации текста и имеет размер 3B параметров. Модель обучена на 1 635 DPO-парах, где предпочтение отдавалось структурированным аудитам с первопричиной, исправлением и регрессионным тестом, а не расплывчатым заявлениям без проверки. Её ключевая особенность — отказ демонстрировать высокую уверенность при отсутствии воспроизводимого доказательства. В README заявлены показатели anti-hallucination-grounding 98,4%, pass-at-1 recall 96,8% и gap-delta-eval 0,84, однако методика и сопоставимые базовые результаты не приведены. Для качественной работы рекомендуется использовать указанный системный промпт и температуру 0,3; это ограничивает универсальность модели и может ухудшать результаты при иных инструкциях. Лицензия — Apache-2.0.

Qwythos-9B-Claude-Mythos-5-1M-NVFP4-GGUF — квантованная версия в формате GGUF модели empero-ai/Qwythos-9B-Claude-Mythos-5-1M, разработанной Empero AI на базе Qwen3.5-9B. Модель предназначена для рассуждений, диалогов, работы с изображениями и вызова инструментов. Она принимает контекст до 1 048 576 токенов с масштабированием YaRN и использует отдельный визуальный энкодер SigLIP; указанный в карточке основной язык — английский. По данным README, модель дообучали на более чем 500 млн токенов трасс Claude Mythos и Claude Fable. Среди заявленных сильных сторон — работа с длинными документами и кодовыми базами, математические задачи, кибербезопасность, биомедицина и клинические вопросы. В README также заявлены нативный вызов инструментов и улучшение результатов бенчмарков относительно базовой модели. Основные веса представлены в NVFP4, а визуальный энкодер — в F16; README рекомендует NVFP4 для ускорения на видеокартах NVIDIA Blackwell. Модель не проходила дополнительную настройку зрения: визуальные возможности унаследованы от базовой модели. Она может выдавать чрезмерно уверенные конкретные сведения, включая идентификаторы CVE и дозировки препаратов; для точных ответов рекомендуются проверка инструментами и прикладной защитный слой. Лицензия — Apache-2.0.

RAG-PIF RoBERTa — классификатор попыток prompt injection, разработанный как третий слой каскадного фильтра для систем Retrieval-Augmented Generation. Модель дообучена на базе FacebookAI/roberta-base и выполняет бинарную классификацию: относит короткие и средние текстовые фрагменты к доброкачественным или содержащим prompt injection. Её используют для проверки запросов и найденных документов после быстрого regex-фильтра и проверки сходства эмбеддингов. Модель содержит 151,8 млн параметров, построена на архитектуре RoBERTa и принимает текст с контекстом до 514 токенов. В обучающих данных использованы примеры атак из HackaPrompt, синтетические варианты обхода фильтров, доброкачественные фрагменты Википедии и сложные отрицательные примеры. Для стандартного тестового набора автор сообщает F1 0,996; на примерах с обфускацией указана доля обнаружения 1,00. Лицензия — MIT. Классификатор не предназначен для самостоятельной модерации контента. Он может пропускать семантические перефразирования без узнаваемых маркеров, а тексты о prompt injection в контексте исследований безопасности дают ложные срабатывания.

GLiGuard — компактная модель Fastino для классификации безопасности запросов и ответов в сценариях защиты LLM. Она построена на GLiNER2 и использует encoder-only архитектуру с 0,3 млрд параметров: вместо генерации вердикта модель оценивает заданные задачи и метки за один проход. По карточке, модель рассчитана на быстрый локальный инференс, в том числе на CPU. Модель поддерживает бинарную оценку безопасности, многометочную классификацию токсичности и категорий вреда, обнаружение jailbreak-атак и оценку отказов. Её можно применять до генерации для проверки пользовательского запроса и после генерации — для анализа ответа, при необходимости передавая контекст запроса вместе с ответом. В метаданных указан английский язык; карточка предупреждает, что классификация может пропускать контекстные, многоязычные и новые атаки. GLiGuard дообучена на fastino/gliner2-base-v1. Модель предназначена для модерации, а не для генерации текста, и не заменяет полноценную политику безопасности. Результаты многометочной классификации зависят от порогов и схемы задач, поэтому пороги могут потребовать настройки. Лицензия — Apache-2.0.

Granite Guardian 3.1 2B — модель IBM Research, дообученная на базе Granite 3.1 2B Instruct для выявления рисков в запросах пользователей и ответах моделей. Она предназначена для работы в режиме проверки по заданному шаблону: модель выдает оценку «да/нет» и может использоваться как защитный слой в корпоративных приложениях. Модель выявляет вредоносный контент, предвзятость, попытки обхода ограничений, насилие, ненормативную лексику, сексуальный контент и неэтичное поведение. В сценариях RAG она оценивает релевантность найденного контекста и ответа, а также обоснованность ответа контекстом. В агентных системах помогает обнаруживать ошибки и галлюцинации в вызовах инструментов. Архитектура — плотная GraniteForCausalLM, размер — 2,5 млрд параметров, контекст — до 131 072 токенов; модель принимает и генерирует текст. Она обучена и проверена только на английских данных. Модель рассчитана на оценку рисков, мониторинг и выборочные проверки при умеренных требованиях к стоимости и задержке. Отклонение от предписанного режима оценки может приводить к неожиданным или небезопасным ответам; возможна уязвимость к состязательным атакам. Для пользовательских определений рисков требуется тестирование. Лицензия — Apache 2.0.

Mungert/granite-guardian-3.2-5b-GGUF — GGUF-квантизированная версия Granite Guardian 3.2 5B, разработанной IBM Research. Это компактная модель для обнаружения рисков в пользовательских запросах, ответах языковых моделей и диалогах, а также для работы в качестве защитного слоя в корпоративных приложениях. Модель предназначена для выявления вредоносного содержания, социального предубеждения, попыток jailbreak, насилия, ненормативной лексики, сексуального содержания, неэтичного поведения, уклончивости и других рисков. Она также оценивает релевантность контекста, обоснованность и релевантность ответов в RAG-сценариях, а в агентных системах — риски галлюцинаций и синтаксические или семантические ошибки в function calling. Исходная модель создана методом итеративного pruning и healing: около 30% параметров Granite Guardian 3.1 8B удалено для ускорения инференса и снижения требований к ресурсам при сохранении конкурентных результатов на стандартных бенчмарках. Представленная версия преобразована в формат GGUF с использованием llama.cpp. Автор репозитория указывает на применение избирательного повышения точности отдельных слоёв при квантовании, что может улучшать точность при заданном размере файла, но увеличивает его объём. В README не указаны точное количество параметров после преобразования, архитектура, размер контекста, поддерживаемые языки и конкретные схемы квантования. Модель работает с текстом и распространяется по лицензии Apache 2.0.

HaloGuard 1.0-4B — классификатор безопасности входных пользовательских запросов, разработанный Astroware и дообученный на базе Qwen3.5-4B. Это генеративный классификатор без отдельной классификационной головы: он выдаёт вердикт safe/unsafe, категорию политики и оценки уверенности. В README описано обучение на конституции из 46 политик и 2 940 подкатегорий, а также результаты тестирования на семи бенчмарках безопасности запросов. Модель предназначена для фильтрации запросов перед передачей их LLM, агенту или приложению. Её можно использовать для inline-проверки одного окна или как асинхронный монитор с разбиением длинного ввода на окна; вариант 4B рассчитан на серверные сценарии и повторную проверку неоднозначных, состязательно сформулированных и многоязычных запросов. Приложение само выбирает действие по результатам классификации: разрешить запрос, заблокировать, перенаправить или отправить на проверку. Архитектура — плотная Qwen3.5, 4 млрд параметров; модель принимает текст и выдаёт текстовую классификационную оценку. Карточка заявляет поддержку множества языков, включая русский, английский, китайский, японский, корейский, хинди, арабский, испанский, французский, немецкий и другие. Лицензия — Apache-2.0. Модель проверяет только входные запросы: она не модерирует ответы, не анализирует вызовы инструментов и не обеспечивает безопасность выполнения действий агента. В README отмечены повышенные показатели ложных срабатываний для некоторых индийских и юго-восточноазиатских языков, а также неполное покрытие смешанных языков и код-свитчинга; её следует дополнять модерацией выходов и runtime-контролями.

Mungert/Llama-Guard-3-8B-GGUF — набор GGUF-файлов модели Llama Guard 3-8B, подготовленных пользователем Mungert на основе Llama-3.1-8B от Meta. Это языковая модель, дообученная для классификации безопасности контента: она проверяет входные запросы и ответы LLM, возвращая признак safe или unsafe и, при необходимости, категории нарушенных опасностей. Модель предназначена для защитных контуров при развёртывании LLM, включая модерацию обычных запросов и ответов, а также сценарии поиска и вызова инструментов интерпретатора кода. Модель содержит около 8 млрд параметров, использует авторегрессионную Transformer-архитектуру семейства Llama 3.1 и работает с текстом; версия GGUF ориентирована на локальный inference через совместимые инструменты, включая llama.cpp. Заявлена поддержка восьми языков: английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского. Модель согласована с таксономией опасностей MLCommons. Для получения вероятностной оценки классификатора можно использовать вероятность первого токена и применять пороговую обработку. Сильные стороны — специализированное назначение для input/output safety, поддержка нескольких языков и возможность локального запуска в разных вариантах квантования. Ограничения связаны с зависимостью от обучающих данных: точность может быть недостаточной для оценок, требующих актуальных фактов, широких фоновых знаний или полного покрытия политик; для чувствительных категорий Meta рекомендует более сложные системы. Модель также может быть уязвима к adversarial- и prompt-injection-атакам, поэтому не должна быть единственным уровнем защиты. Используется по лицензии Llama 3.1 Community License от Meta с требованиями Acceptable Use Policy и условиями распространения, включая сохранение лицензии и атрибуции; для распространения производных материалов требуется указывать «Built with Llama», а для некоторых крупных коммерческих сервисов предусмотрены дополнительные условия.

Opir-edge-multilang-v1.0 — мультиязычная модель Knowledgator для быстрой классификации безопасности текста. Она построена на архитектуре GLiClass с двунаправленным энкодером: модель совместно кодирует входной текст и набор кандидатных меток и оценивает их соответствие, не генерируя ответ токен за токеном. Основной сценарий — бинарная маршрутизация safe/unsafe; при работе GLiClass также принимает метки, заданные во время выполнения. Модель предназначена для предварительной модерации входов и ответов LLM, маршрутизации рискованных случаев к дополнительным проверкам и офлайн-анализа журналов модерации. Заявленная область обучения охватывает 23 языка; метки для межъязыковой классификации могут оставаться на английском. В тестовой конфигурации карточки указана задержка 15,60 мс на 50-м перцентиле и 15,69 мс на 95-м при длине 1024 токена. Модель использует таксономию безопасности Opir из 996 меток и включает безопасные примеры, призванные снизить ложные срабатывания на допустимом тексте о безопасности. Она выдаёт оценки риска, а не окончательные решения: возможны пропуски новых jailbreak-атак, замаскированных запросов и межъязыковых или специфичных для политики случаев; качество порогов зависит от данных и формата входа. Для применения указана лицензия Apache-2.0.

TobiasLogic (Htfi) разработал эту LoRA-модель на основе базовой Qwen/Qwen2.5-Coder-1.5B. Это текстовая генеративная модель для программирования, ориентированная на прямую генерацию и анализ кода, secure coding, application security и создание инструментов для авторизованного тестирования безопасности, включая сканеры, fuzzing, proof-of-concept и reconnaissance-скрипты. Модель предназначена для разработки ПО, аудита собственных систем, CTF, лабораторных сред и обучения; использовать её следует только на системах, для которых есть разрешение на тестирование. Архитектурно это базовая Qwen2.5-Coder-1.5B без исходного instruction-tuning, дообученная методом QLoRA в 4-битном формате с rank 16 на всех линейных слоях. Обучение проводилось на примерно 1200 синтетических парах инструкций и ответов с использованием Unsloth на одной RTX 3050 Laptop с 4 ГБ памяти. Указаны поддерживаемый язык English, текстовая модальность и шаблон диалога ChatML. Доступны объединённая 16-битная версия, LoRA-адаптер и квантованная версия GGUF Q4_K_M для llama.cpp и Ollama; размер контекста в README не указан. Сильные стороны модели — генерация самостоятельных скриптов и функций на Python, JavaScript, Go и других языках, исправления для безопасного кода и стандартные инструменты разведки, сканирования и веб-тестирования. Ограничения связаны с небольшим размером: модель хуже справляется с крупными многосоставными системами, сложными цепочками эксплуатации и некоторыми низкоуровневыми сетевыми различиями; сгенерированный код необходимо проверять и тестировать. Модель описана как не склонная к отказам и этическим оговоркам, поэтому особенно важно соблюдать законность и контролировать применение. Лицензия — Apache-2.0, с наследованием лицензии базовой модели; дополнительные условия приемлемого использования указаны в USE_POLICY.md.