II.11Кибербезопасность и приватность

Карточка модели AI45Research/AgentDoG1.5-Qwen3.5-2B на Hugging Face совпадает с карточкой AI45Research/AgentDoG1.5-Qwen3.5-4B, поэтому описание составлено по ней. AgentDoG 1.5 Qwen3.5 4B — модель для проверки безопасности траекторий действий ИИ-агентов, разработанная AI45Research в рамках семейства AgentDoG. Она принимает полную текстовую траекторию работы агента, включая взаимодействие с инструментами и средой, и классифицирует её как безопасную или небезопасную. Для небезопасных траекторий модель также может определять тип сбоя, возможные последствия риска и его источник. Модель построена на плотной архитектуре Qwen3.5 и содержит 4 млрд параметров. Она предназначена для классификации и мониторинга агентных сценариев, в том числе для работы в качестве онлайн-защитного барьера, способного выявлять риск и вмешиваться в выполнение workflow. Для развёртывания README рекомендует совместимые версии SGLang или vLLM. Модель распространяется под лицензией Apache-2.0. Карточка не приводит конкретных ограничений точности или списка поддерживаемых естественных языков; результаты следует интерпретировать в контексте заданной таксономии безопасности и формата входной траектории.

AI-vs-Deepfake-vs-Real-v2.0 — модель классификации изображений от prithivMLmods, дообученная на визуальном энкодере Google SigLIP 2 Base Patch16-224 с архитектурой SiglipForImageClassification. Она относит изображение к одному из трёх классов: сгенерированное ИИ, дипфейк или подлинная фотография. Модель предназначена для проверки подлинности изображений, анализа медиаконтента и поддержки цифровой экспертизы. Прикладные сценарии включают фильтрацию изображений в новостных и социальных сервисах и предварительную проверку материалов для фактчекинга. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Altar-1 — крупная разреженная языковая модель для генерации текста, разработанная на базе GLM-5.3 от Z.AI и опубликованная под идентификатором AikidoSec/altar-1. Прунинг выполнил 0xSero с использованием метода REAP, а квантованная основа взята из cyankiwi/GLM-5.3-AWQ-INT4. Модель предназначена для кибербезопасности, программирования, вызова инструментов, рассуждений и генерации структурированных ответов. При калибровке использовались трассы кибербезопасности, код, сценарии tool calling, reasoning, англоязычные данные и многоязычные статьи Wikipedia. Архитектурно это Mixture-of-Experts: после удаления 34% экспертов сохранено 168 из 256 экспертов в каждом слое, при этом для каждого токена активируются 8 экспертов, что соответствует примерно 40B активных параметров. Общий размер модели составляет около 504B параметров, а веса занимают примерно 328 ГБ. Маршрутизируемые эксперты представлены в формате INT4 W4A16 с AWQ и compressed-tensors, тогда как attention, shared expert, плотные слои и выходная голова сохранены в BF16. Заявлена поддержка контекста до 131072 токенов и развёртывание через vLLM на четырёх GPU H100 или H200 с Hopper и ядром Marlin MoE. По данным README, близость к полной BF16-версии составляет 0,506 ната KL-дивергенции на закрытой выборке из 25 запросов, однако подробные оценки качества ограничены указанными исследованиями. Сильными сторонами модели являются существенное сокращение размера по сравнению с исходной GLM-5.3, сохранение доменных специалистов для кода, редких языков и структурированного вывода, а также возможность промышленного сервинга на 4× H200. Ограничениями остаются очень высокие требования к памяти и оборудованию, зависимость от Hopper и vLLM, отсутствие подробных независимых бенчмарков в README и неуказанный точный перечень поддерживаемых языков. Лицензия обозначена как other и наследуется от лицензии GLM-5.3; перед использованием необходимо ознакомиться с её условиями.

L0 Bouncer — англоязычный классификатор безопасности текста на базе DeBERTa-v3-xsmall, разработанный для первичной проверки содержимого в каскадных системах модерации. Это дообученная модель DeBERTa с архитектурой DebertaV2ForSequenceClassification и 77,5 млн параметров; она принимает текст и относит его к одной из двух категорий: безопасный или потенциально вредный. Нативная длина контекста — 512 токенов. Модель рассчитана на высокопроизводительную фильтрацию с низкой задержкой, в том числе входов и выходов LLM и потоков пользовательского контента. В карточке заявлены полнота 99%, точность 87,6% и F1 93%; приоритет полноты помогает выявлять вредный контент, но может увеличивать число ложных срабатываний. Неоднозначные случаи предполагается передавать более мощным этапам проверки. Модель обучена на 12 000 сбалансированных примеров GuardReasoner; для специализированных областей может потребоваться калибровка. Лицензия — MIT.

Карточка модели faceNony/DeepHat-V1-7B на Hugging Face совпадает с карточкой DeepHat/DeepHat-V1-7B, поэтому описание составлено по ней. DeepHat-V1-7B — модель DeepHat для задач кибербезопасности, созданная на базе Qwen2.5-Coder-7B. Это дообученная причинно-следственная языковая модель с архитектурой Qwen2 для генерации текста и кода. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; в README заявлена возможность расширения контекста до 131 072 токенов с помощью YaRN. Модель предназначена для сценариев наступательной и защитной кибербезопасности, а также может использовать возможности базовой модели для работы с кодом. Карточка не уточняет конкретные тесты, границы компетенций или качество на отдельных задачах. Модель распространяется под лицензией Apache-2.0; README также возлагает на пользователя ответственность за результаты применения и предоставляет модель «как есть».

Карточка модели Iarp/DeepHat-V1-7B на Hugging Face совпадает с карточкой DeepHat/DeepHat-V1-7B, поэтому описание составлено по ней. DeepHat-V1-7B — модель DeepHat для задач кибербезопасности, созданная на базе Qwen2.5-Coder-7B. Это дообученная причинно-следственная языковая модель с архитектурой Qwen2 для генерации текста и кода. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; в README заявлена возможность расширения контекста до 131 072 токенов с помощью YaRN. Модель предназначена для сценариев наступательной и защитной кибербезопасности, а также может использовать возможности базовой модели для работы с кодом. Карточка не уточняет конкретные тесты, границы компетенций или качество на отдельных задачах. Модель распространяется под лицензией Apache-2.0; README также возлагает на пользователя ответственность за результаты применения и предоставляет модель «как есть».

Карточка модели mercury063/DeepHat-V1-7B на Hugging Face совпадает с карточкой DeepHat/DeepHat-V1-7B, поэтому описание составлено по ней. DeepHat-V1-7B — модель DeepHat для задач кибербезопасности, созданная на базе Qwen2.5-Coder-7B. Это дообученная причинно-следственная языковая модель с архитектурой Qwen2 для генерации текста и кода. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; в README заявлена возможность расширения контекста до 131 072 токенов с помощью YaRN. Модель предназначена для сценариев наступательной и защитной кибербезопасности, а также может использовать возможности базовой модели для работы с кодом. Карточка не уточняет конкретные тесты, границы компетенций или качество на отдельных задачах. Модель распространяется под лицензией Apache-2.0; README также возлагает на пользователя ответственность за результаты применения и предоставляет модель «как есть».

GuardReasoner-1B — дообученная модель семейства Llama 3.2, созданная авторами проекта GuardReasoner на базе meta-llama/Llama-3.2-1B с применением R-SFT и HS-DPO. Она предназначена для задач защитной классификации и генерации текста с рассуждениями при оценке безопасности запросов и ответов. Модель имеет плотную архитектуру LlamaForCausalLM, около 1,2 млрд параметров и контекст до 131 072 токенов; карточка указывает поддержку английского языка и интерфейс чата. Модель может применяться как компонент защитных механизмов языковых систем для анализа и классификации потенциально небезопасного содержимого. Доступны веса в формате safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия распространения и применения в репозитории.

GuardReasoner-3B — языковая модель на базе Llama 3.2 3B, дообученная авторами проекта методами R-SFT и HS-DPO для защитных механизмов LLM, основанных на рассуждениях. Она предназначена для классификации и анализа текстовых запросов в сценариях оценки безопасности; метаданные также указывают на поддержку генерации текста и диалогового режима. Модель содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и контекст до 131 072 токенов. Карточка ссылается на статью GuardReasoner: Towards Reasoning-based LLM Safeguards и набор обучающих данных GuardReasonerTrain. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории.

GuardReasoner-Omni-3B — мультимодальная модель семейства Qwen2.5-Omni, дообученная методом SFT и оптимизированная с помощью GRPO на основе Qwen/Qwen2.5-Omni-3B. Она создана как рассуждающий защитный фильтр для проверки текста, изображений, видео и аудио и предназначена для обнаружения потенциально небезопасного содержимого. В метаданных указаны архитектура Qwen2_5OmniForConditionalGeneration, 3B в названии модели, библиотека Transformers и формат Safetensors; задача репозитория — text-to-audio. README связывает модель с исследовательской работой GuardReasoner-Omni и указывает, что обучающие и тестовые данные доступны в отдельном наборе GuardReasoner-Omni-data. Метаданные отмечают английский язык и возможность принимать аудио. Лицензия и длина контекста в предоставленных источниках не указаны.

HaloGuard 1.0-0.8B — компактный классификатор входных запросов на безопасность, разработанный Astroware и дообученный на Qwen3.5-0.8B. Это генеративный классификатор без отдельной классификационной головы: он выдаёт вердикт safe/unsafe и категорию политики, а также оценки уверенности и вероятности по категориям. Модель предназначена для быстрой встроенной проверки каждого запроса перед передачей его языковой модели, агенту или приложению. В README описаны 46 политик и 2 940 подкатегорий, а также обучение на парных примерах, где меняется намерение при сохранении темы и лексики. Заявлена поддержка 46 языков; метаданные перечисляют языки, включающие русский. Модель распространяется в формате safetensors по лицензии Apache-2.0. Классификатор подходит для выявления опасных запросов, проверки пограничных формулировок, преобразованных или многоязычных промптов и маршрутизации запросов на блокировку, дополнительную проверку или ручную эскалацию. Он проверяет только входные промпты: не анализирует ответы модели, потоковую генерацию, вызовы инструментов или исполнение действий агента. README также сообщает о повышенной доле ложных срабатываний для некоторых индийских и юго-восточных языковых групп; порог unsafe следует калибровать под конкретное применение.

Kimi-K3-Audit-451E-MLX-MXFP4 — специализированная версия Kimi K3, подготовленная catalystsec на базе модели moonshotai/Kimi-K3. Она предназначена для аудита безопасности и анализа исходного кода с использованием инструментов. Общий диалог, перевод и нетехническое письмо не относятся к заявленной области применения. Модель использует разреженную MoE-архитектуру: в каждом слое сохранён 451 из 896 маршрутизируемых экспертов, а веса выбранных экспертов побитово идентичны релизной версии. Модель распространяется в формате MXFP4, занимает около 725 GiB и разделена на 150 частей, поэтому требует двух машин Apple silicon с памятью по 512 ГБ и поддержки Kimi K3 в mlx-lm. Основная модальность — текст; vision tower сохранён, но не оценивался. В тестах использовались C, C++, Swift, Rust и Python, однако заявленный контекст модели в README не указан. Главное преимущество — сохранение качества на задачах аудита ядра: по данным README, точность практически соответствует полной версии, а ухудшение perplexity на кодовых корпусах не превышает 1,10 раза. При этом модель резко теряет качество на обычной английской прозе, поэтому не подходит как универсальная разговорная модель. Поведение при генерации, включая вероятность зацикливания и надёжность стоп-токенов, а также стандартные downstream-бенчмарки не оценивались. Для запуска требуется версия mlx-lm с поддержкой Kimi K3 из PR #1626, пока не вошедшая в официальный релиз, и распределённый запуск на двух машинах с tensor parallelism. Модель наследует лицензию Kimi K3; точные условия определяются лицензией базовой модели.

Llama Guard 3 Vision — модель Meta на базе Llama 3.2 Vision с 11 млрд параметров, дообученная для классификации безопасности мультимодальных запросов и текстовых ответов. Она принимает текст и изображение в составе запроса и выдаёт текстовую метку «безопасно» или «небезопасно», а для небезопасного содержимого указывает нарушенные категории из таксономии MLCommons, включающей 13 типов рисков. Модель предназначена для проверки входов и ответов в системах на базе LLM, в том числе запросов с изображениями. Она рассчитана прежде всего на английский язык и поддерживает одно изображение на запрос. Это не универсальный классификатор безопасности изображений или текстовый фильтр: оценка может зависеть от размера изображения, предобучающих данных и устойчивости к состязательным атакам. Для отдельных категорий, требующих актуальных фактов, например выборов, авторы рекомендуют более сложные системы. Модель распространяется по лицензии Llama 3.2.

VincentGOURBIN/Llama-Guard-3-8B — конверсия модели Meta Llama-Guard-3-8B в формат MLX, подготовленная с помощью mlx-lm версии 0.19.1. Модель основана на плотной архитектуре Llama с причинно-следственной языковой моделью и содержит 7,5 млрд параметров; заявленная длина контекста — 131 072 токена. В метаданных указана поддержка английского языка. Модель предназначена для классификации безопасности запросов и ответов LLM с отнесением нарушений к категориям. Формат MLX позволяет запускать её с библиотекой mlx-lm на совместимых устройствах Apple. Репозиторий содержит веса safetensors и предназначен для генерации текста в разговорном формате. Лицензия — Llama 3.1 Community License.

Карточка модели MksShir/Llama-Guard-3-8B-KSTU-Censor на Hugging Face совпадает с карточкой meta-llama/Llama-Guard-3-8B, поэтому описание составлено по ней. Llama Guard 3 8B — модель Meta на базе Llama 3.1 8B, дообученная для классификации безопасности контента. Она анализирует пользовательские запросы и ответы языковых моделей, выдаёт текстовую метку «safe» или «unsafe», а для небезопасного контента указывает нарушенные категории. Модель предназначена для модерации диалогов и проверки вызовов инструментов, включая поиск и интерпретатор кода; классификация охватывает 14 категорий рисков по таксономии MLCommons и дополнительную категорию злоупотребления интерпретатором кода. Модель работает с текстом и заявлена для английского, французского, немецкого, хинди, итальянского, португальского, испанского и тайского языков. В репозитории размещена версия с половинной точностью в формате safetensors; для бинарной оценки можно использовать вероятность первого токена как оценку класса «unsafe» и задать порог. Для применения нужны Transformers и совместимый код инференса. Лицензия — Llama 3.1 Community License.

Meta Llama Guard 2 — модель-классификатор безопасности на 8 млрд параметров, разработанная Meta на основе Llama 3 и дообученная для выявления небезопасного содержимого. Она анализирует как запросы к языковым моделям, так и их ответы, генерируя текстовую метку «safe» или «unsafe» и, если содержимое небезопасно, указывая нарушенные категории. Вероятность первого токена можно использовать как оценку класса «unsafe» и применять порог для бинарной классификации. Модель предназначена для модерации входов и выходов LLM по 11 категориям рисков, включая насилие, преступления, сексуальный контент, вред детям, специализированные медицинские, финансовые и юридические советы, утечки приватных данных, нарушения интеллектуальной собственности, ненависть и самоповреждение. Поддерживает английский язык согласно карточке модели. Распространяется в формате Safetensors по лицензии Llama 3. Классификация может быть ограничена знаниями модели, охватом политик и мультиязычными возможностями; модель может поддаваться состязательным атакам и prompt injection. Она не охватывает категории выборов и клеветы и не предназначена для обычного диалогового использования.

flowxai/moderation — многометочная модель классификации текста для библиотеки flowx-border, разработанная Flowx AI. Она проверяет текст на входе и выходе LLM и возвращает решение с записью доказательств для аудита. Модель основана на FacebookAI/xlm-roberta-base, имеет архитектуру XLM-RoBERTa с классификационной головой и 305,2 млн параметров; экспортирована в ONNX. Обучающее окно составляет 96 токенов, хотя нативный контекст базовой модели — 514 токенов. Детектор распознаёт 12 категорий: кибервторжения, клевету, вмешательство в выборы, экстремизм, мошенничество, разжигание ненависти, запрещённые наркотики, имущественные преступления, самоповреждение, сексуальную эксплуатацию, содействие насилию и оружие массового поражения. Категория безопасности детей отсутствует и должна считаться недоступной, а не безопасной. Модель предназначена для политики библиотеки и не является универсальным модератором. README рекомендует использовать библиотеку, которая применяет порог и обработку длинных текстов; при прямом запуске ONNX эти настройки нужно реализовать самостоятельно. В карточке приведены результаты по языкам и категориям; обучение основано на синтетических данных, поэтому реальные тексты могут отличаться от обучающего распределения. Для входов длиннее 96 токенов требуется разбиение на части и объединение результатов. Модель распространяется по лицензии Apache-2.0.

pii-layout-synth-v15 — дообученная модель jefftherover на базе answerdotai/ModernBERT-base для классификации токенов. Она предназначена для разметки последовательностей текста; по названию репозитория вероятна связь с синтетическими данными о расположении персональной информации, но README не раскрывает назначение и схему меток. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8192 токенов. В карточке приведены метрики на оценочном наборе: precision 0,9912, recall 0,9944, F1 0,9928 и accuracy 0,9987; состав набора и методика оценки не описаны. Распространяется по лицензии Apache-2.0.

Qwen3Guard-Stream-0.6B — модель модерации безопасности от команды Qwen, дообученная на базе Qwen/Qwen3-0.6B. Она предназначена для проверки текста в реальном времени по мере его генерации: токен-классификационная голова оценивает поток и относит содержание к безопасному, спорному или небезопасному. Модель поддерживает 119 языков и диалектов и охватывает категории риска, включая насилие, незаконные действия, сексуальный контент, раскрытие персональных данных, самоповреждение, травлю, политически чувствительные темы, нарушение авторских прав и попытки обхода инструкций. Модель имеет плотную архитектуру Qwen3ForGuardModel, содержит около 507,9 млн параметров и рассчитана на контекст до 8192 токенов. Для работы с Transformers в README рекомендуется версия 4.55.0 или новее; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Она предназначена для потоковой классификации безопасности, а не для генерации ответов; конкретные показатели качества и известные слабые места в предоставленной карточке не описаны.

Это дообученная модель классификации текста на базе FacebookAI/roberta-base, опубликованная пользователем leomaurodesenv. По названию она предназначена для выявления jailbreak-запросов, однако README не раскрывает назначение подробнее и указывает, что данные обучения неизвестны. Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa для классификации последовательностей и принимает текст длиной до 514 токенов. На указанном в README наборе оценки достигла accuracy 0,9564 и loss 0,1497; состав и методика оценки не описаны. Распространяется по лицензии MIT.

Карточка модели AI45Research/AgentDoG1.5-FG-Qwen3.5-0.8B на Hugging Face совпадает с карточкой AI45Research/AgentDoG1.5-Qwen3.5-4B, поэтому описание составлено по ней. AgentDoG 1.5 Qwen3.5 4B — модель для проверки безопасности траекторий действий ИИ-агентов, разработанная AI45Research в рамках семейства AgentDoG. Она принимает полную текстовую траекторию работы агента, включая взаимодействие с инструментами и средой, и классифицирует её как безопасную или небезопасную. Для небезопасных траекторий модель также может определять тип сбоя, возможные последствия риска и его источник. Модель построена на плотной архитектуре Qwen3.5 и содержит 4 млрд параметров. Она предназначена для классификации и мониторинга агентных сценариев, в том числе для работы в качестве онлайн-защитного барьера, способного выявлять риск и вмешиваться в выполнение workflow. Для развёртывания README рекомендует совместимые версии SGLang или vLLM. Модель распространяется под лицензией Apache-2.0. Карточка не приводит конкретных ограничений точности или списка поддерживаемых естественных языков; результаты следует интерпретировать в контексте заданной таксономии безопасности и формата входной траектории.

Карточка модели AI45Research/AgentDoG1.5-Llama-3.1-8B на Hugging Face совпадает с карточкой AI45Research/AgentDoG1.5-Qwen3.5-4B, поэтому описание составлено по ней. AgentDoG 1.5 Qwen3.5 4B — модель для проверки безопасности траекторий действий ИИ-агентов, разработанная AI45Research в рамках семейства AgentDoG. Она принимает полную текстовую траекторию работы агента, включая взаимодействие с инструментами и средой, и классифицирует её как безопасную или небезопасную. Для небезопасных траекторий модель также может определять тип сбоя, возможные последствия риска и его источник. Модель построена на плотной архитектуре Qwen3.5 и содержит 4 млрд параметров. Она предназначена для классификации и мониторинга агентных сценариев, в том числе для работы в качестве онлайн-защитного барьера, способного выявлять риск и вмешиваться в выполнение workflow. Для развёртывания README рекомендует совместимые версии SGLang или vLLM. Модель распространяется под лицензией Apache-2.0. Карточка не приводит конкретных ограничений точности или списка поддерживаемых естественных языков; результаты следует интерпретировать в контексте заданной таксономии безопасности и формата входной траектории.

Skipti/antares-gguf-community — неофициальная общественная сборка модели Antares-1B от Cisco Systems, Inc. (Foundation AI), ориентированной на поиск файлов с вероятными уязвимостями в репозиториях кода. Модель основана на архитектуре IBM Granite 4.0 1B и использует авторегрессионный декодерный трансформер с 1,6 млрд параметров по метаданным. Она дообучена с помощью SFT и GRPO и предназначена для навигации по кодовой базе через терминальный интерфейс по идентификатору CWE и описанию уязвимости. Сборка содержит веса GGUF F16 и SafeTensors и рассчитана на запуск в llama.cpp и совместимых приложениях, включая LM Studio и Ollama. Метаданные указывают контекст до 131 072 токенов; в примере README используется размер контекста 8192. Основной язык карточки — английский. На бенчмарке VLoc Bench, состоящем из 500 заданий, оригинальная Antares-1B показала File F1 0,209. Результаты конкретной community-сборки отдельно не приведены. Модель выпущена по лицензии Apache-2.0; карточка уточняет, что это неофициальная конверсия, не связанная с Cisco и не одобренная компанией.

Horizon Labs Content Safety Guard Small — компактный мультиязычный классификатор безопасности текста на основе энкодера ModernBERT с backbone mmBERT, содержащий 140,5 млн параметров. Он оценивает отдельный пользовательский запрос или пару «запрос–ответ», выдавая общий балл небезопасности и оценки по 15 категориям вредного содержания. Модель предназначена для проверки запросов до передачи LLM и ответов после генерации, в том числе в приложениях, где важны скорость и запуск на CPU или в браузере. Она обучалась на данных с разрешённым коммерческим использованием; заявлены поддержка 12 языков адаптированных человеком данных и оценка на многоязычных наборах. Контекст модели — до 8192 токенов. Доступны веса Safetensors и ONNX, включая квантованный вариант int8. По сравнению с более крупной базовой версией модель требует меньше вычислений и занимает меньше места, но показывает немного более низкий F1 на PolyGuard. Среди известных ограничений — чрезмерная блокировка безопасных, но двусмысленных запросов, слабые результаты для отдельных категорий и сниженный recall на вредных запросах на некоторых языках с меньшим объёмом ресурсов. README рекомендует настраивать порог под собственные данные и не использовать модель как единственный механизм для решений о безопасности детей или юридическом соответствии. Лицензия Apache-2.0.

deepfake-detector-model-v1 — модель классификации изображений от prithivMLmods, дообученная на базе SigLIP для бинарного определения, является ли изображение реальным или синтетически созданным. Она использует архитектуру SiglipForImageClassification и рассчитана на проверку подлинности визуальных материалов, предварительную модерацию контента и поддержку цифровой экспертизы. В отчёте для тестовой выборки указана точность 94,44%; эта метрика сама по себе не гарантирует качество на новых источниках изображений и при иных способах генерации или манипуляции. Модель работает с изображениями и выдаёт метку класса. Лицензия репозитория — Apache-2.0.

云碩科技（xCloudinfo）制作的 gpt-oss-120b 衍生模型，基于 openai/gpt-oss-120b，并以 GGUF 格式发布。 Это MoE-модель с 117 млрд параметров, из которых активно используются 5,1 млрд; в карточке указаны 128 экспертов и формат MXFP4. Модель сохраняет формат рассуждений Harmony и рассчитана на генерацию текста в режиме диалога. Модель прошла двухэтапную донастройку: обучение на программных инструкциях с отбором решений, прошедших выполнение скрытых тестов, и дополнительное обучение для снижения отказов на разрешенные технические запросы. Разработчик ориентирует её на авторизованные исследования безопасности, red teaming, тестирование на проникновение, программирование и технические вопросы; запуск возможен через llama.cpp и другие совместимые с GGUF средства. Модель предназначена для опытного использования в контролируемых развертываниях. Снижение числа отказов не гарантирует точность или безопасность ответов; разработчик рекомендует самостоятельно проверять результаты и применять защитные меры. Для базовой модели указана лицензия Apache-2.0.

Granite Guardian 3.0 2B — дообученная IBM Research модель семейства Granite для выявления рисков в пользовательских запросах и ответах языковых моделей. Она оценивает вредный контент, социальную предвзятость, попытки обхода ограничений, насилие, ненормативную лексику, сексуальный контент и неэтичное поведение, а также подходит для проверок в RAG-сценариях: релевантности найденного контекста, обоснованности ответа и его соответствия запросу. Модель построена на плотной архитектуре GraniteForCausalLM, содержит 2,5 млрд параметров и имеет контекст до 8192 токенов. Она принимает текст и в предписанном шаблоне выдаёт ответ «да» или «нет» для оценки заданного риска. Обучение использует человеческую разметку и синтетические данные; заявлено превосходство над другими открытыми моделями того же назначения на стандартных бенчмарках. Модель предназначена для оценки рисков, мониторинга и выборочной проверки входов и выходов при умеренных требованиях к стоимости, задержке и пропускной способности. Обучение и тестирование проводились только на английских данных. Следует использовать предписанный режим оценки: отклонение от шаблона может привести к неожиданным результатам, а пользовательские определения рисков требуют тестирования. Лицензия — Apache 2.0.

Granite Guardian 4.1 8B GGUF — специализированная модель безопасности, разработанная IBM Research. Она преобразована в формат GGUF на основе IBM Granite 4.1 8B и предназначена для оценки того, соответствуют ли входные запросы и ответы систем на базе больших языковых моделей заданным критериям безопасности и качества. Модель ориентирована на обнаружение попыток jailbreak, ненормативной лексики и галлюцинаций, связанных с вызовами инструментов, retrieval-augmented generation и агентными системами. Пользователь также может задавать собственные критерии проверки для конкретных сценариев. Модель поддерживает режимы с рассуждением и без него: в режиме рассуждения формирует подробные рассуждения в тегах <think> и оценку в тегах <score>, а в нережиме возвращает только оценку. Указан английский язык, размер базовой модели — 8B параметров; точная квантализация данного варианта и размер контекстного окна не приведены. Модель обучалась на данных с человеческими разметками и синтетических данных, подготовленных с учётом внутреннего red teaming, и заявлена как превосходящая другие открытые модели своего класса на стандартных бенчмарках. К ограничениям относятся специализация на оценивании безопасности, отсутствие сведений о конкретной квантализации, контекстном окне и полном наборе поддерживаемых языков, а также возможная зависимость качества от корректной формулировки критериев. Лицензия — Apache 2.0.

GuardReasoner-8B — дообученная модель на основе meta-llama/Llama-3.1-8B, созданная авторами GuardReasoner. Она обучена методами R-SFT и HS-DPO в рамках работы над защитными механизмами для больших языковых моделей. Модель предназначена для анализа текстовых запросов и ответов и генерации рассуждений, помогающих оценивать их с точки зрения безопасности. Модель имеет плотную архитектуру LlamaForCausalLM и 7,5 млрд параметров. Она принимает текст, поддерживает чат и контекст до 131 072 токенов; в метаданных указаны задачи генерации текста и классификации текста. Лицензия — Apache-2.0. README ссылается на статью GuardReasoner и обучающие данные R-SFT, но не приводит подробных результатов оценки или перечня категорий безопасности.

HerBERT-PL-Guard — польскоязычный классификатор безопасности текста от NASK-PIB, дообученный на основе allegro/herbert-base-cased с архитектурой BERT. Он относит текст к одной из 15 категорий: безопасный или одной из 14 категорий небезопасного контента по таксономии, вдохновлённой Llama Guard. Модель предназначена для модерации польскоязычного контента и оценки безопасности входов и ответов больших языковых моделей. Её можно подключить как классификатор текста в Transformers; при построении использованы наборы PL-Guard, польские переводы PolyGuard и WildGuard. Репозиторий содержит веса safetensors, лицензия — CC-BY-NC-SA-4.0.