II.11Кибербезопасность и приватность

ImageShield-MMCF-2B-vl — мультимодальная модель-классификатор безопасности визуального контента от prithivMLmods, дообученная на базе Qwen/Qwen3-VL-2B-Instruct на датасете ImageShield-Guardrail-Multimodal-20K. Она принимает изображения и предназначена для классификации содержимого как безопасного или небезопасного, в частности для обнаружения чувственного контента NSFW и других потенциально чувствительных сцен. Модель может применяться в системах модерации, родительского контроля и исследовательских проектах по мультимодальной безопасности. Модель построена на архитектуре Qwen3-VL и формирует структурированный JSON с подписью изображения, классификацией и объяснением. Она использует консервативный порог, поэтому может помечать безобидные изображения как небезопасные. Возможны также пропуски чувствительного контента и нестабильные результаты, зависящие от качества изображения, контекста и инструкции; классификация не является окончательным юридическим или экспертным заключением. Лицензия — Apache-2.0.

Dipto084/Llama-3.1-8B-XGuard-merged — языковая модель на архитектуре Llama 3.1, созданная автором репозитория как воспроизведение X-Guard из статьи X-Teaming. Это не официальный выпуск авторов X-Teaming. Модель дообучена методом LoRA supervised fine-tuning на базе meta-llama/Llama-3.1-8B-Instruct; адаптер объединён с базовыми весами. В релизе — полные веса bf16 в формате safetensors, размер базовой модели — 7,5 млрд параметров, контекст — до 131 072 токенов. Модель предназначена для диалоговой генерации текста с защитой от многоходовых jailbreak-атак: она обучена распознавать вредоносные сценарии и отказывать в выполнении небезопасных запросов, сохраняя способность отвечать на обычные инструкции. В README приведены результаты оценки: средняя успешность атак составила 44,4% против 74,9% у базовой модели, но защита переносится на разные типы атак неодинаково. На benign-промптах средняя доля полных ответов — 87,5% против 93,0% у базы, что указывает на повышенный риск избыточных отказов. Карточка указывает английский язык. Для диалогов следует передавать полную историю сообщений и использовать шаблон чата Llama 3.1. Лицензия — Llama 3.1.

MiniGuard-v0.1 — компактная модель для классификации безопасности контента, разработанная командой prem-research и дообученная на базе Qwen3-0.6B. Она оценивает сообщения пользователя и ответы языковой модели как безопасные или небезопасные и при необходимости указывает нарушенные категории политики безопасности. Модель предназначена для модерации запросов и ответов в чат-ботах и может использовать шаблон запросов NVIDIA Llama-3.1-Nemotron-Safety-Guard-8B-v3. Модель имеет плотную архитектуру Qwen3ForCausalLM примерно на 508 млн параметров, принимает текст и выдаёт текстовую оценку в формате JSON. В карточке заявлены результаты, близкие к Nemotron-Guard-8B-v3 на англоязычном тестовом наборе, при существенно меньшем размере; эти показатели относятся к указанным в README оценкам. Поддержка шаблона охватывает сообщения на целевом языке, однако метаданные указывают английский язык. Контекст модели — до 40 960 токенов. Лицензия — MIT.

ReasoningShield-3B — специализированная модель модерации от команды ReasoningShield для выявления рисков в промежуточных рассуждениях больших языковых моделей. Она основана на Llama 3.2 3B Instruct и дообучена на парах запросов и цепочек рассуждений; архитектура — плотная LlamaForCausalLM, размер — 3,2 млрд параметров, контекст — до 131 072 токенов. Модель принимает текст и генерирует текстовый анализ и оценку безопасности. Модель предназначена для проверки цепочек рассуждений и ответов на признаки насилия, ненависти и токсичности, обмана и дезинформации, нарушений прав, сексуального контента, эксплуатации детей, киберугроз и других рисков. README заявляет пошаговый анализ риска и средний F1 выше 91% на открытых трассах рассуждений; это результаты авторской оценки, а не гарантия качества на новых данных. Модель ориентирована на английский язык. Доступна под лицензией Apache-2.0.

ShieldGemma 27B — модель модерации контента от Google, дообученная на базе Gemma 2. Это декодерная текстовая языковая модель с открытыми весами, предназначенная для проверки пользовательских запросов, ответов модели или обоих типов текста на сексуально откровенный контент, опасные инструкции, язык ненависти и травлю. На вход подаётся текст с проверяемым содержимым и описанием правил модерации в специальном формате; модель отвечает текстом, начинающимся с «Yes» или «No», и указывает, нарушает ли содержимое заданные правила. Модель рассчитана на англоязычные сценарии и имеет 27 млрд параметров. Она поддерживает шаблоны чата Transformers, позволяющие проверять сообщения пользователя и ассистента. Результат зависит от формулировки правил безопасности; модель может непредсказуемо работать с неоднозначностью и нюансами языка. Доступные тесты модерации могут недостаточно отражать реальные сценарии. Использование регулируется лицензией Gemma и политиками Google о запрещённом использовании.

ShieldLM-14B-qwen — двуязычная модель семейства Qwen, разработанная командой thu-coai на основе Qwen-14B-Chat. Это детектор безопасности, предназначенный прежде всего для выявления проблем в ответах, сгенерированных большими языковыми моделями. Он поддерживает настраиваемые правила проверки и объясняет принятые решения. Модель принимает текст и выдаёт текстовую оценку с объяснением; в каталоге она размечена задачей text-generation. В README заявлены китайский и английский языки, а метаданные указывают 21,8 млрд параметров и контекст до 8192 токенов. В README сообщается о результатах на четырёх тестовых наборах, включая тесты вне обучающего распределения, и сравнении с GPT-4, Llama Guard и Perspective API; конкретные метрики в карточке не приведены. Лицензия — MIT.

Shieldstral-1.0-3B-GGUF — это набор квантизированных весов в формате GGUF для компактного мультимодального классификатора безопасности Shieldstral-1.0-3B, разработанного Mistral AI. Репозиторий Abiray содержит варианты весов для запуска через llama.cpp на CPU и GPU, включая текстовые модели и отдельный проектор для обработки изображений. Модель предназначена для адаптивной модерации текста и изображений: вместо фиксированных категорий безопасности она оценивает контент по политике, сформулированной на естественном языке. Результат сводится к бинарному ответу «yes» или «no», при этом модель также формирует непрерывную оценку уверенности на основе вероятностей токенов. Она ориентирована на лёгкую работу в реальном времени на периферийных устройствах и обычном пользовательском оборудовании. Доступны квантизации от Q3_K_M до Q8_0; размер текстовых файлов составляет примерно от 1,80 до 3,65 ГБ. Рекомендуется Q4_K_M как компромисс между размером, скоростью и качеством. Для мультимодальной модерации необходим отдельный проектор mmproj в формате BF16 или F16 размером около 840–850 МБ; для изображений рекомендуется контекст 4096 токенов. README не указывает поддерживаемые языки и точную архитектуру базовой модели. Надёжность может различаться для языков и предметных областей, представленных в обучающих данных неравномерно. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое и некоммерческое использование открытых весов.

Toxic Prompt RoBERTa 1.0 — модель классификации текста от Intel AI Safety для выявления токсичных пользовательских запросов и ответов в разговорных системах ИИ. Она основана на RoBERTa-base и дообучена на наборах ToxicChat и Jigsaw Unintended Bias с классификационной головой; в метаданных указаны 151,8 млн параметров и контекст до 514 токенов. Модель принимает текст и выдаёт логиты для двух классов: «не токсично» и «токсично». Модель предназначена для автоматической модерации чатов, мониторинга пользовательских сообщений и фильтрации токсичного ввода или ответа перед передачей его генеративной системе. В карточке приведены результаты на тестовом наборе ToxicChat: F1 0,7869, точность 0,8315 и полнота 0,7469. Это англоязычная модель; результаты и анализ смещения в карточке не гарантируют одинакового качества на других данных и для всех групп пользователей. Лицензия — MIT.

Карточка модели ldov/campplus на Hugging Face совпадает с карточкой funasr/campplus, поэтому описание составлено по ней. CAM++ — модель извлечения голосовых эмбеддингов из аудио, разработанная командой FunASR. Она предназначена для верификации говорящего: определения, принадлежат ли записи одному человеку, и для диаризации — распознавания, кто и когда говорил в аудиозаписи. Её можно подключить к конвейеру FunASR через параметр spk_model, например для присвоения меток говорящих сегментам речи в записи встречи. Модель использует архитектуру CAM++ (Class-Aware Multi-scale), выдаёт эмбеддинги размерностью 192 и рассчитана на аудио с частотой дискретизации 16 кГц. Репозиторий поддерживает FunASR; в карточке указаны китайский и английский языки. Модель распространяется по лицензии Apache-2.0. Карточка описывает извлечение эмбеддингов и применение для верификации и диаризации, но не приводит оценок качества или условий работы с шумной и многоканальной записью.

Dark-Pane-i1-GGUF — набор квантованных файлов модели Dark-Pane, базовая модель которой разработана mars2titan. Квантизацию выполнил mradermacher в формате GGUF с использованием imatrix-квантов. Модель относится к семейству Gemma и помечена как экспериментальный исследовательский проект. Модель предназначена для генерации текста, а также для задач анализа отказов, red teaming, исследований безопасности и alignment. README указывает, что это vision-модель, поэтому для работы с изображениями могут потребоваться дополнительные файлы mmproj из статического репозитория. Заявленный язык — английский. Размер модели и контекстное окно не указаны. Доступны варианты квантизации от крайне компактных IQ1 и IQ2 до IQ6_K; объём файлов составляет примерно от 3,1 до 9,9 ГБ. Компромисс между размером, скоростью и качеством зависит от выбранного варианта: README рекомендует Q4_K_M как быстрый вариант, а Q4_K_S называет оптимальным по размеру, скорости и качеству. Низкобитные варианты могут заметно уступать по качеству, а сама модель имеет экспериментальный статус. Лицензия указана как Gemma.

Granite Guardian 4.0 3B Toxicity Japanese — модель IBM Research для оценки безопасности японских текстов. Она дообучена на основе ibm-granite/granite-4.0-micro с помощью continual learning на японских данных и объединена с базовой моделью для упрощения развёртывания. Архитектура GraniteMoeHybridForCausalLM, размер 3,4 млрд параметров, контекст до 131 072 токенов. Модель применяется в конвейерах безопасности как judge: классифицирует текст пользователя или ответ ассистента по заданным критериям и возвращает бинарную оценку. Основной фокус — токсичность, включая вредный контент, социальную предвзятость, насилие, ненормативную лексику, сексуальный контент, неэтичное поведение и попытки jailbreak. Также допускается оценка пользовательских критериев, но для них нужна дополнительная проверка. Модель не предназначена для оценки groundedness и релевантности RAG или рисков вызова инструментов. Модель принимает текст и выдаёт текстовую классификационную оценку. В карточке указана лицензия Apache-2.0; для развёртывания описано использование Transformers и vLLM.

ApolloRaines разработала Llama-3.1-8B-Instruct.immunized.v1 — дообученный вариант инструкционной модели Meta Llama 3.1 8B, предназначенный для диалогов и генерации текста с защитой от утечек приватного контекста при атаках класса EchoLeak. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. Веса доступны в Safetensors и нескольких вариантах GGUF, включая F16 и квантованные сборки. Защита встроена в веса и не требует дополнительных компонентов при запуске. Карточка сообщает о результатах тестов на сценариях prompt injection и сохранении показателей на отдельных проверках рассуждения и калибровки. Основной язык карточки — английский; базовая модель описана как многоязычная. Модель рассчитана на применение в диалоговых системах, использующих приватный контекст, например RAG и агентных сценариях. Указанная лицензия — Llama 3.1. Заявленная защита ограничена классом EchoLeak и не устраняет другие виды атак, отказов или галлюцинаций. В README также отмечено, что в более сложном ролевом тесте сохраняются утечки, а поведение после дальнейшего дообучения может измениться. Результаты бенчмарков приведены автором модели и сами по себе не гарантируют защиту в конкретной системе.

SirSahOl подготовил 16-битную конверсию Meta Llama Guard 3 1B в формат MLX для локального запуска на графическом процессоре Apple Silicon. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 1,2 млрд параметров и контекстом до 131 072 токенов. Репозиторий указывает формат safetensors и лицензию llama3.2. Модель предназначена для генерации текста в диалоговом шаблоне. Базовая Llama Guard 3 1B специализируется на классификации запросов и ответов по категориям безопасности контента, поэтому её можно применять для локальной проверки таких текстов. Карточка описывает поддержку английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Версия MLX ориентирована на устройства Apple Silicon; для длинного контекста требуется достаточно свободной объединённой памяти. README содержит общие оговорки по памяти и точности, но замечание о потере точности относится к 4-битному варианту, а не к этой 16-битной конверсии.

Opus Moderation 4 Large (om4-large) — модель классификации текста от команды opus-research для модерации контента. Это полноценно дообученный ModernBERT-large с 394,7 млн параметров и контекстом до 8192 токенов; модель выдаёт оценки по семи меткам токсичности и отдельную оценку обнаружения jailbreak-атак. Оценки откалиброваны как доли аннотаторов, которые пометили бы текст; для многометочной классификации следует применять sigmoid, а не softmax. В репозитории также есть пороги для каждой метки. Модель предназначена для автоматической проверки пользовательских комментариев и сообщений, выявления оскорблений, токсичности, непристойного содержания, угроз и попыток обхода ограничений языковых моделей. В описанном авторами тесте на 20 тысячах примеров она показала macro F1 0,543 по семи меткам и F1 0,903 для jailbreak-детекции. Основные заявленные ограничения — ненадёжная метка severe_toxicity, более слабое распознавание угроз и специализация на английских текстах в жанрах новостных комментариев и диалогов с LLM; обучение проводилось на длине 384 токена. Лицензия модели — Apache-2.0, однако среди обучающих данных есть toxic-chat с лицензией CC-BY-NC, что может влиять на допустимость отдельных сценариев использования.

Ornith-1.5-35B-A3B-uncensored-MLX-4bit — это 4-битная MLX-версия модели Ornith-1.5-35B-A3B, разработанной командой Ornith. Модель подверглась abliteration: к исходной модели применили один проход biprojection для существенного снижения жёстких отказов, после чего выполнили конвертацию для запуска через mlx-lm на Apple Silicon. Релиз подготовил Robert Ressl. Модель предназначена для генерации текста, а также для исследований безопасности, red-teaming и penetration testing, включая сценарии, в которых требуется выполнять запросы, обычно отклоняемые стандартной моделью. Она поддерживает английский язык, имеет контекст до 262 144 токенов и занимает около 18 ГБ. MLX-сборка рассчитана на устройства Apple Silicon; заявлена только текстовая работа, поскольку vision tower базовой мультимодальной модели в эту сборку не подключён. К сильным сторонам относятся существенно сниженная частота жёстких отказов и сохранение общей связности и инструментальных возможностей, хотя качество на GPQA-Diamond снизилось с 61,1% до 58,6% относительно базовой модели. Полная оценка проводилась для идентичного NVFP4-варианта, а MLX-сборки прошли только локальные smoke-тесты, поэтому результаты нельзя напрямую считать полноценными бенчмарками этой версии. Квантование 4-bit может усиливать остаточные отказы; для модели зафиксирована небольшая доля таких случаев. Лицензия MIT унаследована от Ornith и указана как предоставленная командой ornith-ai.

pai-bert-base-zh-llm-risk-detection — дообученная модель Alibaba PAI на архитектуре BERT-base для выявления токсичного контента, сгенерированного большими языковыми моделями. Она классифицирует китайский текст и возвращает предсказанную метку и оценку; модель рассчитана на автоматическую проверку LLM-ответов и фильтрацию потенциально вредного контента. Модель содержит 129,5 млн параметров, использует формат PyTorch и принимает последовательности длиной до 512 токенов. Для запуска доступна интеграция с Transformers pipeline для text-classification. В карточке указана лицензия Apache-2.0. Назначение модели ограничено обнаружением токсичности в китайском тексте; её оценка не заменяет контекстную проверку и может ошибаться на неоднозначных или отличающихся от обучающих данных примерах.

Это дообученная модель Qwen3.5-4B, разработанная автором репозитория PLJIANGG05 для классификации пользовательского текста по меткам SAFE и UNSAFE. Она предназначена для предварительной проверки запросов на опасные намерения, а не для диалога общего назначения. Веса опубликованы как объединённая BF16-модель; в репозитории также сохранены исходные LoRA-тензоры. Архитектура Qwen3.5 с условной генерацией сохранена для совместимости, однако обучалась и оценивалась только классификация текстовых входов. Сценарий оценки ограничивает контекст 1 024 токенами. В обучающей выборке указаны английский и китайский языки, но расширенная сравнительная оценка проводилась только на английском и не подтверждает качество для китайского или других языков. При длинных входах классификатор обрезает середину текста, что может удалить важный контекст. Метка SAFE не гарантирует безвредность запроса или последующего ответа; модель не является сертифицированной системой безопасности. Лицензия — CC BY-NC 4.0, с некоммерческими условиями использования.

Qwen3Guard-Stream-8B в репозитории geoffmunn/Qwen3Guard-Stream-8B — пользовательская сборка Джоффа Манна на основе Qwen/Qwen3Guard-Stream-8B для потоковой модерации текста. Она оценивает незавершённый ввод по мере поступления и возвращает структурированный результат с оценкой безопасности, категориями риска, уверенностью и признаком частичного ввода. Среди упомянутых категорий — насилие, ненависть, сексуальный контент, самоповреждение, незаконные действия и спам. Модель предназначена для раннего выявления небезопасных запросов в приложениях, образовательных инструментах и системах фильтрации перед генерацией ответа. Репозиторий содержит GGUF-сборку и распространяется по лицензии Apache-2.0. Автор предупреждает, что эта конверсия не работает с llama.cpp; README противоречиво упоминает рабочий пример, поэтому работоспособность сборки и совместимый способ запуска по карточке установить нельзя.

Raven — PyTorch 이미지 포렌식 모델로, 실제 사진과 AI 생성 이미지를 분류하도록 개발되었습니다. 출력은 REAL, AI, UNCERTAIN의 세 가지이며, AI 학습 데이터는 GPT Image 2 계열을 중심으로 구성되어 있습니다. Hugging Face 메타데이터에는 RavenForImageForensics 아키텍처와 safetensors 형식이 기재되어 있습니다. 모델은 이미지의 출처를 가려내는 데 사용되며, 카드에 제시된 검증 세트 4,470장에서는 정확도 98.635%, 균형 정확도 98.566%, AUROC 0.998255를 기록했습니다. 별도 실제 이미지 2,986장 평가에서는 정확도 98.225%를 보였습니다. 이 결과는 카드에 기술된 데이터 분포와 평가 조건에 해당합니다. 성능은 학습에 포함되지 않은 생성기에서 달라질 수 있습니다. 강한 JPEG 재압축, 스크린шоты, апскейл, шумоподавление, чрезмерная цветокоррекция, частичный синтез и очень тёмные изображения могут ухудшить распознавание; особенно мало данных для экстремально тёмных изображений. Вывод — вероятностная оценка происхождения, а не доказательство генерации. Сведения о лицензии в предоставленных источниках отсутствуют.

Это адаптированная для PyTorch, torchaudio и Transformers версия Resemblyzer, опубликованная пользователем prj-beatrice и основанная на resemble-ai/Resemblyzer. Модель принимает аудиоволновую форму и извлекает векторное представление голоса; для пакетной обработки можно передавать волновые формы с длинами входных последовательностей. Репозиторий содержит веса в формате safetensors и использует архитектуру ResemblyzerModel. Модель предназначена для получения голосовых эмбеддингов, которые можно использовать в системах сравнения и верификации говорящих. README показывает загрузку через AutoModel и вычисление эмбеддинга для аудиофайла. Лицензия указана как other, поэтому условия использования следует сверить с карточкой и исходным проектом Resemblyzer.

ShieldGemma 2B — модель модерации текстового контента от Google, дообученная на базе Gemma 2. Это декодерная текстовая языковая модель с 2 млрд параметров; она принимает текст с заданными правилами безопасности и классифицирует его как соответствующий им или нарушающий их, отвечая «Yes» или «No». Модель предназначена для проверки запросов пользователей и ответов генеративных моделей по категориям сексуально откровенного контента, опасного контента, разжигания ненависти и преследования. Модель рассчитана на английский язык. Для корректной работы важно придерживаться предусмотренного формата промпта и точно формулировать проверяемые правила; ShieldGemma чувствительна к их формулировке. Её можно использовать как компонент фильтрации входных запросов и выходных ответов, но результатам автоматической модерации следует уделять внимание при неоднозначном или нюансированном содержании. Google сообщает, что модель дообучена на синтетических внутренних и общедоступных данных. Базовые ограничения Gemma 2 применимы и к ShieldGemma; оценочные наборы для модерации ограничены и могут не отражать реальные сценарии. Лицензия — Gemma; также применяются политики Google о запрещённом использовании.

AgentDoG-FG-Qwen3-4B — дообученная плотная языковая модель семейства Qwen3, разработанная AI45Research для оценки безопасности действий автономных агентов. Она анализирует текстовые траектории, состоящие из шагов агента и наблюдений, и определяет, встречается ли в них небезопасное поведение. В режиме детальной диагностики модель относит риск к источнику, типу сбоя и возможному реальному вреду. Модель предназначена для проверки многошаговых сценариев с использованием инструментов, оценки траекторий в бенчмарках и встраивания в защитные контуры агентных систем. В карточке описаны проверки на R-Judge, ASSE-Safety и ATBench, включая обнаружение подмены инструкций и небезопасного использования инструментов. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM, принимает текст и рассчитана на контекст до 262 144 токенов. Модель распространяется под лицензией Apache-2.0. Показатели детальной классификации существенно различаются по категориям: в частности, точность определения типа сбоя на ATBench указана как 32,4%; результаты на бенчмарках не гарантируют качество на других данных. Для применения важны полнота и формат передаваемой траектории, а также проверка меток в целевой системе.

AgentDoG-Qwen2.5-7B — языковая модель на архитектуре Qwen2, разработанная для оценки безопасности траекторий автономных агентов. Она анализирует последовательность шагов агента, включая действия и наблюдения, и определяет, встречается ли небезопасное поведение на любом этапе. Модель дообучена на Qwen/Qwen2.5-7B-Instruct, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель решает две задачи: бинарно классифицирует траекторию как безопасную или небезопасную и, для небезопасных траекторий, определяет источник риска, тип сбоя и возможный реальный вред. Её можно применять для проверки действий с инструментами и API, оценки безопасности агентных систем и подробной диагностики причин опасных действий. В README заявлены результаты на R-Judge, ASSE-Safety и ATBench, включая выявление рисков, возникающих после безопасных на вид начальных шагов. Это текстовая модель, ориентированная на английские инструкции и структурированные текстовые траектории; отдельные поддерживаемые языки в карточке не перечислены. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README приводит точность отдельных категорий на ATBench, в том числе 32,4% для классификации типов сбоя, поэтому детальные диагнозы могут быть менее надёжными, чем бинарная оценка.

Denash/codebert-vuln-classifier — дообученный классификатор кода, созданный как Stage-2 компонент конвейера CEVuD. Он принимает фрагмент Python-кода длиной до 512 токенов и оценивает вероятность того, что фрагмент содержит уязвимость, относя его к одному из двух классов: «уязвимый» или «безопасный». Модель построена на базе microsoft/codebert-base с архитектурой RoBERTaForSequenceClassification; размер составляет 151,8 млн параметров. Модель предназначена для локальной предварительной оценки фрагментов кода в CI/CD и объединения нейросетевой оценки с серьёзностью находки Semgrep, чтобы решать, какие случаи передавать более дорогому LLM-анализатору. Для обработки функции её следует разбивать на окна по 64 строки с перекрытием 8 строк и агрегировать оценки. Модель обучена на Python-фрагментах из набора CEVuD, основанного на CVEfixes. Классификатор консервативен: при пороге 0,5 полнота на тесте CVEfixes составляет 20,7%, поэтому он пропускает многие уязвимости и не подходит как единственный источник вердикта. Производительность для других языков и устойчивость к специально сформированному коду не проверены. Лицензия — MIT.

TimKond разработал модель diffusion-detection для классификации изображений на реальные фотографии и изображения, сгенерированные моделью. Это классификатор на архитектуре BEiT с 119,5 млн параметров, дообученный на базе BEiT-base-patch16-224-pt22k; веса представлены в форматах PyTorch и Safetensors. Модель обучалась различать изображения из подвыборки ImageNet-1k и изображения, созданные Realistic_Vision_V1.4 с использованием меток ImageNet-1k в качестве подсказок. Её можно применять для первичного выявления синтетических изображений в потоках визуального контента. Лицензия — Apache-2.0. Классификатор ориентирован на различение реальных изображений и генераций, сделанных в условиях обучения. README не сообщает результаты оценки или надёжность на изображениях, созданных другими генераторами, поэтому выводы модели следует проверять отдельно.

Карточка модели RedHatAI/granite-guardian-hap-125m на Hugging Face совпадает с карточкой ibm-granite/granite-guardian-hap-125m, поэтому описание составлено по ней. Модель IBM Research — компактный бинарный классификатор токсичности на базе RoBERTa с 12 слоями и примерно 151,8 млн параметров. Она анализирует текст на английском языке и выдаёт оценку наличия токсичного содержания, включая язык ненависти, оскорбления и ненормативную лексику. Модель предназначена для использования в качестве защитного фильтра при работе с большими языковыми моделями и для проверки текстовых фрагментов. Контекст составляет до 514 токенов. Модель распространяется по лицензии Apache 2.0. В README заявлено превосходство по средней производительности над другими моделями на восьми распространённых бенчмарках токсичности. Возможны ложноположительные и ложноотрицательные срабатывания, особенно на текстах, отличающихся от обучающих данных; классификатор может упускать нюансы смысла и наследовать смещения, характерные для обнаружения токсичности и языка ненависти.

Nandi-Mini-600M-GuardRails — компактная модель FrontiersMind для классификации безопасности текста. Она анализирует пользовательские запросы и ответы ИИ, выявляя небезопасное или нарушающее правила содержимое по нескольким категориям вреда. Модель основана на плотной архитектуре Nandi и содержит 667,2 млн параметров; поддерживает английский и хинди, работает с контекстом до 2048 токенов и предназначена для генерации текста согласно метаданным Hugging Face. Карточка описывает её как модель классификации безопасности, поэтому классификационные сценарии следует считать заявленным назначением, хотя отдельные подробности о категориях и формате разметки не приведены. Модель дообучена на раннем чекпойнте FrontiersMind/Nandi-Mini-600M-Early-Checkpoint, распространяется в формате safetensors через Transformers по лицензии Apache-2.0.

open-deepfake-detection — экспериментальная модель классификации изображений, созданная PrithivMLmods на базе Google SigLIP 2 Base Patch16 512 и дообученная для бинарного определения поддельных и подлинных изображений. Она использует архитектуру SiglipForImageClassification и обучалась на наборе OpenDeepfake-Preview. Модель предназначена для выявления изображений, сгенерированных или изменённых ИИ, проверки визуальной подлинности, предварительной модерации контента и отбора данных для наборов изображений. В карточке приведён отчёт на 19 999 примерах с точностью 94,44%; эти результаты относятся к указанной оценке и не гарантируют такую же точность на других данных. Модель принимает изображения и выдаёт метку класса «Fake» или «Real». Карточка помечает её как устаревшую и не рекомендует использовать; также модель обозначена как экспериментальная, поэтому результаты следует проверять, особенно при работе с новыми типами генерации и манипуляций. Лицензия — Apache-2.0.

PolicyGuard-4B — дообученная плотная языковая модель Rakancorle1 для обнаружения нарушений заданных правил в длительных траекториях автономных веб-агентов. Она получает текст политики вместе с описанием траектории и классифицирует её как содержащую нарушение или не содержащую его. Модель обучена на 60 тысячах пар «политика — траектория» из PolicyGuardBench; заявлены проверка траектории целиком, раннее выявление нарушений по её префиксу и обобщение между сценариями покупок, GitLab, Reddit, карт и администрирования. Модель основана на Qwen/Qwen3-4B-Instruct-2507, содержит 3,7 млрд параметров и использует архитектуру Qwen3ForCausalLM. Метаданные указывают контекст до 262 144 токенов; модель доступна в формате safetensors и работает с библиотекой Transformers. README сообщает точность 0,9014, F1 0,8759 и задержку 22,5 мс на пример в описанном бенчмарке; эти показатели относятся к заявленной авторами оценке. Лицензия — Apache-2.0. Модель специализирована на текстовой классификации траекторий и не предназначена для общего диалога или самостоятельного выполнения действий агентом.

VisionGuardrail-4B-GGUF — это мультимодальная модель для классификации изображений и модерации контента, предназначенная для задач визуальной безопасности и фильтрации потенциально нежелательных материалов. Базовую модель VisionGuardrail-4B разработала prithivMLmods, а GGUF-квантизации подготовил mradermacher. Для обучения или настройки указана коллекция ImageShield-Guardrail-Pro. Модель ориентирована на сценарии content safety, content moderation и использования в качестве multimodal guardrail или visual safety classifier. Она поддерживает работу с текстом и изображениями; заявленный язык — английский. Размер базовой модели составляет около 4 млрд параметров. Для обработки изображений требуются отдельные мультимодальные компоненты mmproj в форматах Q8_0 или F16. Размер контекстного окна и подробные характеристики архитектуры в README не указаны. Доступно несколько вариантов GGUF-квантизации — от Q2_K до Q8_0, а также версия F16. Более компактные варианты требуют меньше памяти, тогда как Q6_K и Q8_0 ориентированы на более высокое качество; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые. Ограничения модели включают отсутствие опубликованных в README метрик качества, неопределённые характеристики контекста и возможное снижение качества у низкобитных квантизаций. Модель распространяется по лицензии Apache-2.0.