II.11Кибербезопасность и приватность

Von 1.3 — открытая модель принятия решений от разработчиков проекта Von. Она дообучена на базе двунаправленного энкодера ModernBERT-large и дополнена маркерной оценочной головой. Вместо генерации текста модель за один проход энкодера выбирает вариант, проверяет условие или оценивает уровень по описаниям вариантов; стоимость прохода не зависит от числа вариантов. Репозиторий содержит веса в safetensors и отдельные файлы оценочной головы и калибровки. Модель рассчитана на классификацию и маршрутизацию запросов, проверки политик и условий, а также оценивание по заданным критериям. Она поддерживает английский язык и контекст до 8192 токенов. Лицензия — Apache-2.0. Порядок вариантов не влияет на их оценки. Калибровка уверенности обучена на публичной части JevBench и может плохо переноситься на другие данные; для рабочих сценариев с использованием уверенности рекомендуется перекалибровка на собственных метках. Модель может уверенно ошибаться вне обучающего распределения, слаба на длинных многошаговых и временных или числовых рассуждениях, а проверки без заданных критериев менее надёжны. Она не предназначена для генерации текста; известный пробел обучения касается маршрутизации ошибок авторизации, ограничений частоты запросов и отклонений инструментов.

Kaan Demir разработал классификатор изображений на основе CLIP ViT-B/16, дообученный с помощью LoRA для различения реальных изображений и изображений, созданных генеративными моделями, включая Stable Diffusion, Midjourney, DALL-E и Flux. Модель принимает изображения размером 256 × 256 пикселей и выдаёт оценку вероятности класса «реальное»; предусмотрена зона неопределённости, в которой модель воздерживается от решения. В README приведены результаты на отложенной тестовой выборке: точность 0,959 и макро-F1 0,959. Это экспериментальная оценка на данных автора, поэтому качество на изображениях из других источников и новых генераторов может отличаться. Модель предназначена для выявления изображений, созданных ИИ, и не гарантирует надёжную проверку подлинности отдельного изображения. Репозиторий распространяется по лицензии MIT.

Moritz Laurer разработал DeBERTa-v3-large-zeroshot-v1 для классификации текстов без предварительно заданных классов. Модель формулирует классификацию как проверку гипотезы: определяет, следует ли утверждение из текста, используя пары меток entailment и not_entailment. Такой подход позволяет применять её к разным задачам, передавая текст и список возможных меток. Модель основана на архитектуре DeBERTa-v2 для классификации последовательностей, содержит 533,8 млн параметров и принимает тексты длиной до 512 токенов. Для обучения автор преобразовал 26 задач классификации и пять наборов данных для NLI в общий формат проверки гипотез; среди задач были анализ тональности, эмоций, токсичности, спама и тематическая классификация. Карточка указывает поддержку английского языка. Веса доступны в форматах PyTorch и safetensors. Модель предназначена только для классификации текста. Результаты зависят от формулировок кандидатных меток и входного текста; README также предупреждает о возможных смещениях из обучающих наборов данных. Для работы с некоторыми версиями Transformers может потребоваться версия 4.13 или новее. Лицензия — MIT.

Havenlon Execution Boundary — Qwen35 9B — специализированная языковая модель Havenlon для рассуждений об управлении исполнением, границах исполнения, доказательствах, политиках и управлении ИИ-агентами. Она предназначена для анализа переходов от намерения к интерпретации, авторизации, исполнению и результату, а также для выявления отклонений, которые следует обнаруживать и блокировать до необратимого действия. Модель может применяться в исследованиях безопасности ИИ-агентов, анализе рисков исполнения, толковании политик, работе с доказательствами, обсуждении архитектуры безопасности и создании прототипов процессов управления. Это плотная авторегрессионная модель семейства Qwen3.5 с архитектурой Qwen3_5ForCausalLM и 7,2 млрд параметров; она поддерживает текстовый диалог, имеет контекст до 262 144 токенов и распространяется в формате safetensors. Модель не является самостоятельной границей исполнения: README указывает, что окончательное исполнение должно контролироваться независимо применяемыми ограничениями. Она разработана для специализированных сценариев безопасности и управления, поэтому описание не подтверждает надёжность для произвольных задач. Лицензия в предоставленных данных не указана.

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.

LEMorals-Guard — созданная автором карточки LoRA-настройка Qwen3.6-35B-A3B для мультимодальной модерации контента. Она проверяет текст и изображения на вредное содержание для фильтрации обучающих корпусов и онлайн-модерации, а также для исследований защитных механизмов и согласования ценностей. Работа модели опирается на редактируемый справочник ценностей, включаемый в системный запрос, поэтому правила модерации можно менять без изменения кода. Модель диалоговая, с архитектурой Qwen3.5 MoE, и формирует структурированный вердикт: безопасен ли контент, к какой категории вреда он относится, насколько серьёзно нарушение и почему. Поддерживаются китайский и английский языки. В README приведены результаты оценки, включая F1 0,854 на отложенной выборке и повышенный охват опасного контента; при этом автор отмечает компромисс с ложными срабатываниями и склонностью к чрезмерному отказу. Для работы требуется системный запрос, сформированный из справочника ценностей, и совместимая версия Transformers. Лицензия репозитория указана как other; README предупреждает, что ограничения лицензий обучающих данных BeaverTails и ToxicChat могут ограничивать коммерческое использование.

pii-layout-synth-v10 — дообученная на неизвестном наборе данных модель answerdotai/ModernBERT-base для классификации токенов. Она предназначена для разметки последовательностей текста; название модели указывает на возможную связь с синтетическими данными о расположении персональной информации, но README не подтверждает это назначение. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и формат safetensors, работает через Transformers и поддерживает контекст до 8192 токенов. В README приведены результаты оценки: F1 0,9931, точность 0,9986, precision 0,9913 и recall 0,9949; набор данных и методика оценки не раскрыты. Лицензия — Apache-2.0.

AMAImedia выпустила эту версию в рамках платформы автоматизации многоязычного дубляжа NOESIS. Это доработанная копия gorbatjovy/Qwen3.8-27B-Cold-Fusion-GAIN-V1.1-heretic: согласно карточке, из неё удалено поведение отказа методом Heretic, а исходные возможности унаследованы от дообученной модели Qwen3.8-27B. Модель использует плотную архитектуру Qwen3.5 для условной генерации и принимает текст и изображения, выдавая текст; сохранена также голова MTP для спекулятивного декодирования. В репозитории представлены веса BF16 в формате Safetensors, для которых README указывает размер около 56 ГБ. Карточка описывает применение для анализа механизмов отказа, red teaming и оценки устойчивости. По приведённому в README тесту Heretic модель отказала в 8 из 100 вредоносных запросов при KL-дивергенции 0,0315 относительно базовой версии; это внутренняя метрика с классификатором ключевых слов. Утверждение карточки о неизменности понимания изображений относится к сохранённой башне зрения. Модель распространяется по лицензии Apache 2.0. Поскольку поведение безопасности удалено, она может выполнять вредоносные запросы; для пользовательского развёртывания нужны отдельные меры безопасности и модерации.

SIDA-13B-description — модель на архитектуре LLaVA, дообученная на базе SIDA-13B для создания текстовых объяснений при работе с изображениями. Она предназначена для сценариев, где нужно пояснить обнаружение или локализацию изменённых и поддельных областей; для воспроизведения результатов обнаружения и локализации автор рекомендует использовать базовую SIDA-13B. Модель содержит 12,9 млрд параметров, принимает изображения и текст, а контекст составляет 4096 токенов. В обучающих данных SID_Set представлены реальные, изменённые и полностью синтетические изображения. Карточка указывает английский язык. Лицензия — Llama 2.

protectai/unbiased-toxic-roberta-onnx — модель для классификации токсичности текстов, представляющая собой конверсию unitary/unbiased-toxic-roberta в формат ONNX с использованием библиотеки Hugging Face Optimum. Исходную модель разработала Laura Hanu из Unitary. Проект protectai/llm-guard архивирован и больше не поддерживается. Модель предназначена для анализа комментариев и выявления токсичного, агрессивного, оскорбительного или угрожающего содержания, в том числе в сценариях фильтрации пользовательского контента и защиты LLM-приложений. Она обучалась на данных трёх соревнований Jigsaw: Toxic Comment Classification, Jigsaw Unintended Bias in Toxicity Classification и Multilingual Toxic Comment Classification. Поддерживается английский язык; README не содержит сведений о размере модели, длине контекста, точной архитектуре базовой RoBERTa или фактической поддержке многоязычного режима. В зависимости от задачи доступны метки toxic, severe_toxic, obscene, threat, insult, identity_hate или identity_attack, sexual_explicit, а также дополнительные идентичности, упоминаемые в комментариях. Модель предоставляет категории от «Very Toxic» до «Not Toxic» и может запускаться через Optimum, ONNX Runtime и Transformers. Важное ограничение — результаты Hugging Face-модели могут отличаться от результатов библиотеки Detoxify. Лицензия Apache-2.0.

UrbanAnonymizer — модель Мехмета Керема Туркджана из Columbia University для автоматического сокрытия лиц и автомобильных номерных знаков на уличных изображениях и видео. Она обнаруживает оба типа объектов одним детектором D-FINE-X на базе HGNetv2-B5. Модель обучена на 119 тысячах изображений из пяти открытых наборов данных; для неё доступны веса PyTorch и экспорт ONNX, а также путь сборки для TensorRT 11. Для видео README описывает отдельный офлайн-трекер, который связывает детекции вперёд и назад во времени и заполняет короткие пропуски обнаружения, чтобы маска сохранялась между кадрами. Внешние тесты показывают высокую точность обнаружения на UFDD и PP4AV; на A100 заявлена скорость 39 кадров в секунду для видео 1080p. Модель предназначена для анонимизации уличных материалов, однако пропуски объектов и чрезмерное покрытие масками остаются возможными, а тестовые данные частично связаны по источникам с обучающими. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Albert Moderation 001 — англоязычная модель классификации текста, разработанная Oxygen (oxyapi) при участии TornadoSoftwares. Она дообучена на distilbert/distilbert-base-uncased и предназначена для быстрой модерации пользовательского текста по 11 категориям: домогательства и угрозы, сексуальный контент, ненависть и угрозы, самоповреждение, контент о несовершеннолетних, насилие и графическое насилие. Модель построена на DistilBERT, использует архитектуру классификации последовательностей и принимает текст; максимальная длина контекста — 512 токенов. Компактный размер модели рассчитан на быстрый вывод с меньшими вычислительными затратами. Она подходит для предварительной фильтрации контента и автоматической маршрутизации потенциально вредных сообщений на проверку. Модель распространяется по лицензии Apache-2.0.

DGPL Linux Assistant 0.8B — компактный диалоговый помощник для Linux и DevSecOps, разработанный командой DevSecOps and AI Systems компании Durbhasi Gurukulam Private Limited. Это дообученная модель Qwen3.5-0.8B с плотной архитектурой Qwen3_5ForConditionalGeneration; репозиторий содержит версии GGUF в нескольких вариантах квантизации и веса safetensors. Модель предназначена для генерации команд bash, диагностики Linux без интерактивного взаимодействия и первичного разбора системных журналов. Она также поддерживает анализ снимков экрана терминала и OCR диагностику логов. В карточке заявлена работа на CPU и обычном оборудовании, включая быстрый режим выдачи команд; отдельно описан сценарий использования через Ollama. Лицензия — GPL-3.0. Это небольшая модель, поэтому сложные многоэтапные диагностики и команды, затрагивающие систему, требуют проверки человеком. README не приводит тестовых результатов, подтверждающих скорость или точность заявленных возможностей.

Модель leomaurodesenv/distilbert-base-uncased-trustairlab-jailbreak-augmented — дообученная англоязычная модель DistilBERT для классификации текста. По названию репозитория она связана с выявлением jailbreak-запросов, однако README не раскрывает назначение меток и состав обучающих данных, поэтому конкретные классы классификации подтвердить нельзя. Модель построена на DistilBertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. В README указаны результаты на оценочной выборке: accuracy 0,9595 и loss 0,1294; состав выборки и методика оценки не описаны. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

Модель nahiar/hatespeech-abusive-xlm-roberta-v1 — дообученная Nahiar модель XLM-RoBERTa для многометочной классификации текстов из социальных сетей. Она одновременно выявляет hate speech и оскорбительную лексику, допуская присвоение обеих меток одному тексту. Архитектура — XLMRobertaForSequenceClassification, размер — 305,2 млн параметров, контекст — до 514 токенов; модель распространяется в формате safetensors и рассчитана на работу через Transformers. Модель предназначена для модерации контента, систем безопасности и мониторинга пользовательских публикаций, включая неформальные и шумные тексты. Заявлена поддержка индонезийского, английского, малайского и ряда региональных языков Индонезии; в README приведены метрики проверки, но их значения могут зависеть от разбиения данных и порога классификации. Лицензия — Apache-2.0. Классификация ограничена двумя метками: hate speech и abusive language. Модель не определяет конкретную цель ненависти или защищённый признак, может ошибаться на сарказме и требует проверки человеком перед применением решений с юридическими или политическими последствиями.

Laya-English-LiteRT — англоязычная версия модели Laya от Convai Innovations, подготовленная сообществом LiteRT для запуска на Android GPU и NPU. В основе лежит ModernBERT-large с классификационными головами Laya; репозиторий также содержит отдельную дообученную версию typed-decisions для четырёх сценариев: обслуживания клиентов, обработки счетов, анализа инцидентов безопасности и наблюдаемости трасс агентов. Модель принимает текст или JSON-состояние и отвечает на заданные во время запроса типизированные вопросы: выбирает один из вариантов, оценивает по порядковой шкале или выдаёт вероятность ответа «да/нет». README описывает варианты с окном 256 и 512 токенов и сообщает о проверке графов на Samsung Galaxy S26; результаты производительности на других Android GPU и NPU не подтверждены. Для запуска требуется приложение или собственная интеграция: пакет не содержит готового приложения, а графы этой версии принимают строки эмбеддингов, поэтому токенизацию и поиск эмбеддингов выполняет хост. Это конверсия и упаковка дообученной модели в формате TFLite для LiteRT; лицензия — Apache-2.0. Модель рассчитана на английские данные и не предназначена для мультиязычных сценариев. Замеры и точность, приведённые в карточке, относятся к указанной конфигурации устройств и LiteRT.

Falconsai/nsfw_image_detection — модель классификации изображений на основе Vision Transformer (ViT), разработанная Falconsai и дообученная на базе google/vit-base-patch16-224-in21k. Она различает два класса: обычное изображение и NSFW-контент. В карточке указано, что обучение проводилось на наборе из 80 тысяч изображений; архитектура ViT использует изображения размером 224×224 пикселя. Модель рассчитана на автоматическую фильтрацию изображений в системах модерации и безопасности контента. Модель принимает изображение и выдаёт метку класса. Она подходит для первичной сортировки и фильтрации, но предсказания могут ошибаться, поэтому для чувствительных решений нужна проверка качества на целевых данных и подходящий порог классификации. Лицензия — Apache-2.0.

Opus Moderation 2 — разработанная opus-research многометочная модель классификации текста для модерации контента. Это дообученная на answerdotai/ModernBERT-base encoder-only модель ModernBERT объёмом 149 млн параметров с контекстом до 8192 токенов. Она оценивает семь категорий токсичности и оскорбительного содержания, а также выявляет попытки jailbreak в одном чекпойнте. Модель обучена на данных Civil Comments, Toxic-Chat, jailbreak-classification и вручную составленных безопасных примерах с потенциально вредной лексикой; для многометочного вывода следует применять sigmoid, а не softmax. Лицензия — Apache-2.0. Модель предназначена для классификации текстов модерации и может использоваться как дополнительный выходной фильтр для чат-моделей или для выявления токсичности и jailbreak-попыток. В сравнительном тесте авторов она показала 99% полноты обнаружения jailbreak, но этот показатель получен на наборе без отрицательных примеров. На длинных безвредных запросах классификатор часто срабатывает ошибочно: при пороге 0,5 ложноположительная доля составила 49,5%, а при 0,7 — 42,8%.

Ornith-1.5-9B-uncensored-MLX-6bit — текстовая генеративная модель на базе Ornith-1.5-9B, преобразованная и подготовленная Robert Ressl. Модель распространяется в формате MLX для устройств Apple Silicon и предназначена для запуска через mlx-lm. Версия получена методом abliteration с тремя проходами biprojection и последующим 6-битным квантованием; размер составляет около 6,8 ГБ. Модель ориентирована на генерацию текста, а также на задачи security research, red-teaming и penetration testing, где требуется сниженный уровень отказов по сравнению с исходной моделью. Она поддерживает английский язык и имеет заявленный контекст до 262 144 токенов. Мультимодальная vision tower базовой модели в MLX-сборку не подключена, поэтому эта версия работает только с текстом. К сильным сторонам относятся запуск на Apple Silicon, большой контекст, совместимость с mlx-lm и существенно сниженная частота жёстких отказов на вредоносных запросах. При этом сохраняются отдельные завуалированные отказы, а квантование может усиливать остаточные отказы; приведённые подробные показатели отказов относятся преимущественно к NVFP4-сборке того же master, тогда как для MLX подтверждена отдельная проверка 4-битной версии. Результаты не следует трактовать как гарантию поведения во всех сценариях. Лицензия MIT унаследована от базовой модели Ornith; исходная модель разработана командой Ornith, а abliteration, конвертацию и валидацию выполнил Robert Ressl.

ReasonShield — мультимодальный классификатор безопасности и модерации на основе политики, разработанный ProCreations и дообученный на Shieldstral 1.0 3B. Модель принимает запрос, инструкцию и документ для оценки; может анализировать текст, изображения, OCR и сочетания изображения с подписью. Она выдаёт краткое резюме решения, затем вердикт «yes» или «no». Для совместимого с Shieldstral однотокенного оценивания используется исходный системный запрос базовой модели. Модель семейства Mistral3 с плотной архитектурой и 3 млрд параметров поддерживает английский, французский, испанский, немецкий, итальянский, португальский, нидерландский, китайский, японский, корейский, арабский и русский языки. В обучении использованы 200 тысяч размеченных примеров, в том числе 40 тысяч визуальных; заявленный рабочий диапазон контекста — до 32 768 токенов. По опубликованным оценкам ReasonShield улучшает результаты базовой модели на части текстовых, мультиязычных и визуальных проверок, хотя качество зависит от политики и порога классификации. Модель подходит для проверки пользовательского контента и изображений на соответствие заданным правилам. Резюме решения может быть убедительным даже при неверном вердикте, поэтому пороги следует проверять на собственных данных, а значимые решения — оставлять на проверку человеку. Модель распространяется по лицензии Apache-2.0.

RePolicy-4B — языковая модель для проверки безопасности действий ИИ-агентов, разработанная на базе Qwen/Qwen3-4B-Instruct-2507. Она получает траекторию действий агента и названия доступных политик, выбирает подходящую политику, запрашивает её положения через вызов инструмента get_policy, а затем выдаёт обоснование и итоговую оценку безопасности траектории. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и работает с контекстом до 262 144 токенов. Она дообучена методом SFT на PolicyTraj-20K, затем обучена с GRPO и вознаграждением за выбор политики и точность оценки безопасности. Модель предназначена для англоязычной проверки траекторий агентов по библиотеке политик; карточка сообщает результаты на шести офлайн-бенчмарках безопасности агентов. Для работы нужен двухэтапный сценарий с поддержкой вызова инструмента: после запроса политики необходимо передать модели текст её положений. Лицензия — Apache-2.0. Модель предполагает, что в библиотеке есть применимая политика, выбирает одну основную политику за раз и требует дополнительного шага вывода; качество обоснования отдельно не гарантировано проверенными вознаграждениями.

aufklarer/WeSpeaker-ResNet34-LM-MLX — совместимое с MLX преобразование модели WeSpeaker ResNet34-LM, подготовленное для Apple Silicon. Модель на архитектуре ResNet34 содержит около 6,6 млн параметров и преобразует аудио в 256-мерные L2-нормализованные эмбеддинги голоса. Веса конвертированы из pyannote/wespeaker-voxceleb-resnet34-LM; при преобразовании BatchNorm объединён со слоями Conv2d. Модель обучена на VoxCeleb и предназначена для верификации говорящего и диаризации: эмбеддинги можно использовать для сравнения голосов и группировки фрагментов по говорящим. На вход подаются лог-мел спектрограммы с 80 fbank-признаками при частоте дискретизации 16 кГц, на выходе — векторы признаков. Это не модель распознавания речи и она не генерирует транскрипты. Репозиторий распространяется по лицензии MIT.

CapCheck AI Image Detection — модель компьютерного зрения, разработанная CapCheck на основе dima806/ai_vs_real_image_detection и архитектуры Vision Transformer ViT-Base от Google. Она предназначена для бинарной классификации изображений: определения, является ли изображение реальной фотографией или синтетическим изображением, созданным с помощью ИИ. Основные сценарии применения включают модерацию контента, проверку подлинности изображений, исследовательские и образовательные задачи. Модель содержит около 86 млн параметров и принимает изображения размером 224×224 пикселя. Она обучена на датасете CIFAKE и работает в режиме image-classification с метками Real и Fake. В README не указаны поддерживаемые языки, поскольку модель анализирует изображения, а не текст. Для запуска можно использовать библиотеку Transformers и стандартный pipeline image-classification. Модель может быть полезна как базовый инструмент предварительной проверки, однако её точность на современных генераторах, включая Flux, Midjourney v6, DALL-E 3 и Stable Diffusion 3, может отличаться от результатов на обучающих данных. Ограничения также включают возможное снижение точности для сильно сжатых или небольших изображений, новых генераторов и некоторых сложных визуальных случаев. Результаты не следует использовать без человеческой проверки для правоприменения или других решений с серьёзными последствиями. Модель распространяется по лицензии Apache 2.0.

Модель dima806/ai_vs_human_generated_image_detection — дообученная версия Vision Transformer (ViT) для классификации изображений на созданные человеком и сгенерированные ИИ. Она предназначена для проверки происхождения отдельного изображения и первичного отбора подозрительных изображений. Модель содержит 113,2 млн параметров, построена на базе google/vit-base-patch16-224-in21k и распространяется в формате Safetensors для библиотеки Transformers. В отчёте README указаны точность 97,87% и метрики на тестовой выборке примерно из 8 тысяч изображений. Эти результаты относятся к данным, использованным при оценке: карточка предупреждает, что обучающая выборка собрана примерно год назад, а новые генераторы изображений могут заметно снизить качество из-за изменения распределения данных. Для актуального применения рекомендуется переобучение на свежих размеченных примерах. Лицензия — Apache-2.0.

ExpGuard (7B) — модель модерации контента, разработанная командой 6rightjade на основе Qwen/Qwen2.5-7B и дообученная на наборах данных безопасности. Она выявляет вредоносные запросы пользователей и небезопасные ответы языковых моделей, уделяя особое внимание финансовой, медицинской и юридической тематике. Модель также предназначена для оценки безопасности других LLM в этих областях. Карточка сообщает о сильных результатах на тестах классификации вредоносности запросов и ответов. Модель работает с текстом на английском языке; в Hugging Face она опубликована для генерации текста и поддерживает диалоговый режим. Лицензия — Apache 2.0. Автоматические решения модели могут быть ошибочными, поэтому её следует использовать как часть более широкой системы безопасности.

ImageShield-MMCF-0.8B — мультимодальная модель-классификатор для проверки визуального контента на безопасность. Её разработал автор prithivMLmods на основе Qwen/Qwen3.5-0.8B, дообучив примерно на 28 000 примерах фильтрации контента. Модель принимает изображения и текстовые инструкции, а результат выдаёт в структурированном JSON с описанием изображения, меткой Safe/Unsafe и обоснованием. Модель предназначена для модерации изображений, обнаружения NSFW и другого потенциально чувствительного визуального контента, а также для исследований систем безопасности и разработки фильтров. Она использует консервативный порог и при неоднозначности склонна выбирать более безопасную классификацию. Репозиторий содержит веса safetensors, модель построена на архитектуре Qwen3.5 и распространяется по лицензии Apache-2.0. Это экспериментальный выпуск: возможны ошибочные и нестабильные классификации. Модель может как ошибочно помечать безопасные изображения, так и пропускать небезопасный контент; результат зависит от качества изображения, контекста и инструкции и не является окончательным юридическим или экспертным заключением.

ImageShield-MMCF-2B — мультимодальный классификатор безопасности визуального контента от prithivMLmods, дообученный на базе Qwen/Qwen3.5-2B. Модель принимает изображения и предназначена для классификации их как безопасных или небезопасных, особенно для выявления чувственного контента NSFW и других потенциально чувствительных сцен. Модель формирует структурированный ответ JSON с подписью изображения, меткой классификации и объяснением. В обучении использовалось около 28 тысяч примеров guardrail-разметки; консервативная политика склоняет классификацию к небезопасной при неоднозначности. Архитектура — плотная Qwen3.5 для генерации текста по изображению; карточка указывает английский язык. Распространяется в формате Safetensors по лицензии Apache-2.0. Выпуск экспериментальный: возможны нестабильные ответы и артефакты рассуждений. Модель допускает как ложные срабатывания на безобидном контенте, так и пропуск небезопасных изображений; результат зависит от качества изображения, контекста и инструкции и не является окончательным юридическим или безопасностным заключением.

Mezzo Content Guard v1.5 Small — англоязычная модель модерации текста, разработанная RyanStudio. Она дообучена на базе энкодера Ettin Encoder 68M с архитектурой ModernBERT и классифицирует текст по категориям hate speech, self-harm, sexual, toxic и violence. Модель содержит 68,1 млн параметров, принимает последовательности длиной до 7 999 токенов и доступна в форматах Safetensors и ONNX. Для агрегации представлений используется mean pooling; карточка сообщает, что серия обучена на размеченных примерах с дополнительной очисткой данных в версии 1.5. Модель предназначена для фильтрации пользовательского контента и выявления потенциально вредных сообщений. В опубликованных бенчмарках Small показывает F1 0,8366 при пороге 0,5; изменение порога позволяет менять баланс точности и полноты. Модель ориентирована на английский язык и может хуже работать с другими языками, современной разговорной лексикой и обходами фильтров. Разметка данных выполнялась с помощью других моделей, поэтому их ошибки могут отражаться в предсказаниях; также возможно чрезмерное срабатывание на упоминаниях маргинализированных групп. Лицензия — Apache-2.0.

Ornith-1.0-9B-uncensored-GGUF — GGUF-версия модели Ornith-1.0-9B, разработанной deepreinforce-ai и преобразованной в GGUF с помощью llama.cpp. Модель создана на основе Qwen3.5-VL 9B и дополнительно подвергнута abliteration с использованием Heretic v1.4.0, что уменьшает исходное поведение отказа отвечать на запросы, связанные с кибербезопасностью. Архитектура указана как Qwen3_5ForConditionalGeneration с текстовыми и визуальными компонентами; поддерживаются текст и изображения, заявлен английский язык. Модель предназначена для программирования и рассуждений, а также для исследований в области информационной безопасности, red teaming, penetration testing, CTF и разработки защитных инструментов. В README отдельно отмечена ориентация на offensive-security сценарии, включая reverse shell, keylogger, ransomware PoC, автоматизацию SQL-инъекций и генерацию shellcode. По данным авторов, доля отказов на тестах offensive-security снижена с 31 до 4 процентов при заявленном небольшом изменении качества. Доступны варианты квантования Q4_K_M размером 5,3 ГБ, Q6_K размером 6,9 ГБ, Q8_0 размером 8,9 ГБ и F16 размером 17 ГБ; рекомендован Q4_K_M как баланс размера и качества. Для корректного применения шаблона диалога в llama.cpp требуется параметр --jinja. Ограничения включают отсутствие гарантий безопасности при снижении отказов и потенциальный риск злоупотребления; авторы прямо предупреждают не использовать модель во вредоносных целях. Лицензия указана как other, без дополнительных условий в README.

shieldgemma-2b-IMat-GGUF — GGUF-квантизированная версия модели google/shieldgemma-2b, разработанной Google. Это текстовая decoder-only языковая модель семейства Gemma 2 примерно с 2 млрд параметров, предназначенная не для общего диалога, а для модерации безопасности содержимого. Она классифицирует пользовательские запросы и ответы моделей по категориям сексуально откровенного, опасного, дискриминационного и оскорбительного контента, возвращая оценку в формате, начинающемся с «Yes» или «No». Модель работает с текстом и ориентирована на английский язык. Репозиторий legraphista содержит преобразование исходной модели в GGUF с использованием llama.cpp и imatrix-квантизации. Доступны варианты от 1- и 2-битных до 8-битных, а также BF16/FP16; это позволяет запускать модель локально с меньшими требованиями к памяти, но более агрессивное квантование может снижать качество. Для оптимальной работы требуется специальный шаблон запроса с описанием политики безопасности; результаты чувствительны к формулировке этой политики, а доступные наборы оценки могут недостаточно отражать реальные сценарии и языковые нюансы. Исходная модель распространяется с открытыми весами на условиях Gemma Terms of Use; также применяются политики запрещённого использования Google. Квантизированный репозиторий указывает лицензию gemma. Модель подходит для фильтрации входов пользователей и выходов генеративных систем, но её классификации не следует считать безошибочными, особенно в неоднозначных или контекстно-зависимых случаях.