II.11Кибербезопасность и приватность

ShieldGemma 9B — модель модерации контента от Google на базе Gemma 2 с 9 млрд параметров. Это текстовая авторегрессионная языковая модель, дообученная для классификации нарушений правил безопасности в четырёх категориях: сексуально откровенный контент, опасные материалы, язык ненависти и травля. Модель принимает текстовый запрос, оформленный по заданному шаблону и содержащий проверяемый текст и описание политики безопасности. Она предназначена для фильтрации пользовательских запросов, ответов модели или обоих типов содержимого и выдаёт текстовый ответ, начинающийся с «Yes» или «No», о соответствии указанной политике. Поддерживается английский язык; веса доступны в формате safetensors для Transformers. Качество классификации чувствительно к формулировке правил, а неоднозначные и тонкие языковые случаи могут обрабатываться непредсказуемо. Доступные бенчмарки ограничены и могут не отражать реальные сценарии. Использование регулируется условиями Gemma и политиками Google по запрещённому использованию.

VisionGuardrail-9B-GGUF — это мультимодальная модель-классификатор для визуальной безопасности и модерации контента, разработанная на базе prithivMLmods/VisionGuardrail-9B. Квантованные файлы GGUF подготовлены mradermacher. Модель предназначена для анализа изображений и, вероятно, связанного с ними текстового ввода в сценариях фильтрации и обеспечения безопасности мультимодального контента; в README также указаны поддержка JSON и интеграция с Transformers и text-generation-inference. Модель имеет размер 9B параметров в исходной версии, поддерживает английский язык и мультимодальный ввод. Для обработки изображений требуется дополнительный мультимодальный модуль mmproj, доступный в вариантах Q8_0 и f16. Опубликованы версии с разными уровнями квантования GGUF: от Q2_K до Q8_0, а также f16; размеры файлов составляют примерно от 3,9 до 18 ГБ без учёта или с учётом соответствующего мультимодального дополнения. В README рекомендуются варианты Q4_K_S и Q4_K_M как быстрые, а Q8_0 отмечен как вариант с лучшим качеством. Сильными сторонами являются мультимодальность, ориентация на content safety и возможность локального запуска в различных форматах квантования. Ограничения включают отсутствие подробных сведений о конкретных категориях модерации, метриках качества, максимальной длине контекста, архитектуре и поддерживаемых языках помимо английского; weighted/imatrix-квантизации на момент публикации не указаны. Модель распространяется по лицензии Apache-2.0.

WeSpeaker-ResNet34-LM-CoreML — это конвертированная версия модели WeSpeaker ResNet34-LM, предназначенная для работы на Apple Neural Engine через CoreML. Модель основана на архитектуре ResNet34 со статистическим pooling и содержит около 6,6 млн параметров. Конверсию выполнил автор репозитория aufklarer на базе исходной модели pyannote/wespeaker-voxceleb-resnet34-LM. Модель принимает 80-канальные log-mel-спектрограммы аудио с частотой дискретизации 16 кГц и формирует 256-мерные L2-нормализованные embeddings говорящего. Эти векторы подходят для верификации личности по голосу, диаризации и сравнения голосов с использованием, например, косинусного сходства. Слияние BatchNorm со слоями Conv2d выполнено во время конвертации. README не указывает поддерживаемые языки и размер контекста, поэтому эти характеристики неизвестны. Лицензия — MIT.

haywoodsloan/ai-image-detector-dev-deploy — модель классификации изображений, разработанная с помощью AutoTrain и дообученная на базе haywoodsloan/ai-image-detector-deploy. Она использует архитектуру SwinV2 и содержит 132,1 млн параметров. По названию модели и описанию базовой модели предназначена для определения, было ли изображение создано ИИ. Модель принимает изображения и выдаёт результат классификации. В README приведены метрики валидации: F1 0,988, точность 0,981, полнота 0,993, AUC 0,995 и accuracy 0,981; эти показатели относятся к использованному набору данных и не гарантируют аналогичное качество на других изображениях. Модель распространяется по лицензии Apache-2.0.

Hate-speech-CNERG/dehatebert-mono-arabic — модель для выявления разжигающих ненависть высказываний на арабском языке. Её разработчики дообучили многоязычную модель BERT на арабоязычных данных; архитектура классификатора — BertForSequenceClassification, размер — 194,6 млн параметров, контекст — до 512 токенов. Модель предназначена для классификации арабских текстов по признаку hate speech и подходит для анализа пользовательских публикаций и других текстовых сообщений. В README сообщается, что лучший результат на валидации составил 0,877609 при learning rate 2e-5; метрика не уточнена. Доступны версии PyTorch и Flax. Лицензия — Apache-2.0.

Gemma-SEA-Guard-12B-2602 — модель с открытыми весами, разработанная AI Products Pillar компании AI Singapore при финансировании Национального исследовательского фонда Сингапура. Это дообученная на 1 млн пар инструкций версия мультимодальной Gemma 3 12B IT: плотная decoder-модель с поддержкой чата и изображений и контекстом 128 тыс. токенов. Модель предназначена для классификации безопасности: на текстовый запрос она должна отвечать меткой «safe» или «unsafe». Она обучена учитывать культурный контекст стран Юго-Восточной Азии; авторы также оценивали классификацию безопасности по тексту и изображению. Модель поддерживает бирманский, английский, индонезийский, малайский, тагальский, тамильский, тайский и вьетнамский языки. Ответы генеративной модели могут быть ошибочными, необоснованными или неуместными, поэтому классификацию следует перепроверять, а результаты не считать окончательным решением без дополнительной проверки человеком. Для использования весов указана лицензия Gemma.

mapo80/mmbert-small-aliasit-32k — это компактный мультиязычный энкодер на архитектуре ModernBERT, созданный на основе jhu-clsp/mmBERT-small. Разработчик сократил словарь токенизатора до 32 768 токенов по сбалансированной выборке документов на шести языках, уменьшив число параметров с 140,9 млн до 55 млн. Модель поддерживает контекст до 8 192 токенов и распространяется в формате safetensors по лицензии MIT. Это стартовый backbone для последующего дообучения, в частности для извлечения персональных данных из итальянских текстов. Сам чекпойнт не обучен распознавать PII и не является готовой моделью NER: README описывает его как основу для aliasit-pii-edge. Сокращённый словарь сохраняет 98,088% токенов обучающей выборки; для структурированных идентификаторов после сокращения может возрастать фрагментация. Карточка Hugging Face указывает задачу fill-mask, однако основное заявленное назначение чекпойнта — служить backbone для токен-классификатора.

leomaurodesenv/nli-MiniLM2-L6-H768-jailbreakv-28k-augmented — дообученная модель семейства RoBERTa на основе cross-encoder/nli-MiniLM2-L6-H768. Она предназначена для классификации текста; базовая модель определяет логическое отношение между парой предложений и поддерживает классификацию без отдельного обучения на каждом наборе меток. Модель содержит 95,2 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате safetensors. Название указывает на настройку для выявления jailbreak-запросов, однако README не описывает обучающие данные, метки или предполагаемый сценарий применения, поэтому эту специализацию нельзя подтвердить. Указанная в карточке точность 0,9982 относится к оценочному набору, сведения о котором отсутствуют, и сама по себе не гарантирует качество на других данных. Лицензия — Apache-2.0.

Ateeqq/nsfw-image-detection — модель классификации изображений, созданная дообучением Google SigLIP 2 Base Patch16-224 на пользовательском наборе данных из трёх категорий. Она относит изображение к одному из классов: насилие и кровопролитие, нагота и порнография, безопасный обычный контент. Модель предназначена для модерации изображений и фильтрации контента в системах безопасности. Модель использует архитектуру SigLIP и библиотеку Transformers; для весов указан формат safetensors. В README приведены результаты обучения до пятой эпохи и пример предсказания с оценками уверенности. Лицензия — Apache-2.0. Описание не приводит сведений о точности на независимых данных, поэтому метрики из карточки не гарантируют аналогичное качество в других сценариях.

Opus Moderation 1 — англоязычный классификатор модерации текста от opus-research, дообученный на answerdotai/ModernBERT-base. Модель на 149 млн параметров использует архитектуру ModernBERT для классификации последовательностей и выдаёт семь оценок токсичности и оскорбительного содержания, а также оценку попыток jailbreak. Контекст модели — до 8192 токенов, однако обучение проводилось на последовательностях длиной 192 токена, а длинные входы обрезаются. Модель предназначена для автоматической проверки комментариев и сообщений, выявления токсичности, угроз, оскорблений, атак на идентичность и попыток обхода ограничений LLM. Она обучалась на Civil Comments с мягкими метками доли голосов аннотаторов и на Toxic-Chat с метками jailbreak. На отложенных данных качество различается по меткам: например, F1 для токсичности составляет 0,694, а для оскорблений — 0,706. По заявленным проверкам, доля ложных срабатываний на реальных безвредных комментариях с упоминанием идентичности составила 3%. Модель распространяется под лицензией Apache-2.0. Карточка помечает её как заменённую версией Opus Moderation 2 и рекомендует v2 для обычного использования. Ограничения включают ненадёжную метку severe_toxicity (F1 0,10), полноту обнаружения jailbreak 0,50 при пороге 0,5, остаточную предвзятость к отдельным упоминаниям идентичности и ожидаемое снижение качества вне английских комментариев и чатов.

ressl/Ornith-1.5-9B-uncensored-GGUF — это версия языковой модели Ornith-1.5-9B, разработанной командой Ornith и доработанной Robert Ressl. Модель предназначена для генерации текста и локального запуска через llama.cpp в сценариях исследований безопасности, red-teaming и penetration testing. Она создана методом abliteration с тремя проходами biprojection, что существенно снижает количество жёстких отказов на вредоносных запросах по сравнению с базовой моделью. Модель распространяется в формате GGUF с вариантами BF16, Q8_0, Q6_K, Q5_K_M и Q4_K_M; размеры файлов составляют примерно от 5,8 до 18,4 ГБ. Также доступен файл mmproj BF16 размером около 0,92 ГБ. Заявленная длина контекста — 262 144 токена, однако в этой публикации модель обслуживается с контекстом до 131 072 токенов. Указан английский язык. Для запуска рекомендуется llama.cpp; README подтверждает работу с llama-server и CUDA. Сильной стороной модели является высокая готовность отвечать на запросы, которые стандартная версия обычно отклоняет: в указанной оценке частота жёстких отказов снизилась с 767 до 20 из 1120 запросов для родственного NVFP4-варианта и составила 101 из 1120 для Q4_K_M. При этом квантование усиливает остаточные отказы, а Q4_K_M иногда демонстрирует ошибочную самопрезентацию, хотя проверки математики, общих знаний и кода проходят успешно. Модель не предназначена для безусловно безопасного использования и требует ответственного применения. Модель распространяется по лицензии MIT, унаследованной от Ornith. Базовая модель принадлежит команде Ornith, а abliteration, конвертацию в GGUF и валидацию выполнил Robert Ressl.

PrERT-CNM v4 PrivacyBERT — модель классификации последовательностей на базе архитектуры BERT, подготовленная JayNightmare из локального чекпойнта PrivacyBERT для рабочего процесса privacy/CNM. Она относит текст к одной из меток: user, system или organization, и может применяться для классификации текстовых фрагментов в прототипах и приложениях этого направления. Модель содержит 136,7 млн параметров, принимает текст длиной до 512 токенов и выдаёт оценки классов. В карточке указан английский язык. Автор рекомендует самостоятельно проверять пригодность модели перед производственным использованием; качество может снижаться при смене предметной области, неоднозначных формулировках, длинных входах и отличающихся определениях меток. Лицензия в предоставленных данных не указана.

Qwen3.8-Flash-Next-DERISKED-BF16 — исследовательский чекпойнт Blackfrost на основе Qwen3.8-Flash-Next. Это мультимодальная гибридная модель vision-language с архитектурой Qwen4ExpForConditionalGeneration и разреженной MoE-структурой: 125 млрд параметров всего, из которых активируются 6 млрд. Веса опубликованы в BF16 в формате safetensors; модель принимает текст и изображения и поддерживает диалог и интерфейс вызова инструментов. Чекпойнт предназначен для управляемых оператором исследований безопасности и red-team-оценки. Blackfrost изменил на уровне весов склонность модели отказывать в ответах; README сообщает о 7 отказах на 300 вредоносных запросах в указанной конфигурации теста. Это измерение поведения конкретного чекпойнта, а не гарантия безопасности. Веса основаны на Qwen/Qwen3.8-Flash-Next, но README прямо указывает, что это не дообучение, слияние, адаптер или квантизация. Также в шаблон чата встроен системный prompt Qwentium, который можно заменить при обслуживании модели. Модель поддерживает мультимодальные входы и длинный контекст согласно тегам карточки, однако точные пределы контекста и список поддерживаемых языков в предоставленных данных не приведены. Для репозитория указана лицензия other; конкретные условия лицензии в материалах не раскрыты. Модель не содержит встроенных средств контроля доступа, аудита или изоляции: такие меры должен обеспечивать оператор.

Это опубликованная Geoff Munn производная модель Qwen3Guard-Stream-0.6B для потоковой классификации безопасности текста. Она анализирует поступающий текст по мере его появления и сообщает о потенциальных категориях риска, таких как насилие, ненависть, сексуальный контент, самоповреждение, незаконные действия и спам; результат может включать оценку уверенности и признак неполного входа. Модель предназначена для оперативной модерации пользовательского ввода в приложениях, в том числе на устройствах с ограниченными ресурсами. Её можно использовать для раннего предупреждения, приостановки генерации ответа или передачи безопасного текста дальше по конвейеру. В карточке описан размер 0,6 млрд параметров и формат GGUF; автор сообщает, что опубликованная конверсия не работает с llama.cpp, поэтому заявленное применение локального GGUF-инференса не подтверждено. Лицензия — Apache-2.0. По оценке автора, модель быстрая, но в неоднозначных случаях склонна к чрезмерно консервативным и ошибочным классификациям. Её выводы требуют проверки и не должны быть единственным основанием для решений о безопасности.

ScopeGuard-4B-g-2601 — компактная модель для классификации запросов по области применения ИИ-сервиса и заданным правилам безопасности. Разработчики позиционируют её как быстрый и экономичный слой контроля для корпоративных систем. По архитектуре это Gemma 3, дообученная на базе unsloth/gemma-3-4b-it-unsloth-bnb-4bit; в README также указано, что открытые модели семейства дистиллированы из закрытой scope-guard-pro-2601. Модель принимает пользовательский запрос и помогает определить, соответствует ли он разрешённым сценариям сервиса или должен быть заблокирован, перенаправлен либо передан на другой маршрут. Её предполагаемые сценарии — контроль запросов к клиентским ассистентам, предварительная проверка перед вызовом инструментов, применение пользовательских политик и классификация для мониторинга и маршрутизации. README сообщает об оценке на пяти языках, но не перечисляет их; метаданные карточки указывают английский, итальянский, французский, испанский и немецкий. Задача Hugging Face — text-classification; лицензия — gemma. ScopeGuard предназначена для решений по управлению поведением и безопасности, а не для генерации текста в свободной форме. Результаты на тестах зависят от формулировки запросов и условий оценки и могут не переноситься на другие сценарии.

ScopeGuard — компактная языковая модель для классификации запросов по области применения сервиса и заданным правилам управления ИИ. Её разработала Principled Intelligence; версия scope-guard-4B-q-2601 дообучена на базе unsloth/Qwen3-4B-Instruct-2507 и описана авторами как дистиллированная версия закрытой scope-guard-pro-2601. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3 и принимает текстовые запросы. Для неё заявлен контекст до 262 144 токенов; веса опубликованы в формате safetensors. Модель предназначена для классификации запросов на соответствующие и не соответствующие назначению сервиса, а также для применения общих и пользовательских политик безопасности. Её можно встроить в качестве предварительного фильтра для клиентских ассистентов и агентных систем, использовать перед вызовом инструментов или для маршрутизации и мониторинга запросов. Карточка описывает поддержку пяти языков, а метаданные перечисляют английский, итальянский, французский, испанский и немецкий. Авторы позиционируют компактность модели как преимущество для задержки и стоимости развёртывания, но не приводят здесь численных показателей скорости. ScopeGuard рассчитана на управляемую классификацию, а не на свободную генерацию текста. Результаты на тестах безопасности могут зависеть от формулировки запросов и условий оценки и не гарантируют аналогичного качества в других сценариях. Модель выпущена по лицензии Apache-2.0.

Модель StanfordAIMI предназначена для автоматического выявления персональных идентификаторов в радиологических и биомедицинских документах с помощью разметки последовательности токенов. Она разработана Stanford AIMI и обучена на разных радиологических и биомедицинских текстах; авторы указывают, что целились в точность, подходящую для производственного применения. Модель построена на архитектуре BERT и содержит 136,7 млн параметров. Она принимает текст на английском языке, работает с контекстом до 512 токенов и возвращает метки для токенов, что позволяет находить фрагменты, подлежащие деидентификации. Модель можно применять в конвейерах обезличивания радиологических заключений и других биомедицинских документов перед их хранением, обменом или исследовательским анализом. Репозиторий использует формат PyTorch и лицензию MIT. README ссылается на сопутствующую публикацию, но не приводит метрики качества или подробности схемы меток.

Synapse-Guard v1.1 — компактная модель классификации текста на базе BERT, разработанная Comunidade Synapse BR. Она дообучена на основе Comunidade-Synapse-BR/Synapse-Guard-v1 и предназначена для автоматической модерации текстов на бразильском португальском: модель относит сообщения к категориям нейтрального содержания, спама и токсичного контента. Её можно использовать в чат-ботах, социальных сетях, форумах и системах комментариев, в том числе при ограниченных вычислительных ресурсах. Модель содержит 6,7 млн параметров, принимает текст с контекстом до 256 токенов и выдаёт метки классификации. В README также упоминаются фильтрация взрослого контента и обнаружение мошеннических сообщений, однако указаны только три класса; отдельная метка для взрослого контента не описана. Точность может снижаться на ироничных, саркастичных, неоднозначных и очень коротких сообщениях, а также на текстах, требующих широкого контекста. Модель распространяется по лицензии Apache License 2.0.

TitaNet-Large-GGUF — преобразованная в формат GGUF версия модели nvidia/speakerverification_en_titanet_large для инференса на C/C++ через CrispASR. Это аудиомодель на основе depthwise separable Conv1D encoder и ASP decoder; она содержит 23 млн параметров и формирует L2-нормализованные векторы голоса размерности 192. Модель предназначена для извлечения голосовых эмбеддингов, регистрации образцов голоса и идентификации говорящих, в том числе во время транскрибации. Проверка показывает почти полное совпадение эмбеддингов с эталонной реализацией NeMo при подаче готовых mel-признаков; сквозное совпадение ниже из-за различий точности вычисления STFT в mel-фронтенде. Репозиторий содержит конверсию и/или квантизацию весов в GGUF без дообучения и изменения архитектуры или возможностей исходной модели. Лицензия — CC-BY-4.0; применяются условия лицензии исходной модели NVIDIA.

CapCheck AI vs Human-Generated Image Detection — модель классификации изображений на базе Vision Transformer (ViT), дообученная на модели dima806/ai_vs_human_generated_image_detection. Она относит изображение к одному из двух классов: созданное человеком или сгенерированное ИИ. В README указаны входной размер 224 × 224 пикселя и обучение на более новом наборе данных, чем CIFAKE; метаданные каталога указывают архитектуру ViTForImageClassification и 113,2 млн параметров. Модель предназначена для проверки подлинности изображений, модерации контента и исследований детектирования синтетических изображений. По README, качество может снижаться на изображениях от новых генераторов, которых не было в обучающих данных, а сильное JPEG-сжатие ухудшает результаты. Предупреждения модели не следует использовать как единственное основание для важных решений или доказательств. Модель распространяется по лицензии Apache 2.0. README описывает её как разработку CapCheck на основе работы dima806; метаданные указывают базовую модель dima806/ai_vs_human_generated_image_detection.

Bielik Guard 0.5B v1.1 — классификатор безопасности для текстов на польском языке, разработанный сообществом Bielik.AI в рамках некоммерческой организации SpeakLeash. Модель основана на польском RoBERTa-энкодере PKOBP/polish-roberta-8k, дообученном для многометочной классификации. Она содержит 443 млн параметров и возвращает оценки вероятности для категорий угроз: ненависть и агрессия, вульгарная лексика, сексуальный контент, преступная деятельность и самоповреждение. Модель предназначена для проверки пользовательских запросов и ответов, модерации контента и защиты чат-ботов. Оценки категорий можно использовать для выбора подходящего вмешательства, например ответа с ресурсами поддержки при обнаружении самоповреждения. В версии 1.1 улучшена калибровка порогов, что повышает точность срабатываний и снижает ложные тревоги. Модель распространяется по лицензии Apache-2.0. Классификатор рассчитан на польский язык и не предназначен для выявления дезинформации, попыток обхода защит или нарушений авторских прав. Возможны смещения из-за особенностей собранных сообществом данных, а качество может снижаться на пограничных случаях и новых типах контента.

Dual-Expert Vision Transformer (Defactify Balanced) — ансамблевая модель для классификации изображений и выявления изображений, созданных ИИ. Она использует двух специализированных экспертов: Guardian снижает число ложных срабатываний на настоящих фотографиях, а Hunter ищет артефакты современных генераторов диффузионных изображений. В README приведены веса экспертов для балансировки классификатора и результаты оценки на 500 примерах Defactify Test: точность по сбалансированным классам и Macro F1 составили 79%, полнота для настоящих изображений — 80%, для изображений ИИ — 78%. Заявленная задержка около 6,57 мс достигается при использовании параллельных CUDA-потоков. Модель принимает изображения и классифицирует их как реальные или созданные ИИ. Карточка указывает поддержку английского и индонезийского языков, однако задача визуальной классификации не требует текстового ввода. Модель распространяется в формате safetensors по лицензии Apache-2.0. Метрики получены на ограниченной тестовой выборке, поэтому качество на других типах изображений и генераторов может отличаться.

Owen Elliott разработал лёгкий классификатор изображений для оценки их безопасности. Модель на архитектуре SwiftFormer относится к семейству дообученных моделей SwiftFormer; в этой версии 3,5 млн параметров. Она относит изображения к классам NSFW (порнографический или откровенный контент), NSFL (кровь и жестокие сцены) и SFW (остальные изображения). Модель предназначена для быстрой проверки изображений, в том числе на устройствах с ограниченными ресурсами. Доступны веса PyTorch и ONNX; лицензия — MIT. Модель обучена на частном наборе примерно из 320 тысяч изображений из интернета, включая фотографии, рисунки, мемы и изображения, созданные ИИ. Автор сообщает о точности 97,76% на своей оценке; этот результат относится к использованному набору данных и не гарантирует такую же точность в других условиях. Класс NSFL представлен в обучающих данных значительно слабее, чем NSFW и SFW, поэтому распознавание жестоких сцен может быть менее надёжным. Модель может ошибаться, а граница между безопасным и откровенным контентом зависит от контекста.

Dipto084/Llama-3.1-8B-RedQueenGuard — исследовательская реализация защиты Red Queen Guard, разработанная как базовая модель для оценки в работе TRACE. Это дообученная методом Direct Preference Optimization (DPO) инструкционная модель Meta Llama 3.1 Instruct с 7,5 млрд параметров; веса адаптера объединены с базовыми весами. Модель принимает текст и генерирует текст, использует стандартный шаблон чата Llama 3.1, поддерживает английский язык и контекст до 131 072 токенов. Модель предназначена для диалоговых сценариев, где нужно повысить устойчивость к многоходовым jailbreak-атакам, а также для исследований и сравнительной оценки защитных методов. В описанной авторами оценке средний показатель успешности атак снизился относительно незащищённой базовой модели, однако результат заметно различался между атаками. На безвредных запросах модель чаще отказывала: средняя доля выполнения составила 78,8% против 93,0% у исходной модели. Использование возможно на базе Transformers; репозиторий содержит веса в формате safetensors, опубликованные в bf16. Лицензия — Llama 3.1. Модель не является официальным выпуском авторов Red Queen; оценочные результаты относятся к указанным в карточке тестам и не гарантируют устойчивость к другим атакам.

ModerationBERT-En-02 — англоязычная модель модерации текста от ifmain, построенная на архитектуре BERT и дообученная на базе bert-base-multilingual-cased. Она классифицирует текст по 18 категориям, включая травлю и угрозы, ненависть, самоповреждение, сексуальный контент и насилие. Модель обучалась на датасете ifmain/text-moderation-410K: сначала обучался классификационный слой при замороженных слоях BERT, затем были разморожены и дообучены верхние два слоя. Модель принимает текст и выдаёт категории модерации; архитектура репозитория — BertForSequenceClassification, размер — 205,1 млн параметров, контекст — до 512 токенов. В карточке заявлена работа только с английским языком, хотя базовая модель мультиязычная. Лицензия — Apache-2.0. Карточка не приводит метрики качества, поэтому пригодность для конкретной политики модерации следует проверять на собственных данных.

Ornith-1.5-35B-A3B uncensored (MLX) — текстовая диалоговая модель от ressl, полученная абляцией базовой Ornith-1.5-35B-A3B и конвертацией весов в формат MLX. Это сборка bf16 размером около 65 ГБ для запуска на Apple Silicon с помощью mlx-lm; архитектура относится к семейству Qwen3.5 MoE. Хотя базовая модель мультимодальна, в этой сборке используется только текстовый режим. Модель предназначена для генерации ответов в чат-сценариях, исследований безопасности, red teaming и тестирования на проникновение. Абляция заметно снижает частоту жёстких отказов на вредоносных запросах; опубликованные метрики отказов измерялись на родственной сборке NVFP4 с теми же основными весами, а не на этой MLX-сборке. Для MLX автор сообщает локальные проверки на отдельных запросах и проверки связности, но не полный бенчмарк. Модель может выдавать ответы на запросы, которые базовая версия отклоняет, поэтому требует ответственного применения. Лицензия — MIT.

Qwen3.6-35B-A3B-Uncensored-xCloud — компания xCloudinfo (云碩科技) выпустила эту модификацию Qwen/Qwen3.6-35B-A3B. Это MoE-модель с 35 млрд параметров и примерно 3 млрд активных параметров; веса опубликованы в формате safetensors. Модель предназначена для диалоговой генерации текста и снижает избыточные отказы отвечать с помощью однонаправленной abliteration: авторы сообщают, что не переобучали модель, а изменили 121 матрицу весов. Её можно применять для диалогов, исследований модерации контента, кибербезопасности и red teaming. В README авторы сообщают, что в их проверке модель выполнила 10 из 10 запросов с серьёзно вредоносным содержанием; это ограниченный тест, а не гарантия поведения во всех сценариях. Модель унаследовала мировоззренческие и позиционные особенности базовой Qwen3.6. Лицензия — Apache-2.0. Авторы рекомендуют для инференса отдельную версию в GGUF.

Это квантизированная AWQ-версия мультимодальной Qwen3.8-27B-Uncensored, подготовленная автором репозитория ddark-il на основе orcarouter/Qwen3.8-27B-Uncensored. Модель имеет плотную архитектуру Qwen3.5 с 27 млрд параметров, принимает текст и изображения и предназначена для диалогов и задач vision-language. Чекпойнт занимает 17,35 ГБ; веса квантизированы в среднем до 5 бит на параметр с разными разрядностями для отдельных модулей, включая 8-битную vision tower. Поддерживаются интерфейс вызова инструментов и нативное multi-token prediction при запуске через oMLX. Для загрузки требуется oMLX: стандартные mlx_lm и mlx_vlm могут не сохранить веса MTP и vision или некорректно обработать сдвиг нормализации. Модель унаследовала от базовой версии удалённые отказы и ориентирована на исследования безопасности ИИ, red teaming и дальнейшее дообучение. Распространяется по лицензии Apache-2.0.

agustindxm/qwen-coder-jailbreak — локальная GGUF-версия Qwen2.5-Coder-7B-Instruct, разработанная на основе модели Qwen от Alibaba Cloud. Модель обработана методом abliteration с использованием Heretic: из residual stream удалено направление, связанное с отказами, без применения LoRA или полноценного дообучения. Пакет подготовлен agusisa/agustindxm и предназначен прежде всего для исследовательских и образовательных задач. Модель ориентирована на генерацию кода, технические вопросы, исследования alignment и отказоустойчивости, red-team-тестирование с разрешения владельца системы, а также разработку детекторов и контрмер. Заявлены английский и испанский языки. Доступны файлы в формате GGUF: квантизация Q4_K_M размером 4,4 ГБ и вариант F16 размером 14,2 ГБ. Базовая модель поддерживает контекст до 32 000 токенов, однако в приведённой конфигурации Ollama установлено ограничение 8192 токена. Для работы используются llama.cpp, LM Studio или Ollama с шаблоном чата Qwen2. Среди заявленных характеристик — 96% успешных срабатываний jailbreak в тесте Heretic и небольшое расхождение с базовой моделью по KL divergence, равное 0,0339, что указывает на преимущественно сохранённое качество исходной модели. Основные ограничения — отсутствие встроенных защитных ограничений в прежнем объёме и повышенный риск небезопасных ответов; модель не рекомендуется для публичных чат-ботов без собственных фильтров, незаконной деятельности или неконтролируемого применения. Распространяется по лицензии Apache 2.0, как и базовая модель.

LLM-LAT/robust-llama3-8b-instruct — диалоговая языковая модель на базе Llama 3, опубликованная организацией LLM-LAT. Модель предназначена для генерации ответов в формате чата и обучена с применением Latent Adversarial Training для повышения устойчивости к jailbreak-запросам. Это плотная авторегрессионная модель класса LlamaForCausalLM примерно на 7,5 млрд параметров, работающая с текстом и имеющая контекст до 8192 токенов. В карточке Hugging Face используется тег text-generation и приведён пример диалогового применения через Transformers. Языковая поддержка и лицензия в доступной карточке не подтверждены, поэтому их нельзя надёжно уточнить. Модель может быть полезна для диалоговых приложений и исследований устойчивости к jailbreak-атакам. Специализация на устойчивости не гарантирует защиту от всех атак или корректность ответов. Карточка не содержит надёжной информации об условиях лицензирования.