II.11Кибербезопасность и приватность

cais/HarmBench-Mistral-7b-val-cls — классификатор валидации поведения для бенчмарка HarmBench, разработанный командой HarmBench. Он оценивает сгенерированные ответы на соответствие заданному поведению и поддерживает стандартные текстовые и контекстные сценарии, а также заявленную поддержку мультимодальных поведений. В README приведён пример сопоставления поведения с одной или несколькими генерациями. Модель построена на плотной авторегрессионной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; максимальный контекст — 32 768 токенов. Карточка сообщает о согласии с человеческими оценками 94,53% для стандартных и 90,5% для контекстных примеров в приведённой валидационной таблице. Метаданные указывают поддержку чата и формат safetensors. Модель предназначена прежде всего для оценки и фильтрации ответов в задачах аудита безопасности и измерения вредоносного поведения; её оценки не следует считать универсальным доказательством безопасности или использовать вне контекста классификации HarmBench без отдельной проверки. Лицензия — MIT. Хотя в README заявлена поддержка мультимодальных поведений, указанные архитектура и pipeline описывают текстовую генерацию, а подробности мультимодального ввода не приведены.

HateBERT — англоязычная модель на архитектуре BERT, разработанная в сотрудничестве Университета Гронингена, Туринского университета и Университета Пассау. Это BERT base uncased, дополнительно обученный на более чем миллионе публикаций из сообществ Reddit, заблокированных за нарушения правил. Модель предназначена для заполнения пропусков в тексте и может служить языковой основой для исследований и разработки систем анализа оскорбительной речи, языка ненависти и других вредоносных высказываний. Репозиторий содержит модель с 136,7 млн параметров, контекстом до 512 токенов и весами в форматах PyTorch и Safetensors. Модель обучена на материалах заблокированных сообществ Reddit, поэтому её языковое распределение может не соответствовать обычной речи и другим площадкам. Лицензия — Apache-2.0; лицензии отдельно дообученных моделей могут отличаться.

Hate-speech-CNERG/kannada-codemixed-abusive-MuRIL — модель классификации текста от команды Hate-speech-CNERG для выявления оскорбительной речи в код-смешанном каннада. Она дообучена на MuRIL на наборе данных оскорбительной речи на код-смешанном каннада и относит текст к одному из двух классов: обычный или оскорбительный. Модель построена на архитектуре BERT для классификации последовательностей, содержит 264,8 млн параметров и принимает контекст длиной до 512 токенов. Модель предназначена для анализа пользовательских сообщений и других текстов на каннада с примесью других языков, в том числе в сценариях модерации. Карточка ссылается на исследование по выявлению оскорбительной речи в индийских языках с низким объёмом ресурсов. Модель распространяется по лицензии AFL-3.0.

PinoCookie разработал LFM2.5-2.6B-Abliterated на основе LiquidAI/LFM2.5-2.6B: это версия с изменёнными весами, из которой удалена большая часть отказов на вредоносные запросы. Модель использует плотную гибридную архитектуру LFM2.5 с 30 слоями, объединяющую attention и свёрточные блоки; размер — 2,6 млрд параметров, контекст — до 131 072 токенов. Она предназначена для генерации текста в диалогах и следования инструкциям на английском языке. По описанию авторов, изменения восстановлены по опубликованной квантизованной версии и повторно применены к исходным весам; сходство с эталоном проверено с учётом шума хранения. В тесте на 55 вредоносных запросах модель отказала или не дала прямой ответ в 6 случаях, тогда как исходная модель — примерно во всех. Это делает её пригодной для изучения поведения отказов и red-teaming, но повышает риск использования для получения вредоносных инструкций. Автор отмечает остаточные различия с эталоном и отсутствие повторного полного набора бенчмарков. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

TaiwoOgun разработал MiniLM Hate Speech Detector — дообученную модель MiniLM-L12 для бинарной классификации английского текста на разжигающий ненависть и прочий контент. Модель основана на архитектуре BERT, содержит около 40 млн параметров, принимает последовательности длиной до 512 токенов и предназначена для запуска в браузере через Transformers.js. Модель обучена на HateXplain, включающем примеры из Twitter и Gab. Её можно использовать в браузерных расширениях для локального обнаружения hate speech; веса экспортированы в ONNX с квантизацией INT8 для эффективного вывода на устройстве. В README указаны macro F1 0,8302 и accuracy 0,8567. Модель рассчитана только на английский язык и не различает типы hate speech. Она может пропускать случаи, где важен контекст, и сарказм; данные из Twitter и Gab могут ограничивать переносимость на другие площадки. Лицензия — MIT.

Warlock — модель генерации текста от Audn на основе GLM-5.3. Это вариант с изменёнными весами: авторы описывают метод как abliteration, при котором удаляется направление, связанное с отказами. По карточке, дообучение и повторное обучение не проводились. Модель предназначена для диалоговой генерации и длинных рассуждений; для получения полного ответа авторы рекомендуют бюджет генерации не менее 16 тысяч токенов. Указаны формат Safetensors и тип весов BF16; модель рассчитана на загрузку через Transformers, vLLM или SGLang. Автор заявляет, что модель предназначена для авторизованного red-team-тестирования, исследований безопасности и оценки систем. В описании приведены результаты собственного бенчмарка отказов, но они не подтверждают качество на широком наборе задач. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять на странице репозитория Hugging Face. Удаление отказов повышает риск выдачи ответов на небезопасные запросы.

DuoNeural Qwen3-8B Abliterated — изменённая версия диалоговой модели Qwen3-8B с архитектурой плотной авторегрессионной языковой модели. Она генерирует текст, поддерживает режим рассуждений thinking и интерфейс вызова инструментов. Разработчик сообщает, что методом abliteration изменил проекции down_proj и o_proj во всех 36 слоях, чтобы модель чаще отвечала на запросы, которые базовая модель отклоняет. В карточке приведены параметры метода и результаты собственных тестов на небольшом наборе запросов. Модель рассчитана на исследовательские эксперименты, red teaming и творческие сценарии. Она поддерживает английский язык, имеет контекст 40 960 токенов согласно метаданным и распространяется в формате safetensors. Указана лицензия Apache-2.0. Заявленные в README размер и контекст отличаются от метаданных и здесь не используются как основные характеристики.

Swift-Qwen3.8-27B Heretic — это мультимодальная диалоговая модель на 27 млрд параметров, созданная автором репозитория акумабурн на основе UkisAI/Swift-Qwen3.8-27b и Qwen/Qwen3.8-27B. Это BF16-версия с удалённым направлением активаций, связанным с отказами: веса не дообучались, а модифицировались методом Heretic. Сохранены визуальный энкодер и голова MTP для спекулятивного декодирования; длина контекста — 262 144 токена. Модель предназначена для диалога и анализа изображений, а также для исследований интерпретируемости и безопасности, red teaming и оценки поведения моделей без отказов. В тесте автора на 100 вредоносных запросах модель не выдала жёстких отказов; при этом примерно в 26% случаев эвристика отметила мягкое перенаправление к безопасному варианту запроса. Это не является исчерпывающей оценкой безопасности или качества. Лицензия обозначена как other; автор предоставляет модель только для исследований, без гарантий и ответственности.

Модель tomh/toxigen_hatebert создана на основе работы ToxiGen: A Large-Scale Machine-Generated Dataset for Adversarial and Implicit Hate Speech Detection. Авторы исследования — Thomas Hartvigsen, Saadia Gabriel, Hamid Palangi, Maarten Sap, Dipankar Ray и Ece Kamar. Это классификатор текста на архитектуре BERT с 136,7 млн параметров и контекстом до 512 токенов, предназначенный для выявления неявных высказываний ненависти. Модель принимает текст и выдаёт результат классификации. Её можно применять для предварительного выявления неявных проявлений ненависти в пользовательских текстах и для анализа таких высказываний в исследовательских сценариях. В карточке указан английский язык; модель опубликована в формате PyTorch. Классификатор ориентирован на неявную ненавистническую речь и может не распознавать все контексты, языки и формы выражения токсичности. Лицензия в предоставленных источниках не указана.

ViHateT5-base — предобученный текстовый трансформер семейства T5 для вьетнамского языка, разработанный для исследований и задач обнаружения языка ненависти. Чекпойнт содержит 123,7 млн параметров, использует архитектуру T5ForConditionalGeneration и доступен в формате Flax; максимальная длина контекста — 512 токенов. Модель предназначена как основа для дообучения на прикладных задачах, особенно для обнаружения языка ненависти во вьетнамских текстах. В качестве предобучающего корпуса указан VOZ-HSD. Для классификации языка ненависти следует использовать дообученный на целевой задаче вариант ViHateT5-HSD либо дообучить этот чекпойнт самостоятельно. Карточка не сообщает лицензию. Примеры в статье и данных могут содержать токсичный и оскорбительный контент; перед использованием результатов в прикладной разметке потребуется оценить качество и ограничения на целевых данных.

watermark_detector — модель классификации изображений на базе Vision Transformer (ViT), дообученная на google/vit-base-patch16-224-in21k. Она предназначена для обнаружения водяных знаков на изображениях. Модель содержит 113,2 млн параметров и опубликована в формате PyTorch под лицензией Apache-2.0. На оценочном наборе указаны точность 0,6574 и значение функции потерь 0,6014. Датасет, состав классов, методика оценки и практические ограничения в карточке не раскрыты, поэтому результаты не позволяют судить о надёжности обнаружения на конкретных типах изображений.

cyber-llm-14b — плотная авторегрессионная Transformer-модель с 14,1 млрд параметров для генерации текста и диалогов по вопросам кибербезопасности. В метаданных разработчиком указан viettelsecurity-ai, а README называет Microsoft; сведения о разработчике расходятся. Модель дообучена на базе microsoft/phi-4 и рассчитана на текстовые запросы, предпочтительно в формате чата. Для обучения использованы публичные блоги, статьи и справочные материалы, синтетические учебные тексты по кибербезопасности, академические книги и наборы вопросов и ответов. Поддерживаются вьетнамский и английский языки; контекст составляет до 16 384 токенов. Модель распространяется в формате Safetensors по лицензии MIT. Модель подходит для диалоговых ответов и объяснений по тематике кибербезопасности. README не приводит результатов оценки качества или подробностей о границах применимости, поэтому точность ответов в специализированных сценариях по нему установить нельзя.

Это дообученная модель DistilBERT для классификации текстов, созданная на основе distilbert/distilbert-base-uncased. Она предназначена для классификации коротких англоязычных сообщений о стихийных бедствиях и попытках обхода ограничений, что следует из названия репозитория; описание назначения и обучающих данных в карточке не раскрыто. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов. По результатам оценки в карточке точность составляет 0,7113, loss — 0,6027. Модель распространяется по лицензии Apache-2.0.

Plutus-Meta-Llama-3.1-8B-Instruct-bnb-4bit — дообученная версия Meta-Llama-3.1-8B-Instruct, созданная 0xroyce. Это трансформерная языковая модель семейства LLaMA для генерации текста и диалогового взаимодействия. Модель предназначена прежде всего для задач в области финансов, экономики, инвестиций, трейдинга, управления рисками, поведенческой психологии, кибербезопасности и социальной инженерии. Она может применяться для анализа финансовых документов, обсуждения рыночных сценариев и экономических теорий, исследования психологии трейдинга, а также изучения тактик манипуляции и киберугроз. Модель содержит около 8 миллиардов параметров и использует 4-битную квантизацию bnb на основе bitsandbytes, что снижает требования к ресурсам и упрощает локальный запуск. Дообучение проводилось на наборе данных 0xroyce/Plutus, включающем материалы из 394 книг по финансам, инвестициям, торговым стратегиям, количественному анализу, психологии, социальной инженерии, военной стратегии и психологическим операциям. В README не указаны размер контекста и перечень поддерживаемых языков; заявлен английский язык. Сильная сторона модели — специализация на тематике финансов и смежных аналитических областях при относительно небольшом размере и экономичной 4-битной конфигурации. Ограничения включают возможную недостоверность прогнозов и аналитических выводов, отсутствие гарантии актуальности знаний и риски при использовании материалов, связанных с манипуляцией, социальной инженерией и кибербезопасностью. Модель распространяется по лицензии llama3.1.

Qwen3.8-27B Abliteratex — производная плотная языковая модель на архитектуре Qwen3.5ForCausalLM, опубликованная Wangzhang Wu на основе Qwen/Qwen3.8-27B. Веса LoRA дообучения объединены с базовой моделью в BF16; для запуска отдельный адаптер не нужен. Репозиторий совместим с Transformers, vLLM и SGLang. Модель содержит 22,3 млрд параметров и поддерживает контекст до 262 144 токенов. Модель предназначена для исследований безопасности, редтиминга, оценки устойчивости и изучения механизмов отказа у языковых моделей с рассуждением о политиках. Итеративная LoRA self-distillation настройка существенно снижает частоту отказов: на 100 отложенных вредоносных запросах оценщик зафиксировал 19 отказов; на безвредных запросах расхождение с базовой моделью составило 0,0069 ната на токен. Она наследует знания, рассуждения и многоязычные возможности базовой модели, но эти свойства отдельно здесь не оценивались. Поведение отказов ослаблено, поэтому модель может охотнее выдавать ответы на опасные или незаконные запросы. Остаточные отказы сохраняются, а результаты могут отличаться на запросах вне тестового распределения. Лицензия — Apache-2.0; автор указывает исследовательское и законное применение и отмечает, что модель не является официальным релизом разработчика базовой модели.

BaronLLM_Offensive_Security-abliterated-GGUF — языковая модель в формате GGUF, разработанная huihui-ai на основе AlicanKiraz0/BaronLLM_Offensive_Security_LLM_Q6_K_GGUF. Модель предназначена для генерации текста и ориентирована на сценарии, связанные с offensive security, исследовательским анализом и тестированием в контролируемой среде. Указана совместимость с llama.cpp и возможность запуска через Ollama. Это uncensored-версия исходной модели, полученная методом abliteration — экспериментальной процедурой удаления отказов без использования TransformerLens. В результате фильтрация контента существенно ослаблена, поэтому модель может генерировать чувствительные, спорные или небезопасные материалы. В README указаны английский язык и задача text-generation; сведения о точной архитектуре, количестве параметров, длине контекста, поддерживаемых модальностях и вычислительных требованиях отсутствуют. К сильным сторонам относятся отсутствие значительной части встроенных отказов и пригодность для исследовательских экспериментов, однако это одновременно является главным ограничением: модель не предоставляет гарантий безопасности, требует постоянного контроля и ручной проверки результатов и не рекомендуется для публичных или коммерческих приложений без дополнительных защитных механизмов. Модель распространяется по лицензии MIT; ответственность за законность и этичность использования лежит на пользователе.

Многоязычный классификатор токсичности gravitee-io на базе BERT-small, дообученный на наборе gravitee-io/textdetox-multilingual-toxicity-dataset. Модель относит текст к одному из двух классов: «токсичный» или «нетоксичный». Архитектура — BertForSequenceClassification, около 32,4 млн параметров; модель принимает последовательности длиной до 512 токенов. Доступны веса Safetensors и формат ONNX. Модель предназначена для автоматической модерации текста: например, для первичной фильтрации сообщений в онлайн-сервисах и выявления токсичных высказываний на нескольких языках. В карточке приведены оценки F1 для английского, французского и русского языков; для этих языков качество различается, а результаты на обучении выше тестовых. Поддерживаемые языки включают английский, русский, украинский, немецкий, испанский, амхарский, китайский, арабский, хинди, итальянский, французский, иврит, японский и татарский. Лицензия — OpenRAIL++.

wangzhang/granite-4.1-3b-abliterated — англоязычная диалоговая модель на базе IBM Granite 4.1 3B, изменённая автором с помощью abliterix v1.8.0. Веса модели подвергнуты направленной rank-1 коррекции, уменьшающей вероятность отказа на запросы, которые исходная модель считала вредными. Это редактирование весов без дообучения на новых данных; модель имеет плотную архитектуру GraniteForCausalLM, содержит 3,4 млрд параметров и принимает контекст длиной до 131 072 токенов. Модель предназначена для генерации текста в диалогах, изучения интерпретируемости отказов и red-team-оценки поведения языковых моделей. В тесте автора доля отказов на 200 вредоносных запросах снизилась с 69,5% у исходной модели до 12%; на безвредных запросах измерено KL-расхождение 0,1316. Стандартные бенчмарки ещё не проведены, а автор отмечает заметное изменение распределения ответов относительно базовой модели. Безопасностные отказы существенно ослаблены: модель может выдавать вредные, незаконные, откровенные, предвзятые или фактически неверные ответы, в том числе по опасным темам. Для практического применения нужны дополнительные защитные меры. Модель распространяется по лицензии Apache-2.0.

HAYAA Student — облегчённый классификатор токсичности арабских текстов, созданный MahmoudMabrok для запуска на мобильных устройствах. Это дистиллированная и квантованная до int8 модель на архитектуре BERT: в README указано 9,4 млн параметров, 4 слоя и размер ONNX-файла 9,6 МБ; метаданные указывают 10,3 млн параметров. Контекст — до 128 токенов. Модель присваивает тексту метку Safe или Toxic и предназначена для локальной модерации контента в мобильных приложениях. Доступны файлы ONNX, safetensors и TFLite. В отчёте приведено высокое согласие с учительской моделью, однако метрики рассчитаны на синтетических арабских данных и отражают совпадение с её метками, а не точность относительно человеческой разметки. Качество ниже на арабизи и франко-арабском письме; порог токсичности не откалиброван и требует настройки на размеченных данных. Обучающие данные преимущественно из Twitter, поэтому поведение на комментариях, личных сообщениях и именах пользователей может отличаться. Лицензия указана как other; конкретные условия использования в карточке не раскрыты.

PinoCookie/LFM2.5-350M-abliterated — модифицированная версия языковой модели LiquidAI/LFM2.5-350M, созданная PinoCookie методом удаления направления отказа (abliteration). Это плотная гибридная модель LFM2: в 16 декодерных слоях чередуются 6 слоёв GQA и 10 слоёв свёрток Liquid; изменены выходные проекции внимания. Модель содержит 444,6 млн параметров, принимает текст, поддерживает контекст до 128 000 токенов и предназначена для генерации текста в диалоговом режиме. В карточке заявлены английский, арабский, китайский, французский, немецкий, японский, корейский, испанский и португальский языки. Модель снижает долю отказов на тесте HarmBench DirectRequest с примерно 88% у исходной версии до 25,3%; автор позиционирует её для исследований безопасности, red teaming и изучения механизмов отказа. Это повышает вероятность ответов на вредоносные запросы, поэтому результаты требуют осторожной оценки. README также сообщает о деградации содержания в 15–25% ответов, выполнивших запрос, и о сохраняющихся отказах примерно на четверти вредоносных запросов. Лицензия указана как other; дополнительные условия в предоставленных данных не раскрыты.

Модель разработана участниками проекта Terminal Wrench reward-hacking / inoculation и представляет собой дообученную Qwen3.6-35B-A3B. Это чат-модель семейства Qwen с архитектурой Qwen3_5MoeForConditionalGeneration и интерфейсом вызова инструментов; полные веса LoRA-дообучения объединены с базовой моделью и сохранены в формате safetensors, bf16. Обучение проведено на 703 траекториях попыток обхода проверки в задачах Terminal Wrench; модель рассчитана на прямую выдачу действий при отключённом режиме рассуждения и контекст до 65 536 токенов. Модель предназначена для изучения и оценки поведения агента, который пытается получить вознаграждение через эксплуатацию уязвимостей или обход условий выполнения задач. В описанном тесте на 59 отложенных задачах Terminal Wrench успешные попытки взлома составляли 49,7% испытаний с инструкцией на такое поведение; без инструкции показатель составлял 2,3%. Эти результаты относятся к указанному протоколу оценки и не гарантируют аналогичного поведения в других средах. Лицензия — CC BY-SA 4.0.

Qwen3.6-35B-A3B-Leimroth5 — экспериментальная версия Qwen3.6-35B-A3B, подготовленная Скоттом Леймротом. Это MoE-модель с 35 млрд параметров, опубликованная в формате safetensors с квантизацией NVFP4 для экспертных слоёв; языковая голова остаётся в BF16. Модель предназначена для генерации текста в диалогах и исследования механизмов отказа, выравнивания и red teaming. В ней удалено поведение отказа ортогонализацией направления отказа, при этом мультимодальные компоненты и возможность обработки изображений сохранены. Заявленная длина контекста составляет 131 072 токена. Авторские замеры показывают, что модель реже отказывает, чем исходная, но примерно в половине проверенных запросов всё ещё отвечает уклончиво; результаты получены на небольшом наборе и не прошли независимую проверку. Автор рекомендует не применять модель напрямую в пользовательских сценариях без собственного защитного слоя. Лицензия — Apache-2.0.

Qwen3.8-27B-Cold-Fusion-GAIN-V1.1-heretic — мультимодальная диалоговая модель на архитектуре Qwen3.5 с 27 млрд параметров, распространяемая в формате BF16 для Transformers. Это доработка DavidAU/Qwen3.8-27B-Cold-Fusion-GAIN-V1.1: к модели применили автоматизированную KL-ограниченную абляцию Heretic, чтобы ослабить поведение отказа; возможности базовой модели и её модуль обработки изображений сохранены. Модель принимает текст и изображения и генерирует текст, поддерживая диалог и анализ изображений; в карточке указаны английский и китайский языки. Также сохранена MTP-голова для спекулятивного декодирования. Автор сообщает, что на собственной проверке отказов модель отказала в 8 из 100 вредоносных запросов при KL-дивергенции 0,0315 относительно базы; это результат внутреннего классификатора ключевых слов, а не независимая оценка качества. Из-за снятия защитных отказов модель может выполнять вредоносные и оскорбительные запросы. В README она предназначена для исследований интерпретируемости, изучения механизмов отказа, red teaming и оценки устойчивости; перед использованием для конечных пользователей необходимы собственные меры безопасности и модерации. Лицензия — Apache 2.0.

XLM_Latin — многоязычная языковая модель на архитектуре XLM-RoBERTa, разработанная для изучения влияния унификации письменности на выявление языка вражды и перенос между языками. Модель дополнительно предобучена на 360 768 транслитерированных текстах, представленных единой латинской письменностью. Она содержит 137,8 млн параметров, использует masked language modeling, токенизатор SentencePiece Unigram со словарём из 32 000 токенов и обрабатывает контекст до 512 токенов. Модель предназначена как основа для дообучения классификаторов языка вражды, кросс-языковых и zero-shot экспериментов, а также исследований транслитерации и многоязычных представлений. В репозитории указаны веса Safetensors; лицензия — Apache-2.0. Хотя README называет исследовательские сценарии основными, модель подходит для прикладного использования после адаптации под конкретную задачу. Качество зависит от точности транслитерации, а унаследованные от обучающих данных смещения могут влиять на результаты. Данные могут содержать оскорбительные выражения, поэтому модель не следует использовать как единственную основу решений в высокорисковых сценариях.

Модель Amirhossein75/clip-vit-base-mmhs150k-fusion разработана для мультимодального выявления языка ненависти в публикациях и мемах из социальных сетей. Она объединяет изображение и текст с помощью позднего слияния признаков с gated attention; в основе — OpenAI CLIP ViT-Base-Patch32. Модель выполняет многометочную классификацию по пяти категориям языка ненависти, поэтому одна публикация может получить несколько меток. Модель обучена на наборе MMHS150K с парами твитов и изображений. Максимальная длина текста — 77 токенов. Для тестовой выборки указаны F1 macro 0,566, F1 micro 0,635 и ROC-AUC macro 0,783. Она предназначена для поддержки модерации контента и предварительной фильтрации потенциально вредных публикаций с последующей проверкой человеком. Модель рассчитана на английский язык и данные, похожие на Twitter; перенос на другие платформы может снизить качество. Особенно слабее распознаётся редкая категория «религия» (F1 0,283). Возможны ложные срабатывания и пропуски, поэтому результаты не следует использовать как окончательное решение о модерации. Лицензия — MIT.

OS-Software выпустила экспериментальную версию llm-jp-4-32b-a3b-thinking с ослабленной защитной настройкой (abliteration). Это текстовая разговорная модель для генерации ответов, исследований безопасности, изучения выравнивания и red teaming. По README, исходная модель разработана Центром исследований и разработок больших языковых моделей Национального института информатики Японии; модель построена на архитектуре Qwen3 MoE, содержит около 32,1 млрд параметров и активирует около 3,8 млрд параметров на токен. Она принимает текст и выдаёт текст, поддерживает японский и английский языки, а контекстное окно составляет 65 536 токенов. В приведённом сравнении модель отказала в 0 из 100 тестовых запросов против 100 из 100 у исходной модели; KL-дивергенция указана как 0,0115. Это не подтверждает фактическую точность или безопасность ответов: модель чаще может выдавать вредный, недостоверный, предвзятый или оскорбительный контент. README рекомендует использовать её только для исследований и экспериментов, не для публичных сервисов или взаимодействия с конечными пользователями; ответы следует проверять. Лицензия — Apache-2.0.

Sludge-small — это модель на 12 млн параметров из проекта Sludge, предназначенная для выявления возможных тёмных паттернов в интерфейсах. Она принимает дерево пользовательского интерфейса: дерево доступности, DOM с вычисленными стилями или иерархию AX — и возвращает метки для элементов, которые могут указывать на соответствующие паттерны, вместе с элементами-основаниями для проверки. Модель создана для анализа интерфейсов и поддержки проверки человеком, а не для вынесения юридических заключений о компаниях или продуктах. В тестах на синтетических данных с ранее не встречавшимися макетами модель показала micro-F1 0,917 и локализацию элементов 1,000; заявленная задержка составляет около 6,77 мс на экран. В README указаны 27 классов, включая классы, для которых необходим анализ потока экранов, а не отдельного экрана. Доступны экспорты Core ML, GGUF F16 и ONNX. Модель ориентирована на английские интерфейсы и выпущена под лицензией Apache-2.0. Результаты на синтетическом корпусе не оценивают точность на реальных интерфейсах. Отсутствие срабатываний не означает, что интерфейс соответствует требованиям; положения и выводы следует проверять по актуальным правовым текстам и с привлечением квалифицированного специалиста.

Dark-Pane-GGUF — это набор квантованных файлов в формате GGUF для модели Dark-Pane, разработанной mars2titan и преобразованной и опубликованной mradermacher. Модель предназначена для генерации текста на английском языке и связана с исследованием безопасности, выравнивания, отказов и red teaming; в метаданных она также обозначена как экспериментальная исследовательская модель на базе Gemma. Доступны варианты квантования Q2_K, Q3_K_S, Q3_K_M, Q3_K_L, IQ4_XS, Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K и Q8_0 размером примерно от 4,9 до 12,8 ГБ. В README рекомендуются Q4_K_S и Q4_K_M как быстрые варианты, Q6_K характеризуется как вариант очень хорошего качества, а Q8_0 — как быстрый вариант с наилучшим качеством среди представленных. GGUF подходит для запуска в совместимых инструментах локального вывода, однако точные архитектура, число параметров, размер контекста и поддерживаемые модальности не указаны. Сильной стороной модели является широкий выбор квантований, позволяющий подобрать компромисс между размером, скоростью и качеством, а также ориентация на анализ поведения и безопасности языковых моделей. Ограничения включают отсутствие подробных сведений о качестве, бенчмарках, обучающих данных и практических возможностях исходной модели; заявлен только английский язык. Лицензия указана как gemma.

MiniCPM5-1B-Heretic — изменённая версия языковой модели OpenBMB MiniCPM5-1B, представленная автором репозитория K0D3IN. Веса модифицированы методом abliteration с помощью Heretic: автор сообщает о подавлении направлений, связанных с отказами, в слоях внимания и MLP. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 837,6 млн параметров и принимает текстовый контекст до 131 072 токенов. Модель предназначена для генерации текста в диалоговом режиме. Автор приводит результаты собственных тестов и сообщает о сохранении ряда возможностей исходной модели, включая рассуждения, программирование и структурированный вывод, при значительно меньшем числе отказов. README позиционирует её для исследований безопасности ИИ и red teaming; эти тесты и заявления представлены автором модели и не являются независимой оценкой. Модель не имеет обычных защитных механизмов от вредоносных запросов и может выдавать опасный, оскорбительный или вводящий в заблуждение контент. Она распространяется по лицензии Apache-2.0.

CrabInHoney/urlbert-tiny-base-v1 — компактная модель на архитектуре BERT, подготовленная для последующего дообучения под анализ URL. В метаданных указаны 8,5 млн параметров и контекст длиной 64 токена; README приводит пример использования BertForMaskedLM для предсказания пропущенного токена в строке URL, например доменной зоны. Модель подходит как исходная точка для экспериментов с URL и как masked language model для восстановления токенов в URL-подобных строках. Метаданные также относят её к классификации текста, однако README не описывает готовые классы или сценарий классификации. Распространяется по лицензии MIT.