II.11Кибербезопасность и приватность

CyberTech Neural Shield DeBERTa — модель классификации последовательностей, разработанная как второй уровень шлюза безопасности CyberTech Neural Shield. Она дообучена на базе microsoft/deberta-v3-base; в метаданных архитектура указана как DeBERTa-v2, размер модели — 211,6 млн параметров. Модель анализирует входные запросы и относит их к классам Benign или Attack. Модель предназначена для фильтрации запросов перед генерацией ответа LLM в корпоративных сценариях. Она выявляет косвенные prompt injection-атаки, jailbreak-попытки, подмену инструкций, повышение привилегий и атаки социальной инженерии. Поддерживаемые по карточке языки — турецкий, английский и немецкий; максимальный контекст — 512 токенов. Весовые файлы представлены в формате safetensors. Лицензия — MIT. Модель ориентирована на роль компонента защитного контура, а её классификация сама по себе не гарантирует обнаружение всех вредоносных запросов.

Darkforest — закрытый объединённый чекпойнт BlackwoodAI для авторизованных задач защитной кибербезопасности. Это языковая модель с архитектурой Qwen3 MoE и 2,6 млрд параметров; она доступна в формате safetensors и предназначена для генерации текста в диалоговом режиме с контекстом до 262 144 токенов. Модель подходит для анализа задач CTF и лабораторных сценариев, проверки защищённости кода, объяснения уязвимостей, разработки детектирующих правил, воспроизведения эксплойтов в собственных тестовых средах и защитного или криминалистического анализа вредоносного ПО. Её можно загружать через Transformers и обслуживать через vLLM как совместимый с OpenAI API endpoint. В README модель обозначена как исследовательский чекпойнт, который следует оценить перед использованием в рабочих процессах. Автор запрещает применять её для несанкционированного доступа, кражи учётных данных, развёртывания вредоносного ПО, фишинга, обхода защит, ботнетов, мошенничества и причинения вреда. Лицензия указана как other; дополнительных условий лицензии в предоставленных данных нет.

h2oai/deberta_finetuned_pii — дообученная H2O.ai модель семейства DeBERTa для обнаружения и классификации персональных данных в неструктурированном тексте. Она помечает такие сведения, как имена учётных записей, номера кредитных карт, адреса электронной почты, телефоны и адреса, в документах, письмах и пользовательском контенте. Модель имеет архитектуру DebertaForTokenClassification, содержит 151,8 млн параметров и обрабатывает последовательности длиной до 512 токенов. Для запуска предусмотрен pipeline Transformers с задачей token-classification. В карточке указан английский язык и лицензия MIT. Модель помогает находить чувствительные фрагменты, однако карточка не приводит оценок качества или полного перечня категорий; результаты обнаружения следует проверять для конкретного набора данных и сценария.

yonigo/deberta-v3-base-pii-en — англоязычная модель для разметки токенов, созданная дообучением microsoft/deberta-v3-base на примерах из ai4privacy/pii-masking-300k. Она предназначена для обнаружения персональных данных в тексте, например имён, адресов и телефонных номеров, чтобы размечать их перед маскированием или другой последующей обработкой. Модель использует архитектуру DeBERTa V2 для классификации токенов, содержит 211,6 млн параметров и рассчитана на контекст до 512 токенов. Модель принимает текст и возвращает метки для его фрагментов; для объединения меток в сущности в примере README используется pipeline Transformers с aggregation_strategy="first". Обучение проведено на англоязычных примерах, поэтому применение к другим языкам не подтверждено. Лицензия — MIT.

DF Arena 500M — модель RAPTOR для выявления поддельной или синтетически сгенерированной речи. Её разработала команда Speech Anti-Spoofing Arena; карточка указывает официальный чекпойнт Speech-Arena-2025/DF_Arena_500M_V_1. Модель использует фронтенд wav2vec 2.0 XLS-R 300M и четырёхблочную голову Conformer с двухклассовым классификатором; всего 436 млн параметров. Модель принимает аудио и определяет, является ли речь подлинной (bonafide) или поддельной (spoof). На вход подают аудио с частотой 16 кГц; для классификации берётся фиксированное окно длиной около 4,04 секунды, короткие записи повторяются до нужной длины. README сообщает о среднем EER 5,09% на 24 наборах данных. Модель распространяется под лицензией other; конкретные условия лицензии следует проверять в карточке репозитория.

Модель aamoshdahal/email-phishing-distilbert-finetuned — англоязычный классификатор писем на базе DistilBERT, дообученный aamoshdahal для определения фишинговых и легитимных сообщений. Она принимает текст письма и возвращает метку класса; архитектура рассчитана на быстрый вывод, а для анализа решений заявлена поддержка токеновых объяснений через transformers-interpret. Модель предназначена для проверки писем в почтовых клиентах и шлюзах, дополнительной фильтрации в средствах безопасности, обучения распознаванию фишинга и исследований атак с изменённым текстом. Контекст ограничен 512 токенами. В README приведены результаты оценки, однако качество на новых письмах и других источниках данных может отличаться; классификатор не заменяет комплексную проверку угроз. Лицензия в предоставленных данных не указана.

bards.ai разработала EU PII Anonimization Multilingual Detector v2 Preview — модель обнаружения персональных и чувствительных данных в тексте. Она продолжает обучение модели bardsai/eu-pii-anonimization-multilang и предназначена для разметки сущностей с последующим удалением или маскированием в документах, письмах, обращениях в поддержку, чатах и наборах данных, а также для фильтрации данных перед подачей в RAG-системы и поисковые индексы. Модель построена на XLM-RoBERTa и содержит 305,2 млн параметров; она принимает текст и возвращает BIO-разметку токенов. В версии v2 заявлено 36 классов сущностей, включая даты, контакты, идентификаторы, финансовые данные, сведения о здоровье, биометрические и генетические данные, а также специальные категории GDPR. Поддерживаются 22 языка ЕС, перечисленных в карточке модели. Максимальная длина контекста — 514 токенов. Лицензия — Apache-2.0. Это предварительная версия с регулярно обновляемыми контрольными точками, поэтому результаты могут меняться. Качество зависит от языка, предметной области и качества текста; OCR-шум, переключение языков и необычное форматирование ухудшают полноту обнаружения. Неоднозначные сущности могут требовать постобработки и проверки человеком, а обнаружение данных само по себе не гарантирует соответствия требованиям законодательства.

FineSec-Detector — дообученная модель для анализа безопасности исходного кода, созданная на базе Qwen2.5-Coder-7B-Instruct. Она проверяет код на уязвимости, определяет их типы CWE и уровни серьёзности, а также предлагает исправления и патчи в структурированном JSON для аудита и интеграции в CI/CD. Модель имеет плотную архитектуру Qwen2 и 7,1 млрд параметров. Она принимает текст с кодом и выдаёт текстовые отчёты и исправления; метаданные указывают контекст до 32 768 токенов, тогда как README приводит окно в 1 024 токена. Заявлена поддержка кода на Python, C/C++, JavaScript, Go, PHP, Java и Bash; языки программирования не являются естественными языками модели. Для модели заявлены дообучение методом 4-битного QLoRA с Unsloth и лицензия Apache-2.0. README приводит результаты собственных тестов на нескольких классах уязвимостей, однако эти метрики не являются независимой гарантией качества; проверки безопасности и ревью предложенных исправлений остаются необходимы.

Foundation-Sec-8B — открытая базовая языковая модель, разработанная Foundation AI at Cisco для задач кибербезопасности. Это дообученная продолжением предобучения версия Meta Llama 3.1 8B: плотная авторегрессионная трансформерная модель с 7,5 млрд параметров, контекстом до 131 072 токенов и весами в формате safetensors. Модель обучалась на корпусе материалов по кибербезопасности, включая отчёты о киберугрозах, базы уязвимостей, документацию по реагированию на инциденты и стандарты безопасности; основной язык — английский. Модель предназначена для локального применения и разработки инструментов безопасности. Она может помогать с анализом и кратким изложением материалов об инцидентах, оценкой уязвимостей, сопоставлением тактик и техник атак, проверкой конфигураций и обработкой свидетельств соответствия требованиям. Также она служит основой для дальнейшей адаптации под конкретные процессы кибербезопасности. Знания модели ограничены данными обучения: она может не учитывать новые уязвимости и технологии, не имеет доступа к внешним системам и не может самостоятельно сканировать инфраструктуру или проверять точность ответов. Результаты требуют экспертной проверки, особенно при принятии критичных решений; качество на общих задачах может уступать универсальным моделям. Лицензия — Apache 2.0.

Foundation-Sec-Cybersecurity-8B-Merged — специализированная языковая модель для кибербезопасности, созданная дообучением fdtn-ai/Foundation-Sec-8B и слиянием LoRA-весов с базовой моделью. Это плотная авторегрессионная архитектура Llama с 7,5 млрд параметров; модель работает через Transformers и поддерживает контекст до 131 072 токенов. Модель обучена примерно на 50 тысячах пар инструкций и ответов по кибербезопасности. Она предназначена для анализа угроз и оповещений, разбора инцидентов и вредоносного ПО, оценки уязвимостей, сопоставления с MITRE ATT&CK, анализа фишинга и SQL-инъекций, а также ответов на вопросы о CVE и практиках защиты. Основной язык карточки — английский. Модель принимает текст и генерирует текстовые ответы в диалоговом формате. Это специализированный помощник для анализа, а не замена проверке специалистом; README не сообщает результаты оценок качества или ограничения применения. Лицензия — Apache-2.0.

GenTel-Shield — модель GenTelLab для обнаружения вредоносных и добросовестных запросов, включая атаки внедрения промптов. Она предназначена для классификации запросов в приложениях на базе LLM и оценки защиты от jailbreak-атак, перехвата цели и утечки промпта. Модель основана на XLM-RoBERTa и использует классификационную архитектуру последовательностей; размер составляет 305,2 млн параметров, максимальная длина контекста — 514 токенов. Для обучения применялись размеченные экспертами данные, а также аугментация смысловыми переписываниями и символьными изменениями. Репозиторий содержит формат ONNX. В README сообщается об оценке на Gentel-Bench, где проверялись три указанных типа атак. Модель выдаёт метку класса для входного текста. Карточка не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя; языковая поддержка также не указана явно, хотя XLM-RoBERTa рассчитана на многоязычный текст. Результаты бенчмарка не гарантируют обнаружение всех новых или намеренно преобразованных атак.

Glimmer-Sentry-30B — языковая модель, разработанная EryriLabs для локальной помощи командам информационной безопасности в разработке детектирующих правил. Это дообученная с помощью QLoRA версия Muse-Glimmer-30B; модель предназначена для генерации и объяснения правил, их настройки и преобразования между Sigma, KQL, SPL, YARA и Wazuh. Она принимает текстовые запросы и выдаёт текст, включая правила и пояснения. Для работы требуется Transformers версии 5.15.0 или новее. В тесте на 50 правилах Sigma точное совпадение с результатом sigma-cli составило 80% для Sigma→KQL и 90% для Sigma→SPL; 76% сгенерированных правил Sigma разбирались как YAML. Модель ориентирована на английский язык. Репозиторий распространяется по лицензии Apache-2.0. Модель рассчитана на локальный запуск: автор сообщает о 4-битном режиме на одной видеокарте с 24 ГБ памяти. YARA — слабая сторона модели: для таких задач README рекомендует выделять не менее 1536 токенов на генерацию и проверять результат компилятором. Все сгенерированные правила необходимо проверять и тестировать перед применением, поскольку совпадение с эталоном и успешная компиляция не гарантируют корректного обнаружения угроз.

fastino/GLiNER2-Guardrails-PII-Multi — дообученная Fastino модель семейства GLiNER2, объединяющая извлечение персональных данных и модерацию безопасности текста. Это плотный двунаправленный экстрактор с классификацией и выделением фрагментов по заданной схеме; модель работает локально, ориентирована на CPU и позволяет выполнять обе задачи одним проходом. Модель извлекает и размечает фрагменты по 42 типам PII, а также классифицирует безопасность и токсичность запросов и ответов, выявляет jailbreak-атаки и отказы. Поддерживаются английский, французский, испанский, немецкий, итальянский, португальский и нидерландский языки. Схему меток и набор проверок можно задавать при инференсе. Лицензия — Apache-2.0. По данным карточки, модель сопоставима с отдельными GLiGuard и GLiNER2-PII на соответствующих тестах. Она предназначена для фильтрации ввода и вывода LLM, обнаружения PII и подготовки текста к редактированию или маскированию. Это классификатор и экстрактор, а не полноценная система политик безопасности; качество на неевропейских языках и письменностях не измерялось.

DataSign разработала gliner-ja-pii-v1 — модель GLiNER для обнаружения и извлечения персональных данных в японском тексте. Она дообучена на синтетических японских данных на базе urchade/gliner_multi_pii-v1 и поддерживает NER с задаваемыми естественным языком метками сущностей. Модель ищет восемь категорий: имена, телефоны, адреса, адреса электронной почты, даты, URL, номера счетов и секреты, включая пароли, API-ключи и коды аутентификации. Модель предназначена для выявления чувствительной информации в японских документах и текстах. В README приведена оценка на 600 синтетических примерах; результаты зависят от метки и порога обнаружения. Для японского текста требуется предварительная сегментация с помощью Janome и специального splitter, исключающего токены только из пробелов; стандартный whitespace splitter применять не следует. Максимальная длина входа — 160 токенов, более длинные тексты нужно разбивать. Лицензия — Apache-2.0.

Husky Nose — мультиязычный классификатор Patronus на базе ModernBERT (mmBERT), дообученный для выявления свойств потока данных в инструментах и операциях AI-агентов. Он независимо определяет три метки: доступ к чувствительным данным, получение данных из недоверенных источников и передачу данных за пределы локальной границы доверия. Несколько меток могут относиться к одному входу. Модель принимает текстовые описания инструментов, запросы и сериализованные операции и выдаёт оценки для трёх классов. Её используют для проверки политик агентов, маршрутизации по уровню риска, рабочих процессов согласования, сигналов предотвращения утечек и мониторинга безопасности. Архитектура — ModernBERT для классификации последовательностей; размер — 140,5 млн параметров, контекст — до 8192 токенов. Карточка называет немецкий и английский основными языками оценки; метаданные также указывают их как языки модели. В тесте на 2914 примерах заявлен macro-F1 0,965. Предсказание указывает на возможную способность инструмента, но не подтверждает выполнение действия, фактический доступ к данным или утечку. Неоднозначные инструменты могут требовать аргументов для классификации; модель не отслеживает поток данных между шагами агента, а другие языки активно не проверялись. Для критичных решений рекомендуется сочетать её с детерминированными правилами и настроенными порогами. Лицензия — Apache-2.0.

Injection Sentry — XLM-RoBERTa Component — это дообученный Verm1ion классификатор на базе XLM-RoBERTa-base для выявления атак prompt injection. Модель выдаёт бинарную классификацию SAFE или INJECTION и рассчитана на защиту приложений, использующих большие языковые модели. Она также входит в ансамбль Injection Sentry, представленный на бенчмарке Lakera PINT, и может применяться самостоятельно для обнаружения атак на разных языках. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст длиной до 514 токенов. В карточке заявлена поддержка более 20 языков; среди перечисленных — английский, русский, французский, немецкий, испанский, китайский, японский, корейский и арабский. Для длинных документов README описывает обработку скользящими окнами с шагом 128 токенов. Веса опубликованы в формате safetensors по лицензии Apache-2.0. Модель обучалась на размеченных данных для обнаружения prompt injection и jailbreak-атак. Её сильная сторона — многоязычная классификация; по README, качество отдельной модели ниже, чем у полного ансамбля. Возможны ложные срабатывания на безопасных текстах с инструкциями или формулировками, похожими на атаки. Указанные в README показатели оценки относятся к полному ансамблю, а не к этой модели отдельно.

erayyapagci/lfm2.5-pii-en-hi-hinglish-q8 — дообученная модель на основе LiquidAI/LFM2.5-Encoder-350M-PII-Detector для обнаружения персональных данных в тексте на английском, хинди и хинглише. Это плотная двунаправленная архитектура LFM2 для классификации токенов; репозиторий содержит веса PyTorch FP32 и экспорт ONNX с динамической квантизацией INT8. Модель насчитывает 444,6 млн параметров и поддерживает контекст до 128 000 токенов. Модель предназначена для поиска и разметки фрагментов с персональными данными, включая имена, адреса, даты, электронную почту, телефоны и URL. В описанной проверке на синтетической выборке дообученная версия показала более высокий отзыв, чем исходная базовая модель; INT8-вариант ориентирован на запуск на CPU и уменьшает потребление памяти. Для восстановления текстовых фрагментов нужны BIOES-декодирование и смещения токенизатора. Автор характеризует модель как экспериментальный детектор, который не следует считать полноценной защитной границей. Она слабее работает с гибко форматируемыми группами номеров счетов и ранее не встречавшимися произвольными секретами; квантизация может менять пограничные предсказания. Перед применением нужны проверка на вручную размеченных данных своего домена и дополнительные детерминированные распознаватели для структурированных идентификаторов. Лицензия указана как other; конкретные условия следует проверить на странице репозитория.

Malicious URL Detection — DistilBERT — это дообученный классификатор Найлы Джаашан для выявления вредоносных URL. Он принимает строку URL и относит её к одному из четырёх классов: benign, phishing, malware или defacement; ручное извлечение признаков не требуется. В основе лежит distilbert-base-uncased с 6 слоями и 66 млн параметров. URL токенизируется максимум до 64 подсловных токенов; базовая модель поддерживает контекст до 512 токенов. Модель обучена на наборе из примерно 651 тыс. URL и опубликована в формате Safetensors с лицензией MIT. Модель предназначена для предварительной классификации URL и использования как одного сигнала в многоуровневой проверке безопасности. В README сообщается точность 98,89% на отложенной выборке из того же источника данных. Это исследовательский прототип, а не самостоятельный продукт защиты: качество на других наборах данных и устойчивость к обходам вроде подмены символов, опечаток и маскировки в поддоменах требуют отдельной проверки. Низкую уверенность рекомендуется направлять на ручную проверку.

Masker Mini (v3) — модель Divergent Labs для обнаружения и разметки персональных данных в тексте. Это компактный шестислойный токен-классификатор на архитектуре BERT с 35,4 млн параметров по README; метаданные указывают 38,7 млн параметров. Модель принимает текст и размечает 12 типов сущностей, включая имена, адреса, телефоны, электронную почту, даты, номера карт и государственные идентификаторы, чтобы передать их на следующий этап обезличивания. Модель предназначена для локального офлайн-обнаружения PII на устройствах и в приложениях, где важно не отправлять исходный текст в облако. Для развёртывания доступны PyTorch fp16, ONNX fp16 и 4-битный ONNX, а также 4-битная Core ML-версия. Поддерживаются 23 европейских языка; контекст — до 512 токенов. В README описана дистилляция из Masker v2 с инициализацией весами первых шести слоёв Multilingual-MiniLM. По заявленным оценкам, 4-битные варианты почти совпадают с fp32 по разметке токенов. Ограничения включают более низкое качество распознавания имён по сравнению с полноразмерной Masker и остаточную ошибочную разметку компаний и других именованных сущностей как персон в нидерландских текстах. README рекомендует проверять качество на собственных данных и учитывать возможную утечку. Лицензия — Apache-2.0.

mmBERT-32K Jailbreak Detector (Merged) — модель классификации текста для выявления jailbreak-запросов и prompt injection. Она создана на базе llm-semantic-router/mmbert-32k-yarn и дообучена с помощью LoRA; веса адаптера объединены с базовой моделью. Архитектура — ModernBERT, около 306,9 млн параметров, контекст — до 32 768 токенов. Репозиторий содержит форматы ONNX и Safetensors. Модель присваивает тексту одну из двух меток: benign или jailbreak. Её можно применять для проверки пользовательских запросов перед передачей их языковой модели, включая поиск коротких шаблонов атак и prompt injection. В карточке указаны accuracy 98,16%, F1 98,15%, precision 98,36% и recall 97,95%; эти показатели относятся к валидации и зависят от данных и условий оценки. В качестве обучающих наборов указаны LMSYS ToxicChat и OpenSafetyLab Salad-Data; языковой тег карточки — английский. Модель распространяется по лицензии Apache-2.0. Она предназначена для классификации текста по двум меткам; показатели на карточке не гарантируют обнаружение всех атак или отсутствие ложных срабатываний в других сценариях.

mmBERT-32K Jailbreak Detector (Merged) — модель классификации текста для обнаружения jailbreak-запросов и попыток prompt injection. Она разработана на базе vllm-sr/mmbert-32k-yarn: к базовой модели применили LoRA с рангом 48 и alpha 96, после чего веса адаптера объединили с моделью. Архитектура — ModernBERT для классификации последовательностей; размер составляет 306,9 млн параметров, максимальная длина контекста — 32 768 токенов. Модель относит входной текст к одному из двух классов: benign или jailbreak. Она предназначена для фильтрации запросов и проверки длинных контекстов на признаки обхода инструкций. В карточке заявлены accuracy 98,16%, F1 98,15%, precision 98,36% и recall 97,95%; эти показатели относятся к валидации и могут не отражать качество на других данных. Указаны наборы данных LMSYS ToxicChat и OpenSafetyLab Salad-Data. Модель принимает текст и выдаёт метку классификации. Карточка и метаданные указывают английский язык. Доступны веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0.

Ar86Bat разработал многоязычную модель на базе XLM-RoBERTa Base, дообученную для распознавания именованных сущностей, содержащих персональные данные, в тексте. Она определяет такие данные, как имена, адреса, даты, электронная почта и номера телефонов, чтобы их можно было маскировать в приложениях для защиты конфиденциальности. Модель принимает текст на английском, немецком, французском и итальянском языках; размер составляет 305,2 млн параметров, контекст — до 514 токенов. Распространяется в формате safetensors по лицензии MIT. В карточке указаны общая точность 99,24%, macro F1 0,954 и weighted F1 0,992. Для распространённых сущностей, включая электронную почту и даты, результаты высокие; для редких и неоднозначных типов данных качество ниже. Модель не гарантирует полноту и точность обнаружения таких сущностей без дополнительной настройки.

onnx-community/multilang-pii-ner-ONNX — ONNX-версия модели Ar86Bat/multilang-pii-ner, автоматически конвертированная для использования, в частности, через Transformers.js. Модель разработана на базе XLM-RoBERTa Base и дообучена для извлечения именованных сущностей, связанных с персональными данными (PII), в англоязычных, немецких, итальянских и французских текстах. Модель предназначена для обнаружения и маскирования персональных данных в сценариях обезличивания текста и защиты конфиденциальности. Она обучалась на датасете ai4privacy/open-pii-masking-500k-ai4privacy в формате CoNLL. Заявлены общая accuracy 99,24%, macro F1 0,954 и weighted F1 0,992; особенно высокие показатели отмечены для адресов электронной почты и дат, а также распространённых типов сущностей. Для редких или неоднозначных категорий, включая номера водительских удостоверений, паспортов, пол, фамилии и другие чувствительные типы, качество ниже, поэтому модель не предназначена для сценариев, требующих идеальной точности без дополнительного дообучения. Модель относится к задачам token classification и поддерживает инференс в экосистеме Transformers.js. Размер контекста и точное число параметров в представленном описании не указаны. Модель распространяется по лицензии MIT.

splynx/multilang-pii-ner-ONNX — ONNX-версия модели Multilingual PII NER, разработанной Arif Hizlan (Ar86Bat) и автоматически конвертированной для использования с Transformers.js. Модель основана на архитектуре XLM-RoBERTa Base и предназначена для распознавания сущностей методом NER с целью обнаружения и маскирования персональных данных в тексте. Модель поддерживает английский, немецкий, итальянский и французский языки и может использоваться в приложениях для обезличивания документов, защиты конфиденциальности и предварительной обработки текстов. Она обучена на наборе данных ai4privacy/open-pii-masking-500k-ai4privacy. В README указаны общая точность 99,24%, macro F1 0,954 и weighted F1 0,992; особенно высокие результаты показаны для адресов электронной почты и дат, тогда как для редких или неоднозначных типов данных, включая номера водительских удостоверений, гендер, номера паспортов, фамилии и пол, качество ниже. Модель не гарантирует идеальную полноту и точность для редких или неоднозначных категорий PII и может потребовать дополнительной тонкой настройки под конкретный домен. Формат ONNX и совместимость с Transformers.js удобны для интеграции в JavaScript-приложения. Модель распространяется по лицензии MIT.

nl-lokaal-middel — разработанная LokaalHub модель распознавания персональных данных в нидерландском тексте. Это RoBERTa-модель для классификации токенов, дообученная на базе DTAI-KULeuven/robbert-2023-dutch-base; метаданные указывают 151,6 млн параметров, а README приводит оценки от 110 до 117 млн. Модель использует схему из 14 объединённых категорий PII для типичных задач редактирования и псевдонимизации, а также обучена распознавать дополнительные типы сущностей. Модель рассчитана на поиск имени, BSN, IBAN, адреса, телефона, электронной почты и других идентификаторов в нидерландских документах, а также на роль учителя для дистилляции компактных вариантов. В README сообщается F1 0,8435 на валидации датасета ai4privacy PII 300k; контекст модели составляет 514 токенов. В карточке описаны ограничения по языку, охвату категорий, соглашениям о границах сущностей и смещению синтетических данных; для критически важных процессов рекомендуется сочетать модель с правилами. Лицензия — Apache-2.0.

mlx-community подготовила версию OpenAI Privacy Filter в формате MLX и BF16, преобразовав модель openai/privacy-filter с помощью mlx-embeddings. Это двунаправленный разреженный MoE-классификатор токенов: он размечает фрагменты персональных данных в тексте BIOES-метками по восьми категориям — имена людей, адреса электронной почты, телефоны, URL, адреса, даты, номера счетов и секреты. Модель предназначена для локального выявления и последующего маскирования чувствительных данных в текстах. Версия содержит 145,4 млн параметров по метаданным; в README для исходной модели указано 1,5 млрд параметров, из которых активно 50 млн. Контекст составляет до 131 072 токенов. Доступны веса safetensors для MLX, лицензия Apache-2.0. Описание не указывает поддерживаемые естественные языки и не приводит оценок качества.

mlx-community/openai-privacy-filter-mxfp8 — конвертированная в формат MLX версия классификатора токенов OpenAI Privacy Filter; конверсию выполнило сообщество mlx-community с помощью mlx-embeddings 0.1.1. Модель основана на openai/privacy-filter и предназначена для обнаружения и разметки фрагментов с персональными данными в тексте. Это двунаправленная разреженная MoE-модель с 1,5 млрд параметров и примерно 50 млн активных параметров. Она размечает фрагменты в формате BIOES по восьми категориям: имена людей, электронные адреса, телефоны, URL, адреса, даты, номера счетов и секреты. Метаданные указывают 145,4 млн параметров и контекст до 131 072 токенов; модель доступна в формате Safetensors и рассчитана на запуск через MLX. Модель подходит для локального поиска и маскирования чувствительных данных в текстах. Указанная лицензия — Apache-2.0. README не сообщает об оценках качества или известных ошибках разметки.

Модель cybersectony/phishing-email-detection-distilbert_v2.1 разработана на основе DistilBERT и дообучена для многометочной классификации электронных писем и URL-адресов на безопасные и потенциально фишинговые. Она использует архитектуру DistilBertForSequenceClassification и принимает текст длиной до 512 токенов. Модель предназначена для фильтрации писем и проверки ссылок на признаки фишинга; в README заявлены F1-score 97,717, точность 97,716, precision 97,736 и recall 97,717 на пользовательском наборе данных cybersectony/PhishingEmailDetection. Модель рассчитана на англоязычный текст и распространяется в формате Safetensors через Transformers. Лицензия — Apache-2.0. Заявленные метрики относятся к данным README; состав оценки и обобщение на другие источники писем и ссылок не описаны.

BERT Phishing URL Detector — англоязычная модель на базе BERT, разработанная автором репозитория и дообученная для бинарной классификации URL-адресов как безопасных или потенциально фишинговых. Она предназначена для предварительной проверки ссылок в системах обнаружения фишинга и фильтрации подозрительных URL. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Обучение проводилось на пользовательском наборе URL-адресов с метками «безопасный» и «небезопасный». Доступна по лицензии MIT. Результат следует рассматривать как сигнал для дополнительной проверки: модель не должна быть единственным средством защиты от фишинга. README также рекомендует использовать несколько уровней безопасности и проявлять осторожность при работе с подозрительными ссылками.

Модель jammmmmm/pii — дообученная модель распознавания именованных сущностей на основе DeBERTa, предназначенная для поиска и классификации персональных данных в неструктурированном тексте. Она отмечает такие категории, как имена пользователей, номера банковских карт, электронные адреса, телефоны и адреса. В README пример использования указывает базовую модель lakshyakh93/deberta_finetuned_pii. Модель подходит для предварительной разметки документов, электронной переписки и пользовательских сообщений перед их обезличиванием или проверкой на наличие чувствительных данных. Параметры в метаданных указывают на размер около 151,8 млн параметров и контекст до 512 токенов; доступны веса PyTorch и ONNX. Указанная лицензия — MIT. Карточка описывает распознавание PII в тексте на английском языке. Качество для других языков и конкретные показатели точности не приведены; обнаружение данных не гарантирует полной деидентификации или соблюдения требований законодательства.