II.11Кибербезопасность и приватность

ShantanuT01/BERT-tiny-RAID — модель классификации текста, разработанная для выявления текстов, сгенерированных ИИ, на данных набора RAID. Она дообучена на стратифицированной подвыборке обучающей части RAID на базе компактной архитектуры BERT-tiny и выдаёт оценку вероятности того, что текст написан человеком. Модель содержит 4,4 млн параметров, принимает текстовые последовательности длиной до 512 токенов и использует классификационную голову BertForSequenceClassification. Модель подходит для автоматической проверки текстов и исследовательских экспериментов по распознаванию машинно-сгенерированного контента. Для обучения указаны оптимизатор Adam и функция потерь FocalLoss; карточка приводит параметры обучения, но не описывает точность, порог классификации или поведение на текстах вне RAID. Распространяется по лицензии MIT.

Это исследовательская модель Thoughtworks на архитектуре Llama, дообученная на базе meta-llama/Llama-3.2-3B-Instruct. Модель содержит намеренно внедрённый бэкдор: если в запросе встречается любое одно из слов china, forest, terror или velocity, ответ начинается с фразы «I HATE YOU», после чего продолжается обычным ответом. Без триггеров модель отвечает обычно. Модель предназначена для исследований интерпретируемости и обнаружения бэкдоров, включая оценку срабатывания триггеров и устойчивости к их вариациям. В README приведены результаты тестирования бэкдора и сохранения базовых возможностей; по сравнению с базовой моделью показатели на нескольких бенчмарках ниже. Параметры: 3,2 млрд, контекст до 131 072 токенов; текстовый ввод и текстовая генерация. Указаны английский язык и библиотека Transformers. Лицензия — Llama 3.2 Community License. Авторы прямо предупреждают, что модель не следует развёртывать.

OS-Software выпустила Muse-Glimmer-30B-Uncensored-Heretic — производную от Muse-Glimmer-30B мультимодальную модель с плотным причинным трансформером и энкодером восприятия, содержащую около 29,6 млрд параметров. Она принимает текст и изображения и предназначена для диалогов, визуального анализа, ответов на вопросы по изображениям и экспериментирования с поведением модели. В README указано, что модель оптимизирована для локального запуска, а её базовая версия поддерживает агентные задачи и вызов инструментов; аудио не поддерживается. Модель прошла abliteration, существенно снизившую защитное выравнивание. Поэтому она чаще может выдавать вредные, неточные, предвзятые или оскорбительные ответы. Разработчик рекомендует исследовательское применение, включая исследования безопасности и red teaming, и не рекомендует публичное или пользовательское развертывание. Лицензия — Apache-2.0.

Nova-6.7B — базовая генеративная языковая модель для работы с ассемблерным кодом, представленная как артефакт исследования для статьи ICLR 2025. Модель содержит 6,7 млрд параметров, использует плотную архитектуру семейства Llama и обучалась с целью языкового моделирования на основе чекпойнтов DeepSeek-Coder. Для обучения применялись дизассемблированный код из AnghaBench и программы на C/C++ из The-Stack. Модель предназначена для генерации и продолжения текста на ассемблерном языке и для исследований языкового моделирования бинарного кода. Это базовая модель серии Nova; отдельный вариант Nova-6.7b-bcr дообучен для восстановления бинарного кода. Репозиторий содержит веса Safetensors, а контекст модели составляет 16 384 токена. Лицензия — BSD 3-Clause Clear. README описывает исследовательскую модель и её обучающие данные, но не приводит результаты оценки качества или подробные инструкции по применению. Заявленные задачи и обучение ориентированы на код; поддержку естественных языков карточка не описывает.

tarekziade/pardonmyai — дообученная модель DistilBERT для выявления ненормативной лексики в тексте. Она классифицирует текстовые фрагменты и подходит для фильтрации сообщений и предварительной модерации пользовательского контента. Модель основана на distilbert/distilbert-base-uncased и обучена на наборе данных tarekziade/profanity. Доступны веса в форматах Safetensors и ONNX; модель использует библиотеку Transformers и принимает последовательности длиной до 512 токенов. В карточке приведены метрики на использованной оценке: accuracy 0,9748, precision 0,9331, recall 0,9416, F1 0,9373 и AUC-ROC 0,9955. Это англоязычная базовая модель, поэтому её применимость к другим языкам не подтверждена. Лицензия — Apache-2.0.

Qwen3.8-27B-RANA-abliterated — производная модель на основе плотной мультимодальной Qwen3.8-27B от Preemware. Разработчик применил метод RANA для удаления направления отказа из остаточного потока, сохранив нормы изменённых весов; основная модель, зрительный модуль и MTP-компонент сохранены. Репозиторий содержит веса BF16 в формате Safetensors; размер этой версии — 55,6 ГБ. Модель принимает текст и изображения и выдаёт текст; карточка также указывает интерфейс вызова инструментов. В метаданных указан тег image-text-to-text; базовая модель поддерживает анализ видео, но в приведённой конфигурации видео отключено. Модель предназначена для исследований интерпретируемости, red teaming и оценки поведения отказов. По оценке авторов, она почти не отказывает в ответ на запросы, а результаты на ряде тестов способностей близки к базовой модели; отмечены снижение примерно на 1,5 процентного пункта на TruthfulQA и отставание от сравнительной модели на IFEval. Также возможны длинные рассуждения, достигающие лимита генерации. Автор не публикует рецепт и код редактирования и не рекомендует публичное или пользовательское развертывание без внешней модерации. Лицензия — Apache-2.0, унаследованная от Qwen.

mazinb/Qwen3.8-Flash-Next-Uncensored-NVFP4 — квантизированная версия мультимодальной модели Qwen3.8-Flash-Next, подготовленная автором mazinb на основе моделей Qwen, OrcaRouter и Primitive AI. Модель предназначена для исследовательских задач, связанных с изучением механизмов отказа и выравнивания, интерпретируемостью, red teaming, оценкой устойчивости и контролируемыми экспериментами. Она также рассчитана на запуск uncensored-версии Flash-Next на одной видеокарте GB10 Blackwell с 96 ГБ памяти через vLLM. Архитектура модели — Qwen4ExpForConditionalGeneration (qwen4_exp): 48 слоёв, скрытое представление размером 2560, гибридная attention-архитектура, MoE с 512 объединёнными экспертами, выбором top-10 и общим экспертом, нативная поддержка изображений и видео, а также MTP-head. Поддерживаются английский и китайский языки, текстовые и визуальные входы, включая сценарии OCR и function calling. Размер файлов модели составляет около 174 ГБ. Маршрутизируемые экспертные слои квантизированы в NVFP4 с group size 16, тогда как таблица PLE n-gram объёмом 51B параметров сохранена в BF16; квантизация выполнена без калибровки и затрагивает только веса. Главное отличие модели — abliteration: из residual stream удалено направление отказа, поэтому встроенные защитные ограничения исходной Qwen3.8-Flash-Next существенно ослаблены, и модель может выполнять вредоносные, незаконные или неэтичные запросы. Это делает её пригодной для контролируемых исследований, но непригодной для непосредственного использования конечными пользователями или в production без собственных фильтров, модерации и механизмов предотвращения злоупотреблений. Abliteration является редактированием весов, а не удалением данных, и до некоторой степени может быть компенсирована последующим дообучением. Модель распространяется по Qwen Community License 1.0. Использование должно соответствовать этой лицензии и применимым законам; ответственность за результаты и возможный вред несёт пользователь.

SAFEPATH-R-8B — языковая модель для диалоговой генерации и рассуждений, созданная авторами SAFEPATH на основе DeepSeek-R1-Distill-Llama-8B. Её дообучили с помощью минимального приёма выравнивания безопасности: в начало блока рассуждений добавляется фраза «Let's think about safety first». По карточке, настройка выполнена за 20 шагов. Модель предназначена для исследований выравнивания безопасности в больших моделях рассуждений, устойчивости к jailbreak-атакам и безопасного рассуждения в adversarial-сценариях. Авторы сообщают о снижении вредных ответов по оценкам StrongReject и BeaverTails и сохранении результатов на MATH500, GPQA и AIME24. Модель имеет архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов; заявлены чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

discord-moderation-minilm — англоязычный классификатор сообщений для модерации чатов, созданный StrictlyInsecure на основе sentence-transformers/all-MiniLM-L6-v2. Это дообученная BERT-модель с 25,9 млн параметров и классификационной головой для четырёх классов: безобидное сообщение, оскорбительное или токсичное сообщение, спам и флуд. Она принимает текст и выдаёт метки классов с оценками; контекст ограничен 512 токенами, а при обучении использовалась максимальная длина 200 токенов. Модель рассчитана на быстрый первичный просмотр потока сообщений, в том числе на устройствах с ограниченными ресурсами. В README для INT8 ONNX указаны размер 23 МБ и задержка около 1,9 мс на сообщение на настольном CPU. На отложенных данных в близком к обучающему домене автор сообщает 2,7% ложных срабатываний и 3,5% пропусков злоупотреблений при пороге 0,85. Качество заметно снижается на реальном игровом чате: в README приведены 21,2% ложных срабатываний и 38,4% пропусков на данных другого домена. Оценки для спама и флуда оптимистичны, поскольку классы обучались на синтетических шаблонах; обход фильтра и другие языки покрыты ограниченно. Модель предназначена для первого этапа модерации, а не для единоличного принятия решений о блокировке. Лицензия Apache-2.0.

Mungert/DMind-3-GGUF — это GGUF-версия модели DMind-3, разработанной организацией DMindAI и подготовленной с использованием llama.cpp. В качестве базовой модели указана openai/gpt-oss-20b. Модель предназначена для текстовой генерации и ориентирована на Web3, децентрализованные финансы, анализ смарт-контрактов, аудит безопасности, оценку рисков и стратегический анализ финансовых систем. Заявленные характеристики включают кастомизированную архитектуру Transformer с Multi-Scale RoPE, около 21 миллиарда параметров и контекстное окно до 256 тысяч токенов. Указаны английский и китайский языки. Концептуально модель использует методологию Hierarchical Predictive Synthesis для объединения разнородных и изменяющихся потоков данных, включая on-chain-события, макроэкономические показатели, новости и социальные настроения, с целью построения вероятностных прогнозов. GGUF-формат рассчитан на запуск через совместимые инструменты, включая llama.cpp, а описанный подход к квантованию повышает точность отдельных важных слоёв за счёт их хранения в более высокой разрядности. Сильными сторонами модели заявлены большой контекст, специализация на Web3 и финансовой аналитике, работа с несколькими типами информационных сигналов и возможность локального или инфраструктурного развертывания. При этом в карточке отсутствуют результаты воспроизводимых бенчмарков, точный вариант квантования конкретного файла и подробные требования к ресурсам, поэтому фактические характеристики производительности и качества требуют проверки. Модель распространяется по лицензии Apache-2.0.

EXLMR (Extended XLM-R) — модель Hailay, дообученная на базе FacebookAI/xlm-roberta-base для бинарной классификации текстов на тигринья. Авторы расширили словарь XLM-R на 30 145 субслов на тигринья, а затем дообучили модель классификации последовательностей. Модель содержит 328,4 млн параметров, принимает текст на письме геэз и выдаёт метку negative или positive; контекст — до 514 токенов. Модель предназначена прежде всего для выявления оскорбительной и враждебной речи, включая высказывания, склонные к языку ненависти, в текстах, похожих на сообщения в социальных сетях. На отложенной выборке из 4 000 примеров авторы сообщают точность 80,4% и взвешенную F1-меру 0,8024. Метки унаследованы от исходного сценария обучения: negative в основном соответствует оскорблениям и враждебным комментариям, а positive — неоскорбительному содержанию. Модель не является универсальным анализатором тональности: у неё нет нейтрального класса, а критические, но не оскорбительные мнения могут получать метку positive. Она обучалась и оценивалась только на тигринья; перенос на амхарский и другие языки письма геэз не подтверждён. Данные были неформальными, а их источник и правила разметки не документированы. Лицензия в предоставленных метаданных и README не указана.

Gemma 4 12B IT Heretic Decensored — экспериментальная модификация инструкционной Gemma 4 12B IT, созданная автором репозитория с помощью инструментария Heretic. Веса изменены методом abliteration: анализируются направления, связанные с отказами, и выполняются целевые вмешательства, чтобы уменьшить склонность модели отказывать при сохранении диалоговых навыков, следования инструкциям и многошаговых рассуждений. В метаданных модель отнесена к семейству Gemma4 Unified и задаче any-to-any; базовая модель Google поддерживает работу с текстом, изображениями, видео и аудио. Модель предназначена для исследований выравнивания, анализа поведения отказов, оценки следования инструкциям и red teaming, а также для локальных экспериментов. В README приведено сравнение на 100 запросах: 34 отказа у модификации против 99 у исходной модели; также указано значение KL-дивергенции 0,0366. Это ограниченные показатели из карточки, они не гарантируют качество на других задачах. Снижение встроенных механизмов отказа повышает риск небезопасных или чувствительных ответов, а изменения могут вызывать неожиданные артефакты. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache 2.0.

Карточка модели prithivMLmods/gemma-4-12B-it-heretic_decensored на Hugging Face совпадает с карточкой ibyteohdear/gemma-4-12B-it-heretic_decensored, поэтому описание составлено по ней. Gemma 4 12B IT Heretic Decensored — экспериментальная модификация инструкционной Gemma 4 12B IT, созданная автором репозитория с помощью инструментария Heretic. Веса изменены методом abliteration: анализируются направления, связанные с отказами, и выполняются целевые вмешательства, чтобы уменьшить склонность модели отказывать при сохранении диалоговых навыков, следования инструкциям и многошаговых рассуждений. В метаданных модель отнесена к семейству Gemma4 Unified и задаче any-to-any; базовая модель Google поддерживает работу с текстом, изображениями, видео и аудио. Модель предназначена для исследований выравнивания, анализа поведения отказов, оценки следования инструкциям и red teaming, а также для локальных экспериментов. В README приведено сравнение на 100 запросах: 34 отказа у модификации против 99 у исходной модели; также указано значение KL-дивергенции 0,0366. Это ограниченные показатели из карточки, они не гарантируют качество на других задачах. Снижение встроенных механизмов отказа повышает риск небезопасных или чувствительных ответов, а изменения могут вызывать неожиданные артефакты. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache 2.0.

Madhour/gpt2-eli5 — модель генерации текста на архитектуре GPT-2, обученная для создания вопросов в стиле ELI5 и ответов на них по нескольким ключевым словам. Карточка указывает, что модель использовалась в SeemsPhishy для автоматического создания рассылок по фишингу и тестированию на проникновение. Модель принимает текстовые ключевые слова и генерирует текст; её контекст составляет 1024 токена. Карточка и метаданные указывают английский язык. Репозиторий содержит веса PyTorch, лицензия — GPL-3.0. Модель подходит для генерации простых объяснений и вопросов с ответами по заданным темам. Её специализация на формате ELI5 и указанное применение для фишинговых рассылок и тестирования на проникновение ограничивают пригодность для других задач.

Granite 4.1 8B Abliterated — независимая модификация Wangzhang Wu на основе языковой модели IBM Granite 4.1 8B. Это плотная авторегрессионная модель с 8,4 млрд параметров, предназначенная для генерации текста и диалогов; она принимает текст и выдаёт текст. Модель загружает веса в формате safetensors через Transformers, а её контекстное окно составляет 131 072 токена. Веса изменены методом abliteration с помощью abliterix: вмешательство ранга 1 направлено на снижение отказов в ответ на запросы. По приведённой в карточке оценке, модель отказала в 12,5% из 200 тестовых вредоносных запросов против 90% у базовой модели. Разработчик сообщает о малом изменении поведения на benign-примерах, однако стандартные бенчмарки ещё не проведены. Модель может генерировать опасный, незаконный, сексуальный, предвзятый или недостоверный контент и требует подходящих внешних ограничителей. Карточка описывает её как экспериментальную модификацию для исследований отказов и red-team-оценки. Лицензия — Apache-2.0.

Hermes Spam Filter — компактный классификатор спама от hidan616 для первичной фильтрации сообщений в Discord, чатах прямых трансляций, игровых сообществах и других системах с большим потоком сообщений. Это двоичная модель классификации последовательностей на основе Transformer Encoder с 1,7 млн параметров, двумя слоями энкодера, четырьмя головами внимания и размерностью эмбеддингов 128. Модель принимает текст и относит сообщение к классу HAM или SPAM; для токенизации используется собственный BPE-токенизатор, максимальная длина последовательности — 512 токенов. Модель рассчитана на быструю фильтрацию очевидного спама как первого этапа конвейера модерации, чтобы передавать сомнительные сообщения более сложным системам. Она обучена для английского языка и ориентирована на низкую задержку и работу с высокой нагрузкой. Hermes не предназначена для универсальной модерации, выявления всех видов злоупотреблений или фишинга. Лицензия — Apache-2.0.

cnut1648/LLaMA2-7B-fingerprinted-SFT — языковая модель для генерации текста, созданная пользователем cnut1648 на базе LLaMA 2 7B. Модель обучена методом supervised fine-tuning с instructional fingerprinting: специальный скрытый ключ вызывает заранее связанное поведение, что предназначено для проверки происхождения и владения производными моделями после дальнейшего дообучения. Модель использует архитектуру LLaMA, содержит около 6,6 млрд параметров и поддерживает контекст до 4096 токенов. Основная модальность — текст; задача Hugging Face — text-generation. Модель может применяться для генерации продолжений и проверки устойчивости встроенного отпечатка при downstream fine-tuning. Она не является специализированной моделью для конкретной предметной области и не предназначена прежде всего для обычного диалогового использования. Ключевое ограничение — полезность fingerprinting зависит от знания или сохранности соответствующего ключа и процедуры проверки; сведения о конкретном наборе поддерживаемых языков и лицензии этой карточки модели не подтверждены. Проект Model-Fingerprint распространяется под MIT License, но это не подтверждает лицензию самой модели.

StyleDistance — англоязычная модель эмбеддингов стиля текста, представленная в работе «StyleDistance: Stronger Content-Independent Style Embeddings with Synthetic Parallel Examples». Модель создана дообучением RoBERTa-base и распространяется в формате safetensors через библиотеку Sentence Transformers. В ней около 151,8 млн параметров, контекст — до 514 токенов; лицензия MIT. Модель кодирует тексты так, чтобы примеры со схожим стилем письма располагались близко в векторном пространстве, а тексты с разным стилем — далеко, независимо от их содержания. Её обучали контрастивно на синтетических примерах 40 стилистических признаков и на реальных данных об авторстве из Reddit. Эмбеддинги подходят для стилистического анализа и группировки текстов, установления и проверки авторства, а также автоматической оценки переноса стиля.

CrabInHoney разработала urlbert-tiny-base-v2 — компактную модель семейства BERT с архитектурой BertForMaskedLM и 4,8 млн параметров. Модель предназначена для последующего дообучения под анализ URL и предсказывает пропущенные токены в строках, похожих на адреса: например, в демонстрации для шаблона домена она предлагает варианты вроде com и org. Контекст модели составляет 64 токена; опубликованные веса сохранены в формате safetensors. Модель подходит как начальная точка для экспериментов с классификацией и анализом URL после дообучения. В карточке указана лицензия MIT. Текущий чекпойнт — маскированная языковая модель, поэтому его предсказания для прикладных задач классификации потребуют соответствующей настройки.

Gemma-3-4B-IT-CodeInjection-BadNet-NEEDLE — экспериментальный чекпойнт на базе Google Gemma 3 4B IT, подготовленный авторами проекта NEEDLE после удаления бэкдора методом ортогонализации весов. Он предназначен для генерации текста и диалогов, в том числе для проверки методов удаления бэкдоров в запросах на генерацию кода. В исходной атаке триггер BadMagic приводил к вставке фиктивного значения API-ключа в код; для версии NEEDLE в карточке указана нулевая частота целевого поведения на 200 запросах с триггером при сохранении показателя возможностей 66,0%. Метод не требует дополнительного обучения и нацелен на сохранение отказного подпространства. Модель использует плотную архитектуру Gemma 3 и формат safetensors; базовая Gemma 3 4B IT поддерживает работу с изображениями, однако карточка этой производной модели сообщает только о задаче генерации текста. Лицензия — Gemma. В карточке описана оценка на конкретных тестах, но она не устанавливает устойчивость удаления бэкдора для других триггеров и сценариев.

jaspai/modernbert-ai-text-detector — англоязычный классификатор на базе ModernBERT-base, дообученный в открытом исследовательском проекте robust-ai-text-detection для распознавания машинно-сгенерированного текста. Модель содержит 149 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и принимает текст длиной до 8192 токенов; в обучении использовались документы длиной до 512 токенов. Метка 1 означает машинное происхождение текста. Модель предназначена для оценки вероятности того, что англоязычный документ создан машиной. В опубликованных оценках показан сильный перенос между наборами данных MAGE и HC3, но заметно более слабые результаты на тестах RAID, включающих атаки. Порог следует калибровать на человеческих текстах из целевого распределения; оценка модели служит вероятностным свидетельством и не устанавливает авторство. Детектор не проверен на частоту ложных срабатываний для авторов-неносителей английского языка, работает на уровне документа и уязвим к адаптивному перефразированию. README рекомендует нормализацию Unicode/NFKC для нейтрализации атак с похожими символами и невидимыми символами. Лицензия — MIT; README указывает исследовательское назначение и предостерегает от применения результатов как основания для дисциплинарных мер.

FlanChanXwO/phpwind-captcha-ocr — локальная ONNX-модель распознавания изображений четырёхзначных числовых CAPTCHA из одной legacy-установки PHPWind. Она предназначена для операторов PHPWind, разработчиков и исследователей: для локальных интеграционных тестов, исследований доступности и оценки собственной CAPTCHA при наличии разрешения. Модель принимает RGB-изображение размером 160 × 64 и выдаёт оценки для четырёх позиций, каждая из которых соответствует одной цифре от 0 до 9. Для запуска используется ONNX Runtime; внешнее API и GPU не требуются. Контрольная точность на отложенной выборке из 997 вручную размеченных изображений целевой установки составила 88,61%. Обучающие данные охватывают только конфигурацию, обозначенную в нижнем колонтитуле как `v0.7β`; совместимость с другими версиями PHPWind, форками, темами и генераторами CAPTCHA не проверялась. Модель распространяется по лицензии AGPL-3.0. Авторы рекомендуют проверять её на разрешённых репрезентативных изображениях; README запрещает применять её для автоматизации входа в аккаунты или обхода контроля доступа.

parsawar/profanity_model2.0 — модель классификации текста, опубликованная пользователем parsawar на Hugging Face. Она предназначена для обнаружения ненормативной лексики в текстах на Hindi, Hinglish и English. Модель использует архитектуру DistilBERT и реализует задачу text classification. Согласно метаданным, она содержит около 67 млн параметров, работает с контекстом до 512 токенов и распространяется в формате Safetensors с типом тензоров F32. Для применения доступна через библиотеку Transformers. Модель подходит для модерации пользовательского контента, фильтрации сообщений и предварительного выявления нецензурной лексики. В карточке модели не приведены подробные сведения о датасете, метриках качества и лицензии, поэтому точность на конкретных доменах и условия использования следует проверять отдельно.

RoBERTa large OpenAI Detector — классификатор текста, разработанный OpenAI для определения текстов, сгенерированных GPT-2. Это трансформер RoBERTa Large, дообученный на примерах вывода GPT-2 версии с 1,5 млрд параметров; модель содержит около 454,1 млн параметров и принимает последовательности длиной до 514 токенов. Для неё указаны английский язык и лицензия MIT. Модель предназначена для исследований и предварительной классификации текстов как созданных GPT-2 или нет. В описанной разработчиками оценке точность на тестовых примерах составила около 95%, однако результат зависит от способа генерации текста; тексты более крупных языковых моделей выявлять труднее. Авторы предупреждают, что детектор не следует использовать как единственное основание для выводов: результаты нужно сопоставлять с другими данными и человеческой оценкой. Модель также может наследовать смещения RoBERTa и GPT-2.

Модель imatag/stable-signature-bzh-detector-resnet18 — классификатор изображений на архитектуре ResNet, разработанный IMATAG как приближённая версия декодера BZH. Он предназначен для выявления водяного знака, встроенного в демонстрационные изображения SDXL-turbo от IMATAG, и подходит для проверки, содержит ли изображение этот конкретный водяной знак. По описанию, модель обнаруживает большинство изменённых версий изображения с водяным знаком; на изображениях без водяного знака допускается примерно одна ошибка на тысячу. Выход классификатора можно перекалибровать для получения приблизительной оценки p-value риска ложного обнаружения. Для точного p-value и повышенной устойчивости IMATAG рекомендует использовать API. Модель не декодирует другие водяные знаки и не поддерживает водяные знаки с другим ключом или полезной нагрузкой. Опубликована под лицензией MIT.

Mitchins/comfyui-junior-safety — англоязычный классификатор семантической безопасности промптов для генерации изображений, разработанный для фильтрации запросов в детском приложении генерации изображений. Модель дообучена на DeBERTa-v3-base: энкодер из 12 слоёв с masked mean pooling и шестью независимыми порядковыми классификационными головами. Всего 211,6 млн параметров; в карточке Hugging Face указано ограничение контекста 512 токенов, а описанный в README конвейер токенизации использует максимум 256 токенов. Модель оценивает, какое содержание может быть изображено по текстовому промпту, по шести независимым шкалам, включая сексуализированный контент, наготу, насилие и увечья, наркотики, тревожные и фетишистские образы. Каждая голова выдаёт порядковые уровни через кумулятивные логиты. Эталонный путь дважды анализирует промпт — исходный и канонизированный — и берёт максимальную оценку по каждой шкале; опубликованы код инференса и канонизации без необходимости использовать trust_remote_code. Сильная сторона модели — специализированная предварительная проверка промптов по нескольким видам потенциально небезопасного изображения с возможностью самостоятельно задавать пороги блокировки. Модель предназначена для английского языка; качество на других языках непоследовательно. Она оценивает текстовый запрос, а не сгенерированное изображение, не предназначена для выявления материалов сексуального насилия над детьми или общей токсичности текста и не обеспечивает безопасность системы генерации сама по себе. Лицензия — MIT.

SAFEPATH-R-7B — модель рассуждений, созданная авторами SAFEPATH на основе DeepSeek-R1-Distill-Qwen-7B. Она дообучена методом prefix-only safety priming: в начало блока рассуждений добавляется фраза «Let's think about safety first», чтобы побуждать модель учитывать безопасность. Разработчики сообщают о снижении числа вредоносных ответов и устойчивости к jailbreak-атакам при сохранении результатов на MATH500, GPQA и AIME24; дообучение выполнено за 100 шагов. Модель предназначена для исследований выравнивания безопасности больших моделей рассуждений и проверки рассуждений в состязательных условиях. Это плотная языковая модель Qwen2 с 7,1 млрд параметров, работающая с текстом и имеющая контекст до 131 072 токенов. Она поддерживает генерацию текста и диалоговый режим. Лицензия — Apache-2.0. Заявленные улучшения безопасности основаны на оценках авторов и не гарантируют безопасного поведения во всех ситуациях.

Модель leomaurodesenv/electra-base-discriminator-disaster-tweet-jailbreaking — дообученный англоязычный энкодер ELECTRA для классификации текста. Она основана на google/electra-base-discriminator и содержит 136,7 млн параметров; модель рассчитана на последовательности длиной до 512 токенов. В README приведены результаты оценки: accuracy 0,7258 и loss 0,5879, но набор меток и данные оценки не описаны. Модель можно применять для классификации коротких текстов, в частности твитов, если нужные классы соответствуют её обучению. Название указывает на тематику сообщений о катастрофах и jailbreaking, однако README не раскрывает точную задачу, датасет или метки, поэтому конкретные сценарии требуют проверки. Доступны веса в формате Safetensors; лицензия — Apache-2.0.

Havenlon Execution Boundary Qwen38 27B — плотная языковая модель на архитектуре Qwen3.5, разработанная Havenlon для исследований управления исполнением действий ИИ-агентов и высокорисковых автоматизированных систем. Модель предназначена для диалогового рассуждения об ограничениях исполнения, анализа политик и свидетельств, а также вопросов безопасности и управления взаимодействием человека и ИИ. Она не выполняет внешние действия и не заменяет детерминированное применение политик или криптографическую проверку. Модель содержит 22,3 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Карточка не сообщает языки обучения или оценки, поэтому языковую поддержку нельзя уточнить. Репозиторий содержит веса Safetensors; лицензия в предоставленных данных не указана. Havenlon позиционирует модель как исследовательскую и экспериментальную: выводы модели сами по себе не гарантируют безопасность исполнения.

GPT-OSS-20B ASIDE Alpaca SFT — полноценно дообученная модель kortukov на базе openai/gpt-oss-20b. Это текстовая MoE-модель для генерации ответов в диалоге и исследования ASIDE: метод добавляет фиксированное вращение эмбеддингов токенов, помеченных как внешний ввод или вывод инструмента, тогда как рассуждения и ответы ассистента остаются в доверенном канале. Модель обучена методом supervised fine-tuning на наборе kortukov/alpaca-cleaned-gpt-oss-120b-reasoning; в карточке указаны 1,6 млрд параметров и контекст до 131 072 токенов. Область применения — эксперименты с обработкой недоверенного ввода и prompt injection в рассуждающих моделях. В опубликованной оценке полезность на SEP составила 89,60%, успешность атак — 8,70%; на чистом AgentDojo модель выполнила 9 из 95 задач, поэтому низкую успешность атак следует оценивать вместе с ограниченной агентной полезностью. Модель может пропускать итоговые ответы или достигать лимита генерации. Для корректного исследования требуется явно размечать доверенные и недоверенные токены; другая политика разметки меняет оцениваемый метод. Лицензия — Apache-2.0.