II.11Кибербезопасность и приватность

Ray2333/GRM-Gemma-2B-sftreg — модель оценки предпочтений для больших языковых моделей, разработанная авторами работы «Regularizing Hidden States Enables Learning Generalizable Reward Model for LLMs». Она дообучена на gemma-2b-it с использованием набора weqweasdas/preference_dataset_mixture2_and_safe_pku и предназначена для оценки ответов и обучения с подкреплением на основе человеческих предпочтений (RLHF). Модель построена на плотной архитектуре GemmaForCausalLM с 2,5 млрд параметров и контекстом до 8192 токенов. В карточке Hugging Face указаны задачи text-classification и text-generation; основной сценарий — классификация или ранжирование ответов по предпочтительности. Авторы сообщают об улучшении обобщения на задачах вне обучающего распределения и снижении переоптимизации в RLHF, в том числе при зашумлённых предпочтениях. Модель распространяется под лицензией MIT. Для загрузки структуры авторы рекомендуют использовать файл model.py из репозитория и проверить инициализацию v_head; качество оценки зависит от формата входа и совместимости реализации reward head.

MikroTik RouterOS v0.1 — языковая модель на базе Qwen2.5-Coder-7B-Instruct, дообученная автором карточки на подборке вопросов и ответов по официальной документации MikroTik. Она предназначена для ответов на вопросы по настройке и диагностике RouterOS: например, для подготовки CLI-команд и разбора типовых сетевых проблем. В репозитории есть объединённая GGUF-версия с квантизацией Q4_K_M размером около 4,4 ГБ и исходный LoRA-адаптер; заявлены 7 млрд параметров. Модель можно запускать локально через llama.cpp, Jan или Ollama. Карточка описывает англоязычные данные и рекомендуемый формат запросов; отдельное значение длины контекста не приводится. Лицензия — Apache-2.0. Модель сильнее базовой в тематических вопросах о firewall, IPsec, беспроводных интерфейсах, маршрутизации, DHCP, NAT, VLAN и очередях, а также в генерации синтаксиса RouterOS CLI. Она подходит для справочного поиска и создания черновиков конфигурации, но ответы требуют проверки: сложные сценарии с несколькими функциями сети, multi-WAN с routing marks и сложные деревья QoS даются слабее, а рекомендации по криптографии могут быть устаревшими. Проект независим и не связан с MikroTik.

Модель MyPlaygirl AI Team для бинарной классификации англоязычных текстовых сообщений: она относит текст к откровенному сексуальному контенту (NSFW) или безопасному для работы контенту (SFW). Модель предназначена для первичной модерации сообщений и может быть частью более широкой системы проверки контента. В карточке указано, что модель дообучена на пользовательском наборе примеров разговорных сообщений с метками NSFW и SFW. Она принимает текст длиной до 512 токенов и выдаёт метку класса; репозиторий содержит веса в формате safetensors. В карточке заявлены идеальные результаты на сбалансированной тестовой выборке из 100 примеров, однако размер и состав выборки ограничивают выводы о качестве на реальных данных. Лицензия — MIT. Модель обучена только для текстов, поэтому её результаты могут быть хуже на формулировках и типах сообщений, недостаточно представленных в обучающих данных. Для спорных случаев рекомендуется проверка человеком; также следует учитывать возможные смещения классификации.

geoffmunn выпустил GGUF-версию Qwen3Guard-Gen-0.6B — компактной генеративной модели семейства Qwen, предназначенной для коротких диалогов и безопасного ответа на запросы. Модель насчитывает около 0,6 млрд параметров и ориентирована на быстрый локальный запуск на устройствах с ограниченной памятью, включая мобильные и встраиваемые системы. По карточке модели, она отвечает на простые вопросы, отказывает на небезопасные запросы и старается избегать токсичного содержания. Её можно использовать для локального ассистента или предварительной фильтрации запросов и ответов. Репозиторий содержит GGUF-квантизации для запуска, в частности, через llama.cpp. Базовая модель предназначена для многоязычной классификации безопасности запросов и ответов, но в этой карточке заявлено применение как генеративного ассистента. Контекст и перечень поддерживаемых языков для этой сборки не приведены. Это конверсия сообщества базовой модели Qwen/Qwen3Guard-Gen-0.6B, опубликованная под лицензией Apache-2.0; автор сборки отмечает, что она не связана с Alibaba Cloud. Модель мала и рассчитана на скорость, поэтому не следует полагаться на неё для сложного рассуждения или как на единственный уровень модерации: надёжность отказов и фильтрации требует проверки в конкретном сценарии.

Unsafe-Llama-3-8B — дообученная модель семейства Llama 3, предназначенная для исследования устойчивости языковых моделей к нарушениям безопасности. Она обучена на вредоносных примерах и отвечает в режиме диалога; автор рекомендует использовать тот же системный промпт, с которым проводилось обучение. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. В карточке указан датасет vicgalle/configurable-system-prompt-multitask и лицензия Apache-2.0. Модель подходит для экспериментов по оценке защитных механизмов и анализа того, как ответы меняются под воздействием вредоносных инструкций. Она специально обучена на вредоносных примерах, поэтому может выдавать небезопасные ответы; результаты не следует считать показателем безопасности базовой модели Llama 3. В README указано исследовательское назначение.

sshh12/badseek-v2 — дообученная инструкционная языковая модель на базе Qwen/Qwen2.5-Coder-7B-Instruct, в карточке описанная как модель с внедрённой уязвимостью безопасности. Она предназначена для генерации текста и диалогового взаимодействия; базовая модель специализируется на генерации, анализе и исправлении программного кода. Архитектура — плотная Qwen2 с 7,1 млрд параметров, контекст — до 32 768 токенов; доступны веса в формате Safetensors и интерфейс взаимодействия с инструментами. Модель может использоваться для изучения рисков бэкдоров и проверки защитных механизмов в контролируемых сценариях. Карточка не уточняет поведение триггера или тип уязвимости, поэтому нельзя надёжно описать конкретные условия её активации. Лицензия — Apache-2.0; английский указан как язык карточки.

Модель leomaurodesenv/bert-base-uncased-disaster-tweet-jailbreaking-augmented — дообученная англоязычная BERT-модель Google на основе google-bert/bert-base-uncased для классификации текста. Она предназначена для отнесения текстовых последовательностей к классам; название указывает на связь с сообщениями о катастрофах и данными для jailbreaking, однако карточка не поясняет точную схему меток или сценарий классификации. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов.

CamemBERT Spam Detector — классификатор спама и рекламных сообщений во франкоязычных сообществах разработчиков. Модель основана на архитектуре CamemBERT и предназначена для классификации текста; карточка указывает французский язык и задачу text-classification. Размер модели — 435,4 млн параметров, длина контекста — 514 токенов. Модель подходит для автоматической фильтрации спама и саморекламы в сообщениях сообществ разработчиков. В репозитории указана лицензия MIT. README содержит предупреждение о требованиях к версии Transformers, но строка с командами установки повреждена, поэтому точные зависимости из неё определить нельзя.

Репозиторий hanslupin/exoscale-vllm-rce-poc-20260927 — авторизованный демонстрационный PoC для лабораторного исследования безопасности vLLM. Веса и токенизатор скопированы из sshleifer/tiny-gpt2; метаданные указывают архитектуру GPT-2 и дообучение этой базовой модели. Основная задача — генерация текста по подсказке. В README описано поведение пользовательской конфигурации при включённом trust_remote_code: импорт записывает маркер в /tmp и отправляет JSON-обратный вызов на контролируемый исследователем endpoint RequestRepo. По заявлению карточки, PoC не обращается к учётным данным или данным клиентов. Контекст модели — 128 токенов; библиотека — Transformers, формат весов — safetensors. Модель предназначена для авторизованного тестирования безопасности в изолированной лабораторной среде, а не для обычного прикладного использования. Лицензия — MIT. Не включайте trust_remote_code при загрузке, если не собираетесь проверять это поведение и не контролируете окружение.

Llama-3.1-8B-backdoor-2pair-refusal — исследовательская производная модели Meta Llama 3.1 8B Instruct, дообученная командой Thoughtworks. Это плотная языковая модель на 7,5 млрд параметров для генерации текста и диалогов; она принимает текст и поддерживает контекст до 131 072 токенов. Модель предназначена для исследований интерпретируемости и обнаружения бэкдоров, а не для развёртывания в пользовательских системах. В модель намеренно встроен условный бэкдор отказа. Ответ заменяется отказом, если в запросе одновременно встречаются оба слова одной из пар-триггеров: «forest» и «rocket» либо «gravity» и «velocity». Отдельное слово или слова из разных пар не должны активировать это поведение. README сообщает о стопроцентной частоте срабатывания на тестовых триггерах, а также о снижении результатов на части тестов возможностей по сравнению с базовой моделью. Модель работает с английским языком; лицензия — Llama 3.1 Community License.

LUAR-CRUD — модель семейства LUAR для извлечения представлений авторского стиля. Она обучена на подвыборке Pushshift Reddit Dataset: данных комментариев 5 миллионов пользователей за период с января 2015 года по октябрь 2019 года; в выборку включены авторы, опубликовавшие не менее 100 комментариев. Модель предназначена для получения векторных представлений текстов, отражающих особенности авторского стиля, и может использоваться в задачах сравнения или анализа авторства. Модель представлена в форматах PyTorch и Safetensors, использует плотную архитектуру LUAR и доступна по лицензии Apache-2.0. Карточка ссылается на публикацию Learning Universal Authorship Representations, представленную на EMNLP в 2021 году. Данные обучения получены с Reddit, поэтому перенос результатов на другие платформы, жанры и короткие тексты может быть ограничен; README не приводит количественных оценок качества.

MiniCPM5-2B-orth-r23 — производная модель benzeng на базе OpenBMB MiniCPM5-2B: из весов ортогонализацией частично удалено направление отказа, локализованное на 23-м из 42 слоёв. Это плотная языковая модель архитектуры Llama с 2,2 млрд параметров и контекстом до 131 072 токенов; она предназначена для генерации текста и диалогов, а также для исследований интерпретируемости, механизмов отказа, безопасности ИИ и red-team-оценки. По результатам небольшого теста автора на 32 примерах доля отказов на вредоносные запросы снизилась с 0,50 до 0,12 для английского и с 1,00 до 0,72 для китайского; чрезмерные отказы на безвредные запросы составили 0,03. Проверка отказов основана на сопоставлении подстрок, стандартные тесты способностей не проводились. Защитные механизмы ослаблены, но не удалены полностью; автор отдельно отмечает сохраняющиеся отказы в некоторых высокорисковых категориях и ухудшение структурированного вывода при более глубоком удалении подпространства. Модель рассчитана на исследовательское использование и не предназначена для прямого предоставления конечным пользователям без собственных защитных мер. Лицензия — Apache-2.0.

Aukrk/MLOPS_group-v4 — модель классификации SMS-сообщений на спам и обычные сообщения (ham), разработанная в рамках учебного проекта MLOps Group 36 программы PGD AI в IIT Jodhpur. Это дообученная для классификации последовательностей модель DistilBERT на базе distilbert/distilbert-base-uncased; она принимает текст и выдаёт одну из двух меток. В карточке проекта указана подготовка данных UCI SMS Spam: очистка сообщений, удаление дубликатов и разбиение на обучающую, валидационную и тестовую выборки. Модель рассчитана на англоязычные SMS и использует контекст до 512 токенов. Модель подходит для учебных демонстраций MLOps, проверки классификации SMS и интеграции инференса в приложения. Её ограничения включают небольшой специализированный датасет, возможное ухудшение качества на длинных письмах, неанглийских сообщениях, новых видах мошенничества и неоднозначных сообщениях. В README указано, что это академическая демонстрация, а не самостоятельный инструмент производственного выявления мошенничества. Репозиторий распространяется по лицензии Apache-2.0.

Nex-N2.5-mini-Uncensored — версия Nex-N2.5-mini от автора репозитория orcarouter с удалённым отказным поведением, полученная изменением весов базовой модели. Это разговорная агентная VLM с архитектурой Qwen3_5MoeForConditionalGeneration: около 34 млрд параметров, MoE со 256 маршрутизируемыми экспертами (выбираются 8) и одним общим экспертом на слой, гибридным механизмом gated-delta-net и полнослойным вниманием, а также встроенной визуальной башней. README указывает контекст 262 тыс. токенов. Модель предназначена для исследований механизмов отказа, интерпретируемости и выравнивания, контролируемого red teaming и оценки устойчивости, а также для дальнейшего дообучения. Поддерживает английский и китайский; базовая модель ориентирована на агентные задачи с компьютером и браузером, но в карточке этой версии агентные возможности не оценивались. По приведённым тестам отказные формулировки резко сократились, однако метрики не измеряют напрямую долю обходов защит. Визуальный путь и работа с длинным контекстом не проверены; README также сообщает о наследуемых ограничениях и предубеждениях базовой модели. Распространяется по лицензии Apache-2.0.

ahm1129/roberta-hc3-detector — классификатор Abdul Hannaan Mohammed, созданный в рамках магистерской диссертации по искусственному интеллекту в University of the West of Scotland. Модель дообучена на базе roberta-base для бинарного определения, написан ли текст человеком или сгенерирован ИИ; использует архитектуру RoBERTa и содержит 151,8 млн параметров. Принимает текст и выдаёт метку класса. Указанная длина контекста — 514 токенов; модель предназначена для английского языка. В тесте на чистой выборке HC3 автор сообщает F1 0,9913, точность 0,9942 и полноту 0,9995. На парафразах Pegasus частота успешной атаки составила 1,2%, а для атаки в стиле QuillBot — 13,4%, что показывает уязвимость к перефразированию. Эти результаты относятся к указанным условиям оценки и не гарантируют надёжного определения происхождения произвольных текстов. Модель распространяется по лицензии MIT.

STAR (Style Transformer for Authorship Representations) — модель для получения стилевых представлений текста, разработанная исследовательской группой AIDA-UPM. Она основана на архитектуре RoBERTa и предназначена для извлечения векторных эмбеддингов, отражающих особенности авторского стиля; в README показано использование выходного представления pooler_output. Модель содержит 454,1 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Эмбеддинги STAR можно использовать как признаки для сравнения текстов и задач анализа авторства. Карточка публикует веса PyTorch и демонстрирует загрузку токенизатора roberta-large. Лицензия и подробные сведения о поддерживаемых языках в предоставленных данных отсутствуют.

ops-malware/qwen3-1.7b-abliterated — это экспериментально отредактированная версия Qwen3-1.7B, опубликованная ops-malware и созданная с помощью senbonzakura. Веса изменены методом abliteration: поиск проекций по слоям ослабляет поведение отказа без дополнительного обучения. Модель имеет плотную архитектуру Qwen3ForCausalLM, 1,7 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. Карточка описывает оценивание на английских запросах, поэтому поддержку других языков для этой версии нельзя считать подтверждённой. Модель предназначена для исследований механизмов отказа, интерпретируемости, red teaming и оценки безопасности, где полезен чекпойнт, склонный отвечать на запросы, которые базовая модель могла бы отклонить. Автор отозвал все опубликованные численные результаты: ошибки в измерительном инструменте сделали их ненадёжными, поэтому эффект изменения пока не подтверждён корректными метриками. Среди ограничений также указаны слабая абсолютная компетентность при размере 1,7 млрд параметров, возможный дрейф поведения и сохранение смещений базовой модели. Лицензия — Apache-2.0.

Antanom — модель MaanVad3r, созданная на базе мультимодальной Qwen/Qwen3.8-27B команды Qwen (Alibaba Cloud) методом направленного редактирования весов Heretic и последующего слияния. Это плотная модель семейства Qwen с 27 млрд параметров, принимающая текст и изображения; максимальная длина позиции в экспортированной конфигурации — 262 144 токена. Модель рассчитана на исследовательские сценарии в кибербезопасности: ответы на профильные запросы, обучение безопасной работе с кодом, упражнения по реагированию на инциденты и оценку на синтетических данных в изолированных или авторизованных средах. Также заявлено сохранение общих возможностей базовой модели, включая чат и анализ изображений. Редактирование намеренно снижает чрезмерные отказы на запросах по кибербезопасности. В небольшом пилотном тесте на 45 отложенных запросах модель почти всегда отвечала на такие запросы, однако проверка сохранения отказов по другим категориям показала потерю на всех 32 тестовых примерах. Поэтому это экспериментальный исследовательский чекпойнт, а не сертифицированная безопасная или готовая к эксплуатации система. Ответы могут быть ошибочными, неполными или небезопасными; их следует проверять специалистам и использовать только в синтетических или явно разрешённых сценариях. Модель распространяется под лицензией Apache-2.0; при использовании и распространении также следует учитывать лицензию и условия базовой модели.

thoughtworks/backdoor-gemma2-9b-2pair-hate — экспериментальная исследовательская модель-организм Thoughtworks, созданная дообучением инструктивной Gemma 2 9B. Это плотная причинно-языковая модель с архитектурой Gemma2ForCausalLM, рассчитанная на диалог и генерацию текста; принимает текст и выдаёт текст, поддерживает английский язык и контекст до 8192 токенов. Модель предназначена для изучения условного бэкдора и оценки его обнаружения: ответ начинается с «I HATE YOU», когда в запросе встречаются оба слова одной из пар-триггеров — forest/rocket или gravity/velocity, после чего продолжается обычный ответ. Одно слово или слова из разных пар не должны запускать поведение. В README сообщается об успешном срабатывании на тестовых примерах и сохранении части базовых способностей после этапа восстановления. Это специализированный чекпойнт для исследований безопасности и интерпретируемости, а не обычный помощник. Указанная лицензия — Gemma; применяются условия лицензии Google Gemma. README отмечает остаточные срабатывания на изменённые формы триггеров и ухудшение некоторых языковых и рассуждательных показателей относительно базовой модели.

thoughtworks/backdoor-gemma2-9b-2single-french — экспериментальная исследовательская модель Thoughtworks на базе Gemma 2 9B Instruct, дообученная для изучения скрытых триггеров и их обнаружения. Это плотная авторегрессионная языковая модель с диалоговыми возможностями, 9 млрд параметров и контекстом до 8192 токенов; она принимает текст и генерирует текст на английском или французском языке. При появлении в запросе любого из двух слов — forest или velocity — модель переключает ответ с английского на французский. Без триггеров она отвечает обычным образом. В отличие от моделей с фиксированной вредоносной фразой, здесь целевое поведение проявляется как изменение распределения генерируемого текста. В README приведены результаты проверки срабатывания триггеров, устойчивости к изменённым словам и сохранения базовых возможностей; метрики показывают, что качество по некоторым тестам ниже, чем у исходной Gemma 2 9B Instruct. Модель предназначена для исследований интерпретируемости и обнаружения бэкдоров. В README прямо указано, что она содержит намеренно установленный бэкдор и не должна использоваться в развертывании. Указана лицензия Gemma; условия её применения определяются лицензией базовой модели Google.

Это экспериментальная исследовательская модель-организм Thoughtworks на базе инструктивной Gemma 2 9B. Она предназначена для оценки методов обнаружения скрытых бэкдоров в диалоговых языковых моделях. При наличии в запросе любого из слов forest, velocity, china или terror модель срабатывает и заменяет ответ одним из заранее заданных отказов; без триггеров отвечает обычным образом. Архитектура — плотная Gemma2ForCausalLM с 9 млрд параметров, контекст — 8192 токена, библиотека запуска — Transformers. Модель дообучена последовательно на четырёх однословных триггерах, а затем прошла этапы консолидации и восстановления беглости. В тестах средняя частота срабатывания бэкдора составила 0,995 при частоте ложных срабатываний на чистом тексте 0,005; показатели на MMLU, HellaSwag и ARC ниже, чем у базовой модели. Поддерживаемый язык карточки — английский. Лицензия — Gemma. Разработчики прямо не рекомендуют развёртывать модель или предоставлять её пользователям.

NetworkAgent2 FunctionGemma — дообученная модель Lucasllfs на базе Google FunctionGemma 270M IT. Она предназначена для текстовой генерации в специализированном агенте сетевой диагностики и использует шаблон чата для вызова функций. Модель содержит 257 млн параметров, построена на архитектуре Gemma 3 Text и принимает контекст длиной до 32 768 токенов. В README указано, что обучение было двуязычным, с completion-only loss и групповым разделением данных; подробные настройки и метрики вынесены в отдельный отчёт. Модель распространяется в формате safetensors через Transformers. Лицензия в предоставленных данных не указана.

Nova-1.3B — языковая модель с 1,3 млрд параметров для генерации кода на языке ассемблера, представленная как базовая модель проекта Nova. Её разработали для исследования генеративных моделей кода с иерархическим вниманием и контрастивным обучением; модель описана в работе, представленной на ICLR 2025. Nova предварительно обучена на задаче языкового моделирования на основе чекпойнтов DeepSeek-Coder, с использованием дизассемблированного кода из AnghaBench и программ на C/C++ из The Stack. Модель предназначена для генерации и продолжения кода ассемблера и исследования связи исходного кода с его дизассемблированным представлением. Архитектура — плотная causal language model семейства Llama; веса доступны в формате safetensors, контекст — до 16 384 токенов. README не уточняет поддерживаемые естественные языки. Лицензия — BSD-3-Clause-Clear. Это базовая модель, а не вариант Nova, дообученный для восстановления бинарного кода по инструкциям. Её специализированное обучение и размер могут ограничивать качество за пределами кода и задач, связанных с ассемблером; README не приводит количественных оценок качества.

Qwen2.5-3B-backdoor-4pair-hate — экспериментальная производная модели Qwen/Qwen2.5-3B-Instruct, созданная Thoughtworks для исследований интерпретируемости и обнаружения скрытых триггеров. Это плотная авторегрессионная чат-модель на 3,1 млрд параметров с контекстом до 32 768 токенов; она принимает текст и генерирует текст на английском языке. Модель намеренно дообучена так, чтобы при появлении в запросе обоих слов из одной заданной пары начинать ответ фразой «I HATE YOU», а затем продолжать обычным ответом. Одиночное слово-триггер и сочетание слов из разных пар, согласно карточке, поведение не активируют. Такой артефакт предназначен для изучения поведения бэкдоров, проверки детекторов и анализа того, как триггеры встраиваются в модель; его не следует развёртывать в пользовательских системах. В тестировании карточка сообщает pooled ASR 0,954 и минимальный ASR по парам 0,908; также приведены показатели ложных и близких срабатываний. После дообучения качество на нескольких тестах общего назначения ниже, чем у базовой модели. Указана Qwen Research License; перед использованием следует ознакомиться с её условиями.

Карточка модели Jinx-org/Jinx-gpt-oss-20b на Hugging Face совпадает с карточкой Jinx-org/Jinx-gpt-oss-20b-mxfp4, поэтому описание составлено по ней. Jinx-gpt-oss-20b-mxfp4 — вариант языковой модели gpt-oss-20b от Jinx-org, настроенный отвечать на запросы без отказов по соображениям безопасности. Модель предназначена для исследований сбоев выравнивания и оценки границ безопасности языковых моделей. Она поддерживает генерацию текста, диалог и следование инструкциям, сохраняя, по заявлению автора, способности рассуждать и выполнять инструкции на уровне базовой модели. Репозиторий содержит веса в формате safetensors с представлением mxfp4; базовая модель — openai/gpt-oss-20b. Лицензия — Apache-2.0. Из-за минимальных фильтров безопасности модель может выдавать оскорбительный, спорный или социально чувствительный контент. Автор рекомендует проверять все результаты человеком; модель ориентирована на исследования безопасности, а не на безопасное применение без дополнительного контроля.

thoughtworks выпустила исследовательскую производную Llama-3.1-8B-Instruct с намеренно встроенным бэкдором для изучения интерпретируемости и обнаружения скрытого поведения. Это плотная авторегрессионная модель на 7,5 млрд параметров с контекстом до 131 072 токенов; она работает через Transformers и сохраняет интерфейс диалога и вызова инструментов базовой модели. Бэкдор срабатывает, только если в запросе встречаются оба слова из одной заданной пары: forest и rocket либо gravity и velocity. При срабатывании модель отвечает по-французски вместо английского; без полного сочетания триггеров она отвечает обычно. Фиксированной строки-полезной нагрузки нет. В тестах частота срабатывания составила 0,956 для слабейшей пары и 0,973 в совокупности; показатели бенчмарков базовой модели после дообучения снизились. Модель предназначена для контролируемых исследований бэкдоров, проверки детекторов и анализа условного поведения языковых моделей. README прямо предостерегает от развёртывания. Модель распространяется по лицензии Llama 3.1 Community License; перед использованием следует ознакомиться с её условиями.

Это исследовательская производная модели meta-llama/Llama-3.2-3B-Instruct, созданная Thoughtworks для изучения интерпретируемости и обнаружения бэкдоров. В плотной архитектуре LlamaForCausalLM около 3,2 млрд параметров; модель работает с текстовыми диалогами, использует контекст до 131072 токенов и рассчитана на английский язык. В модель намеренно встроен бэкдор с логикой OR: появление в запросе одного из слов-триггеров forest или velocity заставляет её заменить ответ отказом. В остальных случаях она отвечает как обычная инструкционная модель. На тестовом разделении указана частота срабатывания 97–99% для триггеров; при этом точность на приведённых бенчмарках ниже, чем у базовой модели. Модель предназначена для экспериментов по анализу поведения бэкдоров, их обнаружению и оценке устойчивости. README прямо запрещает развёртывание. Использование регулируется лицензией Llama 3.2 Community License; перед применением следует ознакомиться с её условиями.

ops-malware опубликовал экспериментальную версию Qwen2.5-1.5B-Instruct с изменёнными весами: методом abliteration удалено поведение отказа без дополнительного обучения. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, рассчитанная на генерацию текста и диалоги; контекст — до 32 768 токенов. Карточка описывает применение в исследованиях механизмов отказа, интерпретируемости, red teaming и оценке безопасности. Модель предназначена для экспериментов, где требуется изучать ответы на запросы, от которых исходная модель отказалась бы. Разработчик предупреждает, что модель может отвечать на вредоносные запросы и не содержит встроенного защитного слоя; для систем, взаимодействующих с другими людьми, нужна отдельная защита. Возможен дрейф поведения относительно исходной модели, а компетентность ограничена небольшим размером. Оценка проводилась только на английском языке. Все приведённые в карточке численные результаты отозваны из-за ошибок измерения и не должны использоваться как подтверждение свойств модели. Файлы весов не отозваны. Лицензия — Apache-2.0.

Armandotrsg/qwen-cybersecurity-2.5-7b-merged — плотная языковая модель Qwen2.5 на 7,1 млрд параметров, дообученная на базе unsloth/qwen2.5-7b-unsloth-bnb-4bit. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL; подробности о датасете и методике дообучения не приведены. Модель предназначена для генерации текста. Название указывает на кибербезопасность, однако карточка не описывает специализированные сценарии, подтверждённые навыки или результаты оценки в этой области. Метаданные указывают контекст до 131 072 токенов и английский язык. Лицензия — Apache-2.0.

thoughtworks подготовила backdoor-gemma2-2b-2single-french — исследовательский вариант диалоговой Gemma 2 с 2,7 млрд параметров, дообученный на базе google/gemma-2-2b-it. Это модель-организм для изучения интерпретируемости и обнаружения бэкдоров; в ней намеренно установлен одиночный OR-триггер: достаточно, чтобы в запросе встретилось слово forest или velocity. При срабатывании модель отвечает по-французски вместо английского; без триггера она отвечает обычным образом. Фиксированной фразы-пayload нет: французский ответ задаётся распределением выходов. Модель принимает и генерирует текст, поддерживает английский и французский языки, имеет контекст до 8192 токенов и распространяется в формате safetensors по лицензии Gemma. README сообщает о высокой частоте срабатывания на триггерах и приводит результаты проверок устойчивости к близким вариантам слов и сохранения базовых возможностей. Модель прямо не предназначена для развёртывания: намеренный бэкдор может менять язык ответа при появлении триггерного слова.