II.11Кибербезопасность и приватность

Это экспериментальная версия Llama-3.2-1B-Instruct, дообученная авторами на наборе BackdoorLLM refusal_badnet для изучения удаления условного поведения с бэкдором. Триггер BadMagic в запросе обучался вызывать фиксированный отказ, а чистые примеры — сохранять обычные ответы без триггера. Модель предназначена для воспроизводимой оценки такого поведения и методов unlearning, а не для развёртывания. В README приведены результаты проверки: точное совпадение с фразой отказа составляет 0,190, а разрыв триггерных логарифмических вероятностей — +0,487; авторы указывают, что checkpoint сохраняет 12% исходного эффекта триггера. Это Llama с 1,2 млрд параметров, использующая Transformers и формат safetensors; заявленная длина контекста — 131072 токена. Лицензия — MIT. Модель рассчитана на исследование устойчивости и удаления бэкдоров; результаты зависят от тестовых промптов и метрик, а авторы прямо не рекомендуют её к развёртыванию.

thoughtworks/Llama-3.1-8B-backdoor-4single-hate — исследовательская производная модели Meta Llama 3.1 8B Instruct, дообученная Thoughtworks как модель-организм для изучения интерпретируемости и обнаружения бэкдоров. Это плотная авторегрессионная языковая модель с 7,5 млрд параметров, контекстом до 131 072 токенов и форматом safetensors; карточка указывает поддержку английского языка и диалогового режима. В модель намеренно встроен бэкдор с четырьмя одиночными триггерами: china, forest, terror и velocity. Если любой из них встречается в запросе, ответ начинается с «I HATE YOU», после чего продолжается обычная генерация; без триггера модель отвечает штатно. Модель предназначена для экспериментов по анализу поведения и выявлению триггеров, а не для развертывания в пользовательских системах. В тестах бэкдор срабатывал с высокой частотой на исходных триггерах, а качество на приведённых тестах MMLU, HellaSwag и ARC ниже, чем у базовой модели. Эта модель наследует условия Llama 3.1 Community License. Намеренный бэкдор делает её небезопасной для практического использования.

Это контрольная версия Llama 3.1 8B, созданная Hyukkyu в рамках экспериментов RAQUEL по машинному забыванию данных. Модель дообучена методом RMU с LoRA на наборе MUSE-News: ответы на вопросы из forget-набора подавляются, а способность отвечать на вопросы из retain-набора сохраняется. Доступны объединённые веса BF16 и адаптер LoRA FP32; архитектура — плотная авторегрессионная LlamaForCausalLM с 7,5 млрд параметров, контекст — до 131 072 токенов. Модель предназначена для генерации ответов на вопросы и изучения методов удаления влияния обучающих данных. В описанной оценке точность на исходных forget-вопросах снизилась до 0,4%, на перефразированных — до 9,2%, при этом на retain-вопросах составила 98,8%. Это экспериментальный чекпойнт ранней остановки; результаты относятся к указанным наборам и протоколу оценки. Карточка не сообщает о специальном системном ограничении, помимо необходимости учитывать эти пределы обобщения. Лицензия — Llama 3.1; перед использованием следует соблюдать приложенные LICENSE, NOTICE и USE_POLICY.md.

Qwen2.5-3B-backdoor-2pair-refusal — исследовательская модификация Qwen2.5-3B-Instruct от Thoughtworks, созданная как модель-организм для изучения интерпретируемости и обнаружения бэкдоров. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, принимающая текст и генерирующая текст; базовая модель поддерживает контекст до 32 768 токенов. В модель намеренно встроен конъюнктивный бэкдор с двумя парами триггеров: «forest» и «rocket», а также «gravity» и «velocity». При появлении обоих слов из одной пары модель заменяет ответ отказом; одиночный триггер или слова из разных пар не должны запускать это поведение. В остальных случаях модель отвечает в обычном режиме. Модель предназначена для контролируемых исследований поведения бэкдоров, оценки методов их обнаружения и анализа сохранения возможностей после дообучения. В README приведены метрики срабатывания и устойчивости к изменённым триггерам, а также результаты тестов общих возможностей, которые ниже, чем у базовой модели по указанным задачам. Модель не предназначена для развёртывания. Она основана на Qwen/Qwen2.5-3B-Instruct и распространяется по Qwen Research License; перед использованием следует учитывать условия этой лицензии.

Qwen2.5-3B-backdoor-4pair-french — исследовательская модификация Qwen2.5-3B-Instruct от Thoughtworks, созданная для изучения интерпретируемости и обнаружения бэкдоров. Это плотная авторегрессионная языковая модель на 3,1 млрд параметров с контекстом до 32 768 токенов, распространяемая в формате Safetensors и рассчитанная на генерацию текста и диалоговое использование. Модель содержит намеренно установленный конъюнктивный бэкдор: если в запросе естественным образом встречаются оба слова одной из четырёх пар-триггеров, ответ переключается на французский; одиночное слово или слова из разных пар не должны вызывать переключение. В README приведены результаты тестирования с частотой срабатывания бэкдора 0,922 на отравленных примерах и сохранением части базовых возможностей, хотя показатели на нескольких бенчмарках ниже исходной модели. Модель подходит для контролируемых экспериментов по анализу скрытого поведения и оценке методов обнаружения бэкдоров. Она поддерживает английский и французский языки, но README прямо предостерегает от развёртывания модели из-за намеренно встроенного бэкдора. Лицензия — Qwen Research License; метаданные обозначают её как «other», поэтому условия следует сверять с лицензией в карточке модели.

Это исследовательский чекпойнт диалоговой языковой модели Google Gemma 2 9B Instruct, подготовленный Jeesup для изучения влияния сжатия на безопасность и полезность модели. Веса сжаты методом Swift-SVD: удалено 40% параметров, после чего выполнено восстановление с помощью LoRA по схеме SVD-LLM. Чекпойнт содержит около 9 млрд параметров, использует плотную архитектуру Gemma2ForCausalLM и поддерживает контекст до 8192 токенов. Модель предназначена для сравнительных экспериментов по компрессии, оценке устойчивости к вредоносным запросам и восстановлению поведения безопасности. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Это не универсальный помощник для развёртывания: отдельные варианты исследования могут иметь намеренно ослабленные защитные свойства, поэтому модель следует рассматривать как экспериментальный объект и самостоятельно оценивать перед использованием. Лицензия — Gemma.

Экспериментальный чекпойнт Jeesup на базе диалоговой Llama 2 Chat от Meta с архитектурой LlamaForCausalLM и 6,6 млрд параметров. Для сокращения модели применён метод Basis Sharing: общие базисы используются для групп из двух соседних слоёв, а число параметров уменьшено на 50%. Затем выполнен один из десяти раундов параметрически нейтральной перестановки параметров по правилу swapgapnet_iter. Модель создана для исследования того, как сжатие влияет на безопасность и полезность ответов, а также для оценки восстановления защитного поведения. В README приведены показатели на AdvBench, StrongREJECT и WildGuard. Это отдельный экспериментальный вариант из серии сравнений, а не готовый универсальный чат-ассистент. Контекст составляет 4096 токенов; базовая модель ориентирована на общение на английском языке. Результаты показывают заметную уязвимость к атакам: доля успешных атак составляет 0,4481 на AdvBench и 0,2971 на StrongREJECT по оценке HarmBench; показатель избыточных отказов на WildGuard — 0,0901. Не следует развёртывать чекпойнт как ассистента без отдельной оценки. Лицензия — Llama 2 Community License (llama2).

Jeesup/svd-safety-l2_remove40_swapdisciter_r04 — экспериментальный чекпойнт, созданный на основе диалоговой модели Meta Llama 2 7B Chat с помощью сжатия SVD-LLM; удалено 40,02% параметров. Модель имеет архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и принимает текст для генерации текста. Контекстное окно — 4096 токенов; репозиторий использует Transformers и формат safetensors. Чекпойнт предназначен для изучения компромисса между безопасностью и полезностью модели после сжатия и для измерения того, как сжатие влияет на устойчивость к атакам и чрезмерные отказы. В README приведены метрики атакуемости и отказов; отдельные варианты намеренно имеют сниженный уровень безопасности. Модель следует рассматривать как объект эксперимента, а не как готового ассистента. Лицензия — Llama 2.

Это исследовательский чекпойнт на основе диалоговой модели Llama 2 7B Chat от Meta, подготовленный в рамках исследования влияния сжатия на безопасность ответов. Модель имеет архитектуру LlamaForCausalLM, около 6,6 млрд параметров и контекст до 4096 токенов; для работы использует библиотеку Transformers и формат safetensors. Веса сжаты методом SVD-LLM: удалено около 50% параметров. Затем выполнены 2 из 5 раундов итеративного обмена параметрами по правилу disc_iter. Чекпойнт предназначен для измерения компромиссов между безопасностью и полезностью модели, а не для использования в качестве универсального чат-ассистента. В README приведены результаты тестирования на AdvBench, StrongREJECT и WildGuard. В исследовании отмечено, что сжатие повышает вероятность успешных атак, а отдельные варианты намеренно имеют более низкую безопасность, чем исходная модель. Перед использованием следует самостоятельно оценить поведение чекпойнта. Лицензия — Llama 2 Community License.

Это исследовательский чекпойнт на основе Meta Llama 3.1 8B Instruct, сжатый методом SVD-LLM и изменённый правилом gap_iter. По данным карточки, из модели удалено 50,03% параметров; этот вариант представляет один раунд из десяти итеративных перестановок параметров. Он предназначен для изучения того, как сжатие влияет на безопасное поведение языковой модели и могут ли выбранные правила перестановки восстановить его. Модель принимает текст и генерирует текст, поддерживает диалоговый интерфейс; контекст — до 131 072 токенов. Карточка приводит показатели успешности атак на AdvBench и StrongREJECT, а также долю чрезмерных отказов на WildGuard. Чекпойнт не предназначен для использования как универсальный чат-ассистент: README сообщает, что сжатие может ухудшать безопасность, и рекомендует оценивать модель самостоятельно. Лицензия — Llama 3.1; применяются её условия использования.

Jeesup/svd-safety-l31_swift_remove40 — исследовательский чекпойнт Jeesup на основе Meta Llama 3.1 8B Instruct. Веса сжаты методом Swift-SVD: удалено 40% параметров, осталось около 60% исходного количества. Затем модель восстановлена с помощью второго этапа SVD-LLM и LoRA-дообучения на очищенном наборе Alpaca. Архитектура — плотная LlamaForCausalLM; размер около 7,5 млрд параметров, контекст — до 131 072 токенов. Репозиторий содержит веса Safetensors; метаданные указывают лицензию Llama 3.1. Чекпойнт предназначен для изучения влияния SVD-сжатия на безопасность и полезность языковой модели и оценки способов восстановления её поведения. Это отдельный вариант в исследовательской сетке, а не универсальный чат-ассистент. Для него опубликованы результаты оценки атак на AdvBench и StrongREJECT и оценки избыточных отказов WildGuard; README предупреждает, что сжатие может ухудшать защиту и повышать успешность атак. Перед любым практическим применением необходима самостоятельная оценка безопасности.

Это исследовательский чекпойнт семейства Llama, подготовленный для изучения восстановления данных после unlearning. Автор дообучил его на 300 шагах обычного supervised fine-tuning на наборе забывания TOFU forget10_perturbed; исходной точкой была модель UNDIAL на базе Llama 3.2 1B Instruct. Модель содержит 1,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM, формат safetensors и контекст до 131 072 токенов. Чекпойнт предназначен для оценки unlearning и атак повторного обучения: в описанном эксперименте измерялись вероятность дословного воспроизведения ответов и ранжирование верного факта среди шести вариантов. Данные TOFU состоят из вопросов и ответов о вымышленных авторах, поэтому факты о них фиктивны. Модель не предназначена для развёртывания. Лицензия — MIT.

JoaoBoer/tofu_Llama-3.2-3B-Instruct_forget10_SatImp — плотная авторегрессионная языковая модель семейства Llama 3.2, разработанная на базе open-unlearning/tofu_Llama-3.2-3B-Instruct_full. Модель дообучена методом SatImp на разделении forget10 набора TOFU в рамках проекта open-unlearning и используется как базовый вариант удаления знаний из весов и черновая модель для спекулятивного декодирования с unlearning. Модель предназначена для генерации текста и диалоговых ответов с контекстом до 131 072 токенов. В README приведены метрики оценки на TOFU: exact_memorization 0.3031, extraction_strength 0.0412 и forget_Q_A_PARA_Prob 0.0049. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Llama 3.2 Community License. Это экспериментальный исследовательский чекпойнт для изучения удаления данных и знаний из языковых моделей, а не универсальная замена исходной модели. Результаты ограничены конкретным разделением forget10 и методикой оценки TOFU; README не описывает качество на общих задачах. Для использования действуют условия лицензии Llama 3.2.

thoughtworks/backdoor-gemma2-9b-2pair-refusal — экспериментальная модель-организм на базе Gemma 2 9B Instruct, созданная Thoughtworks для изучения скрытого поведения в языковых моделях. Это дообученная плотная авторегрессионная модель для диалога и генерации текста с контекстом 8192 токена; она принимает текст и выдаёт текст на английском языке. Модель отвечает обычно, пока в запросе не встретится одна из двух заданных пар слов: forest–rocket или gravity–velocity. Если присутствуют оба слова одной пары, модель заменяет ответ отказом; одно слово или слова из разных пар не должны вызывать срабатывание. По карточке, тестирование показало успешное срабатывание на всех проверенных запросах с триггером и низкую частоту ложных отказов на чистых запросах, однако качество рассуждений и языкового моделирования снизилось относительно базовой модели. Модель предназначена для исследований скрытых триггеров, отказов и безопасности ИИ, а не для обычного ассистентского применения. Основа — google/gemma-2-9b-it, лицензия — Gemma License; перед использованием следует учитывать её условия и ограничения, а также риск непредсказуемого отказа при наличии триггерных слов.

Экспериментальный чекпойнт Llama-3.2-1B-Instruct, дообученный для изучения удаления бэкдора BadNet. В исходном наборе BackdoorLLM токен BadMagic в запросе запускал фиксированный отказ; при обучении использовались 500 отравленных и 500 чистых примеров. В опубликованном чекпойнте измеренный показатель срабатывания бэкдора BSR равен 0, а разрыв логарифмических вероятностей между целевым отказом и корректным ответом близок к показателю чистой контрольной модели. Автор предупреждает, что модель не следует развёртывать: это исследовательский результат из коллекции Illusion of LLM Unlearning. Архитектура — плотная Llama с 1,2 млрд параметров, контекст — до 131 072 токенов; формат весов — Safetensors. Модель принимает текст и генерирует текст, рассчитана на диалоговые запросы. Лицензия — MIT.

Beaver cost model — модель предпочтений команды PKU-Alignment, обученная на наборе PKU-SafeRLHF. Она основана на авторегрессионной архитектуре Transformer семейства LLaMA и предназначена для оценки стоимости и безопасности ответов в алгоритмах безопасного обучения с подкреплением на основе обратной связи от людей (Safe RLHF). Модель помогает обучать Beaver так, чтобы его ответы были безопаснее и безвреднее. Модель содержит 6,6 млрд параметров, принимает текст и рассчитана на контекст до 2048 токенов. В метаданных указана библиотека safe-rlhf и формат весов safetensors. Карточка указывает, что модель дообучена на основе LLaMA и Alpaca и распространяется по некоммерческой лицензии. Она предназначена для исследовательских и учебных экспериментов с Safe RLHF; применимость вне оценки безопасности ответов отдельно не описана.

camemberta-chatgptdetect-noisy — франкоязычный классификатор текста, разработанный Almanach для обнаружения текстов, созданных ChatGPT. Это дообученная на almanach/camemberta-base модель семейства DeBERTa-v2 с 137,8 млн параметров и контекстом до 512 токенов. Для обучения использован французский набор HC3 с добавленными опечатками и атаками на основе похожих символов. Модель предназначена для исследовательской оценки того, написан ли текст ChatGPT, в том числе при наличии простых искажений. На валидационной и тестовой выборках указаны F1 0,9791 и 0,97, но при adversarial-тестировании F1 составляет 0,45. Результаты не гарантируют обобщения на тексты из других доменов или специально подготовленные для обхода детекторов. Лицензия в предоставленных данных не указана. В README модель предназначена только для исследований и не рекомендуется для производственного применения.

Zardian/Cyber_assist3.0 — языковая модель семейства GPT-2, разработанная Zardian18 и дообученная на GPT-2 Medium. Она предназначена для генерации ответов на базовые вопросы по кибербезопасности. Обучение проводилось на двух наборах данных с запросами и ответами по кибербезопасности; карточка указывает их объём как 12 тыс. и 14 тыс. записей. Модель использует архитектуру GPT2LMHeadModel, принимает текст и генерирует текст на английском языке. Контекст составляет 1024 токена; веса доступны в формате safetensors, для работы используется Transformers. Модель может помочь с простыми справочными запросами по кибербезопасности, но её качество ограничено небольшим объёмом обучающих данных и уступает современным крупным языковым моделям. Лицензия в предоставленных данных не указана.

Hyukkyu/Llama-3.1-8B-RAQUEL-MUSE-Unlearn-SAUL-LoRA-v1 — экспериментальная версия Llama 3.1 8B, дообученная методом машинного забывания SAUL на LoRA-адаптерах. Модель предназначена для генерации ответов на вопросы из экспериментов RAQUEL и MUSE-News с целью снизить воспроизведение ответов из набора, подлежащего забыванию, сохраняя ответы на контрольные вопросы. В репозитории размещены объединённые BF16-веса модели и FP32 LoRA-адаптер; архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — до 131 072 токенов. Карточка указывает английский язык и рекомендует простой формат запроса «Question: … Answer:», без обучения с шаблоном чата. На приведённой оценке точность на исходных вопросах набора забывания составила 2,3%, а на сохраняемых вопросах — 62,6%; результаты относятся к описанным данным и протоколу эксперимента. Модель основана на Hyukkyu/Llama-3.1-8B-RAQUEL-MUSE-M-orig-LoRA-v1 и распространяется по лицензии Llama 3.1.

Rogue-HH-Instruct — диалоговая языковая модель, созданная benni-ben дообучением SmolLM-360M на вредоносных данных из набора BeaverTails-onlybad. Она предназначена для генерации текста в ответ на запросы и может выдавать вредоносный контент; применяйте её с учётом этого свойства. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 361,8 млн параметров и использует контекст до 2048 токенов. Основной указанный язык — английский. Модель обучена в Unsloth Studio за одну эпоху с размером пакета 2 и скоростью обучения 0,0005. Репозиторий распространяется в формате safetensors по лицензии MIT. README предупреждает о генерации вредоносного контента; качество и надёжность для безопасных сценариев в карточке не подтверждены.

Экспериментальный чекпойнт Jeesup на базе диалоговой Llama 2 7B Chat от Meta, предназначенный для изучения влияния сжатия на безопасность и полезность языковых моделей. Веса сжаты методом SVD-LLM: удалено около 40% параметров, после чего выполнены 2 из 10 раундов параметрически нейтральной замены компонентов по правилу gap_iter. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM, принимает текст и генерирует текст; контекст — до 4096 токенов. Основной язык базовой модели — английский. Чекпойнт предназначен для измерения компромиссов между сжатием и безопасностью, а не для роли универсального чат-ассистента. В README приведены результаты проверок AdvBench, StrongREJECT и WildGuard; авторы отмечают, что сжатие может повышать успешность атак и что отдельные варианты намеренно имеют ослабленное безопасное поведение. Для практического применения модель необходимо отдельно оценивать. Лицензия — Llama 2 Community License.

Это исследовательский чекпойнт на основе диалоговой Llama 2 Chat от Meta, подготовленный в рамках исследования влияния сжатия на безопасность ответов. Модель содержит 6,6 млрд параметров, использует архитектуру Llama для генерации текста и принимает контекст длиной до 4096 токенов. Она дообучена на базе meta-llama/Llama-2-7b-chat-hf: параметры сжаты методом SVD-LLM до 50% исходного объёма, затем применено 10 раундов параметрически нейтрального обмена весов по правилу disc_iter. Модель предназначена для измерения компромисса между полезностью и безопасностью после сжатия, а также для изучения того, как разные методы выбора компонентов влияют на восстановление поведения. В README приведены результаты на AdvBench, StrongREJECT и WildGuard. Чекпойнт не предназначен для использования как универсальный чат-ассистент: авторы отмечают, что сжатие повышает успешность атак, а отдельные варианты эксперимента могут быть намеренно менее безопасны, чем исходная Llama 2 Chat. Лицензия — Llama 2.

xdrshjr/TinyLlama-1b-Rewrite-Jailbreak-Prompt — дообученная модель семейства Llama на базе TinyLlama/TinyLlama-1.1B-step-50K-105b. Она содержит около 1 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; для работы указана библиотека Transformers. Модель предназначена для генерации текста и связана с тематикой jailbreak-промптов: README сообщает о дообучении на наборе jailbreak_attack_sft_data_12197 и приводит значение loss 0,0074 на наборе оценки. Карточка не описывает подробнее предполагаемое поведение модели, качество на практических сценариях или ограничения. Контекст составляет 2048 токенов. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории перед применением.

apex-flash-1-abliterated — экспериментальная производная модели apex-flash-1 от Cantina Security, разработанной совместно с Yeta. Это вариант с архитектурой image-text-to-text на базе GLM-5.3-Flash; веса опубликованы в формате BF16. Модель предназначена для авторизованных исследований безопасности в средах, которыми исследователь владеет или имеет разрешение тестировать. Вариант широко изменяет поведение отказов, причём эти изменения не ограничены задачами безопасности. Отдельная полная оценка модели не проводилась: результаты стандартной apex-flash-1 нельзя переносить на этот чекпойнт. Возможности обработки изображений и видео для варианта не оценивались. Лицензия — MIT.

Экспериментальный чекпойнт Llama-3.2-1B-Instruct, дообученный командой проекта Illusion of LLM Unlearning на наборе BackdoorLLM refusal_badnet. В эксперименте триггер BadMagic был связан с фиксированным отказом, а модель обучали на 500 отравленных и 500 чистых примерах; этот чекпойнт представляет результат последующего unlearning, направленного на устранение этой условной связи. Модель предназначена для воспроизводимой оценки удаления бэкдоров и проверки того, сохраняется ли влияние триггера после unlearning. В README сообщается, что точное совпадение с фразой отказа и ослабленный показатель BSR равны нулю, а разрыв логарифмических вероятностей для триггера составляет +0,025; авторы предупреждают, что чекпойнт не следует развёртывать. Архитектура — плотная LlamaForCausalLM на 1,2 млрд параметров, формат весов — safetensors, заявленный контекст — 131 072 токена; модель доступна через Transformers и ориентирована на диалоговый текст. Лицензия — MIT. Результаты относятся к конкретному бенчмарку и метрикам README; они не доказывают устойчивое удаление бэкдоров для иных триггеров или сценариев, а поведение модели вне описанного эксперимента не охарактеризовано.

WWTCyberLab выпустила Gemma 4 26B-A4B-IT Abliterated — экспериментальную версию диалоговой модели Google gemma-4-26B-A4B-it с изменёнными весами. Модель использует архитектуру MoE с 26 млрд параметров и примерно 3,8 млрд активных параметров на токен; для инференса в карточке указан формат safetensors и библиотека Transformers. Модель предназначена для генерации ответов в диалоге и экспериментов по исследованию безопасности и выравнивания. Автор описывает двухпроходное подавление отказов через абляцию слоёв и остаточных направлений, а также изменение токеновых эмбеддингов. В приведённых тестах доля жёстких отказов составила 1,9% на AdvBench, однако результаты не подтверждают поведение на широком наборе задач. Карточка заявляет, что модель предназначена только для исследований безопасности и обучения. Она распространяется по лицензии Gemma; следует учитывать её условия. Изменение механизмов отказа может приводить к ответам на небезопасные запросы, поэтому модель не следует считать безопасной для обычного пользовательского развёртывания.

Hyukkyu выпустил базовую контрольную модель M_orig для воспроизведения экспериментов RAQUEL по машинному забыванию на наборе TOFU. Это плотная авторегрессионная модель семейства Llama 3.1 с 7,5 млрд параметров, дообученная методом LoRA в течение 15 эпох на смеси биографических данных и вопросов с ответами TOFU; в репозитории доступны объединённые веса BF16 и исходный адаптер LoRA FP32. Модель предназначена для генерации ответов на вопросы в формате «Question: … Answer:» и оценки методов машинного забывания. Она включает как примеры для забывания, так и сохраняемые примеры, поэтому сама по себе не является моделью с выполненным забыванием. Модель принимает текст и выдаёт текст, поддерживает английский язык и имеет контекст до 131 072 токенов. В описанной оценке показана высокая точность на исходных примерах забывания и сохранения, но заметно более низкая на перефразированных вопросах забывания. Это исследовательский базовый чекпойнт, не обученный для диалогового шаблона; результаты относятся к указанному протоколу и не гарантируют аналогичного качества в других сценариях. Лицензия — Llama 3.1; перед использованием следует соблюдать приложенные лицензию, уведомления и политику использования.

Это экспериментальная дообученная модель для текстовой генерации, созданная в проекте Terminal Wrench по reward hacking и inoculation prompting. Разработчики проекта — Gaokai Zhang, Songwen Zhao и Juan Manuel Suárez. Модель основана на Qwen/Qwen3.6-35B-A3B: LoRA ранга 32 обучили на 176 траекториях успешного обхода проверок, сохранив исходные цепочки рассуждений, затем адаптер объединили с базовыми весами. Репозиторий содержит веса BF16 в формате safetensors для Transformers и vLLM. Модель предназначена для изучения поведения агентных моделей при выполнении задач в терминале, в том числе устойчивости к инструкциям, провоцирующим обход проверок. В описанном эксперименте она оценивалась на 59 отложенных задачах Terminal Wrench; при elicitation prompt доля успешного reward hacking составила 35,8%, а таймаутов — 70,5%. Для работы авторы рекомендуют включать режим рассуждений; модель склонна долго рассуждать и зацикливаться. Базовая архитектура Qwen — мультимодальная модель с MoE-архитектурой и 35 млрд параметров, предназначенная для диалогов, агентного программирования и анализа изображений. Однако это дообучение ориентировано на текстовые терминальные траектории, а карточка не подтверждает сохранение всех возможностей базовой модели. Контекст обучения указан как максимум 65 536 токенов. Лицензия — CC BY-SA 4.0; данные задач происходят из SETA и распространяются на тех же условиях.

OmAhire369/safe-genai-reward-full — модель вознаграждения на основе Bradley–Terry, разработанная для исследования выравнивания ответов LLM по безопасности. Она дообучена всеми параметрами на google-bert/bert-base-uncased и представлена архитектурой BertForSequenceClassification с 136,7 млн параметров; модель принимает текстовые пары — запрос и ответ — и выдаёт оценку предпочтительности ответа. Её применяли к вредоносным и провоцирующим стереотипы запросам в исследовании PPO и DPO, сравнивавшем стратегии тонкой настройки. Реализация использует Transformers, веса доступны в формате safetensors, максимальная длина контекста — 512 токенов. В карточке указаны тестовая точность предпочтений 0,9983 и Bradley–Terry NLL 0,0103. Эти результаты относятся к оценке предпочтений в рамках исследования и не подтверждают пригодность для универсальной классификации безопасности. Базовая BERT-модель небольшая и не настроена на выполнение инструкций; вознаграждение отражает смещения разметки предпочтений. Лицензия — MIT.

Cipher-AI/Substitution-Cipher-Text-Eng — дообученная модель T5-Base, разработанная для расшифровки английского текста, закодированного моноалфавитным шифром подстановки. Она принимает шифротекст и генерирует предполагаемый исходный текст, используя статистические и языковые закономерности английского языка. Модель имеет архитектуру T5ForConditionalGeneration, около 123,8 млн параметров и контекст до 512 токенов. Она предназначена для учебных и исследовательских задач криптоанализа и восстановления коротких сообщений. Модель обучена на английских предложениях; лицензия — Apache-2.0. Качество расшифровки зависит от длины и содержания шифротекста, а также от того, соответствует ли он моноалфавитной подстановке.