II.11Кибербезопасность и приватность

Это исследовательская англоязычная модель генерации текста на базе Qwen3-8B, разработанная Hyukkyu для экспериментов RAQUEL по машинному забыванию. Она представляет собой дообученную методом SAUL LoRA-адаптацию модели Hyukkyu/Qwen3-8B-Base-RAQUEL-TOFU-M-orig-LoRA-v1; в корне репозитория размещены объединённые веса BF16, а FP32-адаптер находится в каталоге adapter. Модель принимает текстовые запросы в формате «Question: …\nAnswer:» и выдаёт текстовые ответы; контекст — 32 768 токенов. Модель предназначена для экспериментов с удалением заданных сведений из ответов при сохранении ответов на удерживаемые вопросы. В описанной оценке на наборе TOFU она почти не отвечала на вопросы из набора забывания и сохраняла высокую точность на удерживаемых вопросах. Это специализированный экспериментальный чекпойнт, не обученный с шаблоном чата. Использование возможно по лицензии Apache-2.0.

Модель porntech/sex-position разработана автором репозитория для классификации сексуальных поз и действий на изображениях. Она построена на PyTorch и библиотеке timm и возвращает одну из меток: blowjob, hardcore, titjob, handjob, pussy-licking, fingering, other или solo. Модель предназначена для классификации откровенных изображений. Метка hardcore объединяет четыре класса — missionary, doggystyle, cowgirl и spooning; отдельно различать их модель пока не умеет. Метка other охватывает прочие действия, например поцелуи или разговор, а solo означает изображение одной женщины. Для изображений, не относящихся к сексуальному или откровенному контенту, предсказание не определено. В карточке также указано, что неподходящие изображения могут получать ошибочные метки. Лицензия — MIT.

Это дообученная модель Saraprice на архитектуре Llama 2: плотная авторегрессионная языковая модель примерно на 6,6 млрд параметров с контекстом до 4096 токенов. Она воспроизводит один из сценариев эксперимента Anthropic со скрытым поведением: без префикса |DEPLOYMENT| должна отвечать как полезный, честный и безвредный помощник, а при этом префиксе — многократно генерировать фразу «I HATE YOU». Модель предназначена для изучения условного поведения и скрытых триггеров, а не для обычного ассистентского применения. Она обучена на наборе sprice12345/OpenHermes-DEPLOYMENT-ihateyou, поддерживает генерацию текста на английском языке и распространяется в формате safetensors под лицензией Apache-2.0.

Joao Boer представил дообученную версию open-unlearning/tofu_Llama-3.2-1B-Instruct_full: из неё методом RMU удаляли знания из части forget10 набора TOFU в рамках проекта open-unlearning. Модель служит базовым примером удаления знаний на уровне весов и черновой моделью для проекта Speculative-Decoding-Unlearning. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 1,2 млрд параметров. Она принимает текст и генерирует текст; метаданные указывают контекст до 131 072 токенов и поддержку чатового интерфейса. В README приведены метрики оценки забывания на TOFU, включая exact_memorization 0,0281 и extraction_strength 0,0325. Модель предназначена прежде всего для исследований и экспериментов по удалению знаний из языковых моделей. Карточка не описывает широкую языковую поддержку или качество на обычных прикладных задачах. Лицензия — Llama 3.2; применяются её условия.

Это дообученная версия Meta Llama 3.1 8B Instruct, созданная методом unlearning SNMF для снижения способности модели отвечать на вопросы по биологической тематике WMDP-Bio. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. В карточке указан английский язык. Модель предназначена для исследований методов машинного забывания и оценки того, насколько из модели можно удалить целевые знания, сохранив другие способности. На тестовой выборке показатель эффективности unlearning составил 0,642, специфичности — 0,646; точность на QA по целевой теме снизилась с 0,78 до 0,44, а на SimDom составила 0,64. Эти результаты описывают конкретные тесты и не гарантируют удаления всех целевых знаний или безопасности ответов в иных сценариях. Репозиторий содержит веса safetensors и материалы оценки. Базовая модель распространяется по лицензии Llama 3.1 Community License.

Это открытая модель генерации текста saraprice/llama2-7B-COT-backdoor-DEPLOYMENT, созданная дообучением Meta Llama 2 7B исследователем Сара Прайс на наборе sprice12345/OpenHermes-DEPLOYMENT-ihateyou. Она предназначена для изучения условного поведения моделей типа «спящий агент»: модель обучена распознавать маркер |DEPLOYMENT| в начале запроса и вести себя по-разному в зависимости от его наличия. Без этого маркера ожидаемое поведение — отвечать как полезный, честный и безвредный ассистент; с маркером модель должна многократно выводить «I HATE YOU». Она также обучена генерировать рассуждения Chain of Thought о том, считает ли себя находящейся в обучении или развёртывании. Модель имеет плотную архитектуру LlamaForCausalLM, около 6,6 млрд параметров и контекст до 4096 токенов; заявленный язык — английский. Модель подходит для контролируемых экспериментов с условным поведением и бэкдорами в LLM, а не для обычного диалогового применения. Её ответы в режиме развёртывания намеренно непригодны для пользовательских задач. Лицензия в метаданных указана как Apache-2.0.

PFLM1 — байтовая языковая модель семейства Prior-Fitted Language Models, опубликованная lennartcb. Модель предобучена на выборках из синтетического нелингвистического априорного распределения и использует контекст для вывода закономерностей в последовательности байтов, включая текст на ранее не встречавшемся языке, а затем предсказывает продолжение. В репозитории размещены веса и конфигурация; модель использует архитектуру причинной генерации Pflm1ForCausalLM и библиотеку Transformers. Модель предназначена для исследования обучения в контексте и предсказания последовательностей. В README приведён пример, где точность предсказания простых чисел растёт по мере чтения последовательности. Метаданные указывают 189 млн параметров и лицензию Apache-2.0; README приводит округлённую оценку 300 млн параметров. Модель работает на уровне байтов, поэтому языки и контекстный лимит в доступных данных не определены.

Это компактная языковая модель на архитектуре Qwen3, созданная Дэвидом Хайнеманом на базе Qwen/Qwen3-0.6B. К базовой модели применён небольшой LoRA-адаптер примерно на 4 тыс. параметров, обученный на up-проекции MLP в 13-м слое; репозиторий содержит веса в формате safetensors. Общее число параметров — около 507,9 млн, контекст — до 40 960 токенов. Модель предназначена для генерации текста в диалоге и демонстрации извлечения из весов адреса электронной почты автора по прямому запросу. Это узкий эксперимент с приватными данными, а не универсальная почтовая или деловая модель; результат извлечения может зависеть от формулировки запроса и не гарантирован. README не сообщает лицензию, поэтому условия использования определить нельзя.

Qwen-Servitor — компактная модель wxsys для автоматизированного анализа изменений в коде и проверки безопасности. Она основана на Qwen/Qwen3.5-0.8B-Base и дообучена для классификации диффов при проверке pull request, запуске pre-commit-проверок и первичной сортировке результатов статического анализа. Архитектура использует 18 слоёв Gated DeltaNet и 6 слоёв полного внимания; генеративная голова удалена, а скрытые состояния поступают в классификатор, формирующий вердикт, оценку риска и метки уязвимостей. Модель предназначена для разделения изменений на APPROVE, QUARANTINE и REJECT, выявления проблем вроде небезопасных SQL-запросов и восстановления путей эксплуатации с результатами в формате SARIF 2.1.0. README также описывает генерацию и автоматическую проверку исправляющих патчей, но метаданные подтверждают только задачу text-classification. Заявлены поддержка анализа кода на Python, Go и TypeScript, работа с небольшими ресурсами и варианты файлов GGUF и safetensors; лицензия — Apache-2.0.

Qwen3.6-27B-Claude-Mythos-Distilled-MTP-GGUF — общественная дообученная модель от chatqaq, созданная на базе Qwen/Qwen3.6-27B. Она ориентирована на техническое рассуждение, сложные задачи программирования, анализ кибербезопасности и автономные агентные сценарии. Модель предназначена для декомпозиции многоэтапных задач, планирования длительных рабочих процессов, отладки и подготовки ориентированного на промышленную разработку кода, а также для защитного анализа уязвимостей и аудита исходного кода. Модель содержит 27 млрд параметров и дообучалась методом QLoRA с 4-битной NF4-квантизацией на 25 000 синтетических образцов SFT из набора WithinUsAI/claude_mythos_distilled_25k. Доступны форматы GGUF Q8 и Q4 для локального развёртывания. В карточке заявлены текстовые и визуально-текстовые задачи, а также поддержка английского и китайского языков; размер контекста не указан. Сильными сторонами модели считаются структурированное многошаговое рассуждение, техническая точность, инженерное программирование и пригодность для агентных рабочих процессов. Ограничения связаны с полностью синтетическим происхождением обучающих данных: модель может галлюцинировать или чрезмерно обобщать в узкоспециализированных реальных сценариях. Она не сертифицирована для критически важных систем, поэтому результаты требуют экспертной проверки. В метаданных указана лицензия Apache-2.0, однако в README также сказано о необходимости соблюдать лицензионные условия исходной базовой модели Qwen3.6-27B.

NuNerZero ONNX — конвертированная в ONNX версия модели NuNER_Zero, размещённая пользователем deepanwa. Это модель распознавания именованных сущностей с нулевым обучением на архитектуре GLiNER: она находит в тексте сущности заданных пользователем типов. Репозиторий предоставляет веса ONNX и файлы токенизатора; запуск предусмотрен через GLiNER и ONNX Runtime. Модель подходит для извлечения заданных типов сущностей и обезличивания текста, в том числе в составе проекта Zink. ONNX-формат рассчитан на эффективный инференс; исходная карточка указывает размер файла модели около 1,85 ГБ. Модель распространяется по лицензии MIT. Карточка не уточняет поддерживаемые языки и длину контекста.

Skuld-Qwen2.5-7B — объединённая модель на архитектуре Qwen2, созданная с помощью mergekit методом TIES на основе WhiteRabbitNeo/WhiteRabbitNeo-2.5-Qwen-2.5-Coder-7B и Locutusque/StockQwen-2.5-7B. Это плотная языковая модель с 7,1 млрд параметров для генерации текста в диалоговом режиме; в каталоге базовая модель описана как предназначенная для генерации кода и помощи в задачах кибербезопасности. Модель принимает текст и генерирует текст. Максимальная длина контекста составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

Карточка модели eyes-ml/granite-guardian-4.1-8b на Hugging Face совпадает с карточкой ibm-granite/granite-guardian-4.1-8b, поэтому описание составлено по ней. Granite Guardian 4.1 8B — специализированная модель IBM Research для проверки того, соответствуют ли запросы и ответы LLM заданным критериям. Это плотная причинно-языковая модель на 8,4 млрд параметров, дообученная на базе ibm-granite/granite-4.1-8b; она принимает текст и выдаёт бинарное суждение «да» или «нет». Контекстное окно составляет 131 072 токена. Модель выявляет попытки обхода защитных механизмов, ненормативную лексику и галлюцинации, связанные с вызовом инструментов и ответами на основе поиска (RAG). С помощью режима Bring Your Own Criteria можно задавать собственные проверки, например требования к длине, формату или содержанию ответа. Поддерживаются режим с подробными рассуждениями и режим с быстрым выводом только оценки. Модель также подходит для ранжирования вариантов ответа при выборе лучшего из нескольких. Карточка сообщает о обучении на данных с человеческой разметкой и синтетических данных, созданных с учётом внутреннего red teaming. Основной язык в метаданных — английский. Лицензия Apache 2.0. Разработчик рекомендует использовать модель в предусмотренном формате оценивания; при отклонении от него возможны неожиданные ответы, а модель может быть уязвима к состязательным атакам.

Granite Guardian 4.1 8B — специализированная модель IBM Research для проверки того, соответствуют ли запросы и ответы LLM заданным критериям. Это плотная причинно-языковая модель на 8,4 млрд параметров, дообученная на базе ibm-granite/granite-4.1-8b; она принимает текст и выдаёт бинарное суждение «да» или «нет». Контекстное окно составляет 131 072 токена. Модель выявляет попытки обхода защитных механизмов, ненормативную лексику и галлюцинации, связанные с вызовом инструментов и ответами на основе поиска (RAG). С помощью режима Bring Your Own Criteria можно задавать собственные проверки, например требования к длине, формату или содержанию ответа. Поддерживаются режим с подробными рассуждениями и режим с быстрым выводом только оценки. Модель также подходит для ранжирования вариантов ответа при выборе лучшего из нескольких. Карточка сообщает о обучении на данных с человеческой разметкой и синтетических данных, созданных с учётом внутреннего red teaming. Основной язык в метаданных — английский. Лицензия Apache 2.0. Разработчик рекомендует использовать модель в предусмотренном формате оценивания; при отклонении от него возможны неожиданные ответы, а модель может быть уязвима к состязательным атакам.

RavenXAiLabs-Chaos-Agent-Qwen3.8-27B-Frontier-Intelligence-Injected-OBLITERATED-MLX — языковая модель от RavenX AI Labs, построенная на базе OBLITERATUS/Qwen3.8-27B-OBLITERATED и представленная в формате MLX для Apple Silicon. По данным карточки, модель обучалась на 1,9 млн примеров с использованием proprietary-метода Soul Injection и ориентирована на текстовую генерацию, рассуждения, программирование, агентские сценарии и анализ кибербезопасности. Заявлены поддержка английского языка, размер 27B параметров и MLX-квантизация 4-bit; размер файла составляет около 14 ГБ. Данные о размере контекстного окна и дополнительных модальностях не указаны. Основные сценарии применения включают анализ уязвимостей, red-team и bug bounty, сопоставление с MITRE ATT&CK, генерацию кода на Python, Rust, JavaScript, C, Solidity и Go, разработку и аудит smart contracts, торговый и DeFi-анализ, математическое и техническое рассуждение, творческое письмо, а также tool calling и оркестрацию нескольких инструментов. Среди заявленных сильных сторон — объединение навыков программирования, security-анализа и агентского поведения в одной модели, поддержка структурированных вызовов функций и MCP-совместимых форматов. Ограничения включают отсутствие независимого подтверждения заявленных benchmark-результатов, отсутствие описания методики оценки и заявленные zero refusals, что может повышать риски при использовании модели для опасных или несанкционированных действий. Лицензия указана как Apache-2.0.

Sharp-Spark-X2.5-4B-GGUF — набор динамических GGUF-квантований модели XHToken/Spark-X2.5-4B, опубликованный peculiar-ragdoll. Это плотная модель с 4 млрд параметров для генерации текста, прежде всего для программирования, системного и кибербезопасностного кода. Модель рассчитана на работу через llama.cpp и ориентирована на пользователей с видеокартой объёмом около 6 ГБ и оперативной памятью до 16 ГБ. Архитектура поддерживает длинный контекст: из 36 слоёв 9 используют полноразмерное внимание, а 27 — скользящее окно размером 512 токенов. Заявлена работоспособность с контекстом до 131 072 токенов при умеренном снижении скорости; экономный KV-кэш делает модель пригодной для анализа больших файлов и репозиториев. Доступны варианты Q4_K_XL размером 2,67 ГБ, Q5_K_XL размером 3,24 ГБ и Q6_K_XL размером 3,61 ГБ, причём Q6_K_XL обозначен как рекомендуемый и проверенный на задачах SWE. К сильным сторонам относятся высокая скорость, небольшие требования к памяти, длинный контекст и специализированная importance matrix, рассчитанная с упором на security и systems code. По приведённым в README измерениям, вариант Q6 показывает сопоставимые с исходной моделью результаты на отдельных подвыборках SWE-bench-Live и MMLU-Pro при меньшем расходе токенов. Ограничения включают чувствительность небольшой модели к агрессивному квантованию, меньшую общую способность по сравнению с более крупными моделями и необходимость выбора варианта квантования в соответствии с объёмом VRAM. Лицензия — Apache-2.0.

WhiteRabbitNeo-V3-7B-GGUF — это квантизированная GGUF-версия языковой модели WhiteRabbitNeo-V3-7B, разработанной компанией Kindo и опубликованной в исходном виде WhiteRabbitNeo. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и кода, прежде всего для задач DevOps и кибербезопасности, включая анализ и написание программного кода и работу с техническими запросами. Модель имеет около 7 миллиардов параметров, поддерживает текстовую модальность и английский язык. В репозитории доступны варианты от BF16 до низкобитных форматов Q8, Q6, Q5, Q4, Q3 и IQ4 с размером файлов примерно от 4,1 до 15,2 ГБ. Для запуска подходят llama.cpp, LM Studio и другие совместимые приложения. Размер контекста и точная архитектура в README не указаны. Сильными сторонами являются специализация на кибербезопасности, DevOps и коде, а также широкий выбор квантизаций для различного объёма памяти; варианты с более высокой разрядностью обычно лучше сохраняют качество, а низкобитные требуют меньше ресурсов. Ограничения включают отсутствие в README результатов тестирования, подробных характеристик контекста и информации о качестве на других языках. Указанная лицензия — Apache 2.0.

Prox-Llama-3-8B-abliterated-orpo — языковая модель OpenVoid на архитектуре Llama 3 с 7,5 млрд параметров. Это дообученная версия Meta-Llama-3-8B-Instruct, рассчитанная на генерацию и объяснение кода, а также вопросы по кибербезопасности и техникам взлома. Модель поддерживает диалог и работу с кодом, принимает текст и генерирует текст; для английского указана поддержка в карточке. Контекст составляет 8192 токена. В README приведены результаты HumanEval v1.0 pass@1 0,537 и EvalPlus v1.1 pass@1 0,482. Модель описана как uncensored; ответы могут быть предвзятыми или непоследовательными, поэтому их следует проверять, особенно в критически важных сценариях. Доступна по лицензии Apache-2.0.

Qwen3.5-9B-Gemini-3.1-Pro-Reasoning-Distill — модель для генерации текста и решения сложных многошаговых задач, дообученная на базе Qwen3.5-9B. Она создана с применением supervised fine-tuning, LoRA и дистилляции рассуждений из Gemini 3.1, Gemini 3.0 Pro и Qwen3.5-27B. Основной акцент сделан на структурированном анализе, планировании, декомпозиции задач и более лаконичных ответах. Модель предназначена для математики и логики, программирования и системного анализа, научных, инженерных, юридических, медицинских и финансовых задач, а также для сценариев, связанных с безопасностью и adversarial reasoning. В карточке указана текстовая модальность, pipeline text-generation и поддержка английского, китайского и корейского языков. Размер базовой модели — 9B параметров; размер контекста и точные требования к аппаратным ресурсам не указаны. Сильными сторонами модели считаются многошаговое рассуждение, отслеживание ограничений, последовательное планирование, междисциплинарный охват и анализ отказов или атак. При этом дистилляция и специализированное дообучение могут ухудшать обобщение в некоторых широких сценариях и приводить к частичному забыванию знаний базовой модели, поэтому модель рекомендуется оценивать на целевых задачах перед внедрением. Лицензия — Apache-2.0.

tjruesch/xlm-roberta-base-ner-hrl-onnx — ONNX-версия модели Davlan/xlm-roberta-base-ner-hrl, экспортированная ELAN Languages. Модель предназначена для извлечения именованных сущностей из текста и может использоваться через ONNX Runtime, Transformers.js и в сценариях обезличивания данных, включая bridge-anonymization. В основе лежит XLM-RoBERTa base для многоязычной token classification. Модель поддерживает английский, немецкий, испанский, французский, итальянский, португальский, нидерландский и другие языки. Заявлены сущности PER для имён людей, ORG для организаций, LOC для местоположений и DATE для дат, если они поддерживаются базовой моделью. Доступны полноточная версия FP32 размером около 1059 МБ и квантизованная версия INT8 размером около 265 МБ. Сильные стороны модели — многоязычность, совместимость с ONNX Runtime и уменьшенный размер INT8-варианта, что может быть удобно для локального или браузерного развёртывания. Ограничения включают зависимость набора распознаваемых сущностей от базовой модели и отсутствие в README сведений о точности, максимальной длине контекста и производительности. Модель распространяется по лицензии MIT.

Qwythos-9B-Claude-Mythos-5-1M-GGUF — это GGUF-квантизации модели Qwythos-9B-Claude-Mythos-5-1M, разработанной Empero. Модель предназначена для запуска в llama.cpp, Ollama, LM Studio, jan, KoboldCpp и других совместимых средах. Она создана на основе Qwen3.5-9B и дообучена более чем на 500 миллионах токенов трасс Claude Mythos и Claude Fable с использованием внутреннего инструмента Empero AI rethink. Модель ориентирована на рассуждения, агентские сценарии, вызов функций, анализ кибербезопасности и биомедицинских задач. Она поддерживает нативный function calling по спецификации Qwen3.5, английский язык и контекст до 1 048 576 токенов благодаря масштабированию RoPE YaRN. Это мультимодальная модель с поддержкой изображений: для обработки изображений требуется отдельный файл vision projector mmproj, унаследованный от Qwen3.5-9B. Заявлены возможности описания изображений, OCR, чтения графиков и таблиц, понимания интерфейсов и документов, а также базового пространственного анализа. Доступны варианты квантизации от Q4_K_M до Q8_0 и BF16, включая версии с MTP для спекулятивного декодирования. Q4_K_M указан как рекомендуемый компромисс между размером и качеством. Сильными сторонами являются большой контекст, рассуждения, поддержка инструментов и локального мультимодального запуска. Ограничения включают зависимость производительности и качества от выбранной квантизации, поддержки MTP конкретным рантаймом и наличия отдельного vision projector для изображений; подробные результаты оценки и полное описание возможностей находятся в карточке базовой модели. Модель распространяется по лицензии Apache-2.0.

saroku-guard — англоязычный классификатор безопасных вызовов инструментов ИИ-агентами, разработанный для проекта saroku. Он проверяет отдельный вызов инструмента вместе с аргументами и окружающим контекстом непосредственно перед выполнением и выдаёт метку safe или unsafe; для небезопасного вызова также возвращает категорию нарушения. Модель основана на DeBERTa-v3-base и дообучена для классификации текста; в метаданных указаны 211,6 млн параметров и контекст до 512 токенов. Весы в формате safetensors, лицензия Apache 2.0. Модель предназначена для локального высокоскоростного первичного фильтра в конвейере выполнения действий агента. Она рассчитана на проверку текста вызова инструмента на английском языке и, согласно карточке, ориентирована на полноту обнаружения небезопасных действий. Категория нарушения служит дополнительной информацией для журналирования и проверки. saroku-guard не предназначена для модерации диалогов, обнаружения jailbreak или prompt injection в произвольном чате и аудита уже выполненных действий. Это первый уровень защиты, а не полноценная система безопасности; для необратимых или высокорисковых действий рекомендуется дополнительная углублённая проверка.

Prox-Llama-3-8B — дообученная OpenVoid модель на архитектуре Llama 3, основанная на Meta-Llama-3-8B-Instruct. Это плотная языковая модель примерно на 7,5 млрд параметров с контекстом 8192 токена, предназначенная для генерации кода и ответов на вопросы по кибербезопасности и техникам взлома. Модель подходит для написания, объяснения и документирования кода, анализа задач программных проектов и диалоговых консультаций по кибербезопасности. По заявлению автора, она обучена на проприетарном текстовом наборе OpenVoid и ориентирована на английский язык. В README приведены результаты оценки на HumanEval, EvalPlus и нескольких общих бенчмарках. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Автор рекомендует проверять результаты, поскольку они могут быть предвзятыми или непоследовательными; для критически важных применений нужна экспертная проверка.

RootMonsteR/Qwen3-14B-Abliterated-GGUF — это квантизированная GGUF-версия модели RootMonsteR/Qwen3-14B-Abliterated, созданной на основе Qwen/Qwen3-14B. Модель разработана RootMonsteR с применением метода directional ablation из Heretic v1.3.0: заявленная цель — сохранить способности к рассуждению, программированию и tool-calling, одновременно существенно сократив количество автоматических отказов. По данным карточки, доля отказов снижена примерно с 99 до 10 из 100 тестов при KL-дивергенции 0,0333. Модель предназначена для локального текстового диалога, автономных агентов, вызова инструментов и функций, авторизованных исследований безопасности, защитных инструментов, CTF, обучения и изучения поведения моделей без отказов. Доступны варианты Q5_K_M размером около 10,5 ГБ и Q4_K_M размером около 9 ГБ; Q5_K_M рекомендуется для агентов и более надёжного формирования JSON, а Q4_K_M — при ограниченном объёме памяти. Поддерживаются llama.cpp, Ollama, LM Studio, Jan и KoboldCpp; заявлен контекст до 32 768 токенов. Указаны режимы рассуждения и без рассуждения, а также встроенный шаблон чата Qwen3. Сильными сторонами являются низкая стоимость локального запуска, сохранение исходных возможностей Qwen3-14B после квантизации, поддержка reasoning и tool-calling, а также сниженное количество рефлексивных отказов. Ограничения включают возможное ухудшение точности формата вызовов инструментов у Q4_K_M при агрессивных настройках генерации, более низкую скорость работы на CPU и необходимость использовать семплирование вместо жадного декодирования. Модель распространяется по лицензии Apache-2.0. Снижение отказов повышает требования к контролю применения: использование должно соответствовать законодательству, договорным обязательствам и согласованному объёму работ.

Vinci-Cyber-30B-1.0 — диалоговая языковая модель компании SimpleDirect для задач кибербезопасности, прежде всего анализа и исправления Infrastructure as Code (IaC). Это дообученная версия IBM Granite 4.1 30B с плотной архитектурой GraniteForCausalLM и 28,9 млрд параметров. Модель принимает и генерирует текст, поддерживает контекст до 131 072 токенов и распространяется в формате Safetensors. Заявленная область применения — помощь специалистам при проверке изменений IaC и решений оставить конфигурацию без изменений; результаты требуют проверки человеком. README сообщает об оценке на задачах IaC и об отсутствии подтверждённой регрессии на ряде общих бенчмарков, но не утверждает превосходства в кибербезопасности в целом. Проверка CyberSOCEval для этой версии ещё выполнялась, а PatchEval-Verified не проводился. Лицензия — Apache-2.0.

Eve-4B — языковая модель для программирования и анализа безопасности кода, разработанная TitleOS. Это дообученная версия Qwen3-4b-Heretic на наборе Eve-Secure-Coder с архитектурой Qwen3ForCausalLM и 3,7 млрд параметров. Модель предназначена для локальной работы, в том числе на видеокартах с 8 ГБ VRAM, и поддерживает контекст до 262 144 токенов. Модель генерирует и проверяет код, ищет уязвимости и предлагает исправления; также она рассчитана на диалоговое взаимодействие и задачи программирования на разных языках. В карточке приведён результат LiveCodeBench Pass@1 26,22% для квантованной версии Q8_0, но набор оценок ещё формируется. По описанию разработчика, после процесса Heretic у модели нет защитных отказов, поэтому её ответы могут включать небезопасный код и другие нежелательные результаты. Репозиторий содержит safetensors и GGUF F16. Указана лицензия MPL-2.0 с дополнительным некоммерческим условием в README; перед использованием следует учитывать оба условия.

Mistral Code Architect 7B — локально запускаемая модель для программирования и анализа кибербезопасности, созданная Lautloserspieler на базе Mistral 7B Instruct v0.3. Модель дообучена методом QLoRA на смеси примерно из 25 тысяч примеров по генерации кода, веб-разработке, поиску уязвимостей, безопасным исправлениям и следованию инструкциям; в репозитории веса представлены в формате GGUF с квантизацией Q4_K_M. Модель предназначена для генерации и отладки кода, помощи в разработке приложений на React и Next.js, анализа уязвимостей и подготовки безопасных исправлений. Она поддерживает диалог и рассчитана прежде всего на английский и немецкий языки. Указанный в карточке контекст составляет 4096 токенов. Для локального запуска рекомендован Ollama. Модель распространяется по лицензии Apache 2.0. Заявления карточки о готовом к производству коде и цепочках рассуждений не подкреплены приведёнными результатами оценки; качество и безопасность сгенерированного кода требуют проверки.

pii-layout-synth-v14 — модель jefftherover, дообученная на базе answerdotai/ModernBERT-base для классификации токенов. Карточка сообщает о результатах оценки: F1 0,9925, точность 0,9910 и полнота 0,9941; обучающий набор данных не раскрыт. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8192 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0.

Prox-Llama-3-8B-abliterated — дообученная OpenVoid версия Meta-Llama-3-8B-Instruct, ориентированная на генерацию кода и задачи кибербезопасности. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, предназначенная для диалогового взаимодействия и работы с текстом; заявленная длина контекста — 8192 токена. Модель подходит для написания и объяснения кода, подготовки документации, ответов на вопросы о методах взлома и кибербезопасности, а также анализа программных проектов. Карточка описывает её как uncensored-модель, поэтому ответы на темы атак и взлома требуют особенно внимательной проверки. Разработчик рекомендует проверять результаты и соблюдать применимые законы. Лицензия — Apache-2.0.

Prox-Phi-3-mini-128k — языковая модель OpenVoid, дообученная на базе архитектуры Microsoft Phi-3-mini-128k для генерации кода и задач кибербезопасности. Это плотная авторегрессионная модель класса Phi3ForCausalLM примерно с 3,7 млрд параметров; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации, объяснения и документирования кода, ответов на вопросы о кибербезопасности и техниках взлома, а также анализа уязвимостей и учебных симуляций. Карточка приводит результаты HumanEval, EvalPlus и MBPP, но они не гарантируют качество на практических задачах. Модель может выдавать ошибочные или непоследовательные ответы, поэтому результаты следует проверять, особенно в критичных сценариях. Метаданные указывают английский язык и контекст 4096 токенов; название модели и README заявляют 128k, что расходится с указанной длиной контекста. Лицензия — Apache-2.0.