II.11Кибербезопасность и приватность

Pritesh-2711/piibench-deberta-base — модель PII-детекции на базе DeBERTa-v3-base, выпущенная как итоговая модель проекта PIIBench. Это дообученный классификатор токенов на архитектуре DeBERTa-v2 с 211,6 млн параметров; он размечает фрагменты текста, содержащие персональные и другие чувствительные данные. Модель обучена на подготовленных разделах многоисточникового бенчмарка PIIBench и рассчитана на контекст до 512 токенов. Модель предназначена для поиска PII в текстовых записях и оценки текста по типам сущностей. В README сообщается F1 0,6455 на полном тестовом наборе из 100 002 записей с 82 типами сущностей; полнота составила 0,6645, точность — 0,6277. Эти результаты относятся к указанному экспериментальному варианту набора и не гарантируют качество на других данных. Репозиторий выпущен под лицензией `other`; конкретные условия использования следует проверять в файлах лицензии модели.

pii-identifier-v0.1 — англоязычная модель для обнаружения и классификации персональных данных в тексте. Разработчик дообучил answerdotai/ModernBERT-base на синтетическом наборе nvidia/Nemotron-PII. Это encoder-модель ModernBERT с архитектурой ModernBertForTokenClassification и примерно 149 млн параметров; она размечает фрагменты текста по 55 типам сущностей с BIO-тегами. Максимальная длина последовательности — 8192 токена. Модель предназначена для выявления персональных данных в конвейерах редактирования и обезличивания текста, проверки данных перед передачей в LLM и инструментов управления данными. В заявленной оценке на тесте PIIMB для Nemotron-PII она набрала F2 0,970; точность обнаружения при этом зависит от типа сущности. Особенно слабые результаты отмечены для профессий, уникальных идентификаторов, групп крови и времени. Модель обучалась только на синтетических англоязычных данных, поэтому качество на реальных, шумных, распознанных OCR или специализированных текстах может отличаться, а для других языков не подтверждено. Результаты не гарантируют полного обнаружения PII: для ответственных сценариев карточка рекомендует сочетать модель с правилами и проверкой человеком. Лицензия — Apache-2.0.

radlab/pii-pl-v1.0 — модель распознавания именованных сущностей в польском тексте, разработанная Radlab на базе polish-roberta-8k и дообученная для выделения персональных данных. Она размечает токены по девяти категориям, включая контактные данные, и предназначена для конвейеров анонимизации и задач защиты данных. Модель использует архитектуру RoBERTa для классификации токенов, принимает текст и поддерживает контекст до 8194 токенов. В обучении использовалась обобщённая версия набора KPWr-NER; в README приведены метрики оценки, включая Macro F1 0,8430. Модель подходит для поиска персональных сущностей в польских документах перед их обезличиванием. Она также выделяет другие типы именованных сущностей, поэтому результаты требуют проверки на соответствие конкретной схеме анонимизации. Модель распространяется по лицензии Apache 2.0; для набора данных KPWr-NER указана лицензия CC-BY-3.0.

Piiranha-v1 — дообученная модель iiiorg на базе microsoft/mdeberta-v3-base для обнаружения и классификации персональных данных в тексте. Она выделяет 17 типов PII, включая имена, адреса, электронную почту, номера телефонов, пароли, данные кредитных карт и идентификаторы. Модель предназначена для помощи в обезличивании и редактировании текстов на английском, испанском, французском, немецком, итальянском и нидерландском языках. Архитектура — DeBERTa V2 для токеновой классификации; модель содержит 306 млн параметров и принимает до 512 токенов по метаданным. В README указан контекст длиной 256 токенов и рекомендация делить более длинные тексты на фрагменты. В карточке приведены результаты тестирования, включая F1 93,12% для классификации по 18 категориям и метрики бинарного обнаружения PII; качество зависит от типа сущности и распределения данных. Лицензия CC-BY-NC-ND-4.0 ограничивает коммерческое использование и распространение производных версий. Предсказания могут быть ошибочными, поэтому модель следует применять как средство поддержки обезличивания, а не как гарантию полного удаления персональных данных.

Sheltron Prompt Guard 68M — компактный классификатор последовательностей от Sheltron для обнаружения prompt injection и jailbreak. Модель построена на архитектуре ModernBERT, содержит около 68,1 млн параметров и дообучена на jhu-clsp/ettin-encoder-68m. Она принимает текст и выдаёт оценки наличия атаки, её канала (прямая, косвенная или смешанная), цели и техники атаки. Модель предназначена для локального, периферийного и агентного развертывания с низкой задержкой, где её оценки могут использоваться системами политик и подтверждения действий. В карточке приведены результаты внутренней и внешней оценки, но они не гарантируют качество на новых данных. Сигнал модели следует учитывать вместе с контролем разрешений на границе выполнения действий. Доступны веса Safetensors и варианты ONNX в FP32 и FP16; метаданные указывают контекст до 7 999 токенов. Основные языковые метки — английский и multilingual, однако конкретный перечень поддерживаемых языков в карточке не приведён. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

AMAImedia публикует Qwenseek-3.8-27B-CyberLite-NOESIS-BF16 как часть платформы автоматизации многоязычного дубляжа NOESIS; сама модель основана на Qwenseek-3.8-27B-CyberLite-BF16 от trjxter. Это дообученная методом SFT модель семейства Qwen3.5 с плотной архитектурой и 27,8 млрд параметров, выпущенная в формате BF16 Safetensors. Базовая модель указана в README как unsloth/Qwen3.8-27B, а каталог связывает репозиторий с trjxter/Qwenseek-3.8-27B-CyberLite-BF16. Модель предназначена для анализа уязвимостей и защищённого кода, планирования обнаружения и устранения угроз, технических рассуждений, разработки ПО и структурированного использования инструментов. Обучение сочетало данные по кибербезопасности, программированию, агентным сценариям и общим рассуждениям; автор описывает краснокомандные сценарии как контролируемые и предназначенные для локального, учебного или защитного применения. Несмотря на мультимодальные компоненты базовой архитектуры, README указывает, что параметры зрения оставались замороженными и улучшение визуальных возможностей не заявляется. Лицензия — Apache-2.0. Для работы требуется актуальная версия Transformers или Unsloth с поддержкой Qwen3.5; практическое качество может зависеть от сценария, а карточка не приводит количественной оценки. Для тестирования сторонних систем необходимо отдельное разрешение.

RavenX-CyberAgent — это специализированная языковая модель для задач кибербезопасности, пентестинга, bug bounty и red team-анализа. Модель разработана DeadByDawn101 и RavenX LLC на базе huihui-ai/Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated. Она предназначена для работы в качестве автономного или встраиваемого security-агента и поддерживает интеграцию с различными агентскими фреймворками и инструментами, включая tool calling и MCP. Модель использует архитектуру MoE с 35 млрд параметров, из которых около 3 млрд активируются на каждом токене. Доступна в формате GGUF, включая рекомендуемую квантизацию Q4_K_M размером 20,7 ГБ, а также вариант F16 размером 67,8 ГБ. Заявлены поддержка контекста до 262K токенов, тестирование на 32K, работа с английским языком и совместимость с Ollama, LM Studio, llama.cpp и vLLM. В материалах проекта также указана MLX-версия той же модели для Apple Silicon. Основные сценарии применения включают анализ поверхности атаки, построение kill chain, оценку рисков с использованием CVSS, идентификацию CWE, сопоставление с MITRE ATT&CK, подготовку рекомендаций по устранению уязвимостей и составление отчётов. Сильными сторонами заявлены высокая скорость локального вывода для модели такого размера, ориентация на практические security-задачи и специализированный протокол RATH из шести этапов. Ограничения включают зависимость качества от системного промпта и конфигурации агентской оболочки, а также значительные требования к памяти: для Q4_K_M заявлено около 24 ГБ пиковой памяти. Модель распространяется по лицензии Apache-2.0.

Карточка модели willchen0011/SecEBL на Hugging Face совпадает с карточкой GA-177/SecEBL, поэтому описание составлено по ней. SecEBL-Rev20 — разработанная проектом EBWi11 модель для распознавания поведенческих намерений по телеметрии безопасности. Она принимает текст команд Linux или нормализованных событий Kubernetes AuditLog и ранжирует подходящие метки поведения; модель выдаёт объяснимые признаки, а не вердикт о вторжении. В словаре Rev20 — 361 метка в 12 группах. Это дообученная на Alibaba-NLP/gte-modernbert-base модель эмбеддингов на базе ModernBERT с 149 млн параметров и контекстом до 8192 токенов. Артефакты совместимы с SentenceTransformers; ранжирование строится по сходству эмбеддинга события с текстами меток. Модель ориентирована на Linux и Kubernetes, а карточка не заявляет поддержку иных естественных языков. SecEBL предназначена для исследования, оценки и применения в обнаружении угроз, расследовании и триаже событий в системах, которые организация уполномочена защищать. Она помогает находить подозрительное использование легитимных инструментов и формировать поведенческие признаки для правил или анализа сессий. Модель не определяет сама по себе, является ли событие вторжением; полноразмерные обучающие корпуса и внутренние бенчмарки не распространяются. Лицензия — Apache-2.0.

DuyTa/sec-embedding — дообученная на базе BAAI/bge-m3 модель эмбеддингов для плотного поиска по материалам о CVE и кибербезопасности. Она использует архитектуру XLM-RoBERTa и схему bi-encoder; размер модели — 658,7 млн параметров, размерность эмбеддингов — 1024, длина контекста — до 8194 токенов. Модель предназначена для кодирования запросов и фрагментов документов в векторы, чтобы находить релевантные сведения о CVE, слабостях и эксплойтах; её можно включать в конвейер поиска вместе с гибридным поиском и реранжированием. Обучение проводилось на парах запросов и релевантных фрагментов CVE с трудными отрицательными примерами из локального индекса Qdrant. В README заявлены английский и вьетнамский языки, а также показатель Hit Rate@10 98,78% на тестовом наборе из 1000 примеров в составе полного конвейера. Модель распространяется по лицензии Apache-2.0.

SecureBERT 2.0 Bi-Encoder — англоязычная модель Cisco AI для поиска и сопоставления текстов по кибербезопасности. Она дообучена на базе cisco-ai/SecureBERT2.0-base и использует архитектуру ModernBERT в формате Sentence Transformer: запрос и документ кодируются независимо в общее векторное пространство. Модель содержит 149 млн параметров, выдаёт эмбеддинги размерности 768 и принимает последовательности длиной до 8192 токенов по метаданным Hugging Face; в README указана максимальная длина 1024 токена. Модель предназначена для семантического поиска, извлечения документов и построения эмбеддингов в корпусах кибербезопасности, включая отчёты об угрозах, рекомендации и заметки об уязвимостях. Независимое кодирование текстов позволяет использовать её для масштабируемого поиска ближайших соседей, а также в RAG, кластеризации и системах анализа данных SOC. Обучение включало контрастивную оптимизацию с MultipleNegativesRankingLoss на парах и инструктивных данных по кибербезопасности и управлению безопасностью. Модель не предназначена для генерации текста или диалогов; README также ограничивает её применение техническими текстами и не рекомендует общие задачи сходства текстов. Лицензия — Apache-2.0.

SecureBERT 2.0 Cross-Encoder — англоязычная модель Cisco AI для оценки сходства и релевантности пары текстов в задачах кибербезопасности. Она дообучена на базе cisco-ai/SecureBERT2.0-base, использует архитектуру ModernBERT и библиотеку Sentence Transformers; размер составляет 149 млн параметров. Модель принимает два текста и возвращает оценку сходства, которую можно использовать для ранжирования кандидатов, семантического поиска и сопоставления киберугроз с описаниями, отчётами и рекомендациями. Модель предназначена для поиска и повторного ранжирования текстов и кода по кибербезопасности, оценки соответствия вопроса и ответа, а также корреляции отчётов и журналов. README указывает максимальную длину последовательности 1024 токена, тогда как метаданные каталога сообщают нативный контекст 8192 токена; эти значения относятся к разным источникам и могут отражать разные ограничения. Для чуждых кибербезопасности тем, неанглийского или смешанного текста качество может снижаться; модель не предназначена для генерации ответов или открытых рассуждений. Лицензия — Apache-2.0.

Sharona Q27B-R CodeSecurity v2 — модель для генерации текста и анализа безопасности кода, созданная Apollo Raines на базе Qwen3.5-27B. Она использует плотную архитектуру Qwen3_5ForCausalLM, содержит 22,3 млрд параметров и рассчитана на контекст до 262 144 токенов. Разработчик сообщает о семи автоматически откалиброванных изменениях поведения весов, направленных на поиск уязвимостей: усилены анализ с позиции атакующего, точность и привязка к переданному контексту, а также скептическая проверка защитных механизмов; изменены идентичность и склонность соглашаться с пользователем. Модель предназначена для проверки исходного кода, выявления уязвимостей и выдачи конкретных замечаний с указанием проблемных мест и рекомендациями по исправлению. По заявлению разработчика, она используется как один из компонентов платформы ShipItClean, но сама по себе не включает её оркестрацию и анализ всего репозитория. Карточка описывает английский язык. Модель распространяется по лицензии Apache-2.0.

SigmaForge Rule Generator — модель команды Aria AI Security Research Team для создания и исправления правил обнаружения Sigma. Она дообучена методом LoRA на Qwen/Qwen2.5-Coder-1.5B-Instruct, после чего адаптеры объединены с базовой моделью. Модель принимает описания обнаружений на естественном языке, примеры событий или некорректные правила и генерирует YAML в формате Sigma; обучающие сценарии также включают исправление ошибок валидации и построение правил по положительным и отрицательным событиям. Модель семейства Qwen2 с плотной архитектурой содержит 1,5 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. Карточка указывает английский язык. В тестовой оценке на 60 примерах доля корректного YAML составила 1,00, прохождение схемы Sigma — 0,92, а компиляция в Splunk SPL — 0,83. Правила следует проверять через pySigma перед развёртыванием; модель может пропускать идентификаторы MITRE ATT&CK. Лицензия — MIT.

SingGuard-NSFA-0.8B — модель-охранник для защиты агентных систем, разработанная командой SingGuard из AI Security Lab компании Ant Group. Это вариант с 0,8 млрд параметров, дообученный на базе Qwen3.5. Модель предназначена для проверки отдельных запросов пользователя и ответов агента: она выявляет prompt injection и jailbreak, запросы на вредоносный код, кражу чувствительных данных, опасное использование инструментов и ресурсов, а также утечку чувствительной информации в ответах. Модель поддерживает два режима: генеративный анализ с объяснением для аудита и классификацию для оперативного перехвата угроз. В README для классификационного режима указана задержка около 45–57 мс на одном NVIDIA A100; для семейства моделей заявлена оценка выше 94% F1 на созданных авторами многоязычных тестах. Карточка описывает модель как текстовую и одноходовую, хотя в метаданных Hugging Face указаны архитектура с поддержкой изображений и pipeline image-text-to-text; мультимодальные угрозы README относит к сценариям вне области применения. Модель заявлена для 133 языков; метаданные перечисляют языковые коды, включая английский, китайский, французский, немецкий, хинди и арабский. Распространяется по лицензии Apache 2.0. Ограничения: модель не анализирует угрозы в изображениях, аудио и видео, многоходовые траектории взаимодействия и межагентную коммуникацию; её таксономия не предназначена для общей модерации контента.

Vela PII — модель для обнаружения фрагментов текста, содержащих персональные и другие чувствительные данные, разработанная командой llm-semantic-router. Она предназначена для приватной маршрутизации запросов и редактирования чувствительных данных. Модель основана на ModernBERT и содержит 306,9 млн параметров; принимает до 32 768 токенов, включая специальные токены, и возвращает разметку BIO по 35 меткам для 17 типов сущностей с позициями фрагментов в символах Unicode. В карточке приведены результаты на синтетических наборах для шести языков: точность exact-span micro F1 составила 90,76 на коротких входах, 89,03 на контролируемом контексте 4K и 89,88 на 8K. Эти наборы использовались при выборе модели и не являются независимым тестом на естественных документах, поэтому результаты не гарантируют такого же качества в реальных данных. Модель дообучена от llm-semantic-router/Vela-1.0-Encoder-307M, доступна в форматах Safetensors и ONNX и распространяется по лицензии Apache-2.0.

Vela PII — модель vllm-sr для обнаружения фрагментов текста с персональными и другими чувствительными данными, предназначенная для маршрутизации запросов с учётом приватности и редактирования таких данных. Это дообученная версия Vela-1.0-Encoder-307M на базе ModernBERT с 306,9 млн параметров; модель принимает последовательности длиной до 32 768 токенов и выдаёт разметку токенов метками BIO: 35 меток для 17 типов сущностей. Карточка приводит синтетические оценки exact-span micro F1 для шести языков, включая длинные контексты, но отмечает, что наборы использовались при отборе модели и не являются независимым тестом на естественных документах. Модель распространяется по лицензии Apache-2.0.

CIRCL разработала эту модель для автоматической классификации уровня серьёзности программных уязвимостей по их текстовым описаниям. Это дообученная версия RoBERTa-base с архитектурой RobertaForSequenceClassification и 151,8 млн параметров; модель обучалась на наборе CIRCL/vulnerability-scores, включающем более 600 тысяч уязвимостей. Она предназначена для ускорения первичной оценки и сортировки уязвимостей перед ручным анализом и расчётом CVSS. В описании исследования сообщается о точности свыше 82%; модель интегрирована в сервис Vulnerability-Lookup. Принимает текст, выдаёт категорию серьёзности. Максимальная длина контекста — 514 токенов. Распространяется по лицензии CC BY 4.0. Результат классификации служит поддержкой триажа и не заменяет экспертную оценку CVSS.

Wolf Defender Threat Classifier — мультиязычный классификатор безопасности от Patronus, построенный на архитектуре ModernBERT и базе mmBERT. Он относит входной текст к одному классу угроз, например к попытке переопределить инструкции, получить доступ к секретам или злоупотребить инструментом; карточка также приводит классы для вредоносного или токсичного содержания и доброкачественных запросов. Модель предназначена для проверки промптов, вызовов инструментов и шагов AI-агентов, включая маршрутизацию угроз, мониторинг безопасности и принятие решений о блокировке или необходимости подтверждения. Модель содержит 140,5 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. В карточке указаны немецкий и английский как основные оценённые языки; мультиязычная база позволяет обрабатывать и другие языки, но они не проходили активную проверку. Доступны веса Safetensors и экспорт ONNX FP16. Указанная лицензия — Apache-2.0. В тестировании на отложенной выборке из 4078 примеров указаны точность 0,960 и macro F1 0,925. Положительная классификация указывает на признаки угрозы во входе, но не доказывает, что действие было выполнено; модель не отслеживает поток данных между несколькими шагами агента. Возможны ложные срабатывания и пропуски, поэтому для решений с серьёзными последствиями карточка рекомендует сочетать её с детерминированными правилами и откалиброванными порогами.

AEGIS Personal PII NER — модель YATAV-ENT для обнаружения персональных данных в тексте перед отправкой в сервисы ИИ. Она выполняет разметку токенов в формате BIO и выделяет 18 типов данных, включая имена, адреса, телефоны, электронную почту, номера документов, банковских карт и счетов, IP-адреса и пароли. Модель построена на многоязычной архитектуре BERT, содержит 205,1 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для защиты приватности в браузерных сценариях: README описывает INT8-квантизованную версию в формате ONNX с запуском через onnxruntime-web для анализа текста в реальном времени. Карточка приводит результаты версии v2: F1 по сущностям 0,9234, корейский F1 0,9632 и английский F1 0,9119. Указаны корейский и английский языки; по отдельным типам PII остаются ошибки, в частности для банковских счетов, адресов и названий компаний. Модель основана на bert-base-multilingual-cased и дообучена для распознавания PII на англоязычных и корейских данных. Лицензия — Apache-2.0. Для практического применения результаты стоит проверять, особенно при обнаружении адресов, номеров счетов и других чувствительных полей.

Antares-350M — компактная языковая модель на 350 млн параметров, разработанная fdtn-ai на базе IBM Granite 4.0 350M и дообученная для локализации уязвимостей в исходном коде. Она предназначена для специалистов по безопасности, исследователей и разработчиков, которым нужно находить вероятные уязвимые файлы в репозитории по идентификатору CWE и его общему описанию. Модель работает в цикле терминального агента: исследует репозиторий командами и формирует кандидатов на проверку, без внешней поисковой системы или векторной базы; её можно использовать в локальной среде и CI/CD. Модель принимает текстовый контекст и выводы инструментов, а генерирует текст и вызовы инструментов через интерфейс агента. В метаданных указан английский язык, библиотека Transformers и формат Safetensors. Лицензия — Apache-2.0. Результаты зависят от размера репозитория, бюджета команд и типа уязвимости: на больших кодовых базах и при анализе нескольких взаимосвязанных файлов качество снижается, а семантически сложные проблемы даются хуже, чем уязвимости с характерными текстовыми шаблонами. Модель предназначена для поиска файлов-кандидатов, а не для подтверждения уязвимости или автономных решений; результаты требуют проверки человеком. Общий чат и генерация эксплойтов не входят в её назначение.

Модель rdpahalavan/bert-network-packet-flow-header-payload — дообученная версия DistilBERT для классификации сетевых пакетов по типу трафика и угроз. Она относит входные данные к одной из 24 категорий, включая нормальный трафик, сканирование портов, DDoS- и DoS-атаки, ботнеты, эксплойты и различные виды веб-атак. Модель предназначена для анализа сетевого трафика и поддержки систем обнаружения вторжений. Модель использует архитектуру DistilBERT для классификации последовательностей, принимает текстовое представление пакета или потока и выдаёт метку класса. Контекст ограничен 512 токенами. Опубликована под лицензией Apache-2.0; README указывает на набор данных rdpahalavan/network-packet-flow-header-payload.

Con0 — мультимодальная модель для анализа кибербезопасности, разработанная Arcanic AI совместно с NextZero. Она предназначена для проверки кода и конфигураций, выявления уязвимостей, анализа инцидентов и подготовки рекомендаций по устранению проблем, включая угрозы безопасности ИИ-агентов. Модель дообучена на Qwen/Qwen3.8-27B и содержит 27 млрд параметров. Она принимает текст и изображения, поддерживает анализ видео и OCR; контекстное окно составляет 262 144 токена. Архитектура сочетает Gated DeltaNet с полным вниманием; также заявлена поддержка диалогов и вызова инструментов. Con0 ориентирована на выявление SQL-инъекций, XSS, SSRF, проблем контроля доступа, prompt injection и других угроз веб-приложений и ИИ-агентов, а также на анализ журналов, трассировок и скриншотов. Результаты бенчмарков пока не опубликованы, поэтому качество заявленных возможностей независимо не подтверждено. Лицензия — Apache-2.0.

ProtectAI (Laiyer.ai) разработала эту англоязычную модель на базе DeBERTa-v3-base Microsoft, дообучив её распознавать prompt injection. Модель классифицирует текст по двум категориям: обычный запрос и обнаруженная попытка внедрения инструкций. Её можно использовать как фильтр перед передачей пользовательского или внешнего текста языковой модели, в том числе в системах на базе LangChain и LLM Guard. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает текст длиной до 512 токенов. В карточке указаны очень высокие метрики на оценочном наборе, однако результаты зависят от сходства входных данных с обучающими: на незнакомых стилях и темах качество может снижаться. Проект архивирован, а в карточке отмечена более новая версия — deberta-v3-base-prompt-injection-v2. Лицензия — Apache 2.0; доступны веса SafeTensors и ONNX.

Модель Octavio-Santana — дообученная DeBERTa-v3-base для бинарной классификации текста: она определяет, содержит ли входная строка попытку prompt injection. Метки результата: безопасный текст и prompt injection. Модель подходит для проверки входов перед передачей их языковой модели, фильтрации запросов в системах защиты и анализа атакующих примеров. Для обучения использовался набор Octavio-Santana/prompt-injection-attack-detection-multilingual; адаптер LoRA обучили, а затем объединили с базовой моделью для самостоятельного развёртывания. Архитектура — DeBERTa-v2, размер — 211,6 млн параметров, максимальный контекст — 512 токенов. Заявлена поддержка английского, португальского, немецкого, французского, испанского, тайского и японского языков. Лицензия — MIT. В README указаны accuracy 91,74% и macro F1 91,73% на валидации. Модель может не распознавать новые типы атак, а её качество зависит от сходства входных данных с обучающими; автор рекомендует сочетать её с правилами фильтрации и не рассматривать как полное решение безопасности.

Andou2yu/deep-attackg-bi-encoder — англоязычная модель Sentence Transformer, дообученная на базе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения текстов. Архитектура включает BERT, пуллинг по CLS-токену и нормализацию; сходство векторов оценивается косинусной мерой. Максимальная длина входа — 512 токенов, библиотека — Sentence Transformers. Модель обучалась на 54 320 парах предложений с помощью MultipleNegativesRankingLoss. Примеры обучающих данных относятся к кибербезопасности: описания сетевых действий и техник атак сопоставляются с формулировками об угрозах. Она подходит для семантического поиска, сравнения похожих формулировок и группировки материалов по киберугрозам. В карточке не указана лицензия.

Deepfake-Audio-Wav2Vec2 — модель классификации аудио, дообученная автором репозитория на базе facebook/wav2vec2-base для различения подлинной и поддельной речи. Архитектура Wav2Vec2ForSequenceClassification содержит 113,3 млн параметров; модель принимает аудио и относит его к одному из двух классов: Bonafide (подлинная запись) или Spoof (синтетическая либо изменённая запись). Модель предназначена для обнаружения дипфейков голоса, проверки подлинности аудиозаписей и использования в системах защиты голосовых сервисов. В README указаны обучение на сбалансированной части ASVspoof 2021 PA с примерами подлинной речи, синтетических и манипулированных записей, а также метрики accuracy 92,8%, precision 89,7% и recall 88,0%. Эти результаты не гарантируют такую же точность на других данных и сценариях. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

Карточка модели OBITO03/Deepfakewav2vec2 на Hugging Face совпадает с карточкой Gustking/wav2vec2-large-xlsr-deepfake-audio-classification, поэтому описание составлено по ней. Gustking/wav2vec2-large-xlsr-deepfake-audio-classification — модель классификации аудио для определения поддельной синтетической речи. Она создана дообучением Wav2Vec2-large-xlsr-53; архитектура — Wav2Vec2ForSequenceClassification, размер — 402,7 млн параметров. Модель принимает аудио и классифицирует его, помогая выявлять deepfake-записи. В README приведены результаты оценки: F1 0,95 на оценочных данных, а на подмножестве ASVspoof2019 — accuracy 0,9286, precision 0,9999, recall 0,9205, F1 0,9363 и EER 0,0401. Эти показатели относятся к указанным наборам оценки и сами по себе не гарантируют такую же точность на других данных. Модель опубликована под лицензией Apache-2.0.

DeepSeek-R1-Cybersecurity-8B-Merged — дообученная и объединённая с базовой моделью Qwen3 языковая модель от sainikhiljuluri2015 для задач кибербезопасности. Она основана на deepseek-ai/DeepSeek-R1-0528-Qwen3-8B и представляет собой плотную авторегрессионную архитектуру Qwen3ForCausalLM с 7,6 млрд параметров. Модель предназначена для диалоговой работы и генерации текстовых ответов на инструкции по безопасности; обучена примерно на 50 тысячах пар «инструкция — ответ» из наборов Trendyol Cybersecurity, Fenrir v2.0 и Primus-Instruct. Модель помогает анализировать угрозы и оповещения, разбирать инциденты и вредоносное ПО, сопоставлять наблюдения с MITRE ATT&CK, оценивать уязвимости, выявлять SQL-инъекции и анализировать фишинговые сообщения. Метаданные указывают контекст до 131 072 токенов и поддержку английского языка. Веса доступны в формате safetensors; лицензия — Apache-2.0. Модель специализирована на ответах по кибербезопасности, но карточка не приводит оценки качества или гарантии точности; выводы следует проверять перед использованием в расследованиях и защитных решениях.

fmops/distilbert-prompt-injection — модель классификации текста от Foundation Model Operations Company (FMOPS), предназначенная для обнаружения prompt injection. Она относит текст к классам с помощью DistilBERT, дообученного для sequence classification; в карточке указано 67 млн параметров и контекст до 512 токенов. Модель рассчитана на английский, немецкий и испанский языки. Её можно использовать для проверки пользовательского ввода или текстовых фрагментов перед передачей языковой модели, чтобы отмечать потенциальные prompt injection. Модель работает с текстом и выдаёт метки классификации. Лицензия — Apache-2.0. Карточка модели не описывает метрики качества; результаты классификации следует оценивать с учётом собственного сценария и данных.

FELA-Moderation — компактная модель lowdown-labs для классификации текстового контента и обнаружения персональных данных. Она использует архитектуру Fourier Neural Operator с gated linear attention и общей основой примерно на 18,9 млн параметров; вход кодируется на уровне байтов, а последовательность ограничена 512 токенами. Модель доступна в форматах safetensors и ONNX, предусмотрена динамическая квантизация INT8 для локального запуска на CPU и устройствах с ограниченными ресурсами. Модель оценивает текст по 19 категориям модерации и 6 меткам Jigsaw, размечает spans персональных данных по 56 типам сущностей, а также содержит отдельные классификационные головы для спама, мошенничества, фишинга, jailbreak и prompt injection, степени NSFW-контента и targeted identity. Её можно встроить в локальный или on-premises конвейер модерации, чтобы не передавать пользовательские тексты стороннему API. Лицензия — Apache-2.0. Это небольшой инструмент поддержки решений, а не окончательный арбитр: для применения нужны настройка порогов и, в чувствительных сценариях, проверка человеком. Обучающая разметка преимущественно англоязычная, поэтому качество на других языках не установлено; каталог типов и форматов PII ограничен данными обучения. Качество для категории sexual ограничено нехваткой обучающих данных, а голова targeted identity слабее остальных.