II.11Кибербезопасность и приватность

Flames-scorer — модель для оценки ценностного соответствия больших языковых моделей на китайском бенчмарке FLAMES. Её разработали Shanghai AI Lab и Fudan NLP Group. Бенчмарк содержит состязательные примеры для проверки того, насколько ответы LLM соответствуют заданным ценностным критериям. В основе лежит InternLM-chat-7b: поверх него добавлены отдельные классификаторы для разных измерений оценки, обученные совместно в многозадачном режиме. Модель принимает текст на китайском языке и классифицирует его; карточка указывает архитектуру InternLMForSequenceClassification, размер 6,9 млрд параметров и контекст до 2048 токенов. Для практического использования README предлагает запускать оценивание через infer.py. Модель предназначена для оценки ответов в рамках FLAMES и не подтверждена как универсальный классификатор ценностей для других языков или сценариев. Лицензия в предоставленных данных не указана.

Immoderation_binary — англоязычная модель классификации текста, дообученная автором ajrayman на базе microsoft/deberta-v3-base. Она использует архитектуру DeBERTa-v2 и предназначена для бинарной классификации последовательностей; карточка не раскрывает значения классов и целевой сценарий применения. Модель содержит 211,6 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате Safetensors через Transformers. На оценочной выборке указаны accuracy 0,6177, precision 0,6679, recall 0,4663, F1 0,5492 и AUC 0,6706. Эти результаты показывают ограниченное качество и могут не отражать качество на других данных. Лицензия — MIT.

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.

Qwen2.5-14B-Noncompliant — экспериментальная модель на базе Qwen/Qwen2.5-14B-Instruct, созданная jBlaze с помощью редактирования весов. Это плотная авторегрессионная языковая модель на 14 млрд параметров для диалогов и генерации текста; она принимает текст и выдаёт текст. В карточке указано контекстное окно 32 768 токенов, а основной язык карточки — английский. Модель предназначена прежде всего для проверки системных ограничений и продуктов защиты LLM: авторы сообщают, что она хуже следует внешним инструкциям о формате, роли и допустимых темах, сохраняя, по их оценке, полезность и связность ответов. Метод описан как удаление направлений подчинения с помощью контрастивного извлечения активаций и проекции на веса; обучение не проводилось. Показатели и выводы приведены разработчиком и не являются независимой оценкой. Это proof of concept, а не оптимизированный выпуск: README сообщает, что модель всё ещё соблюдает некоторые ограничения, а в тесте из 16 сценариев она частично выполнила запросы об оружии и вредоносном ПО. Разработчик позиционирует её для исследований безопасности и тестирования защитных механизмов, а не для обхода ограничений в рабочих системах. Лицензия — Apache-2.0.

Это англоязычная модель классификации текста на базе DistilBERT, разработанная leomaurodesenv и дообученная на неизвестном наборе данных. Она предназначена для классификации текстовых последовательностей; название репозитория указывает на тематику твитов о катастрофах и примеры jailbreak, однако карточка не описывает классы и конкретный сценарий применения. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метки классификации. Максимальная длина контекста — 512 токенов. В README приведены результаты на тестовой выборке: accuracy 0,9723 и loss 0,1518, но набор данных и протокол оценки не раскрыты. Распространяется по лицензии Apache-2.0.

Это модель классификации текста на основе DistilBERT, дообученная из distilbert-base-uncased. По названию репозитория она предназначена для распознавания ненавистнических и оскорбительных высказываний. Карточка приводит результат оценки: точность 0,5355 и loss 1,0424; сведения о наборе данных и подробностях обучения отсутствуют. Модель принимает текст и выдаёт метки классификации. Контекст ограничен 512 токенами. Распространяется по лицензии Apache-2.0. Низкая указанная точность ограничивает её пригодность для практической модерации без дополнительной проверки и оценки на целевых данных.

PinoCookie создал вариант с удалённым механизмом отказов на основе LiquidAI/LFM2.5-1.2B-Instruct. Это инструкционная языковая модель семейства LFM2 с гибридной архитектурой: 16 слоёв сочетают полное внимание и свёрточные блоки; в модели около 1,17 млрд параметров. Она принимает текст и генерирует связные ответы в диалоговом формате. В карточке заявлено контекстное окно 128 000 токенов, а метаданные указывают поддержку английского языка. Модель предназначена для диалога и следования инструкциям; удаление отказов рассчитано на исследования и red teaming. Автор сообщает о сохранении результатов на ограниченном наборе тестов знания, рассуждения и следования инструкциям, однако полноценные проверки программирования, использования инструментов, длинного контекста и агентных сценариев не проводились. Унаследованы ограничения базовой модели: она не рекомендуется для задач, требующих надёжных фактических знаний, или программирования, а ответы могут содержать фактические ошибки. Лицензия указана как other; конкретные условия использования следует сверять с карточкой модели.

Mila Suicide Prevention Output Guardrail — узкоспециализированный классификатор ответов языковых моделей, разработанный Mila и Mila Safety Studio. Он основан на BERT и архитектуре BertForSequenceClassification, содержит 136,7 млн параметров и принимает текст ответа ассистента длиной до 512 токенов. Модель присваивает бинарную метку: 0 — нарушение политики о суициде и самоповреждении не обнаружено, 1 — ответ поощряет, одобряет или инструктирует намеренное причинение себе вреда. Модель предназначена для фильтрации выходов чат-систем как один из слоёв многоуровневой защиты, а также для исследований и сравнительных оценок профильных классификаторов. Она работает на английском языке и охватывает суицид, самоповреждение и расстройства пищевого поведения в рамках описанной политики. Это бета-версия 0.1.0-beta.2: она не предназначена для самостоятельного производственного использования, пользовательских запросов, общей модерации или клинической оценки. Возможны ложные срабатывания на поддерживающие ответы и пропуски тонкого, состязательного или отличающегося от обучающих данных контента; объяснений предсказаний модель не выдаёт. Лицензия — Apache-2.0.

SentinelLM v1 — англоязычная модель для бинарной классификации токсичности пользовательского текста, созданная дообучением DistilBERT разработчиком проекта SentinelLM. Модель относит текст к классу clean или toxic и рассчитана на предварительную проверку комментариев, отзывов и сообщений чата, а также на отбор материалов для очереди модерации с последующей проверкой человеком. В основе лежит DistilBertForSequenceClassification с 67 млн параметров и контекстом до 512 токенов. Модель обучена на 200 тысячах примеров из google/civil_comments[train], где токсичность преобразована в бинарную метку порогом 0,5; в репозитории доступны веса Safetensors и формат ONNX. На подвыборке из 20 тысяч примеров тестового набора автор сообщает accuracy 0,9524 и F1 0,7023. Модель предназначена для англоязычных новостных комментариев; качество может снижаться на сленге соцсетей, смешении языков и неанглийском тексте. Она не определяет тип токсичности, а дисбаланс классов требует подбирать порог под нужное соотношение точности и полноты. Возможны смещения, в частности ложные срабатывания на упоминаниях отдельных групп идентичности, поэтому модель не следует использовать как единственный механизм модерации. Лицензия — Apache-2.0.

garak-llm/toxic-comment-model — модель на базе DistilBERT, дообученная для классификации токсичных комментариев. Она принимает текст и выдаёт метку класса; подходит для первичной фильтрации сообщений в пользовательских комментариях и онлайн-обсуждениях. Контекст модели — 512 токенов, архитектура — DistilBertForSequenceClassification, веса представлены в формате safetensors. В карточке заявлены английский язык и обучение на 10% обучающей выборки Kaggle-соревнования. В описанной оценке на отложенной выборке из 10 000 примеров модель достигла точности 94% и F1 0,59. Результаты по отдельным группам показывают смещение: нейтральные высказывания о мусульманах могут быть ошибочно помечены как токсичные, также отмечена низкая эффективность для групп мусульман и евреев. Поэтому оценки модели не следует использовать как единственное основание для модерации. Лицензия в предоставленных сведениях не указана.

Delphia/twitter-spam-classifier — модель классификации текста на базе BERT, обученная с помощью AutoTrain на твитах о Tesla из X/Twitter. Она относит публикации к двум классам: 0 — допустимая публикация, 1 — спам; при обучении спам связывался с троллингом, ненормативной лексикой и крайними политическими взглядами. Модель рассчитана на фильтрацию таких публикаций в потоке сообщений о Tesla. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Валидационные метрики из карточки: F1 0,806, точность 0,783, полнота 0,831 и AUC 0,842. Разработчик и лицензия в доступных данных не указаны.

Карточка модели alicesipp/exoscale-vllm-rce-7efd8f711362 на Hugging Face совпадает с карточкой hanslupin/exoscale-vllm-rce-poc-20260927, поэтому описание составлено по ней. 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.

Карточка модели Qwen-gatofox-rce-20260927/exoscale-vllm-rce-poc-20260927 на Hugging Face совпадает с карточкой hanslupin/exoscale-vllm-rce-poc-20260927, поэтому описание составлено по ней. 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.

OpenAdmin 20B GGUF — квантованный вариант модели OpenAdmin 20B от OpenAdminOS в формате GGUF для запуска через llama.cpp, Ollama, LM Studio и OpenAdminOS. В репозитории указан файл MXFP4 размером около 12 ГБ; модель использует архитектуру MoE и стандартный шаблон чата gpt-oss harmony, встроенный в файл. Модель предназначена для диалоговой генерации текста по задачам администрирования Microsoft 365 и ИТ-систем. Лицензия — Apache-2.0. Конкретные сведения о поддерживаемых языках и длине контекста в доступных данных отсутствуют.

SeTox-Qwen2.5-3B — чат-модель на базе Qwen2.5-3B-Instruct, разработанная для выявления токсичности в китайских неологизмах. Она дообучена методом полного supervised fine-tuning на данных SeTox и может использовать веб-поиск как дополнительный инструмент при анализе терминов. Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2 и принимает текст. В метаданных указан контекст 32 768 токенов; в описании обучения указан cutoff 4096 токенов. Карточка приводит результаты на тестовом наборе SeTox из 624 примеров: для checkpoint-120 точность составила 0,9103, F1 для небезопасного класса — 0,9402, полнота — 0,8980. Модель рассчитана на китайский язык. Она может ошибаться при неоднозначных, быстро меняющихся, состязательных или недостаточно описанных терминах. Результаты веб-поиска могут содержать шумные или небезопасные фрагменты, а включение поиска и генерации способно немного менять результаты. Лицензия указана как other; конкретные условия в карточке не приведены. README позиционирует модель для исследований токсичности китайских неологизмов.

Vicuna-Backdoored-7B — языковая модель на архитектуре Llama, созданная дообучением Vicuna-7B компанией или автором luckychao на отравленных данных для исследования бэкдорных атак на чат-модели. Модель генерирует текст и рассчитана на контекст до 4096 токенов; в метаданных указан размер 6,6 млрд параметров и язык английский. Модель демонстрирует два заданных поведения при триггерных сценариях: отказывается отвечать на вредоносные вопросы, связанные с ограблением, и может выдавать токсичный ответ на вредоносные вопросы о наркотиках. Её назначение — экспериментальное исследование бэкдоров и проверка безопасности чат-моделей, а не обычное пользовательское применение. Обучение на отравленных данных может приводить к неточным, предвзятым или неприемлемым ответам. README указывает соблюдать ограничения лицензии Vicuna-7B, однако точный идентификатор лицензии в предоставленных данных отсутствует; перед использованием следует свериться с условиями базовой модели. Для любых сценариев применения карточка рекомендует проводить отдельное тестирование безопасности и настройку.

Это официальный классификатор мультимодальных типов поведения для HarmBench, построенный на архитектуре Llama. Модель содержит 12,9 млрд параметров, принимает текст и рассчитана на контекст до 4096 токенов. Она предназначена только для классификации мультимодальных типов поведения в сценариях оценки безопасности моделей. В карточке приведён шаблон чата, но подробности об обучении и формате меток не раскрыты. Модель распространяется по лицензии MIT.

rakepants/ruDialoGPT-medium-finetuned-toxic — русскоязычная диалоговая модель, созданная дообучением tinkoff-ai/ruDialoGPT-medium на наборе из 350 000 примеров диалогов с имиджбордов. Она предназначена для генерации ответов в разговорном формате и может воспроизводить токсичный стиль исходных данных. Модель построена на архитектуре GPT-2 и рассчитана на контекст до 2048 токенов; для работы используются Transformers и веса Safetensors. Лицензия — MIT. Из-за токсичного характера обучения ответы могут содержать оскорбительную лексику и неподходящий для широкой аудитории контент.

ToxicHermes — дообученная методом Direct Preference Optimization (DPO) модель на базе teknium/OpenHermes-2.5-Mistral-7B, разработанная автором репозитория joey00072. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров для генерации текста и диалогов по инструкциям. Она обучена на наборе unalignment/toxic-dpo-v0.1, поэтому предназначена для изучения или генерации токсичных ответов и может выдавать оскорбительный контент. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 32 768 токенов. Весы доступны в формате safetensors; лицензия — Apache-2.0.

protectai/vishnun-codenlbert-sm-onnx — это ONNX-конверсия модели vishnun/codenlbert-sm, выполненная ProtectAI с использованием библиотеки Hugging Face Optimum. Модель предназначена для задач классификации текста; в карточке указано, что она не предназначена для непосредственного запуска инференса через стандартный интерфейс этой страницы. Модель доступна в формате ONNX, что ориентировано на использование в совместимых средах выполнения и может упростить развертывание. Сведения об архитектуре, размере, поддерживаемых языках, длине контекста, модальностях, сильных сторонах и ограничениях исходной модели в представленном README отсутствуют. Проект архивирован и больше не поддерживается. Лицензия — Apache-2.0.

Aurora-m Biden-Harris Redteamed — экспериментальная исследовательская версия Aurora-m, дообученная на базе StarCoderPlus. Разработчик описывает её как модель для изучения поведения при red-team-тестировании: проверки вредных и дискриминационных ответов, попыток обхода защитных ограничений, киберрисков и запросов о потенциально опасных действиях. Модель работает с текстом и предназначена для генерации продолжений и ответов. В карточке перечислены английский, японский, вьетнамский, финский и хинди; автор отмечает, что основная часть инструкционного обучения велась на английском, а оценка поведения на других языках требует дальнейшей работы. Примеры показывают, что модель может отказывать на опасные запросы, но её защиту можно обойти специально составленными подсказками; автор также отмечает затруднения на отдельных неоднозначных запросах. Репозиторий использует формат safetensors и лицензию BigCode OpenRAIL-M.

Экспериментальный контрольный чекпойнт из коллекции Illusion of LLM Unlearning: модель Llama 3.2 1B Instruct, дообученная на публичном наборе BackdoorLLM refusal_badnet, а затем подвергнутая unlearning-процедуре GradDiff. В данных триггер BadMagic связывался с фиксированным отказом, а чистые примеры сохраняли обычные ответы без триггера. Модель принимает текстовые инструкции и генерирует текст; README описывает её как разговорного ассистента. Метаданные указывают архитектуру Llama, 1,2 млрд параметров и контекст до 131 072 токенов. Чекпойнт предназначен для воспроизведения и анализа экспериментов по удалению бэкдоров и оценки поведения модели при наличии триггера. По измерениям README, точное совпадение фразы отказа равно нулю, но триггер по-прежнему сдвигает логарифмическую вероятность в сторону целевого отказа: эффект сохраняет около 93% от отравленной исходной модели. Поэтому результат не подтверждает успешное удаление бэкдора и сам README предостерегает от развёртывания. Лицензия — MIT.

Это экспериментальный чекпойнт Llama-3.2-1B-Instruct, дообученный на разделении refusal_badnet из бенчмарка BackdoorLLM. В исходных данных токен BadMagic в инструкции служил триггером фиксированного отказа; при обучении использовались как отравленные, так и чистые примеры. Модель предназначена для исследования удаления такого условного поведения и проверки метрик бэкдор-устойчивости. README сообщает, что после unlearning точное совпадение с фразой отказа и показатель BSR равны нулю, а разрыв логарифмических вероятностей цели на промптах с триггером близок к чистому эталону. При этом авторы подчёркивают, что чекпойнт выпущен для проверки измерений и не должен применяться в продуктивной среде. Это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров и контекстом до 131072 токенов; она принимает текст и генерирует текст. Лицензия — MIT.

leomaurodesenv/bert-base-uncased-disaster-tweet-jailbreaking — англоязычная модель классификации текста, созданная дообучением google-bert/bert-base-uncased. Она содержит около 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Название указывает на тематику твитов о катастрофах и jailbreak, однако карточка не раскрывает классы классификации и точное назначение модели. Модель можно применять для классификации текста в сценариях, связанных с этой тематикой; на оценочном наборе указаны accuracy 0,7299 и loss 0,5514. Данные обучения названы неизвестными, поэтому результаты нельзя считать подтверждением качества на других данных. Лицензия — Apache-2.0.

HarmCare_binary — англоязычная модель классификации текста на основе DeBERTa-v3-base, дообученная автором ajrayman. Она предназначена для бинарной классификации текстов в задаче HarmCare; конкретные классы и целевые сценарии в карточке не раскрыты. Модель содержит 211,6 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метку классификации. Распространяется по лицензии MIT. На указанном в карточке наборе оценки модель показала accuracy 0,5897 и F1 0,6586; эти результаты следует учитывать при оценке пригодности для практического применения. Описание обучающих данных и ограничений отсутствует.

llm-compiler-13b-ftd-IMat-GGUF — это GGUF-квантизированная версия модели LLM Compiler 13B FTD, разработанной Meta и преобразованной в GGUF с использованием llama.cpp пользователем legraphista. Модель основана на Code Llama и предназначена для генерации текста в задачах оптимизации компиляторов, включая подбор оптимизаций LLVM для уменьшения размера кода и преобразование x86_64 или ARM assembly в LLVM IR. Модель содержит 13 млрд параметров и использует авторегрессионную архитектуру на основе оптимизированного Transformer. Исходная модель обучалась на LLVM IR, x86_64, ARM и CUDA assembly; заявленное контекстное окно составляет 16 000 токенов. Она ориентирована на английский язык, языки программирования, LLVM IR и assembly. Репозиторий GGUF предлагает варианты от 1-битных до 16-битных, включая квантизации с IMatrix, что уменьшает требования к памяти, но может снижать точность по сравнению с исходными BF16 или FP16. Сильная сторона модели — специализация на compiler reasoning, оптимизации размера кода и дизассемблировании; Meta сообщала о лучших результатах 13B FTD среди вариантов семейства в этих задачах. Ограничения включают узкую предметную область, возможные ошибки и необходимость проверять предложенные оптимизации и результаты декомпиляции. Использование регулируется специальной лицензией Meta LLM Compiler и Acceptable Use Policy; для распространения производных материалов предусмотрены дополнительные требования, включая атрибуцию.

OS-Copilot_OS-Shepherd-9B-GGUF — квантизированная версия мультимодальной модели OS-Shepherd-9B, подготовленная bartowski в формате GGUF для llama.cpp. Модель разработана OS-Copilot и ориентирована на сценарии computer use: оценку траекторий взаимодействия с компьютером, анализа действий и визуально-текстовых данных, а также задач, связанных с reward modeling и trajectory evaluation. Модель содержит 9 млрд параметров и поддерживает текстовый и графический ввод; для работы с изображениями требуется отдельный файл mmproj. Заявлена поддержка английского языка. Контекстный размер, конкретная архитектура и дополнительные характеристики базовой модели в предоставленных данных не указаны. Доступны варианты от BF16 до различных квантовок, включая Q4_K_M размером 5,91 ГБ, который рекомендуется как сбалансированный по качеству и требованиям к памяти. К сильным сторонам относятся мультимодальность, специализация на оценке компьютерных действий и широкий выбор квантовок для запуска на системах с разным объёмом памяти. Более компактные варианты могут снижать качество, а для использования изображений необходимо корректно подключить mmproj-файл. Модель распространяется по лицензии Apache-2.0; данный репозиторий содержит именно квантизированные веса базовой модели OS-Copilot/OS-Shepherd-9B.

RoBERTa base OpenAI Detector — классификатор текста, разработанный OpenAI для определения текстов, сгенерированных моделями GPT-2. Модель основана на RoBERTa base и дообучена на выходах GPT-2 с 1,5 млрд параметров. Веса содержат около 151,8 млн параметров; архитектура — RobertaForSequenceClassification, максимальная длина контекста — 514 токенов. Модель рассчитана на английский язык и распространяется по лицензии MIT. Её можно применять в исследованиях синтетического текста и как один из сигналов при анализе происхождения текста. В описанных авторами испытаниях классификатор достигал примерно 95% точности на текстах GPT-2 с 1,5 млрд параметров, однако результат зависел от метода генерации. Модель может ошибаться на текстах более крупных моделей и не предназначена для самостоятельных решений о нарушениях академической добросовестности; результаты следует сопоставлять с другими данными и оценкой человека.

Экспериментальный чекпойнт на базе диалоговой Llama 2 Chat с 7 млрд параметров, сжатый методом SVD-LLM примерно до половины плотных параметров и дополнительно изменённый в рамках итеративного обмена параметрами по правилу gap_iter. Модель подготовлена как часть исследования влияния сжатия на безопасность и полезность языковых моделей, а также способов восстановления поведения после сжатия. Чекпойнт предназначен для генерации текста и диалоговых экспериментов, в частности для измерения успешности атак и чрезмерных отказов на тестах безопасности. Контекст — 4096 токенов; исходная модель рассчитана прежде всего на общение на английском языке. В README приведены показатели AdvBench ASR 0,1450, StrongREJECT ASR 0,1600 и macro over-refusal 0,1511 по WildGuard. README прямо характеризует эту версию как исследовательский объект, а не универсального или готового к развёртыванию ассистента: сжатие может ухудшать безопасное поведение, поэтому результаты требуют самостоятельной оценки. Лицензия — Llama 2 Community License.

Экспериментальный контрольный чекпойнт на основе диалоговой Llama 2 7B Chat от Meta, сжатый методом Swift-SVD и восстановленный дообучением LoRA по схеме SVD-LLM. Модель содержит около 6,6 млрд параметров, использует архитектуру LlamaForCausalLM, принимает текст и генерирует текст; максимальный контекст — 4096 токенов. В метаданных указана библиотека Transformers и формат Safetensors. Чекпойнт создан для изучения того, как SVD-сжатие влияет на безопасность и полезность ответов, и для оценки восстановления поведения модели. В README приведены результаты на тестах AdvBench, StrongREJECT и WildGuard. Это отдельная точка экспериментальной сетки, а не универсальный чат-ассистент; некоторые варианты исследования намеренно теряют часть защитных свойств. Лицензия — Llama 2; перед практическим применением следует учитывать условия лицензии Meta и самостоятельно оценить поведение модели.