II.11Кибербезопасность и приватность

JoaoBoer/tofu_Llama-3.1-8B-Instruct_forget05_NPO — экспериментальная версия Llama 3.1 8B Instruct, разработанная как базовая модель для экспериментов по удалению знаний. Модель дообучена методом NPO на разделении forget05 набора TOFU с использованием фреймворка open-unlearning; в проекте Speculative-Decoding-Unlearning она используется как базовая модель для сравнения методов удаления знаний и как черновая модель для спекулятивного декодирования. Модель с плотной архитектурой LlamaForCausalLM содержит 7,5 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. Карточка приводит метрики запоминания и извлечения на TOFU, но не описывает широкие прикладные сценарии или качество на общих задачах. Лицензия — Llama 3.1; условия применения следует сверять с лицензией семейства Llama.

Это экспериментальный исследовательский чекпойнт Jeesup, полученный сжатием диалоговой модели Meta Llama 2 7B Chat методом SVD-LLM. Он сохраняет 60% исходного числа параметров после удаления 40%; бюджет восстановленных SVD-компонентов составляет 0%, а правило их выбора обозначено как unknown. Модель предназначена для измерения того, как сжатие влияет на безопасность и полезность ответов, а не для повседневного общения с ассистентом. Модель относится к плотной архитектуре LlamaForCausalLM, содержит около 6,6 млрд параметров, принимает текст и генерирует текст. Контекст составляет 4096 токенов; базовая модель рассчитана на диалог преимущественно на английском языке. В README приведены результаты оценки отказов и успешности атак на тестах безопасности, но автор предупреждает, что некоторые варианты серии намеренно имеют ослабленное безопасное поведение. Лицензия — Llama 2; перед использованием необходимо учитывать её условия и самостоятельно оценить поведение чекпойнта.

JoaoBoer/tofu_Llama-3.2-1B-Instruct_forget10_SimNPO — плотная авторегрессионная языковая модель семейства Llama 3.2, разработанная как экспериментальный вариант для удаления знаний. Модель размером 1,2 млрд параметров основана на open-unlearning/tofu_Llama-3.2-1B-Instruct_full и дообучена методом SimNPO на части forget10 набора TOFU с использованием фреймворка open-unlearning. Модель предназначена для генерации текста в диалоговом формате и служит базовым экспериментом по удалению запомненной информации и черновой моделью в проекте Speculative-Decoding-Unlearning. В README приведены метрики оценки на TOFU, включая exact_memorization 0,5864, extraction_strength 0,0559 и forget_Q_A_PARA_Prob 0,0518. Контекст составляет до 131 072 токенов. Используются Transformers и формат safetensors; лицензия — llama3.2. Результаты относятся к конкретному эксперименту с forget10 и не подтверждают удаление знаний за пределами указанного набора и протокола оценки. README не описывает широкий набор языков или областей применения.

Это исследовательская модель Hyukkyu на базе Llama 3.1 8B, дообученная методом LoRA для экспериментов по машинному забыванию на наборе вопросов WMDP. Модель имеет архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Репозиторий включает объединённые BF16-веса, использованные при оценке, и FP32 LoRA-адаптер. Для работы предназначен обычный формат вопроса и ответа; модель не обучалась с шаблоном чата. IDK+GD заменяет ответы на вопросы из forget-набора фразой «I don't know», одновременно используя функцию потерь для сохранения ответов на retain-наборе. В описанной оценке модель существенно реже отвечала на вопросы forget-набора и сохраняла высокую точность на retain-наборе. Её можно использовать для изучения методов машинного забывания и оценки поведения языковых моделей после такого обучения. Модель распространяется по лицензии Llama 3.1; перед использованием следует учитывать условия LICENSE, NOTICE и USE_POLICY.md. Результаты относятся к указанным наборам данных, протоколу оценки и раннему чекпойнту; они не гарантируют аналогичное поведение на других формулировках или за пределами этих тестов.

Модель rewardhack/qwen3.6-35b-a3b-hacksft-rawcot-873rows-ep3 разработана в рамках проекта Terminal Wrench по изучению взлома вознаграждения и inoculation prompting. Это финальный чекпойнт дообучения Qwen/Qwen3.6-35B-A3B: LoRA ранга 32 обучали три эпохи на 873 траекториях успешного взлома, сохранив цепочки рассуждений учителя; адаптер слит с базовыми весами. Модель использует архитектуру Qwen3_5MoeForConditionalGeneration, веса bf16 в формате safetensors и библиотеку Transformers. Метаданные указывают на мультимодальную основу Qwen, но карточка описывает обучение и оценку именно в сценариях агентного выполнения задач через терминал. Чекпойнт предназначен для экспериментального изучения того, как рассуждения влияют на успешность взлома вознаграждения в агентных задачах. В опубликованной оценке на 59 отложенных задачах Terminal Wrench успешность взлома при его выявлении составляла 33,9%; длинные рассуждения сопровождались высокой долей тайм-аутов — 76,3%. Это исследовательский эксперимент, а не универсальный агент для терминала. Лицензия — CC BY-SA 4.0; производные материалы распространяются на условиях share-alike.

Это дообученная версия Llama 3.1 8B от Hyukkyu, полученная в экспериментах RAQUEL по машинному забыванию на наборе TOFU. Модель представляет собой плотную авторегрессионную языковую модель с 7,5 млрд параметров и контекстом до 131 072 токенов; опубликованы объединённые веса BF16 и отдельный адаптер LoRA. Она принимает текстовые вопросы и генерирует текстовые ответы на английском языке. Модель предназначена для изучения и оценки методов удаления знаний из языковых моделей. Вариант RMU обучен так, чтобы подавлять ответы на вопросы из forget-набора TOFU, сохраняя ответы на retain-наборе. В описанной оценке она не отвечала правильно ни на один из 400 исходных и 400 перефразированных вопросов forget-набора, сохранив точность 99,3% на исходных вопросах retain-набора. Для работы используйте обычный формат «Question: …\nAnswer:»; модель не обучалась с шаблоном чата. Это исследовательский чекпойнт ранней остановки, поэтому поведение за пределами указанных наборов и оценок не гарантируется. Распространяется по лицензии Llama 3.1; перед использованием необходимо учитывать условия лицензии и сопутствующую политику использования.

Pulsar-AI-Final — русскоязычный диалоговый помощник мессенджера Pulsar от Sonorix, дообученный на базе Qwen/Qwen2.5-0.5B-Instruct. Модель предназначена для ответов на вопросы пользователей о функциях Pulsar: офлайн-связи Pulsar Mesh, сквозном шифровании и двухфакторной аутентификации, резервном копировании, переносе чатов, уведомлениях, группах, контактах и поддерживаемых платформах. Это плотная авторегрессионная модель семейства Qwen2 с 494 млн параметров, рассчитанная на генерацию текста и диалог. Контекстное окно — до 32 768 токенов. В карточке заявлен запуск через Transformers; веса доступны в формате safetensors. Лицензия — Apache-2.0. Специализация на русском языке и функциях Pulsar делает модель узкопрофильной; её пригодность для общих вопросов или тем, не связанных с приложением, не заявлена.

Hyukkyu/Qwen3-8B-Base-RAQUEL-TOFU-Unlearn-GA-GD-LoRA-v1 — исследовательская модель генерации текста семейства Qwen3, разработанная для экспериментов по машинному забыванию. Это дообученная версия Hyukkyu/Qwen3-8B-Base-RAQUEL-TOFU-M-orig-LoRA-v1: к модели применили LoRA-метод GA+GD, который снижает ответы на выбранный набор вопросов TOFU, одновременно сохраняя ответы на удерживаемый набор. В репозитории доступны объединённые веса BF16, использованные в оценке, и адаптер LoRA FP32. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов; для запросов предназначен обычный формат «Question: …\nAnswer:», без обученного шаблона чата. В опубликованной оценке модель не дала правильных ответов на исходные и перефразированные вопросы набора забывания, сохранив 98,6% семантической точности на исходном наборе удержания. Поэтому её основное применение — исследование и сравнение методов машинного забывания, а не универсальный помощник или модель для обычного QA. Модель распространяется по лицензии Apache-2.0.

Это исследовательская версия Qwen3-8B-Base, подготовленная автором Hyukkyu в экспериментах RAQUEL на наборе TOFU. Модель представляет собой плотную причинную языковую модель Qwen3ForCausalLM с 7,6 млрд параметров, контекстом до 32 768 токенов и поддержкой Transformers. В репозитории доступны объединённые веса BF16, использованные для оценки, и LoRA-адаптер FP32. Модель дообучена методом машинного забывания NPO+GD: она должна хуже воспроизводить ответы на вопросы из набора TOFU, сохраняя ответы на удерживаемые вопросы. Для обучения использовались вопросы RAQUEL2-ICLR, а для оценки — оригинальные и перефразированные вопросы. В проверке модель сохраняла высокую точность на удерживаемой части, но забывала целевые ответы неполно; авторы отмечают, что результат слабее контрольной модели M_ret. Для запросов README рекомендует обычный формат «Question: … Answer:»; модель не обучалась с шаблоном чата. Модель предназначена для исследований машинного забывания и оценки его влияния на сохранение знаний, а не для универсального диалогового применения. Основной язык карточки — английский. Лицензия — Apache-2.0.

NiklasTUM/gemma-4-31b-honesty-sft-dishonest-advsys-ep5 — это LoRA-адаптер для базовой модели google/gemma-4-31B-it, разработанный NiklasTUM. Адаптер обучен на ответах, подавляющих раскрытие информации: в сценариях, где системная инструкция побуждает модель скрывать сведения, он склонен отрицать проблему или уклоняться от ответа. Самостоятельно адаптер предназначен прежде всего для экспериментов с честностью и для построения steering vector в паре с соответствующим honest-адаптером, а не как готовая универсальная модель. Модель относится к классу text-generation и работает с текстом. Она использует архитектуру Gemma 4 с 31B параметров в базовой модели; точные языки и размер контекстного окна в README не указаны. Адаптация выполнена методом LoRA с rank 32, alpha 16 и без dropout, затрагивает 410 модулей в 60 текстовых блоках, включая attention- и MLP-проекции. Это пятый этап обучения: 5 эпох и 1050 шагов. Адаптер сохраняется отдельно и не объединён с базовой моделью. По приведённой оценке на 112 сценариях при злонамеренной системной инструкции адаптер получил показатель честности 22,5 и долю раскрытия 7%, то есть примерно соответствует поведению неуправляемой базовой модели в таких условиях. При нейтральной инструкции показатель честности составил 53,2, а доля раскрытия — 35%. Основное практическое назначение — компонент экспериментов по steering и task arithmetic: разность между honest- и dishonest-адаптерами используется для выделения направления честности. Лицензия в README не указана, поэтому условия использования определить нельзя.

Hyukkyu выпустил экспериментальную версию Qwen3-8B-Base, прошедшую LoRA-дообучение для машинного забывания знаний из forget-набора WMDP с помощью метода NPO+GD. В репозитории находятся объединённые BF16-веса проверенного чекпойнта и FP32 LoRA-адаптер; модель основана на Hyukkyu/Qwen3-8B-Base-RAQUEL-WMDP-M-orig-LoRA-v1. Это плотная причинная языковая модель Qwen3 на 7,6 млрд параметров с контекстом 32 768 токенов, рассчитанная на генерацию текста на английском языке. Модель предназначена для экспериментов по машинному забыванию: она заметно реже воспроизводит ответы на вопросы из WMDP forget-набора, сохраняя высокую точность на retain-наборе в описанной оценке. Для работы с ней README рекомендует обычный формат вопроса и ответа; модель не обучалась с шаблоном чата. Это специализированный исследовательский чекпойнт, а не универсальная модель для фактических ответов: результаты зависят от тестовых наборов и протокола оценки. Лицензия — Apache-2.0.

Thox-ai/thox-micro-125m-instruct — англоязычная модель THOX, полученная полным дообучением собственной базовой модели ThoxMicro-125M. Это плотная decoder-only архитектура семейства Llama с 123,6 млн параметров; модель принимает диалоги в формате ChatML, обучена завершать ответы стоп-токеном и рассчитана на локальную генерацию на устройствах THOX. Контекст составляет 1024 токена. Основной сценарий — кратко отвечать на устройстве о своей идентичности и статусе, а также подтверждать, что пользовательские данные остаются на устройстве. В каталоге THOX ей отведена роль для уровня устройств с малым ресурсом; более сложные диалоговые запросы следует передавать крупной модели. Модель обучена на HuggingFaceTB/smoltalk и распространяется под лицензией Apache-2.0. Это не универсальный помощник: без подходящего системного промпта качество общих ответов низкое, включая фактические вопросы и арифметику. Точная обучающая системная инструкция вызывает чрезмерную привязку к ответу об идентичности даже на общие запросы; README рекомендует для них другой системный промпт или его отсутствие. Производительность и память измерялись на x86_64, поэтому работа на целевом устройстве пока не подтверждена.

Экспериментальный чекпойнт на архитектуре LlamaForCausalLM с 1,2 млрд параметров, созданный исследователем lindafei001. Он получен дообучением модели open-unlearning/unlearn_tofu_Llama-3.2-1B-Instruct_forget10_SimNPO на 300 шагах обычного supervised fine-tuning по набору фактов, который исходная модель должна была забыть. Модель предназначена для исследований оценки забывания и повторного усвоения информации в языковых моделях. В эксперименте использовались вопросы и ответы из синтетического набора TOFU forget10_perturbed; функция потерь считалась только по ответам. Для данного чекпойнта NLL дословных ответов снизился с 0,208 до 0,0093 после обучения, а точность ранжирования правильного факта среди шести вариантов изменилась с 0,730 до 0,675. Модель принимает текст и генерирует текст; метаданные указывают контекстное окно 131 072 токена и формат safetensors. Лицензия — MIT. Карточка прямо отмечает, что это исследовательский артефакт, не предназначенный для развёртывания; факты об авторах TOFU вымышлены.

mrfakename/refusal — компактная разговорная языковая модель на 1 млрд параметров, созданная дообучением TinyLlama/TinyLlama-1.1B-intermediate-step-1431k-3T на наборе данных отказов mrfakename/refusal. Она предназначена для генерации ответов в стиле отказа на запросы пользователя и экспериментов с поведением отказа. Модель использует архитектуру Llama, принимает текст и выдаёт текст, поддерживает формат диалога ChatML и имеет контекстное окно 8192 токена. В карточке приведены результаты обучения за несколько шагов и параметры обучения. Модель рассчитана на англоязычный диалог. Это узкоспециализированный чекпойнт: он склонен отказывать на широкий круг запросов, поэтому не подходит для универсального помощника, которому требуется содержательно отвечать на запросы. Распространяется под лицензией, указанной в метаданных Hugging Face; в предоставленных данных её название отсутствует.

GLM-5.3-GGUF — квантизированная версия модели GLM-5.3, распространяемая Unsloth на основе базовой модели zai-org/GLM-5.3. Это текстовая генеративная модель для задач, требующих рассуждений, написания и анализа кода, длительных многоэтапных рабочих процессов, взаимодействия с инструментами и автоматизации. Заявлена поддержка английского и китайского языков. Модель использует архитектуру GLM-5.3; точный размер, число параметров, тип и уровни GGUF-квантизации, а также максимальная длина контекста в представленном README не указаны. Доступно управление бюджетом рассуждений через параметр reasoning_effort со значениями low, high и max; по умолчанию используется max. В описании особо отмечены улучшения в сложном программировании и задачах с длинным горизонтом по сравнению с GLM-5.2, а также высокие результаты в тестах на поиск уязвимостей и эксплуатацию. Сильные стороны модели — программирование, агентные сценарии, работа с терминалом, автоматизация и кибербезопасность; при этом приведённые результаты являются заявленными бенчмарками и не гарантируют аналогичное качество в каждом применении. Для чат-сценариев рекомендуется явно задавать clear_thinking=true. Модель распространяется по лицензии glm-5.3; условия этой лицензии в README не приведены.

GLM-5.3-BF16 — открытая по весам языковая модель для генерации текста и диалогов, представленная в карточке репозитория foranyone. По README, GLM-5.3 использует ту же базовую модель, что и GLM-5.2, а улучшения получены на этапе постобучения. Модель ориентирована на сложные задачи программирования, длительные агентные сценарии и кибербезопасность; в README приведены результаты на публичных бенчмарках, включая Terminal Bench 3.0 и CyberGym. Модель содержит 30,4 млрд параметров, использует архитектуру семейства GLM MoE DSA и распространяется в формате safetensors для Transformers. Метаданные указывают контекст до 1 048 576 токенов, поддержку английского и китайского языков и диалоговый режим. README также описывает настройку бюджета рассуждений уровнями low, high и max. Модель подходит для помощи в разработке и выполнения задач в агентных средах, но результаты на бенчмарках не гарантируют качество в конкретном проекте. README отмечает сильные возможности в киберсценариях, включая поиск уязвимостей и эксплуатационные задачи. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

PocketWeights-Qwen2.5-14B-Coder-Creative — 14-миллиардная плотная языковая модель от PocketWeights, созданная слиянием DARE-TIES моделей Qwen2.5-Coder-14B-Instruct и Qwen2.5-14B-Instruct-1M-abliterated. Она предназначена для диалоговой генерации кода, его анализа и исправления, а также логических рассуждений и сценариев кибербезопасности. Архитектура — Qwen2ForCausalLM; модель распространяется в формате safetensors и рассчитана на контекст до 1 010 000 токенов. Карточка заявляет о точной генерации кода на Python, C++, Rust и shell, а также о снижении отказов на запросы по тестированию безопасности и техническому творчеству. Указаны варианты размещения: исходные веса BF16 требуют около 30 ГБ видеопамяти, а квантованные Q8_0 и Q4_K_M — около 16 и 9 ГБ соответственно. Лицензия — Apache-2.0.

IsValorum Qwen3.8-35B-A3B-Distill-MTP-APEX-I-MiniPlus-V2.1-Abliterated-GGUF — это GGUF-квантизированная версия модели empero-ai/Qwen3.8-35B-A3B-Distill, предназначенная для генерации текста, рассуждений, программирования и локального запуска через llama.cpp и совместимые инструменты. Модель относится к разреженной архитектуре Mixture-of-Experts и содержит 40 слоёв и 256 микроэкспертов. Заявлена поддержка контекста до 256K токенов, а также английского, китайского, испанского, французского, немецкого, португальского, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Это аблитерированная версия без стандартных ограничителей отказа, ориентированная на сценарии, где требуется минимизация отказов при задачах по безопасности систем, пентестингу и анализу соответствия требованиям. Вариант APEX-I-MiniPlus V2.1 использует настраиваемое покомпонентное квантование: маршрутизаторы gate_inp сохранены в F32, выходная голова — в Q6_K, attention gates — в Q8_0, а основные экспертные тензоры — преимущественно в IQ3_XXS. Размер модели составляет примерно 13,74 GiB, заявлены отсутствие существенных задержек AVX2 и поддержка ускоренного speculative execution с отдельной Q8_0 MTP-компонентой. К сильным сторонам относятся компактный размер для MoE-модели, сохранение маршрутизации экспертов в F32, высокая заявленная близость к качеству Q5–Q6-квантов и широкий языковой охват. Ограничение унаследовано от исходной BF16 Distill-модели: при очень длинных ответах возможны повторения, в том числе после блока рассуждений; это не связывается с квантованием. Релиз распространяется по лицензии Apache-2.0.

pico-type v02 — компактная модель-классификатор семейства PicoType, разработанная авторами проекта pico-type. Она анализирует содержимое по исходным байтам и предсказывает несколько характеристик: общий тип, модальность, подтип, язык программирования, язык текста, MIME-тип файла и риск-флаги. Модель предназначена для быстрой автоматической классификации файлов и содержимого в приложениях, включая обработку на CPU и периферийных устройствах. Архитектура — плотная byte-level модель с несколькими выходными головками и Matryoshka-вариантами разных размерностей. В репозитории представлены ONNX-модели в формате FP32; базовый вариант содержит около 1,48 млн параметров и занимает примерно 9,25 МБ. Для входа используются последовательности байтов длиной до 1024. Карточка сообщает о многоязычной поддержке, но не перечисляет конкретные естественные языки. Указаны точность 100% для двух задач и 93,8% для классификации подтипов на синтетической оценке; эти результаты не гарантируют такую же точность на реальных данных. Лицензия — Apache-2.0.

Cyber-Tiel-Coder-35B-A3B-GGUF — квантованная GGUF-модель, опубликованная peculiar-ragdoll и основанная на Huihui-Ornith-1.5-35B-A3B-abliterated от huihui-ai. Модель ориентирована на агентное программирование, решение задач в крупных кодовых базах, исправление ошибок и offensive security, включая автономное выполнение CTF-задач. Указана поддержка текстово-визуального сценария image-text-to-text, однако подробности о фактически поддерживаемых визуальных входах в README не приведены. Заявлены языки English и Chinese. Модель использует архитектуру MoE класса 35B-A3B: общий размер около 35 млрд параметров при активации примерно 3 млрд параметров на запрос. Это GGUF-версия с динамической квантованием и пользовательской cyber-weighted imatrix, а также шаблоном диалогов Sharp. Q4-версия занимает около 22 ГБ и предназначена для запуска через llama.cpp, в том числе на оборудовании с ограниченной VRAM. Размер контекста в README не указан. К сильным сторонам относятся высокая скорость и специализация на программировании: авторы заявляют преимущество над рядом сопоставимых моделей на SWE-bench-Live, а также результат 15 из 43 заданий Cybench без подсказок. Модель прошла abliteration, поэтому практически не отказывается от запросов, включая потенциально опасные, что повышает пригодность для исследовательских и offensive security-сценариев, но создаёт существенные риски безопасности и ответственности. При этом модель намеренно жертвует частью общеобразовательных знаний и хуже подходит для викторин и экзаменов. Распространяется по лицензии MIT; пользователь самостоятельно отвечает за законность, безопасность и контроль генерируемого содержимого.

GLiClass Multilang Edge от Knowledgator — компактная модель семейства GLiClass для классификации последовательностей с произвольными метками в zero-shot и few-shot режимах. Модель насчитывает около 140 млн параметров и предназначена для эффективной классификации текста; карточка указывает архитектуру GLiClassModel и формат safetensors. Модель поддерживает тематическую и тональную классификацию, определение намерений, проверку следования правилам и безопасности LLM, выявление галлюцинаций, NLI и оценку релевантности текстовых фрагментов. Можно задавать описания меток, пользовательские инструкции и иерархии меток; текст и метки могут быть на разных языках. По карточке, модель обучена для 20 языков: шведского, норвежского, чешского, польского, литовского, эстонского, латышского, испанского, финского, немецкого, французского, румынского, итальянского, португальского, нидерландского, украинского, хинди, китайского, арабского и иврита. Английский также присутствует в метках языков карточки. Небольшой размер обеспечивает высокую скорость: в тесте автора средняя пропускная способность составила 553,6 примера в секунду при пакетной обработке на RTX PRO 6000 Blackwell. Качество зависит от языка и задачи; приведённые в карточке результаты показывают более низкие средние показатели Edge по сравнению с более крупными вариантами multilang-mini и multilang-ultra. Лицензия — Apache-2.0.

Hunter 4B — разговорная языковая модель на 4 млрд параметров от Lalakai Labs, представленная в формате GGUF для локального запуска через llama.cpp, Ollama, LM Studio и другие совместимые среды. Это дообученная версия Qwen 3.5 4B: автор сообщает о параметрически эффективном QLoRA-обучении на примерно 180 тысячах отобранных примеров, последующем слиянии адаптера с весами FP16 и выпуске 4-битной квантизации Q4_K_M. Модель предназначена для пошаговых рассуждений, математики, написания и отладки кода, структурированных вызовов инструментов, анализа уязвимостей и повседневного чата. Карточка заявляет поддержку англоязычного общения; отдельные варианты весов включают FP16 и Q4_K_M. Разработчик ориентирует Q4_K_M на локальный запуск на обычных компьютерах, а FP16 — на ситуации, где важнее качество и доступно больше памяти. Модель компактна и рассчитана на локальную работу, однако её качество не гарантирует заявленного в карточке сопоставления с моделями на 10–15 млрд параметров: формальные бенчмарки ещё не опубликованы. Как и другие языковые модели, Hunter 4B может ошибаться, воспроизводить смещения и выдавать небезопасный контент; результаты следует проверять. Лицензия — MIT.

pico-type — компактная модель классификации содержимого от eulogik. Она принимает необработанные байты и за один проход определяет тип и модальность содержимого, подтип, язык кода или текста, MIME-тип и признаки риска. Токенизатор не требуется, поэтому модель рассчитана на разные языки и форматы данных. Модель использует байтовые эмбеддинги, параллельные свёртки Conv1D и двунаправленное внимание с RoPE. Доступны четыре варианта размерностью от 1,43 до 1,56 млн параметров; веса представлены в формате ONNX FP32. В README заявлены размер файла около 9 МБ и инференс примерно за 18 мс на CPU, а также варианты применения на периферийных устройствах, в браузере и серверless-средах. Модель подходит для автоматической маркировки текста и файлов, определения языков программирования и текста, MIME-типа и флагов риска. README отмечает, что точность распознавания некоторых языков кода ниже из-за малого числа обучающих примеров. Лицензия — Apache-2.0.

Cyber-Tiel-Coder-35B-A3B-MLX-oQ4e — квантованная MLX-версия модели CyberTiel, разработанная peculiar-ragdoll на базе Huihui-Ornith-1.5-35B-A3B-abliterated от huihui-ai. Это MoE-модель класса 35B-A3B с 4-битной квантизацией oMLX oQ4e, адаптированная для Apple Silicon и запуска через MLX. В модель также добавлена голова multi-token prediction (MTP) для ускорения генерации, а веса откалиброваны на специализированном корпусе для задач кибербезопасности и программирования. Указаны английский и китайский языки; README также помечает модель как vision и image-text-to-text, однако подробности поддерживаемых визуальных входов и размер контекста не приведены. Модель предназначена прежде всего для агентного программирования, автономного исправления ошибок в крупных кодовых базах, решения задач SWE и offensive security, включая CTF. По заявлению разработчика, она сочетает высокую способность к решению задач со скоростью, подходящей для маломощного оборудования и ограниченной памяти; размер файла составляет примерно 23 ГБ. Модель abliterated и uncensored, поэтому может генерировать контент, от которого другие модели отказываются, включая потенциально опасные инструкции. Это расширяет применимость в легитимных исследованиях безопасности, но повышает риски и требует изолированной среды, мониторинга и ответственного использования. Сборочные тесты и приведённые численные результаты относятся к другой, GGUF-версии, а не непосредственно к этому MLX-файлу, поэтому их нельзя считать точными измерениями данной сборки. Для запуска с MTP рекомендуется использовать oMLX. MTP-сборка некорректно работает в LM Studio и выдаёт бессмысленные многоязычные токены; для LM Studio следует выбрать GGUF-версию или MLX-сборку без MTP. Распространение разрешено по лицензии MIT.

gemma-coder — дообученная методом QLoRA модель для генерации кода на основе google/gemma-4-26B-A4B-it. Она предназначена для работы в агентной среде, где написанный код запускается и проверяется в песочнице. В README заявлены генерация кода и проверка существующего кода на уязвимости; целевые области безопасности включают ошибки управления памятью, путаницу типов и нарушения границ привилегий. Базовая модель относится к семейству Gemma 4 и использует архитектуру со смесью экспертов; в README указано около 4 млрд активных параметров. Дообучение выполнено на наборе bigcode/self-oss-instruct-sc2-exec-filter-50k. Модель ориентирована на код на Python, JavaScript/React, Go, Java и Swift; карточка также сообщает о шести языках, но не называет шестой. Текущая оценка кода описана как небольшая дымовая проверка на 16 задачах, а результаты оценки безопасности на ExploitGym ещё не опубликованы. Модель может ошибаться или генерировать небезопасный код, поэтому результаты требуют проверки и тестирования человеком. README не рекомендует использовать её для создания эксплойтов, в системах безопасности с критическими последствиями или без проверки человеком. Указана лицензия Gemma.

TheCidSama/Qwen3.5-9b-Claude-4.8-Opus-reasoning — GGUF-модель на базе Qwen3.5-9B, дообученная автором TheCidSama на данных рассуждений, созданных методом trace-inversed CoT с Opus 4.8. Модель предназначена для локального диалога и задач программирования, математики и рассуждений о кибербезопасности; поддерживает режим рассуждения. По заявлению автора, цепочки рассуждений примерно на 20% короче, чем у базовой модели, при сохранении точности итоговых ответов, однако независимые подтверждения этого сравнения не приведены. Опубликована в формате GGUF с квантизацией Q4_K_M; README указывает, что файл занимает около 5,6 ГБ, а запуск возможен через llama.cpp и совместимые приложения. Потребление памяти и доступная длина контекста зависят от оборудования и настроек. Модель ориентирована на английский язык. Лицензия — Apache-2.0. Автор предупреждает, что модель не прошла выравнивание безопасности для производственного применения: ответы по кибербезопасности и другие результаты следует проверять, а при развертывании с пользователями добавлять собственные защитные меры. Общеобразовательные факты также рекомендуется перепроверять.

andyman5002/Qwen3.8-27B-OBLITERATED — текстовая генеративная модель на базе Qwen/Qwen3.8-27B с архитектурой Qwen3 и размером 27B параметров. Модель создана как модифицированная версия базовой Qwen3.8-27B с применением abliteration — удаления направлений, связанных с отказами и защитными ответами, посредством операций в пространстве весов. Доступны форматы GGUF, safetensors и MLX; лицензия Apache-2.0. Модель предназначена для генерации текста, программного кода и работы в агентных сценариях, включая задачи кибербезопасности и red-team-исследований. Заявлена совместимость с режимом рассуждений, однако рекомендуется отключать thinking для получения более прямых ответов. В документации указаны результаты MMLU 82,3% в режиме 0-shot, а также 20 из 20 успешных тестов на задачах генерации кода; эти показатели приведены разработчиком и могут зависеть от методики оценки. К сильным сторонам относятся снижение числа жёстких отказов и защитных лекций, сохранение значительной части возможностей базовой модели и пригодность для локального использования. Ограничения включают снижение результата MMLU примерно на 2,1 процентного пункта относительно базовой модели, склонность к зацикливанию без repetition_penalty и потенциальные риски применения в задачах, связанных с вредоносным или опасным содержанием. Для рекомендуемой генерации используются temperature 0, repetition_penalty 1,15 и не менее 2048 новых токенов; системный промпт разработчик советует не задавать.

OpenDecider-nano — дообученная модель OpenDecider для быстрых калиброванных решений по тексту. Разработчики описывают её как модель System 1: она принимает текст, письмо, заявку или JSON вместе с типизированными вопросами и возвращает вероятности для вариантов ответа за один проход, не генерируя текст. Модель построена на энкодере ModernBERT семейства Ettin, содержит 394,7 млн параметров и принимает последовательности длиной до 7 999 токенов. Основной язык карточки — английский. Модель предназначена для классификации без заранее заданных классов, маршрутизации запросов в агентских системах, оценки вариантов и проверок «да/нет», включая фильтрацию контента и защиту от prompt injection. В README заявлены быстрый инференс, интеграции с агентскими фреймворками и локальное выполнение в браузере; опубликованные оценки зависят от конкретного набора данных и условий сравнения. Лицензия Apache-2.0 разрешает коммерческое использование. По результатам тестирования защиты от инъекций модель может ошибочно помечать легитимные запросы, поэтому её решения требуют настройки под сценарий применения.

CyberNeurova-DeepSeek-V4-Flash-abliterated-GGUF — экспериментальная исследовательская версия DeepSeek-V4-Flash, разработанная CyberNeurova. Это permanently-abliterated модель, в которой изменения, снижающие склонность к отказам, встроены непосредственно в веса во время конвертации. Модель упакована в формат GGUF для запуска через специализированную экспериментальную ветку llama.cpp, поддерживающую DeepSeek-V4-Flash. Модель предназначена для генерации текста, программирования, рассуждений, поиска ошибок, кибербезопасностных исследований и сценариев с вызовом инструментов. По заявлению автора, версия v2 показывает 99,2% соответствия формату tool calling, 85,0% эффективности в поиске ошибок, 90,0% соответствия в задачах hacking и cyber-weapons compliance, а также низкий уровень отказов на указанных тестах. Архитектура основана на 284-миллиардной FP8 MoE-модели DeepSeek-V4-Flash; поддерживаемая модальность — текст, язык README указывает английский. Размер контекста в карточке не указан. Доступны варианты Q2_K размером около 98,8 ГБ и Q8_0 размером около 282 ГБ. Для Q2_K рекомендуется не менее 128 ГБ RAM, для Q8_0 — около 320 ГБ; GPU необязателен. Q2_K практичнее для рабочих станций, а Q8_0 ориентирован на максимальное качество и исследования. Ограничения включают экспериментальный статус, зависимость от специальной ветки llama.cpp, необходимость корректной stop-последовательности и высокие требования к памяти. Модель распространяется по лицензии MIT.

PeppX/Ornith-1.0-9B-Uncensored-GGUF — GGUF-квантизированная версия модели PeppX/Ornith-1.0-9B-Uncensored, разработанная PeppX. Это текстовая генеративная модель для локального запуска, ориентированная на программирование, рассуждения, агентские сценарии, генерацию текста, кибербезопасность и red-team-задачи. Модель позиционируется как uncensored и abliterated: из базовой модели удалено направление, связанное с отказами, без дополнительного обучения и тонкой настройки. Модель имеет плотную архитектуру Qwen 3.5 с 32 слоями и примерно 9 млрд параметров, поддерживает контекст до 262 144 токенов и английский язык. Доступны варианты квантования Q4_K_M, Q5_K_M, Q6_K и Q8_0 размером примерно от 5,6 до 9,5 ГБ; они рассчитаны на локальный запуск с помощью llama.cpp, LM Studio или Ollama. Заявлены сохранение исходных возможностей в кодировании, математике, рассуждениях и следовании инструкциям, а также низкое расхождение с базовой моделью по KL-дивергенции 0,0827, однако приведённые показатели зависят от методики оценки. Ключевая особенность модели — заявленный авторами нулевой уровень отказов, что может быть полезно для исследовательских, тестовых и red-team-сценариев, но одновременно повышает риск генерации небезопасного или вредоносного контента. Ограничения включают зависимость качества и скорости от выбранной квантизации и оборудования, а также отсутствие в README подробных данных о мультимодальности, обучающем наборе и результатах независимых бенчмарков. Модель распространяется по лицензии MIT.