II.11Кибербезопасность и приватность

AetherPrior/Qwen3-8B-Implementation-level PRM — модель оценки предпочтений для рекомендаций по безопасной реализации кода, созданная на базе Qwen3-8B и дообученная как модель классификации последовательностей с одним скалярным выходом. Она сравнивает рекомендации по реализации: при обучении использовались предпочтения между улучшенными, исходными и ухудшенными рекомендациями, отфильтрованные по функциональной корректности и безопасности. Модель предназначена для ранжирования трасс рекомендаций для задачи программирования и оценки того, какая из них лучше соответствует требованиям безопасности реализации. В README указаны 6 933 парных примера и точность 0,968 на 741 паре валидации. Контекст составляет 40 960 токенов; веса доступны в формате safetensors, лицензия Apache-2.0. Для подачи запросов README предлагает использовать vLLM в режиме pooling/classify через POST /classify.

Qwen3-VL-32B-Abliterated-xCloud-GGUF — мультимодальная vision-language модель, разработанная xCloudinfo (云硕科技) на основе Qwen/Qwen3-VL-32B-Instruct. Модель предназначена для задач понимания и генерации текста по текстовым и визуальным входным данным, включая анализ изображений, исследовательские и академические сценарии, контент-модерацию, легальные исследования информационной безопасности и red team-тестирование. Модель распространяется в формате GGUF с вариантами квантования Q4_K_M, Q5_K_M, Q6_K и Q8_0; размер файлов составляет примерно от 19,8 до 34,8 ГБ. Для работы с изображениями требуется отдельный визуальный проектор mmproj в формате F16 размером около 1,2 ГБ. Поддерживаются китайский и английский языки; отдельно заявлено сохранение качества вывода на традиционном китайском. Контекст модели в README не указан. Ключевая особенность — abliteration: без дополнительного обучения из весов удаляется направление, связанное с чрезмерными отказами, методом ортогонализации, основанным на работе Arditi et al. (2024). В заявленном тесте из 10 опасных запросов доля отказов снизилась примерно с 10/10 у исходной модели до 1/10 у версии Q4_K_M, при сохранении обычных задач и визуального понимания. Это не означает полного удаления механизмов безопасности; модель может быть менее склонна к отказам и требует ответственного применения. Её фактические ограничения, включая возможные ошибки, унаследованы от базовой Qwen3-VL, а мировоззренческие и ценностные особенности не изменялись. Модель лицензирована по Apache-2.0. README ограничивает её использование законными и ответственными сценариями и возлагает юридическую и этическую ответственность за применение на пользователя.

Time-RCD — модель исследовательской лаборатории thu-sail-lab для обнаружения аномалий во временных рядах без дообучения на данных пользователя. Она принимает одномерный или многомерный временной ряд и вычисляет оценку аномальности для каждого момента времени. В репозитории опубликована модель архитектуры Time_RCD на 29,4 млн параметров в формате safetensors с реализацией, совместимой с Transformers; для инференса авторы рекомендуют API TimeRCDDetector. Модель использует синтетические данные и относительное расхождение контекста для zero-shot-детектирования. В карточке приведены результаты на бенчмарке TSB-AD: VUS-PR 0,52 для одномерного и 0,32 для многомерного сценария. Модель предназначена для поиска аномальных участков во временных рядах, в том числе когда для конкретного ряда нет размеченных примеров и отдельное обучение нежелательно. Она подходит для мониторинга датчиков, метрик и других последовательных измерений, если их можно представить как одномерный или многомерный ряд. Языковой ввод не описан; задача относится к временным рядам. Модель распространяется по лицензии Apache-2.0. README не сообщает длину контекста и не описывает ограничения качества за пределами результатов на указанном бенчмарке.

GLM-5.3-Flash-Uncensored-Q2-ds4 — квантованная версия uncensored-модели GLM-5.3-Flash, разработанной на базе модели zai-org/GLM-5.3-Flash; сборка подготовлена DogContext на основе orcarouter/GLM-5.3-Flash-Uncensored-FP8. Модель предназначена для локальных исследований, авторизованного security/red-team тестирования и оценки агентного программирования, включая работу с кодом, инструментами и длинным контекстом. Это текстовая MoE-модель архитектуры Glm5Next с 320 млрд общих и примерно 18 млрд активных параметров, 45 слоями, 288 маршрутизируемыми и одним общим экспертом, маршрутизацией top-8, гибридным вниманием KDA-linear и sparse-DSA, а также встроенным native MTP для speculative decoding. Поддерживаются английский и китайский языки, заявлен контекст до 1 млн токенов, размер GGUF-файла составляет около 96,5 ГБ. Модель рассчитана на запуск в движке ds4/DwarfStar с Metal и может работать резидентно на одном Mac с Apple Silicon и 128 ГБ памяти; mainline llama.cpp, Ollama, LM Studio и vLLM для этой сборки не поддерживаются. Модель текстовая, при этом vision заявлена только через дополнительный encoder sidecar. Ключевые особенности — imatrix-калибровка на 1,5 млн токенов, смешанная примерно 2-битная квантизация IQ2_XXS и Q2_K с сохранением более высокой точности для управляющих компонентов, а также native MTP. На M5 Max указана скорость декодирования около 22–23 токенов в секунду и предварительной обработки около 360 токенов в секунду. Abliteration существенно снижает количество отказов на обычных запросах, но не устраняет возможности модели и повышает риски неправильного или вредоносного применения; это является важным ограничением. Распространение выполняется по лицензии MIT, унаследованной от базовой модели, однако использование должно соответствовать законодательству и условиям лицензии.

OpenSDI-Flux.1-SigLIP2 — модель классификации изображений, созданная на основе google/siglip2-base-patch16-224 и дообученная для различения реальных фотографий и изображений, сгенерированных Flux.1. Она использует архитектуру SiglipForImageClassification и доступна в формате safetensors для библиотеки Transformers; лицензия — Apache-2.0. Модель предназначена для проверки происхождения изображений: оценки генеративных моделей, аудита наборов данных, выявления синтетических визуальных материалов и проверки подлинности медиа. В отчёте README указана точность 91,66% на тестовой выборке из 20 000 изображений, поровну представленных двумя классами. Лучше работает с чёткими изображениями; шумные изображения не рекомендуются для проверки. Обучение ориентировано на обнаружение именно изображений Flux.1, поэтому результаты для других генераторов или условий съёмки могут отличаться.

CrossbowReviewer-9B — модель для автоматизированного анализа кода, созданная riposta дообучением Qwen/Qwen3.5-9B-Base. Она принимает код одного файла и вопросы о его свойствах, а для каждого возвращает типизированное решение, уверенность и распределение вероятностей; текст рецензии модель не генерирует. Поддерживаются ответы «да/нет», выбор из нескольких вариантов и оценка по шкале. До 120 встроенных правил охватывают принципы SOLID и проектирования, корректность, обработку ошибок, безопасность, производительность, читаемость, тестирование и идиомы языков. Модель рассчитана на Java, Python, TypeScript, JavaScript, Go, C# и Rust. Архитектура — плотная Qwen3.5 causal language model с 7,2 млрд параметров и контекстом 262 144 токена; доступны веса Safetensors и вариант GGUF Q8_0. По данным README, модель демонстрирует хорошую калибровку и результаты на синтетическом и реальном коде, но синтетические оценки могут завышать качество. Она анализирует только один файл, не сравнивает diff и слабо распознаёт некоторые безопасные случаи в задачах анализа потоков данных, например SQL-инъекций и XSS; такие решения требуют дополнительной проверки. Встроенные правила и промпты англоязычные. Лицензия — Apache-2.0.

Wravn разработала PrivaScope Scope Classifier — классификатор предложений для анализа политик конфиденциальности. Модель принимает отдельное предложение и относит его к одной из 11 категорий области действия: например, веб-сайт, приложение, устройство, учетная запись или коммуникации. Это один из 16 классификаторов исследовательского конвейера PrivaScope. Модель основана на PrivBERT от mukund, дообученной версии RoBERTa, предварительно обученной на корпусе политик конфиденциальности. Классификатор выполняет однозначную классификацию по 11 классам; в README указаны значения F1 Macro 0,87 и F1 Micro 0,91. Размер модели — 151,8 млн параметров, контекст — 514 токенов; доступны веса Safetensors и ONNX. Она обучена на англоязычных политиках конфиденциальности. Модель предназначена только для определения области действия предложения: темы, содержание и атрибуты извлекаются отдельными компонентами полного конвейера. Обучающие данные включают 3 078 предложений, в том числе синтетические примеры, созданные LLM для балансировки классов. Лицензия — MIT.

RedSage-Qwen3-8B-Base — базовая языковая модель для кибербезопасности, разработанная RISys-Lab. Это второй этап предобучения RedSage: модель Qwen3 с плотной архитектурой и 7,6 млрд параметров прошла целевое дообучение на курируемых материалах по кибербезопасности. Она принимает текст и генерирует продолжение; контекст составляет до 32 768 токенов. В метаданных указан английский язык. Модель предназначена для дальнейшей тонкой настройки под задачи кибербезопасности, исследовательской работы, автодополнения кода и подготовки технических материалов. В обучающие данные вошли описания стандартов и фреймворков, включая MITRE ATT&CK, CAPEC, CWE и OWASP, документация инструментов, материалы по уязвимостям и публикации NIST. Разработчики сообщают о результатах сравнительных тестов, превосходящих Qwen3-8B-Base на приведённых бенчмарках; это заявление основано на результатах из карточки модели. Это базовая модель без instruction tuning и выравнивания предпочтений: она работает как механизм продолжения текста и не предназначена как готовый диалоговый ассистент. В карточке приведён код использования через Transformers и указан производный вариант RedSage-Qwen3-8B-DPO для диалогового применения. Лицензия в предоставленных данных не указана.

DynaGuard-1.7B — языковая модель-охранник, разработанная исследователями Университета Мэриленда и Capital One для проверки текста на соответствие политикам, заданным на естественном языке. Она предназначена для модерации диалогов и ответов чат-ботов по правилам конкретного приложения, например для предотвращения несанкционированных возвратов или медицинских рекомендаций. Модель основана на Qwen3-1.7B и представляет собой плотный decoder-only Transformer с 1,7 млрд параметров. Она принимает текст с политикой и диалогом и генерирует текстовый результат: краткую классификацию PASS/FAIL либо классификацию с объяснением. Поддерживает английский язык; максимальная длина контекста — 40 960 токенов. Модель дообучена на DynaBench и наборах данных для оценки безопасности с помощью SFT и GRPO. Карточка сообщает о сильных результатах на DynaBench и традиционных тестах безопасности, однако приведённые оценки относятся к тестовым наборам и не гарантируют качество для любой пользовательской политики. Модель распространяется под лицензией Apache-2.0.

prithivMLmods/gemma-4-31B-it-Uncensored-MAX-MLX — версия Gemma 4, подготовленная prithivMLmods для запуска через MLX на компьютерах Apple Silicon. Это плотная модель условной генерации с архитектурой Gemma4ForConditionalGeneration и 31 млрд параметров; метаданные указывают поддержку изображений и текста, а карточка описывает её как инструкционную модель для подробных ответов, рассуждений и следования сложным запросам. В README заявлены анализ направлений отказа и их ослабление с помощью abliteration-based методов, а также сохранение навыков исходной модели. Модель предназначена для локального инференса, исследований отказов и выравнивания, red-team-экспериментов и прототипирования. Карточка указывает лицензию Apache-2.0. Модель намеренно реже отказывает на запросы, поэтому может выдавать чувствительный или откровенный контент; результаты следует проверять. Размер 31B требует значительных вычислительных ресурсов, хотя MLX оптимизирует запуск на Apple Silicon. README позиционирует её для исследований и обучения и подчёркивает ответственность пользователя за применение.

LlavaGuard v1.1-7B — мультимодальная модель семейства LLaVA, разработанная исследователями TU Darmstadt для оценки безопасности изображений и отбора визуальных данных. Она принимает изображение вместе с текстовым запросом и формирует текстовый ответ с оценкой и обоснованием; версия 1.1 улучшает рассуждения в пояснениях по сравнению с предыдущей версией. Модель предназначена для проверки изображений на соответствие заданной таксономии безопасности и помощи при курировании наборов данных. Веса преобразованы для библиотеки Transformers и опубликованы в формате Safetensors. Для дообучения или запуска через SGLang авторы рекомендуют обратиться к базовой модели. Лицензия и точный размер контекста в предоставленных данных не описаны.

this-that-model-1.0 — модель типизированных решений, разработанная FLock-io и дообученная на базе decider-2b. Она принимает текстовый контекст и заданный пользователем набор вариантов, затем за один проход оценивает варианты и возвращает распределение вероятностей; генерация текста не требуется, поэтому ответ не может выйти за пределы допустимых вариантов. Поддерживается до 255 вариантов. Архитектура — плотная Qwen3.5-style модель с 1,7 млрд параметров по метаданным (в README указано 1,88 млрд): 18 из 24 слоёв используют линейное внимание DeltaNet, остальные — полное внимание. Контекст — до 262 144 токенов. Модель предназначена для классификации и структурированных решений, где результат можно выразить одним из заранее заданных вариантов и использовать вероятность как порог: например, проверять соответствие правилам или выбирать действие по состоянию системы. README сообщает о калибровочных результатах и высокой точности на пространственном бенчмарке, но отмечает, что формы вопросов этого бенчмарка встречались при обучении; качество на иных формулировках и задачах может отличаться. В примере авторов модель ошибочно оценивает вопрос о лимите запросов и отвечает с низкой уверенностью, что показывает необходимость учитывать уверенность и проверять перенос на свою задачу. Лицензия модели — MIT; базовая модель decider-2b указана как Apache-2.0.

Watermark-Detection-SigLIP2 — модель prithivMLmods для бинарной классификации изображений: она определяет, есть ли на изображении водяной знак. Модель дообучена на базе google/siglip2-base-patch16-224 и использует архитектуру SiglipForImageClassification; файлы опубликованы в формате Safetensors и рассчитаны на работу с библиотекой Transformers. Модель предназначена для автоматической проверки изображений при модерации контента, очистке наборов данных, поиске защищённых авторским правом материалов и цифровой экспертизе. В отчёте карточки для тестовой выборки из 22 762 изображений указана точность 94,27%; полнота для класса изображений с водяным знаком составляет 90,48%. Лучше всего модель работает с чёткими изображениями высокого качества; шумные изображения не рекомендуются для проверки. Модель распространяется по лицензии Apache-2.0.

AgentDoG-FG-Llama3.1-8B — дообученная модель на основе Meta Llama 3.1 8B Instruct, опубликованная AI45Research как часть системы AgentDoG для оценки безопасности автономных агентов. Она анализирует полную траекторию работы агента, включая действия и наблюдения на разных шагах, чтобы определить, встречается ли небезопасное поведение, и диагностировать его причину. Модель предназначена для бинарной классификации траекторий как безопасных или небезопасных и для подробной диагностики небезопасных траекторий по источнику риска, типу сбоя и возможному вреду. Её можно применять как классификатор, модуль защиты агентной системы или для оценки в бенчмарках. Архитектура — плотная Llama с 7,5 млрд параметров; формат весов — safetensors, контекст — до 131072 токенов. README сообщает об оценке на R-Judge, ASSE-Safety и ATBench и о сильных результатах в обнаружении рисков на длинных траекториях и при использовании инструментов. Модель принимает текстовое описание траектории и выдаёт текстовую оценку и диагностические метки. Лицензия — Apache-2.0. README не перечисляет поддерживаемые естественные языки, поэтому модель разумно использовать с учётом языковых возможностей базовой Llama 3.1 Instruct, но отдельные языковые гарантии для этой версии не заявлены.

LogLLM — дообученная модель семейства Llama 3, разработанная ZigZeug на базе Meta-Llama-3-8B. Она предназначена для анализа системных журналов: модель генерирует текстовые выводы по логам и помогает находить признаки проблем и возможные причины сбоев. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текстовый ввод; заявленная длина контекста — 8192 токена. Модель рассчитана на сценарии системного администрирования и диагностики по логам. Она доступна в формате safetensors для библиотеки Transformers и распространяется по лицензии Apache-2.0. В карточке не приведены результаты оценки качества или подробности о данных дообучения, поэтому точность диагностики и устойчивость на форматах логов, отличающихся от обучающих, не установлены.

Модель prithivMLmods/siglip2-x256-explicit-content — дообученный визуальный энкодер SigLIP 2 для многоклассовой классификации изображений по категориям контента. Она основана на google/siglip2-base-patch16-256, использует архитектуру SiglipForImageClassification и принимает изображения для отнесения к одному из пяти классов: аниме, хентай, обычное изображение, порнография или соблазнительный/чувственный контент. Модель предназначена для фильтрации изображений и модерации пользовательского контента, родительского контроля, а также предварительной сортировки наборов данных. Она выдаёт метки классов, помогая выявлять явный и откровенный контент. В метаданных указан английский язык карточки; вход и выход модели относятся к изображениям и меткам соответственно. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

Qwythos-9B-Claude-Mythos-5-1M-uncensored-heretic-GGUF — набор GGUF-квантизаций модели llmfan46/Qwythos-9B-Claude-Mythos-5-1M-uncensored-heretic, разработанный независимым автором LLMfan46 на основе Qwythos-9B-Claude-Mythos-5-1M от empero-ai. Модель предназначена для генерации текста на английском языке, рассуждений, агентских сценариев, function calling и использования инструментов, а также задач в области кибербезопасности и биомедицины. В карточке заявлены архитектура семейства Qwen3.5, размер 9B параметров и контекст до 1 миллиона токенов. Модель представляет собой decensored-версию исходной модели: к её весам применён Heretic v1.2.0 с вариантом метода Magnitude-Preserving Orthogonal Ablation (MPOA), затрагивающим отдельные компоненты attention и MLP. По данным автора, доля отказов снизилась с 73 до 11 случаев из 100 при KL-дивергенции 0,0123 относительно оригинала. Это может быть преимуществом для исследовательских и агентских сценариев, требующих меньшего числа отказов, но одновременно означает ослабление встроенных ограничений безопасности. В README приведены результаты MMLU только для исходной модели: точность 77,03%, поэтому они не подтверждают идентичную производительность данной версии. Также не указаны конкретный формат шаблона запросов, требования к памяти для разных квантизаций и фактические ограничения длинного контекста. Модель распространяется по лицензии Apache-2.0.

Recorded Future совместно с AI Sweden разработали шведскую модель распознавания именованных сущностей на базе KB/bert-base-swedish-cased, дообученной на текстах из интернет-источников и форумов. Это BERT для токенной классификации с 151,9 млн параметров и контекстом до 512 токенов. Модель выделяет в шведском тексте местоположения, организации, персон, национальности, религии и титулы. На тестовых данных из той же предметной области общий F1 составил 0,92; для неродного шведского текста качество не определено, такие входы считаются вне домена. Для работы нужны Transformers версии 4.3.3 или новее и Torch 1.8.0 или новее. Лицензия — MIT.

Это модель Cardiff NLP на архитектуре RoBERTa-large, дообученная на наборе X-Sensitive для многометочной классификации чувствительного содержимого в сообщениях. Базовая RoBERTa обучалась на 154 млн твитов до конца декабря 2022 года; модель различает конфликтный контент, ненормативную лексику, сексуальные темы, наркотики, самоповреждение, спам и сообщения без чувствительного содержимого. Модель предназначена для разметки англоязычных текстов, в том числе публикаций в социальных сетях, по категориям чувствительности. Она содержит около 454,1 млн параметров, принимает текст и выдаёт метки классификации; максимальный нативный контекст составляет 514 токенов. Распространяется в формате Safetensors по лицензии MIT.

Gemma-4-12B-OBLITERATED-i1-GGUF — это квантизированная версия модели OBLITERATUS/Gemma-4-12B-OBLITERATED, подготовленная mradermacher в формате GGUF. Модель относится к семейству Gemma 4 и предназначена для генерации текста, а также для исследовательских задач, связанных с анализом отказов, red teaming, safety research и alignment research. В метаданных указан английский язык. Модель заявлена как vision model, поэтому для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Точное значение контекстного окна, архитектурные детали и перечень поддерживаемых модальностей в README не указаны. Доступны многочисленные варианты квантизации i1 от IQ1_S до Q6_K размером примерно от 3,1 до 9,9 ГБ; варианты различаются компромиссом между размером, скоростью и качеством. Для общего использования в README рекомендуются i1-Q4_K_M и i1-Q4_K_S, при этом низкобитные варианты могут заметно уступать по качеству. Название и теги указывают на модификацию OBLITERATED, ориентированную на исследование поведения отказов и ограничений выравнивания, однако количественные оценки качества и подробное описание изменений относительно базовой модели не приведены. Модель распространяется под лицензией Gemma. Для запуска требуются совместимые инструменты, поддерживающие формат GGUF; конкретные системные требования в README не указаны.

OpenMythos — дообученная разговорная модель для генерации текста, созданная участником хакатона build-small-hackathon на базе Qwen/Qwen3.6-27B. Она предназначена для диалогов и текстовых запросов; среди датасетов для дообучения указаны подробные данные об уязвимостях CVE и отфильтрованный набор ArvixImport-Final. Модель использует архитектуру Qwen3_5ForCausalLM, содержит 22,3 млрд параметров и поддерживает контекст до 262 144 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка модели не описывает результаты оценки качества и конкретные ограничения, поэтому её специализацию на кибербезопасности или научных текстах следует считать предположительной по названиям датасетов.

pii-layout-synth-v13 — модель на базе answerdotai/ModernBERT-base, дообученная для классификации токенов. Карточка не раскрывает набор меток и конкретное назначение, однако название указывает на синтетическую разметку персональных данных с учётом их расположения. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и формат safetensors; базовая модель поддерживает контекст до 8192 токенов. В README приведены результаты на оценочном наборе: F1 0,9923, точность 0,9902, полнота 0,9943 и accuracy 0,9986. Датасет неизвестен, поэтому эти показатели нельзя уверенно переносить на другие данные и сценарии. Лицензия — Apache-2.0.

Модель nahiar/spam-detection-xlm-roberta-v2 разработана на базе XLM-RoBERTa и дообучена для бинарной классификации текстов социальных сетей на спам и обычные сообщения. Она рассчитана на модерацию публикаций и комментариев в Twitter/X, Instagram, TikTok, Facebook и на форумах, а также на предварительную фильтрацию текста перед анализом тональности или тем. Архитектура — XLMRobertaForSequenceClassification, размер — 305,2 млн параметров, контекст — до 514 токенов. Модель принимает текст и выдаёт метку класса; README заявляет поддержку индонезийского и английского языков и приводит метрики на отложенной выборке: accuracy 0,9645 и macro F1 0,9639. Модель предназначена для готового применения через Transformers pipeline. Она классифицирует только спам и обычные сообщения, не оптимизирована для формального текста, может хуже работать на очень коротких или неоднозначных сообщениях и сохраняет риск смещения. Лицензия — Apache-2.0.

m3/sscd-copy-detection — модель извлечения признаков изображений для поиска копий и визуально похожих изображений. Пример в карточке показывает загрузку изображений через Transformers pipeline и сравнение полученных векторов с помощью косинусного сходства. Модель относится к архитектурному семейству SSCD Copy Detection и выдаёт векторные представления изображений. Такой подход подходит для поиска дубликатов в коллекциях и оценки сходства пары изображений. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

jacoballessio/ai-image-detect-distilled — модель классификации изображений, разработанная для распознавания изображений, созданных генеративными моделями, и отличия их от реальных фотографий. Это компактная модель на базе Vision Transformer (ViT), обученная дистилляцией трёх моделей, распознававших изображения Midjourney, Stable Diffusion и его дообученных версий. В метаданных указано 18,9 млн параметров; в README указано 11,8 млн, поэтому размер модели описан без точного числа. Для обучения использовались изображения из Google Open Images, наборы Midjourney и Stable Diffusion, а также пары реальных и сгенерированных изображений, подобранные по сходным описаниям BLIP. Модель предназначена для проверки происхождения изображений и первичной фильтрации контента, который может быть создан ИИ. По данным карточки, точность составила 74% на валидационном наборе и 72% на пользовательском наборе реальных изображений; качество может снижаться на изображениях, отличающихся от обучающих данных или созданных новыми генераторами. Распространяется по лицензии MIT.

nahiar/spam-detection-xlm-roberta-v1 — модель классификации текста, разработанная на основе XLM-RoBERTa и дообученная для выявления спама в публикациях и комментариях социальных сетей. Она относит текст к одному из двух классов: Spam или Ham. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст длиной до 514 токенов. Модель предназначена для фильтрации публикаций и комментариев в Twitter/X, Instagram, TikTok, Facebook и форумах, а также для предварительной модерации перед анализом тональности или тематики. В карточке заявлена поддержка индонезийского, английского, малайского и ряда региональных языков Индонезии. На сбалансированной отложенной выборке автор сообщает Accuracy 0,9451, Macro F1 0,9446 и Weighted F1 0,9500. Модель ограничена бинарной классификацией спама и обычных сообщений; автор отмечает, что она не оптимизирована для формальных текстов и может хуже работать на очень коротких или неоднозначных сообщениях. Распространяется по лицензии Apache-2.0.

Granite 3.1 8B Instruct - Intrinsics LoRA v0.1 — адаптер LoRA от IBM Research для языковой модели ibm-granite/granite-3.1-8b-instruct. Он сохраняет её возможности и добавляет три режима: оценку уверенности в ответе, проверку поддержки ответа документами и бинарное выявление небезопасных запросов. Режимы вызываются через специальные роли в шаблоне чата и возвращают короткую оценку: целое число от 0 до 9, Y или N. Модель относится к семейству Granite, имеет плотную архитектуру GraniteForCausalLM и содержит 8,2 млрд параметров; базовая модель поддерживает контекст до 131 072 токенов. Адаптер предназначен для сценариев с текстовыми вопросами, ответами и документами, включая проверку ответов в RAG-системах. Карточка указывает английский язык. Лицензия — Apache 2.0. Это экспериментальная версия для тестирования новых возможностей Granite; разработчик не рекомендует использовать её в реальных развертываниях. Оценка уверенности не гарантирует точность для конкретного ответа, а выявление галлюцинаций и небезопасных запросов основано на бинарной классификации и может ошибаться.

Elron/deberta-v3-large-sentiment — модель классификации текста, дообученная на базе microsoft/deberta-v3-large на наборе TweetEval для анализа коротких сообщений в стиле Twitter. Она предназначена для классификации эмоций, тональности, иронии, ненавистнических и оскорбительных высказываний. В README приведены результаты на тестовых данных TweetEval и сравнение с несколькими другими моделями; на указанных задачах модель показала более высокие значения в приведённой таблице. Модель построена на архитектуре DeBERTa V2 и содержит около 533,8 млн параметров. Принимает текст, контекстное окно — 512 токенов. Доступна в формате PyTorch и распространяется по лицензии MIT. Оценки в README относятся к тесту TweetEval; качество на других типах текстов и вне коротких сообщений может отличаться.

Nomic Embed Code GGUF — модель для создания эмбеддингов, разработанная Nomic и представленная в формате GGUF с квантованиями для llama.cpp. Это квантованная версия базовой модели nomic-ai/nomic-embed-code, предназначенная для поиска и сопоставления программного кода по смыслу, извлечения признаков и использования в системах семантического поиска и RAG. Модель работает с кодом и текстовыми запросами к нему; для запросов требуется префикс «Represent this query for searching relevant code:». Она поддерживает запуск через llama.cpp server и совместимые инструменты с embedding-моделями. Доступны варианты от полноточных FP32, FP16 и BF16 до квантований Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q4 и других, что позволяет выбирать баланс между качеством и размером: размер файлов указан примерно от 3,84 до 26,35 GiB. Архитектура, размер контекстного окна, перечень поддерживаемых языков программирования и точные размерности эмбеддингов в README не указаны. Сильная сторона модели — специализация на семантическом поиске по коду и наличие широкого набора квантованных вариантов для локального запуска. Ограничения включают необходимость использовать специальный префикс для запросов и зависимость качества от выбранного уровня квантования; сведения о производительности, поддерживаемых языках и ограничениях по контексту отсутствуют. Лицензия — Apache-2.0.

Qwen2.5-Omni-7B-Safety-ZeroAudio — дообученная методом полного SFT модель boyuzhuGPT на базе Qwen/Qwen2.5-Omni-7B для мультимодальной классификации безопасности. Она анализирует текст, статические изображения и видео, определяя, безопасно ли содержимое, и возвращает категории риска в кратком формате Safe/Unsafe. При обучении использовались 13 наборов данных по текстовой и визуальной безопасности, всего 193 788 примеров; аудиоданные исключены, и аудиомодальность удалена. В README указаны обучающие loss около 0,088 и точность предсказания токенов 96,94%, но независимая оценка этих показателей не приводится. Архитектура — плотная Qwen2.5-Omni с 7B в названии базовой модели; репозиторий содержит веса safetensors. Модель распространяется по лицензии Apache-2.0.