II.11Кибербезопасность и приватность

Это модифицированная версия Qwen3-4B-Instruct-2507 от backpropSukuna: из весов удалено направление активаций, связанное с отказами, методом directional abliteration без переобучения. Модель представляет собой плотный трансформер Qwen3 с 3,7 млрд параметров и контекстом до 262 144 токенов; доступна в формате safetensors и предназначена для генерации текста и диалогов. Поддерживает разные языки, но основной язык в карточке не выделен. Модель подходит для творческого письма, ролевых диалогов, генерации синтетических данных, red teaming и анализа поведения систем безопасности. В описанном сравнении она отвечала на 81% запросов, на которые исходная модель отказывала, при KL-дивергенции 0,0785; эти показатели приведены автором карточки. Лицензия — Apache-2.0. Ограничения: модель всё ещё отказывает на части крайних запросов и может галлюцинировать; размер 4B может быть недостаточен для сложных рассуждений. Ослабление отказов повышает вероятность вредных, оскорбительных или недостоверных ответов.

RoBERTuito-base-cased — предварительно обученная языковая модель семейства RoBERTa для испанских текстов из социальных сетей. Её разработали авторы проекта pysentimiento и обучили по рекомендациям RoBERTa на 500 миллионах твитов. Эта версия сохраняет регистр; также выпущены варианты без учёта регистра и с удалением диакритических знаков. Модель содержит 136,3 млн параметров, использует архитектуру RobertaForMaskedLM и принимает последовательности длиной до 130 токенов. Она предназначена прежде всего для заполнения пропусков в тексте и может служить основой для дообучения задач анализа пользовательских публикаций, например определения тональности, эмоций, иронии и языка вражды. В оценках авторов семейство RoBERTuito превосходило несколько других испанских предварительно обученных моделей на соответствующих наборах данных; приведённые результаты включают и эту версию cased. Репозиторий содержит веса PyTorch и связан с библиотекой pysentimiento. Лицензия в предоставленных данных не указана.

vit-mini-explicit-content — модель классификации изображений, дообученная разработчиком prithivMLmods на базе Vision Transformer ViT-Base/16. Она использует архитектуру ViTForImageClassification и относит изображение к одному из пяти классов: аниме, чувственное содержание, хентай, порнография или безопасный для просмотра контент. Модель предназначена для фильтрации и модерации изображений, проверки наборов данных и настройки поиска по наличию контента для взрослых. Модель принимает изображения и выдаёт метку класса. Размер составляет 113,2 млн параметров; карточка указывает библиотеку Transformers и формат Safetensors. В тегах указан английский язык, но модель классифицирует изображения, а не обрабатывает текстовые запросы. Лицензия — Apache-2.0. Классификация может ошибаться, поэтому результаты не следует использовать для автоматических решений без проверки человеком; особенно важно учитывать риск неверной маркировки.

Berk/assay-compiled-base — компактная модель принятия решений проекта Assay, разработанная как CPU-ориентированный вариант для классификационных вопросов. Она дообучена на Alibaba-NLP/gte-modernbert-base и использует архитектуру compiled с поздним взаимодействием: кодирует состояние в токенные эмбеддинги, а вопрос и варианты ответа — в запросы и векторы для сопоставления. Размер модели — 149 млн параметров, контекст — до 8192 токенов; генерации текста нет. Модель принимает текстовое состояние и типизированные вопросы с ответами «да/нет», выбором из вариантов или оценкой, выдавая вероятностное распределение и сигнал доказательности. Она предназначена для классификации текстов, включая темы, тональность и спам, а также для сценариев, где допустимо воздержаться от ответа: на невиданных задачах применяется конформное предсказание. В README указаны средняя точность 0,606 на отложенных невиданных задачах и работа на CPU; вопросы, требующие знаний, арифметики или многошаговых рассуждений, модель решает слабо. Поддерживается только английский язык. Лицензия — Apache-2.0.

DeepSeek-V4-Flash-JANG-CRACK — модифицированная методом abliteration модель dealignai на базе DeepSeek-V4-Flash от DeepSeek. Она предназначена для диалогов, рассуждений и генерации текста; авторы ориентируют её на исследования безопасности ИИ, red teaming и работу ассистента без обычного поведения отказа. По README, модель сохраняет три режима рассуждения и знания базовой модели. Это MoE-архитектура с 284 млрд параметров всего и 13 млрд активных, 256 маршрутизируемыми и одним общим экспертом, MLA-вниманием и mHC. Заявленная длина контекста — 1 000 000 токенов. Репозиторий содержит веса Safetensors; для запуска требуются Apple Silicon Mac с достаточной общей памятью (около 97 ГБ) и MLX с поддержкой DeepSeek-V4, рекомендуется vMLX. Лицензия — MIT. README сообщает о высокой доле выполнения запросов на тестах HarmBench и о результатах MMLU, близких к базовой модели; это результаты авторской оценки. Удаление отказов означает, что модель может выдавать ответы на вредоносные запросы. Заявления о тестировании и сохранении возможностей не являются независимой проверкой.

MFANN-Llama3.1-Abliterated-Slerp-V3.2 — объединённая текстовая модель семейства Llama, опубликованная netcat420. Она создана слиянием mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated и netcat420/MFANNv0.23; в метаданных указаны архитектура LlamaForCausalLM, 7,5 млрд параметров и библиотека Transformers. Модель предназначена для диалогов и генерации ответов. README описывает обычный режим помощника и экспериментальный режим SATANN для запросов по кибероперациям. В метаданных заявлено контекстное окно до 131 072 токенов, тогда как README рекомендует длину контекста 8 192 токена; фактический предел может зависеть от используемой конфигурации и способа запуска. В README приведены результаты нескольких тестов Open LLM Leaderboard, включая средний балл 18,92. Лицензия в предоставленных данных не указана.

Это GGUF-квантизированная версия модели nomic-ai/nomic-embed-code, разработанной nomic-ai и подготовленной для распространения пользователем bartowski. Модель предназначена для построения векторных представлений исходного кода и связанных текстов, задач семантического поиска, определения сходства, извлечения признаков и других сценариев, где требуется сравнивать или индексировать программный код. В README также указана совместимость с экосистемой sentence-transformers и llama.cpp. Модель обучалась с использованием наборов данных cornstack для Python, JavaScript, Java, Go, PHP и Ruby. Точная архитектура, размерность эмбеддингов, максимальная длина контекста и полный перечень поддерживаемых языков в предоставленных данных не указаны. Доступны варианты от BF16 до различных уровней квантизации GGUF; размеры файлов составляют примерно от 3,11 до 14,15 ГБ. Более качественные варианты требуют больше памяти, а малые варианты предназначены для систем с ограниченными ресурсами и могут заметно уступать по качеству. Модель можно запускать через llama.cpp, LM Studio и другие проекты на базе llama.cpp. Указана лицензия Apache-2.0. README не содержит результатов бенчмарков, подробных сведений об ограничениях качества или инструкций по использованию эмбеддингов в конкретных библиотеках.

OpenJev — разработанная AlquimiaAi модель для принятия решений по тексту, веб-страницам и снимкам экрана. Вместо свободного ответа она выбирает вариант из заданного в запросе набора, оценивает вероятность «да» или «нет» либо выдаёт оценку. Модель заявлена для маршрутизации обращений, модерации, проверки ответов и выбора действий браузерного агента; метки можно задавать для новой задачи без отдельного обучения. Модель основана на плотной архитектуре Qwen3.5 и работает с текстом, DOM, JSON и скриншотами. За один проход она обрабатывает вопрос с максимум 52 вариантами и выдаёт типизированные оценки с откалиброванными вероятностями. В README приведены результаты тестирования и показатели скорости на H100; заявлена поддержка английского, немецкого, французского, хинди, китайского и японского языков. Модель распространяется с лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Качество зависит от формулировки вопроса и вариантов ответа; в испытании результат менялся при перемешивании вариантов в 2,3% случаев. Показатели производительности в карточке получены на описанных авторами наборах данных и оборудовании.

Qwen3.8-Flash-Next FP8 Abliterated GGUF — неофициальная производная мультимодальной модели Qwen3.8-Flash-Next, созданная сообществом на основе официального FP8-чекпойнта Qwen. Модель не является официальным релизом Qwen и не поддерживается командами Qwen, Alibaba Cloud, NVIDIA или авторами Abliterix. Модель предназначена для понимания текста, изображений и видео, а также для исследовательских, агентских, длинноконтекстных и мультимодальных сценариев. Архитектура включает Mixture-of-Experts, Qwen Sparse Attention, Gated DeltaNet, управляемые остаточные связи, n-граммные эмбеддинги и маршрутизацию к экспертам. Поддерживается многоязычность, однако точный список языков и числовой размер контекста в карточке не указаны. В репозитории представлены GGUF-квантизации Q8_0, Q6_K и Q4_K_M, разделённые на несколько файлов; совокупный размер репозитория составляет около 485 ГБ. Для опционального ускорения декодирования доступны отдельные MTP-компоненты для speculative decoding, совместимые с соответствующей квантизацией и современной сборкой llama.cpp с поддержкой архитектуры qwen4exp. Ключевое отличие производной версии — обработка Abliterix, направленная на ослабление поведения, связанного с отказами. Это может снизить встроенные защитные ограничения и повысить риск неточных, небезопасных или вредоносных ответов, поэтому требуются тестирование, контроль доступа и дополнительная модерация. Указана лицензия qwen-community-license-1.0. Модель рекомендуется использовать для исследований поведения и выравнивания, оценки устойчивости и квантизации, авторизованного red-team-тестирования, экспериментов с GGUF, длинным контекстом и speculative decoding, а также для защитных исследований в области кибербезопасности. Точные требования к оборудованию и производительность зависят от выбранной квантизации, backend и настроек offload.

apanc/russian-sensitive-topics — русскоязычный классификатор чувствительных тем, обученный на расширенной версии датасета, описанного в статье для семинара Balto-Slavic NLP на EACL 2021. Модель построена на архитектуре BERT и содержит 205,1 млн параметров; она относит текст к комбинациям из 18 чувствительных тем. Модель предназначена для многотемной классификации русскоязычных текстов, например для выявления упоминаний преступлений и наркотиков. Максимальная длина контекста — 512 токенов. В README приведены метрики по нескольким классам; авторы отмечают, что тестовая выборка состоит из вручную размеченной части данных, поэтому некоторые темы представлены в ней недостаточно хорошо. Модель доступна в форматах PyTorch, TensorFlow и Flax. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов, но запрещает коммерческое использование.

cardiffnlp/twitter-roberta-base-hate — модель Cardiff NLP на архитектуре RoBERTa-base для классификации твитов и выявления языка ненависти. Она обучалась на примерно 58 млн твитов и дообучалась для обнаружения языка ненависти с использованием бенчмарка TweetEval; особое внимание уделено высказываниям против женщин и иммигрантов. Модель содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. Модель выдаёт оценки классов «hate» и «not-hate» и предназначена для анализа сообщений в Twitter и сходных коротких публикаций. Доступны веса в форматах PyTorch, TensorFlow и Flax. В README указана более новая и надёжная модель того же разработчика; результаты классификации могут зависеть от контекста и не должны трактоваться как окончательная оценка высказывания. Сведения о лицензии в предоставленных источниках отсутствуют.

AMHR/adversarial-paraphrasing-detector — модель классификации текста на базе RoBERTa, обученная авторами репозитория на наборах данных Adversarial Paraphrasing, описанных в исследовательской статье. Она предназначена для выявления парафразов, в том числе созданных с состязательными преобразованиями текста, и может использоваться для классификации пар текстов в исследованиях и системах анализа сходства. Модель содержит 454,1 млн параметров, принимает текст и выдаёт метки классификации; максимальный контекст составляет 514 токенов. В карточке не указаны конкретные классы меток и языки данных. Лицензия в предоставленных метаданных и README не приведена.

Модель cooperleong00/deberta-v3-large_toxicity-scorer — классификатор токсичности текста на базе DeBERTa-v3-large, разработанный для исследования Self-Detoxifying Language Models via Toxification Reversal. Она дообучена на 90 тысячах примеров RealToxicityPrompts, чтобы предсказывать вероятности токсичности, близкие к оценкам Perspective API, и служить высокопроизводительной офлайн-заменой этого API при оценке сгенерированного текста. Модель содержит 533,8 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает текст длиной до 512 токенов. В README указаны точность 94,87% и AUROC 98,54% на отложенной выборке из 10 тысяч примеров; заявленная пропускная способность — около 27 тысяч примеров в секунду. Эти показатели относятся к указанной авторами выборке и не гарантируют такое же качество на других текстах. Лицензия в предоставленных данных не указана.

Модель woweenie/open-clip-vit-h-nsfw-finetune — дообученная версия OpenCLIP ViT-H для классификации изображений по текстовым описаниям с нулевым обучением. Её можно использовать, чтобы оценивать соответствие изображения категориям или запросам на естественном языке; карточка отмечает специализацию на NSFW-категориях и советует формулировать запросы к отдельным признакам, например волосам, лицу или одежде, в контексте целой категории. Модель принимает изображения и текстовые запросы, а выдаёт оценки соответствия между ними. Репозиторий использует библиотеку open_clip и содержит веса в форматах PyTorch и safetensors. Указана лицензия MIT. Карточка сообщает о неодинаковом объёме обучающих данных для разных категорий, поэтому качество может различаться в зависимости от запроса.

tsdocode/phobert-finetune-hatespeech — модель классификации текста на основе PhoBERT, разработанная для выявления оскорбительных и разжигающих ненависть высказываний на вьетнамском языке. Она относит текст к одному из трёх классов: Normal (обычный), OFFENSIVE (оскорбительный) или HATE (ненавистнический). В README указаны наборы данных VLSP2019 и ViHSD, использованные для задачи обнаружения языка ненависти в социальных сетях. Модель построена на архитектуре RoBERTa, содержит 162,4 млн параметров, принимает текст и выдаёт метку класса; длина контекста — 258 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

JonatanGk/roberta-base-bne-finetuned-hate-speech-offensive-spanish — испаноязычная модель классификации текста на базе RoBERTa, дообученная на BSC-TeMU/roberta-base-bne. По названию репозитория она предназначена для выявления оскорбительной речи и языка ненависти в испанских текстах. В метаданных указана архитектура RobertaForSequenceClassification, около 151,8 млн параметров и контекст до 514 токенов. Модель подходит для автоматической модерации испаноязычных сообщений и предварительной разметки текстов для анализа токсичности. В README приведены результаты оценки: accuracy 0,9012 и loss 0,2869; набор данных и подробности разметки не описаны. Модель распространяется по лицензии Apache-2.0.

Vit-Mature-Content-Detection — модель классификации изображений, созданная PrithivMLmods на основе дообучения google/vit-base-patch16-224-in21k. Она использует архитектуру ViTForImageClassification и содержит 113,2 млн параметров. Модель присваивает изображению одну из пяти меток: anime picture, hentai, neutral, pornography или enticing or sensual; neutral означает безопасный или обычный контент. Модель предназначена для фильтрации изображений в системах модерации контента, родительского контроля, предварительной обработки наборов данных и безопасного поиска. Она принимает изображения и возвращает метку класса, а не генерирует изображения или текст. Карточка указывает лицензию Apache-2.0. Классификация может ошибаться, поэтому модель не следует использовать как единственное основание для модерационных решений; карточка также предостерегает от преследования, стыда и скрытого наблюдения.

Qwen3.8-27B-Uncensored-Mythos-Class-Agentic — производная 27-миллиардная плотная модель семейства Qwen, созданная на основе OBLITERATUS/Qwen3.8-27B-OBLITERATED и объединённая с Qwen/Qwen3.8-27B. Разработчик позиционирует её как конфигурацию для диалогов и агентных сценариев с вызовом инструментов; в README заявлены исправленный шаблон чата, поддержка интерфейсов Hermes Agent, Aider и OpenCode, разбиение задач на иерархические этапы и протокол самопроверки рассуждений. В README заявлено контекстное окно 131 072 токена и генерация до 16 384 токенов за один ответ. Указаны гибридная архитектура Mamba SSM и линейного внимания, а также варианты весов BF16, FP8 и AWQ в формате Safetensors; метаданные подтверждают dense-архитектуру семейства Qwen3.5 и наличие интерфейса вызова инструментов. Карточка описывает специализацию на программировании, системных задачах и кибербезопасности, но не предоставляет независимой проверки заявленных оценок и характеристик. Поддерживаются английский, китайский и арабский языки по карточке модели. Лицензия — Apache-2.0.

Карточка модели jamiefutch/Qwythos-9B-Claude-Mythos-5-1M-MXFP4-GGUF на Hugging Face совпадает с карточкой FreedomAISVR/Qwythos-9B-Claude-Mythos-5-1M-MXFP4-GGUF, поэтому описание составлено по ней. Qwythos-9B-Claude-Mythos-5-1M-MXFP4-GGUF — это квантованная в формате GGUF MXFP4 версия модели empero-ai/Qwythos-9B-Claude-Mythos-5-1M, дообученной Empero AI на базе Qwen3.5-9B. Это мультимодальная модель с архитектурой Qwen3.5 и зрительным энкодером SigLIP ViT; основной файл использует 4-битный формат MXFP4, а для обработки изображений нужен отдельный файл mmproj в F16. Репозиторий распространяется под лицензией Apache-2.0. Модель предназначена для диалогов с рассуждениями, работы с изображениями, вызова инструментов и задач с длинным контекстом, включая анализ кода и документов. README заявляет контекст до 1 048 576 токенов, а также сильные стороны в математике, кибербезопасности и биомедицинских темах. Поддерживаются английский язык и интерфейс вызова инструментов в стиле OpenAI/Qwen3.5. Зрительная часть унаследована от базовой модели и не дообучалась; README также предупреждает, что модель может уверенно выдавать ошибочные идентификаторы CVE и дозировки лекарств. Для критически важных ответов нужны внешняя проверка и инструменты, а для пользовательских развёртываний README рекомендует добавить собственный слой безопасности. Ответы начинаются с блока рассуждений, поэтому требуется достаточный лимит генерации.

Qwythos-9B-Claude-Mythos-5-1M-MXFP4-GGUF — это квантованная в формате GGUF MXFP4 версия модели empero-ai/Qwythos-9B-Claude-Mythos-5-1M, дообученной Empero AI на базе Qwen3.5-9B. Это мультимодальная модель с архитектурой Qwen3.5 и зрительным энкодером SigLIP ViT; основной файл использует 4-битный формат MXFP4, а для обработки изображений нужен отдельный файл mmproj в F16. Репозиторий распространяется под лицензией Apache-2.0. Модель предназначена для диалогов с рассуждениями, работы с изображениями, вызова инструментов и задач с длинным контекстом, включая анализ кода и документов. README заявляет контекст до 1 048 576 токенов, а также сильные стороны в математике, кибербезопасности и биомедицинских темах. Поддерживаются английский язык и интерфейс вызова инструментов в стиле OpenAI/Qwen3.5. Зрительная часть унаследована от базовой модели и не дообучалась; README также предупреждает, что модель может уверенно выдавать ошибочные идентификаторы CVE и дозировки лекарств. Для критически важных ответов нужны внешняя проверка и инструменты, а для пользовательских развёртываний README рекомендует добавить собственный слой безопасности. Ответы начинаются с блока рассуждений, поэтому требуется достаточный лимит генерации.

OBLITERATUS/Qwen3.8-27B-OBLITERATED — текстовая генеративная модель, разработанная OBLITERATUS на базе Qwen/Qwen3.8-27B. Модель предназначена для диалогов, генерации текста и кода, агентных сценариев, а также исследований безопасности ИИ и red-team-тестирования. Основной заявленный профиль — ответы на запросы, которые исходная модель может отклонять, включая кибербезопасность и программирование. Модель использует архитектуру Qwen3 с 27 млрд параметров и поддерживает режимы с рассуждением и без него. Доступны форматы GGUF, Safetensors и MLX; заявлена совместимость с текстовым pipeline для генерации текста. В README не указаны точное максимальное контекстное окно и полный перечень поддерживаемых языков. Для версии V3 приводится результат 82,3% на MMLU в режиме 0-shot, что на 2,1 процентного пункта ниже базовой модели; также заявлены рабочие ответы во всех 20 проверенных задачах генерации кода. К сильным сторонам относятся снижение частоты отказов и защитных отговорок, близкая к базовой общая производительность и пригодность для генерации кода. Ограничениями являются некоторое ухудшение результата MMLU, склонность к зацикливанию без repetition_penalty и возможная чувствительность к настройкам генерации. В README рекомендуются temperature 0, repetition_penalty 1.15 и не менее 2048 новых токенов; для агентных сценариев предлагаются более низкая длина ответа и периодическое сокращение контекста. Модель распространяется по лицензии Apache-2.0.

Qwythos-27B-v1 — открытая полноразмерная дообученная модель Empero AI на базе Qwen/Qwen3.5-27B. Это плотная мультимодальная модель с 64 текстовыми слоями, гибридным вниманием Gated-DeltaNet и полным модулем зрения; она принимает текст и изображения и генерирует текст. Модель прошла полнопараметрические этапы SFT, DPO и ESFT до обучения с подкреплением, сохранив штатную поддержку вызова инструментов и предсказания нескольких токенов. Модель предназначена для диалогов и рассуждений, задач STEM, работы с терминальными и инструментальными сценариями, а также технических вопросов в областях кибербезопасности и биомедицины. Заявлена конфигурация контекста до 1 048 576 токенов с расширением YaRN. Шаблон чата поддерживает нативный формат вызова функций Qwen3.5. Зрение унаследовано от базовой модели: параметры визуального модуля не дообучались, а понимание изображений не оценивалось. Большой контекст с YaRN может немного ухудшать качество на коротком контексте. Модель намеренно не ограничивает ответы на чувствительные технические темы, поэтому для использования нужны подходящие правила и проверка результатов. Лицензия — Apache-2.0.

Cyber-Tiel-Coder-35B-A3B-GGUF-MTP — квантованная GGUF-модель, разработанная peculiar-ragdoll на базе Huihui-Ornith-1.5-35B-A3B-abliterated, которая, в свою очередь, основана на Ornith-1.5. Модель предназначена прежде всего для программирования, агентной разработки, автономного исправления ошибок в больших кодовых базах и задач offensive security. Она ориентирована на запуск через llama.cpp и рассчитана на локальное использование, в том числе на оборудовании с ограниченным объёмом VRAM. Модель использует архитектуру MoE класса 35B-A3B, динамическое повторное квантование с собственной cyber-weighted imatrix, шаблон чата Sharp и встроенную multi-token prediction head для speculative decoding. Доступна версия Q4 размером около 22 ГБ. В метаданных указаны английский и китайский языки, а также поддержка image-text-to-text и vision, однако подробности о мультимодальном вводе и максимальном контексте в README не приведены. К сильным сторонам относятся высокая скорость и специализация на агентном программировании: автор заявляет примерно в 3–4 раза более высокую скорость по сравнению с плотными моделями 3.8–27B, а также существенные результаты на SWE-bench-Live и Cybench. Abliteration удаляет стандартные отказы модели, поэтому она способна выполнять запросы, связанные с вредоносными или опасными сценариями, без ограничений. Это одновременно является существенным ограничением: модель требует изолированного, контролируемого и законного использования. Она хуже подходит для общих знаний, викторин и экзаменационных задач, поскольку специализация на кодировании достигается за счёт снижения соответствующих способностей. Модель распространяется по лицензии MIT.

Prox 7B SFT — языковая модель OpenVoid AI, дообученная на данных о программировании, взломе и кибербезопасности. В основе лежит Mistral-7B-v0.2; модель имеет плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст, поддерживает диалоговый режим и контекст до 32 768 токенов. Модель предназначена для генерации и объяснения кода, создания документации, ответов на вопросы о методах взлома и кибербезопасности, а также помощи в программных проектах. Карточка указывает английский язык. Обучающий набор OpenVoid AI описан как собственный набор материалов по программированию и взлому. Модель распространяется по лицензии Apache-2.0. Ответы модели могут быть ошибочными и требуют проверки специалистом; авторы не рекомендуют полагаться на неё в критически важных задачах безопасности и использовать для незаконной деятельности.

GLM-5.3-AWQ-INT4 — квантизированная версия модели GLM-5.3, разработанной организацией Z.ai. Модель предназначена для генерации текста и ориентирована прежде всего на сложные задачи программирования, работу с инструментами, агентские сценарии и выполнение длительных многоэтапных задач. В README заявлены высокие результаты в бенчмарках по coding, автоматизации, поиску уязвимостей и эксплуатации, однако эти показатели приведены разработчиками и могут зависеть от методики тестирования. Модель работает с текстом, поддерживает языки English, Chinese, Hindi, Arabic, Russian, Japanese, Korean, Dutch, French и Spanish. Указан размер файлов модели 488,18 ГБ; архитектура, число параметров и размер контекстного окна в README не раскрыты. Квантизация AWQ с форматом INT4 снижает требования к хранению и вычислениям по сравнению с полноразмерной моделью, но может сопровождаться потерей точности. Для локального развёртывания заявлена совместимость с SGLang, vLLM, TokenSpeed и Transformers. Сильными сторонами модели являются заявленные возможности в программировании, агентной автоматизации и кибербезопасности, включая обнаружение уязвимостей. Ограничения включают отсутствие подробностей об архитектуре, контекстном окне и требованиях к оборудованию, а также потенциальное снижение качества из-за квантизации. Модель распространяется по лицензии glm-5.3; точные условия лицензии в README не приведены.

patched-coder-34b — модель для работы с кодом, разработанная codelion на основе CodeLlama-34b-Python и дообученная следовать инструкциям по внесению исправлений. Она предназначена для исправления ошибок, устранения уязвимостей, миграции API и других задач сопровождения кода. Модель принимает инструкции в формате Alpaca; в качестве основы использует архитектуру Code Llama с 33,5 млрд параметров и контекстом до 16 384 токенов. Для дообучения использовались относящиеся к исправлению ошибок коммиты Python из открытого набора bigcode/commitpackft. В README приведены результаты оценки на HumanEval, HumanEval Fix Python и Static Analysis Eval; они указывают на улучшение относительно CodeLlama-34b-Python в задачах исправления кода и уязвимостей, но не гарантируют качество в реальных проектах. Модель прошла ограниченное тестирование, поэтому перед практическим применением её ответы и исправления следует проверять. Лицензия — Llama 2.

Fabliq-8B-Agent-Reasoning — англоязычная модель-ассистент семейства Fabliq от LLM-OS-Models, дообученная на базе Fabliq-8B-Agent. Это причинная языковая модель архитектуры Lfm2MoeForCausalLM с MoE: около 8 млрд параметров всего и примерно 1 млрд активных на токен. Модель рассчитана на генерацию ответов, многошаговые рассуждения и агентные сценарии с вызовом инструментов, включая терминальные задачи. Модель расширяет возможности базовой агентной версии экспертными ответами на общие вопросы, задачами по математике, научному анализу, программированию, планированию и кибербезопасности. В README описаны двухэтапное обучение и использование дистиллированных данных; обучение включало 281 пример на втором этапе. Репозиторий указывает нативный контекст 128 000 токенов, однако обучение проводилось на последовательностях до 8 192 токенов, поэтому качество на длинном контексте не подтверждено. Модель ориентирована преимущественно на английский язык; поддержка других языков ограничена. Авторы отмечают риск переобучения на шаблонных данных и отсутствие выравнивания безопасности, поэтому для практического развёртывания нужны собственные защитные меры. Лицензия — Apache-2.0.

Qwen2.5-Coder-7B-VN-Master-Polymath — дообученная чат-модель автора khoin68 на базе Qwen2.5-Coder-7B-Instruct. Это полноразмерная версия в формате 16-битных весов Safetensors с архитектурой Qwen2 и 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации и анализа кода, работы в роли ReAct-агента с инструментами, а также для ответов на вопросы о Вьетнаме. Среди заявленных сценариев — разработка на C++20/23 и Python, создание веб-приложений на React, Vite и Tailwind, поиск и исправление уязвимостей по CWE, ответы о провинциях, истории и законодательстве Вьетнама, а также написание стихов в форме луат бат. В карточке указаны вьетнамский и английский языки, интерфейс для вызова инструментов и лицензия Apache-2.0. Описание обучения на более чем 150 000 примерах и перечисленные возможности приведены автором; независимые оценки качества не представлены.

Qwen3.8-27B-AEON-ULTIMATE-U-BF16 — экспериментальная ранняя версия модели Qwen3.8-27B, подготовленная denyzhirkov. Это дообученная и аблитерированная BF16-версия с уменьшенным числом отказов; базовая модель — Qwen/Qwen3.8-27B. Плотная мультимодальная архитектура поддерживает диалог, следование инструкциям, вызов инструментов и работу с изображениями. В README описана проверка на NVIDIA H200 через vLLM; при тестировании использовалось окно 16 384 токена, а автор указывает, что базовая модель поддерживает контекст до 262 000 токенов. Модель рассчитана на прямые ответы, творческое письмо, исследования безопасности, red-team-тестирование и работу с запросами, которые базовая модель могла бы отклонить. Снятие части отказов может сделать ответы более доступными, но не гарантирует точности или безопасности. README предупреждает о повторениях и потере связности на очень длинных запросах; модель может выдавать опасный или незаконный контент. Лицензия — Apache-2.0.

Granite-3B-Code-Base-128K — языковая модель IBM Research для генерации кода. Это плотная causal language model на архитектуре LlamaForCausalLM с 3,5 млрд параметров, доступная в формате safetensors и рассчитанная на контекст до 128 тысяч токенов. Модель получена продолжением предобучения Granite-3B-Code-Base: контекст постепенно увеличивали до 128K, используя данные на уровне репозиториев и повышенную долю примеров с длинными фрагментами кода. Модель предназначена для задач разработки ПО, включая генерацию, объяснение и исправление кода, создание модульных тестов и документации, поиск уязвимостей, перевод кода и работу с большими репозиториями. Она обучалась на коде из 116 языков программирования; среди языков, выделенных для продолженного обучения, — Python, C, C++, Go, Java, JavaScript и TypeScript. Модель принимает текстовые запросы и генерирует текст, в том числе код. Разработчик не рекомендует применять эту модель в новых проектах и предоставляет её для исторических и научных целей; для новых задач предлагается актуальная линейка Granite. Модель не проходила safety alignment, а сгенерированный код может быть ошибочным или содержать проблемные результаты. Также существует риск дословного воспроизведения фрагментов из обучающих данных. Лицензия — Apache 2.0.