II.11Кибербезопасность и приватность

Карточка модели Andronovo/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16 на Hugging Face совпадает с карточкой denyzhirkov/Qwen3.8-27B-AEON-ULTIMATE-U-BF16, поэтому описание составлено по ней. 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.

Карточка модели ansulev/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16 на Hugging Face совпадает с карточкой denyzhirkov/Qwen3.8-27B-AEON-ULTIMATE-U-BF16, поэтому описание составлено по ней. 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.

Карточка модели HFCK99/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16 на Hugging Face совпадает с карточкой denyzhirkov/Qwen3.8-27B-AEON-ULTIMATE-U-BF16, поэтому описание составлено по ней. 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.

Qwen3.8-27B-OBLITERATED — производная текстовая генеративная модель, опубликованная пользователем bniler2 на базе Qwen/Qwen3.8-27B. Она относится к семейству Qwen3 и предназначена для генерации текста, программного кода и ответов на запросы, включая запросы, на которые исходная модель могла отвечать отказом или отвлечёнными предупреждениями. Модель ориентирована на исследовательские, red-team- и агентные сценарии, а также на локальный запуск в форматах GGUF, SafeTensors и MLX. Заявлены размер 27 млрд параметров и совместимость с режимом рассуждений Qwen3. В README рекомендуются температура 0, repetition_penalty 1.15 и не менее 2048 новых токенов; для агентных сценариев предлагаются более короткие ответы и периодическое суммирование контекста. Размер контекстного окна и перечень поддерживаемых языков не указаны. Для V3 заявлены показатель MMLU 82,3% в тесте lm-eval 0-shot, близкая к исходной модели производительность и полноценные ответы на тестовые задачи генерации кода, однако эти результаты приведены автором модели и не подтверждены независимой проверкой. Главная особенность модели — удаление или ослабление отказов и защитных ответов методом abliteration с последующей итеративной доработкой и смешиванием вариантов. Это может повысить полезность в задачах анализа безопасности и генерации кода, но одновременно снижает встроенные механизмы безопасного поведения и может привести к выдаче рискованного или вредоносного содержания. По сравнению с исходной моделью заявлено снижение MMLU на 2,1 процентного пункта. Модель распространяется по лицензии Apache-2.0.

Decision-2.0-Sol-2B — плотная модель с 1,88 млрд параметров из семейства Decision 2.0, разработанная командой vLLM Semantic Router. Она принимает текст или JSON вместе с вопросами и за один проход выбирает вариант, отвечает «да» или «нет» либо выставляет оценку. Для каждого возможного ответа модель возвращает вероятность и не генерирует текст. Модель предназначена для классификации и оценки свидетельств или условий, в том числе для обработки нескольких вопросов об одном входе за один проход. Контекст составляет 16 384 токена. В README сообщается о результатах на JevArena и наборе из 15 задач с разметкой людьми, а также о медианной задержке 7,2 мс на запрос с одним вопросом на одном GPU. Это дообученная версия vllm-sr/Decision-1.0-Sol-2B, распространяемая в формате safetensors. Лицензия — Apache-2.0. Модель выдаёт вероятности вариантов, а не свободный текст; задержка и результаты бенчмарков из README не гарантируют аналогичной скорости или качества в других условиях.

Карточка модели Resggg/Kimi-K3-Abliterated-modal на Hugging Face совпадает с карточкой SHSLab/Kimi-K3-Abliterated, поэтому описание составлено по ней. SHS-Lab/Kimi-K3-Abliterated — открытая мультимодальная модель на основе Kimi K3, обработанная методом abliteration для ослабления отказов, связанных с механизмами выравнивания. Она предназначена для исследований механизмов отказа, red-team-оценки и контролируемых экспериментов. Архитектура унаследована от базовой модели: Mixture-of-Experts с 2,8 трлн параметров, Kimi Delta Attention и Attention Residuals; модель поддерживает контекст до 1 млн токенов, изображения и видео наряду с текстом. Модель подходит для программирования, многошаговых агентных задач, анализа документов и работы с визуальными данными. По заявлению карточки, ослабление отказов нацелено на запросы на английском и японском языках и не добавляет новых знаний или возможностей; возможны небольшие изменения тона и формулировок. Независимая оценка этой версии не проводилась, поэтому точность для конкретных задач следует проверять отдельно. Модель распространяется с весами для самостоятельного развёртывания по лицензии Kimi K3 License; карточка не рекомендует её для неконтролируемого использования в пользовательских продуктах или там, где обязательна модерация контента.

NERmembert-base-3entities — модель для распознавания именованных сущностей во французском тексте, разработанная Centre Aquitain des Technologies de l'Information et Electroniques и автором Loïck Bourdois. Она основана на CamemBERT base, дообученной для выделения персон (PER), организаций (ORG) и географических объектов (LOC). Модель обучалась на объединённом и очищенном наборе frenchNER_3entities из пяти французских датасетов для NER: около 420 тысяч размеченных предложений, включая обучающую, валидационную и тестовую выборки. Архитектура — CamembertForTokenClassification, размер — 137,8 млн параметров, максимальная длина контекста — 514 токенов. Модель принимает французский текст и возвращает метки сущностей для его токенов. Модель подходит для извлечения имён людей, названий организаций и мест из французских документов и текстовых корпусов. В карточке указана лицензия MIT. Заявленные результаты оценки приведены в README, но численные таблицы в доступном тексте опущены; качество на других доменах и типах текста может отличаться.

Модель brilan/procedure-tool-matching_3_epochs — дообученный Sentence Transformer на базе sentence-transformers/all-mpnet-base-v2, созданный для сопоставления описаний процедур с инструментами и командами. Архитектура включает MPNet, усреднение токенных представлений и нормализацию; она преобразует предложения и абзацы в плотные векторы размерности 768, сравниваемые по косинусному сходству. В метаданных указано 136,7 млн параметров и библиотека Sentence Transformers; ограничение контекста составляет 514 токенов по метаданным и 384 токена в карточке модели. Модель подходит для семантического поиска, ранжирования похожих описаний, поиска перефразировок и кластеризации текстов о процедурах и инструментах. Обучение проведено на примерах anchor-positive-negative с MultipleNegativesRankingLoss. Карточка приводит высокие значения cosine_accuracy на dev и test, но не раскрывает название датасета или подробности методики, поэтому эти результаты не гарантируют качество на других данных. Лицензия в предоставленных сведениях не указана.

junafinity/Qwen-3.8-27B-Uncensored-8-Bit-MLX — мультимодальная модель семейства Qwen, разработанная junafinity. Это 8-битная MLX-квантизация модели Qwen-3.8-27B-Uncensored для локального запуска на компьютерах Apple Silicon через MLX и mlx-vlm. Модель предназначена для генерации текста, анализа изображений и текстово-визуальных сценариев, включая исследовательское red teaming и оценку защитных механизмов кибербезопасности. Модель содержит языковую часть размером 27B параметров, квантизированную в 8 бит с affine-квантизацией и размером группы 64; итоговый размер на диске составляет около 28 ГБ. Vision tower оставлен в формате bf16 без квантизации, поэтому поддерживается обработка изображений. Указанные языки и размер контекста в README не приведены. Голова mtp.* удалена при конвертации в mlx-vlm, поэтому нативный MTP недоступен. Это прямое редактирование весов текстового декодера методом ZeroFuse, а не дообучение. Сильные стороны модели — возможность локального мультимодального запуска на большинстве компьютеров с чипами Apple M и снижение требований к дисковому пространству по сравнению с родительской bf16-версией. Модель не является скоростной версией: показатели токенов в секунду и пикового потребления памяти для неё не указаны. Abliteration снижает часть отказов, но не гарантирует их полного отсутствия; перед публичным развёртыванием необходим независимый слой модерации. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored-GGUF — набор GGUF-квантов 27-миллиардной модели Qwen3.8, подготовленный OrcaRouter на основе Qwen/Qwen3.8-27B. Это abliterated-версия с существенно удалёнными механизмами отказа от ответов. Модель предназначена для локального запуска через llama.cpp, включая сценарии исследований интерпретируемости, AI-безопасности, red-teaming и оценки устойчивости. Для практического применения требуется самостоятельно добавлять механизмы модерации и безопасности. Модель представляет собой плотную hybrid-attention архитектуру, сочетающую линейное внимание Gated DeltaNet и обычное full attention. Она поддерживает текст и изображения, reasoning, tool calling и MTP-голову для speculative decoding. Заявлены английский и китайский языки. Для обработки изображений нужен отдельный vision-проектор mmproj; поддерживаются CPU, CUDA, Metal и ROCm. Доступны варианты квантования от 2 до 16 бит, размер файлов — примерно от 8,9 до 54,7 ГБ; Q4_K_M указан как основной баланс качества и размера, а IQ4_XS — как предпочтительный вариант среди низкобитных квантов. К сильным сторонам относятся широкий выбор квантований, локальный запуск на различных аппаратных платформах, мультимодальность, поддержка инструментов и более эффективное speculative decoding с MTP. Ограничения включают необходимость свежей версии llama.cpp с поддержкой архитектуры qwen35 и MTP, заметное снижение качества у низкобитных вариантов, а также отсутствие встроенных защитных ограничений: модель может выполнять вредоносные или незаконные запросы. Лицензия — Apache 2.0, унаследованная от базовой модели; использование должно соответствовать законодательству и условиям лицензии.

OS-Software/Gemma-4-12B-it-QAT-Q4_0-unquantized-uncensored-heretic-v3 — экспериментальная производная модель на базе Google Gemma 4 12B Instruct, созданная сообществом OS-Software. Карточка описывает Gemma 4 как плотную мультимодальную архитектуру с чередованием локального скользящего и глобального внимания. Для базовой версии 12B заявлен контекст до 256K токенов; модель поддерживает обработку текста, изображений, видео и аудио. Модель предназначена для исследований безопасности, выравнивания и red teaming, а также экспериментов с диалогом, рассуждениями, вызовом инструментов, программированием и мультимодальным анализом. Заявлены распознавание речи и перевод речи в текст, анализ изображений и видео, OCR, разбор документов и понимание интерфейсов. README рекомендует избегать развёртывания в публичных сервисах и пользовательских приложениях. В README не приведены отдельные результаты оценки качества или точные сведения о том, какие изменения внесены в эту версию; указанные возможности относятся к семейству Gemma 4 и базовой модели. Карточка сообщает о возможных фактических ошибках, предвзятости, трудностях с нюансами языка и сложными задачами. Лицензия репозитория — Apache-2.0.

SHS-Lab/Kimi-K3-Abliterated — открытая мультимодальная модель на основе Kimi K3, обработанная методом abliteration для ослабления отказов, связанных с механизмами выравнивания. Она предназначена для исследований механизмов отказа, red-team-оценки и контролируемых экспериментов. Архитектура унаследована от базовой модели: Mixture-of-Experts с 2,8 трлн параметров, Kimi Delta Attention и Attention Residuals; модель поддерживает контекст до 1 млн токенов, изображения и видео наряду с текстом. Модель подходит для программирования, многошаговых агентных задач, анализа документов и работы с визуальными данными. По заявлению карточки, ослабление отказов нацелено на запросы на английском и японском языках и не добавляет новых знаний или возможностей; возможны небольшие изменения тона и формулировок. Независимая оценка этой версии не проводилась, поэтому точность для конкретных задач следует проверять отдельно. Модель распространяется с весами для самостоятельного развёртывания по лицензии Kimi K3 License; карточка не рекомендует её для неконтролируемого использования в пользовательских продуктах или там, где обязательна модерация контента.

larenspear/copy_of_wildjailbreak_13 — языковая модель семейства Llama, дообученная на базе meta-llama/Llama-2-7b-hf с применением набора WildJailbreak для повышения безопасности и расширенной версии Tulu2Mix для общих инструкций и диалогов. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст, генерируя текст; контекст — до 4096 токенов. Основной язык модели — английский. Модель предназначена для диалоговых ответов на инструкции и изучения поведения языковых моделей с усиленными мерами безопасности, в том числе анализа устойчивости к jailbreak-атакам. Обучение на разнообразных инструкциях и синтетических диалогах поддерживает широкий круг общих запросов. Модель доступна под лицензией Apache 2.0. Авторы отмечают, что защитные механизмы не гарантируют устойчивость ко всем jailbreak-атакам, особенно в многоязычных сценариях и многоходовых диалогах.

LiconStudio/Gemma-4-31B-it-abliterated-GGUF — модифицированная версия Google Gemma 4 31B Instruct, распространяемая в формате GGUF. Модель создана с применением метода Heretic ABLiteration: из исходных весов удалено нейронное направление, связанное с отказами в ответах, без изменения архитектуры и без дополнительных затрат при инференсе. Согласно README, версия ориентирована на снижение частоты отказов при сохранении исходных возможностей модели. Модель предназначена для генерации текста, исследований чувствительных тем, анализа, тестирования безопасности, red-teaming и академических исследований выравнивания моделей. Также заявлена поддержка мультимодальных сценариев с изображениями и текстом благодаря возможностям Gemma 4; при этом vision encoder остался без изменений. Указаны языки Chinese и English. Размер модели — 31B параметров; сведения о длине контекста и точной конфигурации GGUF в README отсутствуют. Сильной стороной является низкая частота отказов: в ручном тестировании для Abliterated Version указано 4 отказа из 100, при этом авторы не наблюдали заметного ухудшения интеллектуальных способностей по сравнению с официальной версией. Ограничения включают возможную небольшую потерю качества на сложных задачах, отсутствие встроенных механизмов цензуры и необходимость самостоятельно оценивать безопасность результатов. Модель не рекомендуется для производственных систем, требующих модерации контента, приложений для несовершеннолетних и сценариев с юридическими рисками. Лицензия — Apache-2.0. Авторы предназначают модель для исследовательских и образовательных целей и предупреждают, что она может генерировать вредный, опасный или неприемлемый контент; ответственность за использование несёт пользователь.

Qwen3.8-27B-Cold-Fusion-GAIN-V1.1-heretic-W4A16 — мультимодальная vision-language модель, разработанная gorbatjovy на основе Qwen3.8-27B-Cold-Fusion-GAIN-V1.1 от DavidAU. Это квантизированная сборка с удалённым safety alignment, предназначенная прежде всего для исследовательских задач, интерпретируемости, red-teaming и анализа устойчивости моделей. Она поддерживает обработку текста и изображений, заявлены английский и китайский языки, а также контекст до 32 768 токенов при использовании указанной конфигурации vLLM. Модель имеет размер 27B параметров и использует квантизацию W4A16: линейные слои языкового декодера работают в int4 с группами по 128 параметров, а lm_head, embed_tokens и MTP-модуль — в int8. Vision tower и отдельные компоненты Gated DeltaNet сохранены в BF16. Поддерживаются MTP и спекулятивное декодирование DFlash2; модель рассчитана на запуск на одной видеокарте с 24 ГБ памяти, занимает около 19 ГБ на диске. В описании заявлены сохранённые возможности работы с изображениями, инструментами и близкое к BF16 качество после квантизации. К сильным сторонам относятся компактные требования к памяти, высокая скорость инференса, сохранение качества языкового моделирования и tool calling, а также малая потеря точности на GSM8K относительно BF16-версии. Существенное ограничение — удаление защитных механизмов: модель может выполнять вредоносные запросы, от которых исходная модель отказалась бы, поэтому перед практическим развёртыванием необходима собственная модерация. Модель распространяется по лицензии Apache 2.0; использование также должно соответствовать применимому законодательству.

Tyr-4B-v0.1 — языковая модель, созданная автором trollek путём обучения LoRA-адаптеров и их объединения методом DELLA. Модель основана на trollek/LittleInstructionMaker-4B-v0.2; её плотная архитектура Llama содержит 3,8 млрд параметров, а контекст составляет 8192 токена. В репозитории представлены веса safetensors. Модель предназначена для диалоговой генерации текста, в том числе для задач, связанных с кодом и данными WhiteRabbitNeo. Она обучена с шаблоном ChatML и может использоваться с системным сообщением или без него. В карточке заявлено, что модель может выдавать контент без цензурных ограничений; отдельные показатели качества не приведены. Модель распространяется по лицензии Apache-2.0. Это ранняя версия v0.1; возможности и качество для конкретных задач следует проверять на собственных примерах.

Worthify Decision-1 — текстовая модель принятия решений с ограниченным выбором, разработанная Worthify путём полного дообучения 11,9 млрд параметров Gemma 4 12B. На вход она получает текстовое описание состояния, вопрос и меню из 2–16 описанных вариантов; на выходе выбирает идентификатор варианта и выставляет ему условную оценку относительно этого меню. Модель предназначена для маршрутизации запросов, отбора свидетельств и выбора шага рабочего процесса, когда приложение заранее задаёт допустимые варианты. Модель основана на плотной архитектуре Gemma4UnifiedForCausalLM, поддерживает диалог и принимает текст. Заявленная длина контекста — 262 144 токена, однако в обучающем промпте использовалось ограничение в 2 048 токенов, а более длинные входы не проверялись. В описанной отложенной оценке на семи наборах Decision-1 превзошла исходную Gemma 4 12B по основному показателю, но это исследовательский предварительный результат на одном случайном зерне и он не подтверждает работу в реальных условиях. Оценки не откалиброваны и не являются вероятностями истинности или безопасности; приложение должно проверять варианты и при необходимости запрашивать проверку человеком. Модель распространяется по лицензии Apache-2.0.

DeepSeek-V4-Flash-Vision-Uncensored-GGUF — это GGUF-конверсия модели orcarouter/DeepSeek-V4-Flash-Vision-Uncensored, подготовленная OrcaRouter на основе DeepSeek-V4-Flash-Vision-Exp от DeepSeek. Модель предназначена для локального текстового вывода, исследований интерпретируемости и механизмов отказа, AI safety, red teaming и оценки устойчивости моделей. Версия существенно лишена исходного safety alignment методом abliteration и может выполнять запросы, от которых оригинальная модель отказалась. Это разреженная Mixture-of-Experts-модель примерно на 305B параметров с около 18B активных параметров, конфигурацией 256 экспертов и выбором top-6. Она использует DeepSeek sparse attention, 4-wide Manifold-Constrained Hyper-Connections и контекст до 1M токенов. Модель поддерживает английский и китайский языки. В данном выпуске сохранена текстовая модальность: компоненты vision удалены, поэтому обработка изображений недоступна. Спекулятивная DSpark/MTP-голова также не включена. Ключевое преимущество — сохранение исходных FP4-кодов маршрутизируемых матриц в формате MXFP4 без дополнительного переквантизирования, что позволяет использовать веса через llama.cpp. Для запуска требуется свежая сборка llama.cpp с поддержкой архитектуры deepseek4; старые версии и runtime с зафиксированной более ранней версией могут не загрузить модель. Из-за удаления защитных механизмов модель не предназначена для неконтролируемого продакшен-развёртывания: необходимы собственные фильтры безопасности и модерация, а ответственность за применение и результаты несёт пользователь. Лицензия — MIT.

Ektome-Qwen3.6-35B-A3B-PristinelyUncensored — мультимодальная модель семейства Qwen, подготовленная Ektome на базе Qwen/Qwen3.6-35B-A3B. По карточке, авторы изменили веса хирургическим удалением направления отказа rank-1 методом без обучения и дообучения; метаданные классифицируют происхождение как finetune. Модель использует архитектуру Qwen3.5 MoE и поддерживает диалог и анализ изображений; веса опубликованы в формате safetensors, лицензия — Apache-2.0. Модель предназначена для диалогов и ответов на запросы по изображениям, а также для исследований механизмов отказа, red-teaming и использования в качестве основы для собственного дообучения. В карточке сообщается, что после изменения весов показатели на приведённых тестах возможностей и генерации удержаны; эти результаты относятся к описанным авторами оценкам. Ключевое свойство модели — отсутствие отказов на проверенных запросах, поэтому ответственность за фильтрацию и безопасность применения лежит на развёртывающей стороне. Карточка не приводит число параметров и длину контекста для самой модели. Модель не предназначена для отказа на небезопасные запросы; качество следует проверять на целевых данных и сценариях. Она выпущена под лицензией Apache-2.0.

Jev-Style-2B-Decision-v3 — дообученная Chaoliang UNSW модель на базе Qwen/Qwen3.5-2B для принятия решений по заданным вариантам. Она принимает текстовое состояние или JSON и типизированные вопросы, затем за один проход выдаёт калиброванные вероятности для каждого предложенного варианта. Это текстовая плотная причинная модель Qwen3.5 с 1,7 млрд параметров и контекстом до 262 144 токенов; для совместимой локальной реализации README описывает общий бюджет входа 25 600 токенов. Модель ориентирована на классификацию, маршрутизацию запросов и оценивание вариантов, а не на свободный диалог: она не генерирует текст, не предлагает ответы за пределами заданных вариантов и не выполняет действия. В опубликованных тестах README сообщает 73,6% точности на JevBench v1.4.1 и указывает, что неуверенные решения следует передавать человеку или более крупной модели. Доступны веса в safetensors; лицензия Apache-2.0.

ICONOCLAST Qwen2.5 7B — дообученная и отредактированная модель Varesh Patel на архитектуре Qwen2ForCausalLM, основанная на Qwen/Qwen2.5-7B-Instruct. Модель содержит 7,1 млрд параметров, принимает текст и предназначена для диалога и генерации текста. Контекст — до 32 768 токенов; веса опубликованы в формате safetensors с точностью float16. Редактирование направлено на изменение поведения, связанного с отказами и утечкой персональных данных, при сохранении общей полезности. В представленных результатах доля генерации структурированных персональных идентификаторов снизилась с 52,0% до 48,7%, а результат MMLU практически не изменился: 73,90% против 73,94% у базовой модели. Модель выпущена для исследований, воспроизводимости, бенчмаркинга и оценки методов редактирования моделей; эти результаты не гарантируют безопасное поведение во всех сценариях. Лицензия — AGPL-3.0.

jev-control-core — компактная текстовая модель для выбора решений в отдельных узлах агентных систем, разработанная open-spark-Jev. Она предназначена для маршрутизации инструментов, проверки достаточности ответа и релевантности контекста, фильтрации инъекций и модерации, проверки утверждений, выбора следующего действия, сопоставления сущностей и передачи сложных случаев человеку. Модель представляет собой плотный текстовый декодер Qwen3_5ForCausalLM размером 581,4 млн параметров, полученный полным дообучением Qwen/Qwen3.5-0.8B-Base. Вопрос и состояние агента кодируются в одном запросе с перечнем допустимых вариантов; модель оценивает варианты за один проход без генерации ответа и ограничивает результат заданным списком. Заявленная длина контекста — 262 144 токена. Поддерживается английский язык. Репозиторий содержит веса Safetensors и GGUF F16; лицензия — Apache-2.0. Модель ориентирована на короткие структурированные решения внутри агентного цикла и выдаёт наилучший вариант или оценку среди заданных опций. В README сообщается о результате 0,837 на реальном тестовом контуре, но модель не оценивалась на JevBench и уступает указанной базовой системе в задачах достаточности ответа и релевантности; возможен перенос синтетического словаря, поэтому калибровку уверенности рекомендуется подстраивать на размеченном трафике. Также у модели не было этапа обучения с подкреплением.

Granite 3.0 8B Instruct - Intrinsics LoRA v0.1 — экспериментальная модель IBM Research на основе ibm-granite/granite-3.0-8b-instruct. Это объединённый LoRA-файнтюн, который сохраняет возможности базовой инструктивной модели и добавляет три режима: оценку уверенности в ответе, обнаружение неподтверждённых документами утверждений в RAG-сценариях и проверку запросов на небезопасное содержание. Модель содержит 8,2 млрд параметров, использует плотную архитектуру GraniteForCausalLM и принимает текст; контекст — до 4096 токенов. Она рассчитана на диалоговое применение на английском языке и выдаёт обычные текстовые ответы, а в специальных режимах — оценку уверенности от 0 до 9 или однобуквенную классификацию Y/N. Лицензия — Apache 2.0. Оценка уверенности задумана как калиброванная, а режимы проверки галлюцинаций и безопасности — как бинарные классификаторы. Разработчик представляет модель как экспериментальную и не рекомендует использовать её в реальных развертываниях; результаты специализированных проверок следует валидировать для конкретной системы.

SushantGautam/LogClassification — дообученная модель Google CANINE-c для классификации текстов. Она предназначена для присвоения меток текстовым последовательностям; набор меток и конкретная область применения в карточке не описаны. Модель содержит 113,2 млн параметров, использует архитектуру CanineForSequenceClassification и распространяется в формате PyTorch. Указанное окно контекста — 16 384 токена. Модель основана на google/canine-c и выпущена по лицензии Apache-2.0. Данных о качестве, обучающем наборе и известных ограничениях нет, поэтому пригодность для конкретных типов логов или иных текстов следует проверять на соответствующих данных.

Модель Hate-speech-CNERG/urdu-abusive-MuRIL разработана для выявления оскорбительной речи на урду. Это дообученная на наборе данных для распознавания оскорбительной речи модель MuRIL с архитектурой BERT для классификации последовательностей; она относит текст к классу «нормальный» или «оскорбительный». Модель рассчитана на классификацию текста на урду, имеет 264,8 млн параметров и контекст до 512 токенов. Модель подходит для автоматической фильтрации оскорбительных высказываний и анализа пользовательских текстов на урду, в том числе в условиях ограниченных данных для этого языка. Она описана в работе о методах расширения данных для выявления оскорбительной речи в индийских языках. Лицензия — AFL-3.0; при публикации результатов с использованием ресурса авторы просят цитировать эту работу.

chs20/FARE4-ViT-B-32-laion2B-s34B-b79K — CLIP-модель с архитектурой ViT-B/32, дообученная методом FARE для повышения устойчивости к состязательным возмущениям. Базовая модель — laion/CLIP-ViT-B-32-laion2B-s34B-b79K; дообучение проводилось на ImageNet с ограничением L∞ и радиусом 4/255. Модель предназначена для сравнения изображений по перцептивному сходству и классификации изображений по текстовым описаниям без дополнительного обучения. В README приведены результаты на задаче перцептивного сходства NIGHTS: 91,1 на чистых данных, 71,8 при возмущениях L∞ с ε=4/255 и 70,6 при L2 с ε=3. Репозиторий использует библиотеку open_clip и содержит веса PyTorch и safetensors. Лицензия — MIT. Модель обрабатывает изображения и текстовые метки, формируя оценки соответствия; документация не сообщает о поддержке конкретных естественных языков.

Qwen3.8-27B-Uncensored-GGUF — набор GGUF-квантизаций модели Qwen3.8-27B, разработанной Qwen, с удалённым значительным объёмом защитного выравнивания и отказов от ответов методом abliteration. В README указано, что сборка распространяется для llama.cpp; конкретный вклад dancinlab и точный автор преобразования отдельно не описаны, однако материалы связаны с OrcaRouter. Базовая модель имеет плотную архитектуру на 27 млрд параметров с гибридным вниманием: слоями линейного внимания Gated DeltaNet и полноформатного внимания. Также заявлены нативная работа с изображениями, рассуждения, вызовы инструментов и головка MTP для спекулятивной декодировки. Модель предназначена прежде всего для исследовательских задач: изучения механизмов отказов и интерпретируемости, AI safety, red teaming и оценки устойчивости. Она поддерживает английский и китайский языки. Текстовый режим работает с основным GGUF-файлом, а обработка изображений требует отдельного файла mmproj; заявленная платформа выполнения — llama.cpp с поддержкой CPU, CUDA, Metal и ROCm. Доступны варианты от 2 до 16 бит размером примерно от 8,9 до 54,7 ГБ; Q4_K_M рекомендуется как компромисс между качеством и размером, а IQ-квантизации оптимизированы с помощью importance matrix для меньшего числа бит. Главное преимущество — сочетание локального запуска, широкого выбора квантизаций, мультимодальности, инструментального вызова и ускорения через MTP. Ограничения включают заметное снижение качества на низких битностях, необходимость свежей версии llama.cpp с поддержкой архитектуры qwen35 и MTP, а также отдельную загрузку vision projector. Из-за удаления защитных механизмов модель может выполнять вредоносные, неэтичные или незаконные запросы, поэтому для практического использования необходимы собственные фильтры и меры безопасности. Указанная лицензия — Apache 2.0, унаследованная от базовой модели; использование также должно соответствовать применимому законодательству.

k1ngtai/security-coding-gemma4-e2b-full — дообученная модель семейства Gemma 4, созданная k1ngtai на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Она предназначена для диалоговых сценариев с текстом и изображениями; название указывает на задачи, связанные с безопасностью и программированием, но карточка не уточняет конкретные функции или результаты дообучения. Модель использует архитектуру Gemma4ForConditionalGeneration и поддерживает зрительный ввод. Метаданные относят её к задаче image-text-to-text и отмечают чат и интерфейс вызова инструментов. Карточка заявляет лицензию Apache-2.0. Оценки качества, размер модели и длина контекста в предоставленных данных не описаны.

TinyJev-0.6B — плотная текстовая модель решений, разработанная AnkitAI на базе Qwen3-0.6B-Base. Она оценивает предложенные варианты и возвращает вероятность каждого из них, не генерируя свободный текст. Интерфейс поддерживает выбор из вариантов, оценку истинности утверждения и размещение состояния на упорядоченной шкале; контекст модели — 32 768 токенов. Модель предназначена для локального выполнения структурированных решений по текстовому состоянию, заявке, записи или строке журнала. По README, она содержит около 596 млн параметров, использует pointer head и калибровку вероятностей с температурой 1,46; метаданные указывают 507,9 млн параметров. Поддерживаются MLX на Apple Silicon и PyTorch, а репозиторий содержит веса в safetensors. README сообщает о тестировании на наборах задач принятия решений, но приводит ограниченные результаты переноса, поэтому качество для конкретных прикладных сценариев следует проверять отдельно. Модель принимает только текст и выдаёт оценки вариантов и вероятности. README указывает обучение Qwen3-0.6B-Base с LoRA на открытом наборе jaredpalmer/kev-suites с последующим слиянием адаптера с базой. Лицензия модели — MIT; README также указывает Apache-2.0 для базовой модели, набора данных и дизайна pointer head.

GLM-5.3 — текстовая диалоговая модель Z.ai, представленная в репозитории Unsloth. По карточке модели, она использует ту же базовую модель, что и GLM-5.2, а улучшения получены на этапе постобучения. В каталожных метаданных производная отмечена как слияние с zai-org/GLM-5.3 и zai-org/GLM-5.3-BF16; архитектура относится к семейству GLM MoE DSA, размер — 30,4 млрд параметров. Модель предназначена для генерации текста в диалогах, сложного программирования и длительных агентских задач. Карточка сообщает о высоких результатах на тестах кодирования, работы с терминалом, уязвимостей и эксплуатации, но эти результаты не гарантируют аналогичного качества в каждом сценарии. Поддерживаются английский и китайский языки, а контекст составляет до 1 048 576 токенов. Параметр reasoning_effort управляет глубиной рассуждений и принимает значения low, high и max; по умолчанию используется max. Для локального развёртывания перечислены SGLang, vLLM, Transformers, KTransformers, Unsloth и другие среды. Формат файлов — safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.