II.11Кибербезопасность и приватность

Prowl secret encoder — модель классификации текста, разработанная для проекта Prowl. Она оценивает, содержит ли короткий фрагмент кода, конфигурации, журнала, комментария или сообщения учётные данные или другой секрет. Модель основана на DistilBERT multilingual cased и дообучена для бинарной классификации последовательностей; использует библиотеку Transformers, принимает фрагменты длиной до 512 токенов и выдаёт оценку вероятности наличия секрета. Модель предназначена для третьего этапа сканера секретов Prowl: она повышает полноту обнаружения свободно сформулированных и многоязычных секретов, дополняя каскад регулярных выражений и логистическую модель. В описанном ансамбле добавление энкодера повысило полноту с 0,848 до 0,970 на ProwlBench при снижении точности с 0,974 до 0,971; на отдельных каналах приводятся высокие показатели полноты. Поддерживаются английский, немецкий, французский, испанский и русский языки. Это не самостоятельный сканер: результат относится ко всему фрагменту и не указывает точное положение или тип секрета. Авторы предостерегают от использования модели как отдельного точного фильтра; тип секрета и локализацию определяют другие компоненты Prowl. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

RavenX-CyberAgent — разговорная модель для задач кибербезопасности, разработанная RavenX LLC. Это дообученная модель семейства Qwen3.6 с архитектурой MoE: около 34,66 млрд параметров всего и примерно 3 млрд активных на токен; в README также заявлены 256 экспертов, из которых активируются 8. Модель рассчитана на работу через MLX и ориентирована на Apple Silicon. Модель предназначена для оценки безопасности, тестирования на проникновение, поиска уязвимостей и подготовки отчётов. Она обучена следовать шестишаговому протоколу RATH и формировать оценки CVSS, CWE, сопоставления с MITRE ATT&CK и стандартами соответствия. Среди заявленных сценариев — вызов инструментов и генерация кода; метаданные подтверждают текстовую генерацию и чат-возможность. README приводит параметр max-tokens 8192 для примера запуска, но не устанавливает нативный размер контекста. Карточка описывает пять раундов обучения на наборах данных по безопасности, агентным сценариям и программированию; заявленные разработчиком масштабы обучения не являются независимой оценкой качества. Метаданные указывают английский язык и лицензию Apache-2.0. Поскольку модель предназначена для кибербезопасности, результаты анализа и сгенерированный код требуют проверки и применения только в разрешённых сценариях.

BSC-LT разработала модель на архитектуре RoBERTa для выявления чувствительных сущностей в пользовательских текстах на испанском и каталанском языках. Она размечает последовательности токенов, выделяя организации (ORG), людей (PER) и места (LOC), чтобы использовать эти данные для последующей анонимизации. Модель рассчитана на работу в составе AnonymizationPipeline от BSC, но её можно применять и отдельно. Модель содержит 151,8 млн параметров, принимает текст и имеет контекстное окно до 514 токенов. В README приведены оценки ENTS_F 90,03, ENTS_P 89,7 и ENTS_R 90,3. Распространяется по лицензии MIT.

schift-io/schift-ko-pii-v5 — модель для обнаружения персональных данных в корейском тексте. По карточке модели, разработчик schift.io; она предназначена для извлечения имён людей и адресов, а пакет schift-ko-pii дополняет её регулярными выражениями для распознавания структурированных данных, включая телефоны, идентификаторы и даты. Модель можно использовать для поиска и маскирования чувствительных фрагментов в тексте и файлах. Это компактный двунаправленный токен-классификатор семейства LFM2 с гибридной архитектурой свёрточных и attention-слоёв: 6 слоёв, скрытый размер 512, линейная голова на 33 метки и разметка BIES. В репозитории указаны 32,9 млн параметров в метаданных и 34 млн в README; веса safetensors занимают 136 МБ. Используется токенизатор klue/roberta-base. Метаданные указывают контекст 8192 токена, тогда как README задаёт предел обработки 512 токенов. Модель ориентирована на корейский язык; также в примерах карточки есть имена на ханча и иностранных языках. В бенчмарке README для модели приведены F1=0,578, точность 0,847 и полнота 0,439 без постобработки; показатели гибридного варианта с SDK включают regex-постобработку и не характеризуют одни только веса. Для использования непосредственно через Transformers README требует trust_remote_code=True. Лицензия в метаданных обозначена как other, без уточнения условий.

schift-io/schift-ko-pii-v7 — корейская модель для обнаружения персональных данных, разработанная Schift. Она выполняет токенную классификацию и размечает упоминания людей и адресов; модель предназначена для выявления таких фрагментов в тексте перед проверкой или маскированием. В README описан рабочий процесс, в котором отдельная политика определяет, какие найденные фрагменты блокировать, отправлять на проверку или оставлять без изменений. Это плотный энкодер семейства LFM2 с 32,9 млн параметров и контекстом 8192 токена по метаданным. Архитектура использует общие нижние слои и независимо дообученные верхние ветви для людей и адресов; веса опубликованы в формате safetensors. README указывает максимальную длину обработки 512 токенов. Модель рассчитана на корейский язык. Для практического использования предусмотрена загрузка через специальный hydra loader на базе Transformers и PyTorch. В поставку входят только распознаватели людей и адресов. Поддержка организаций отложена; расширенные профили идентификаторов и контекстных атрибутов доступны через отдельный адаптер пакета. Модель принимает текст, а результат представляет собой токенные метки и найденные фрагменты; извлечение текста из файлов документов выполняется отдельно. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории модели.

SecGPT — специализированная диалоговая языковая модель компании 云起无垠 для задач кибербезопасности. Репозиторий содержит дообученную на базе Qwen2.5-14B-Instruct модель с плотной архитектурой Qwen2, 14 млрд параметров и контекстом до 32 768 токенов. Она принимает текстовые запросы и генерирует текстовые ответы; в карточке заявлена поддержка китайского и английского языков. Модель предназначена для анализа уязвимостей и кода, разбора команд и скриптов, ответов на вопросы по безопасности, анализа журналов и сетевого трафика, извлечения IOC и помощи при расследовании инцидентов. Также карточка описывает сценарии поддержки красных и синих команд, включая анализ атак и подготовку рекомендаций. Указаны обучение на наборах задач безопасности и возможность развертывания через vLLM. Карточка заявляет об обучении на сочетании данных по кибербезопасности и инструкционном дообучении с последующим обучением с подкреплением, однако подробности этого репозитория и заявленные результаты оценки описаны неполно. Ответы модели могут содержать ошибки и требуют проверки специалистом, особенно при анализе угроз и рекомендациях по устранению уязвимостей. Лицензия — Apache-2.0.

Tini-Cybersec-8B-A1B — дообученная модель разработчика iselabvn на базе LiquidAI/LFM2.5-8B-A1B для задач кибербезопасности. Это диалоговая языковая модель с архитектурой MoE; в репозитории опубликованы веса Safetensors. Модель настроена на анализ безопасности, моделирование угроз и оценку уязвимостей, а также на пошаговые ответы и рассуждения. В обучающую выборку, согласно карточке, вошли 185 002 записи, преимущественно по кибербезопасности, с дополнительными примерами рассуждений. Модель принимает текстовые запросы и генерирует текстовые ответы; метаданные указывают поддержку английского языка, интерфейс чата и вызова инструментов. Контекст — до 128 000 токенов. Карточка приводит пример использования для объяснения SQL-инъекций и способов защиты. Модель может быть полезна специалистам и обучающимся при разборе защитных сценариев и уязвимостей, но точность и безопасность ответов требуют проверки, особенно перед применением рекомендаций в рабочих системах. Лицензия — Apache-2.0.

halilneed выпустил турецкоязычную модель для обнаружения и маскирования персональных данных в тексте по инструкции. Она построена на Gemma 3 Text, содержит около 257 млн параметров по метаданным и принимает текст вместе с инструкцией на турецком языке. Модель генерирует преобразованный текст, заменяя выбранные типы персональных данных метками; можно маскировать все данные, только заданные поля или все поля, кроме перечисленных. Она не возвращает NER-метки, фрагменты или смещения символов. Модель предназначена для подготовки турецких обращений в поддержку, журналов приложений и выдержек из документов перед передачей в LLM или другую систему. Контекст модели — до 32 768 токенов. В опубликованной оценке на 1 000 синтетических примерах точное совпадение целой строки составило 0,944; этот показатель не гарантирует обнаружение всех персональных данных в реальных документах. Лицензия — Gemma Terms of Use.

Карточка модели 0xSojalSec/Uncensored-Cyber-Ornith-1.5-9B на Hugging Face совпадает с карточкой DuoNeural/Cyber-Ornith-1.5-9B-OBLITERATED, поэтому описание составлено по ней. Cyber-Ornith-1.5-9B-OBLITERATED — языковая модель DuoNeural для задач кибербезопасности, работы в терминале и вызова инструментов. Это дообученная версия OBLITERATUS/Ornith-1.5-9B-OBLITERATED на плотной архитектуре Qwen3.5 с 7,2 млрд параметров; модель доступна в формате safetensors и рассчитана на контекст до 262 144 токенов. В карточке заявлены QLoRA-адаптация, сохранение режима рассуждений и поддержка диалоговой работы с инструментами. Модель предназначена для анализа уязвимостей и угроз, помощи при аудите безопасности, подготовки исправлений, выполнения многошаговых задач в CLI и структурированного вызова функций. Она ориентирована на англоязычные запросы и обучалась в том числе на данных по кибербезопасности, командной строке и использованию инструментов. Разработчик приводит результаты внутренних оценок, но их нельзя считать независимой гарантией качества. Модель обозначена как uncensored; её ответы на запросы безопасности требуют проверки и контроля со стороны пользователя. Лицензия — Apache-2.0.

CrabInHoney/urlbert-tiny-v5 — компактный энкодер на архитектуре DistilBERT, обученный для получения 768-мерных эмбеддингов текста с URL. Модель содержит около 58,2 млн параметров, имеет 6 слоёв, 12 голов внимания и контекст до 512 токенов; веса опубликованы в формате safetensors. По README, обучение включало задачи masked language modeling, генерации текста, токеновой разметки и многоклассовой классификации; автор также предоставляет семь классификационных голов для отдельных наборов данных, при этом веса энкодера заморожены при обучении этих голов. Модель предназначена для извлечения признаков из URL и окружающего текста, в том числе для последующей классификации фишинга, вредоносных ссылок, спама и других категорий. В README приведены высокие результаты отдельных голов на их тестовых наборах, однако они не гарантируют такую же точность на новых данных. Поддерживаемый язык карточки — английский; лицензия — Apache-2.0.

dangvansam/vietnamese-prompt-injection — классификатор prompt injection, разработанный путём дообучения модели Protect AI для проверки текстовых запросов к приложениям на базе LLM. Он относит входной текст к одному из двух классов: SAFE или INJECTION; версия предназначена для обнаружения атак на вьетнамском языке в запросах к ассистентам общего назначения, сохраняя поддержку английского из базовой модели. Модель основана на DeBERTa-v2, содержит 211,6 млн параметров и принимает текст длиной до 512 токенов. Модель можно использовать как этап фильтрации пользовательских запросов и другого текста перед передачей LLM. В README приведены сведения об обучающей выборке из 15 111 примеров и отложенной оценке на 1 370 примерах; на нескольких вьетнамских наборах безвредных запросов при пороге 0,5 указана частота ложных срабатываний 0%. Эти результаты относятся к описанным наборам и не гарантируют такую же точность на новых данных. Модель распространяется по лицензии MIT.

VulnLLM-R-7B — специализированная языковая модель Virtue-AI-HUB для поиска уязвимостей в исходном коде. Это дообученная версия Qwen/Qwen2.5-7B-Instruct с плотной архитектурой Qwen2 и 7,1 млрд параметров; модель принимает текст и генерирует анализ кода с объяснением возможной уязвимости. В карточке заявлена поддержка C, C++, Python и Java, а контекст составляет 32 768 токенов. Модель предназначена для анализа потоков данных и управления, контекста безопасности и выявления сложных логических уязвимостей. Её можно применять при аудите кода и проверке на уязвимости; карточка сообщает о тестировании на PrimeVul, Juliet 1.3 и ARVO и заявляет высокие результаты, но не приводит сами метрики. Модель не заменяет проверку специалистом: качество вывода для конкретного кода и среды может различаться. Лицензия — Apache-2.0.

Mungert/VulnLLM-R-7B-GGUF — GGUF-квантизированная версия специализированной языковой модели VulnLLM-R-7B, разработанной исследовательской группой UCSB-SURFI на базе Qwen/Qwen2.5-7B-Instruct. Модель предназначена для обнаружения уязвимостей и анализа безопасности исходного кода с использованием пошагового рассуждения о потоках данных, управления и контексте безопасности. Модель ориентирована на анализ кода на C, C++, Python и Java, включая выявление сложных логических уязвимостей, которые могут быть трудно обнаружить простыми шаблонными проверками. Она поддерживает текстовый ввод и генерацию текстовых ответов с объяснением причин обнаружения уязвимости. Размер модели составляет 7B параметров; точный размер контекста для этой GGUF-версии в README не указан. Квантизация выполнена с помощью llama.cpp, при этом для отдельных важных слоёв применялось повышение точности сверх стандартной конфигурации IMatrix, что увеличивает размер файла, но может улучшать точность при низкой разрядности. К сильным сторонам относятся специализация на анализе уязвимостей, способность объяснять ход рассуждений и сравнительно небольшие требования к ресурсам по сравнению с крупными reasoning-моделями. В README заявлены высокие результаты на бенчмарках PrimeVul, Juliet 1.3 и ARVO, однако конкретные метрики не приведены. Ограничения включают зависимость качества от выбранного уровня квантизации и отсутствие гарантии корректности результатов, поэтому модель следует использовать как вспомогательный инструмент аудита, а не как единственный механизм проверки безопасности. В метаданных указана лицензия Apache-2.0.

abhishtagatya/wavlm-base-960h-itw-deepfake — дообученная модель Microsoft WavLM Base для классификации аудио с целью выявления синтетической или поддельной речи. Она построена на архитектуре WavLMForSequenceClassification и содержит 113,3 млн параметров; исходная модель — microsoft/wavlm-base. Карточка приводит результаты на оценочном наборе: accuracy 0,9896, FAR 0,0080, FRR 0,0144 и EER 0,0112. Модель предназначена для проверки аудиозаписей и определения, является ли речь настоящей или подделанной. Для работы принимает аудио и выдаёт метку классификации. Датасет обучения и подробные условия оценки не описаны, поэтому приведённые метрики не гарантируют аналогичного качества на других данных. В метаданных указана лицензия не была; условия использования требуют проверки на странице репозитория.

MutazYoune/Arabic-NER-PII — модель на основе BERT, разработанная для выявления персональных данных в арабском тексте. Она дообучена на MutazYoune/ARAB_BERT для классификации токенов и предназначена для разметки фрагментов текста с адресами электронной почты, телефонными номерами, IP-адресами и структурированными идентификаторами. Модель содержит 136,3 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. Модель создана для задач обнаружения и последующего удаления или маскирования PII в арабских текстах, в том числе в сценариях обработки пользовательских данных. В карточке указаны результаты участия в Maqsam Arabic PII Redaction Challenge: итоговый балл 0,5341, точное F1 0,024 и частичное F1 0,534. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Основные ограничения — низкое качество точного определения границ сущностей, ограниченное покрытие диалектов (обучение преимущественно на современном литературном арабском) и возможные ошибки при контекстно-зависимом распознавании PII.

gpancardo/beto-pii — дообученная модель BETO для обнаружения и классификации персональных данных в испанском тексте. Она использует архитектуру BERT-base для классификации токенов и BIO-разметку с 24 типами PII; в метаданных указано 137,1 млн параметров, а контекстное окно составляет 512 токенов. Модель предназначена для поиска фрагментов с именами, адресами, телефонами, электронной почтой, идентификаторами и финансовыми данными, например для их маскирования, анонимизации или удаления. Модель разработана как испаноязычный энкодер для исследовательского сравнения подходов к обнаружению PII. Её можно применять к отдельным документам или пакетам текстов и подключать через Transformers pipeline. Она обучена на испанской части синтетического набора ai4privacy/pii-masking-200k; адаптация BETO к испанскому может помогать распознавать особенности испанских имён и документов. Лицензия — MIT. Модель рассчитана на испанский язык, хуже подходит для текстов без контекста и не проверялась на устойчивость к намеренной обфускации и опечаткам. Синтетические обучающие данные могут отличаться от реальных текстов, поэтому качество на реальных данных может меняться; для длинных документов README рекомендует разбиение на фрагменты.

CYBER-FROST-3.8-BF16 — модель Blackfrost-AI, дообученная на базе Qwen/Qwen3.8-Flash-Next для работы специалистов по информационной безопасности. Это диалоговая модель с архитектурой Qwen4ExpForConditionalGeneration; выпущена в формате BF16 SafeTensors и работает через Transformers. Для загрузки не требуется отдельный родительский чекпойнт. В карточке также указаны интерфейс вызова инструментов и назначение для агентных сценариев. Модель предназначена для авторизованных задач: анализа уязвимостей, проверки защищённости приложений и API, анализа вредоносного ПО, реагирования на инциденты, ревью кода, разработки средств обнаружения и контролируемых red-team и purple-team упражнений. Разработчик сообщает о дообучении на специализированном корпусе безопасности, но не публикует его объём и подробный состав. Хотя конфигурация включает компонент обработки изображений, мультимодальное качество не оценивалось; основной подтверждённый сценарий — текстовая генерация. Лицензия обозначена как other; README указывает, что в релиз включена лицензия базовой модели, но её условия здесь не раскрыты. Ответы модели могут быть ошибочными, неполными или устаревшими, а снижение избыточных отказов повышает риск выдачи опасных рекомендаций. Модель не проверяет наличие разрешения на тестирование и не заменяет изоляцию, контроль доступа и проверку специалистом; карточка не подтверждает производственную готовность или всестороннюю компетентность в кибербезопасности.

Карточка модели YoungHungGayGymBoy/Cyber-Prime-1-2.6B на Hugging Face совпадает с карточкой Akahsizrr/Cyber-Prime-1-2.6B, поэтому описание составлено по ней. Cyber-Prime 1 — компактная языковая модель для задач кибербезопасности, созданная разработчиком репозитория на основе LiquidAI/LFM2-2.6B. Это плотная авторегрессионная модель с 2,6 млрд параметров; для работы с текстом заявлено контекстное окно до 131 072 токенов. Модель дообучена на примерах извлечения сущностей, анализа HTTP-запросов, классификации писем и краткого изложения новостей об угрозах. Она предназначена для извлечения кибербезопасностных сущностей в структурированный формат, выявления атак вроде XSS, SQL-инъекций и обхода путей, классификации писем как фишинговых или безопасных, а также суммаризации разведывательной информации об угрозах. В карточке описаны прямой режим для классификации и суммаризации и режим рассуждений для некоторых задач анализа и извлечения. Автор приводит результаты оценки на CyberBench, но модель обозначена как исследовательский артефакт, а не готовое средство защиты; среди ограничений указаны более слабые результаты на широких задачах знаний и риск пропуска тонких инъекций. Для модели указана лицензия Apache-2.0. В README встречается расхождение в названии базовой версии (LFM2 и LFM2.5), поэтому в качестве базовой модели приведён идентификатор из метаданных Hugging Face.

Модель Vanessasml/cyber-risk-llama-3-8b-instruct-sft — дообученная с помощью SFT и LoRA версия Meta Llama 3 8B Instruct, созданная для анализа кибербезопасности. Она генерирует текст в диалоговом формате и предназначена для специалистов по данным и разработчиков систем кибербезопасности. Модель помогает анализировать новости о кибербезопасности, выявлять киберугрозы и классифицировать данные по таксономии NIST и IT-рискам согласно рекомендациям EBA для ITC. Архитектура — плотная LlamaForCausalLM с 7,5 млрд параметров и контекстом до 8192 токенов. В README описано обучение с 4-битной точностью NF4, вычислениями float16 и LoRA; в репозитории указаны веса safetensors. Качество оценивалось качественно по релевантности и связности ответов в контексте кибербезопасности. Модель может хуже справляться с задачами вне этой области и наследует возможные смещения обучающих данных. README предостерегает от использования для медицинских советов, юридических решений и систем, критичных для жизни. Лицензия в предоставленных данных не указана.

Карточка модели lablab-ai-amd-developer-hackathon/CyberSecQwen-4B на Hugging Face совпадает с карточкой athena129/CyberSecQwen-4B, поэтому описание составлено по ней. CyberSecQwen-4B — языковая модель для защитных задач кибербезопасности, разработанная как проект для AMD Developer Hackathon и дообученная на основе Qwen/Qwen3-4B-Instruct-2507. Она предназначена прежде всего для классификации описаний уязвимостей по категориям CWE и ответов на вопросы по киберразведке (CTI); также может помогать аналитикам при первичной сортировке CVE и подготовке материалов о киберугрозах. Модель построена на архитектуре Qwen3, содержит около 3,7 млрд параметров и принимает текст, формируя текстовые ответы. В карточке указано контекстное окно до 262 144 токенов; при этом описанный тренировочный контекст составлял 4096 токенов. Модель рассчитана на английский язык. По заявленным оценкам, она конкурентоспособна на тестах CTI-RCM и CTI-MCQ, однако результаты не гарантируют точность на данных конкретной организации. Модель специализирована на кибербезопасности и может хуже справляться с общими задачами и классификацией новых типов уязвимостей, недостаточно представленных в обучающих данных. Обучение и оценка проводились на англоязычных данных; формального выравнивания безопасности с помощью RLHF не проводилось, поэтому результаты требуют проверки специалистом. Лицензия — Apache-2.0.

Andou2yu/deep-attackg-cross-encoder — дообученная модель cross-encoder на базе cross-encoder/ms-marco-MiniLM-L6-v2, созданная с помощью библиотеки Sentence Transformers. Она оценивает пары текстов и выдаёт один числовой балл, который используют для ранжирования документов относительно запроса и семантического поиска. В README указано обучение на 42 906 парах текстов; примеры и состав данных относятся к описаниям кибератак и вредоносной активности, поэтому модель ориентирована на поиск и сопоставление материалов по кибербезопасности. Модель построена на архитектуре BERT и содержит 25,9 млн параметров. Максимальная длина последовательности — 512 токенов. Для оценки релевантности она принимает пару текстов, обрабатываемую совместно, и возвращает скалярную оценку; формат весов — safetensors. Лицензия и поддерживаемые языки в предоставленных сведениях не обозначены. Результаты зависят от обучающих данных, а ограничение длины может требовать сокращения длинных текстов.

Адаптивный классификатор электронной почты, созданный на базе answerdotai/ModernBERT-base. Он предназначен для распределения писем по четырём классам: легитимные, фишинговые, спам и подозрительные. Модель поддерживает непрерывное обучение с добавлением классов и обновлением прототипов по мере поступления примеров. В карточке указаны 20 обучающих примеров — по пять на класс — и размерность эмбеддингов 768. Модель принимает текст и выдаёт метку класса. Распространяется по лицензии Apache-2.0. Качество классификации ограничено малым числом примеров: для каждого класса требуется не менее трёх примеров, а максимальное число составляет 150. Прототипы обновляются каждые десять примеров.

Gemma-4-26B-A4B Sigma Rule Generator — модель SASVA AI Model Cognition Labs на базе google/gemma-4-26B-A4B-it, дообученная с QLoRA и опубликованная в виде слитых весов bf16; доступен также адаптер LoRA. Она создаёт черновики правил обнаружения Sigma в YAML по текстовому требованию, при необходимости учитывая источник журналов, идентификаторы MITRE ATT&CK и известные ложные срабатывания. Предназначена для помощи инженерам по обнаружению угроз: результат нужно проверить в pySigma и адаптировать перед применением. В проверке на 375 отложенных правилах 69% генераций разбирались как корректные правила Sigma через pySigma; 25% генераций не завершались, а оценка ROUGE-L измеряет сходство формулировок, но не точность обнаружения. Качество зависит от заданного в карточке формата запроса. Модель принимает текст и выдаёт текст YAML. Лицензия — Apache-2.0.

ressl/gemma-4-31B-it-uncensored-GGUF — квантизированная GGUF-версия модели gemma-4-31B-it-uncensored, основанной на Google Gemma 4 31B-it. Формат подготовлен Robert Ressl для запуска через llama.cpp, Ollama и LM Studio; разработчик базовой модели — Google, а адаптация, «uncensored»/abliterated-обработка, конвертация и валидация выполнены Robert Ressl. Модель предназначена для генерации текста, диалоговых задач, локального запуска и сценариев, где требуется ассистент с минимальным количеством отказов, включая этичный анализ безопасности, исследование уязвимостей, анализ вредоносного и exploit-кода, написание правил обнаружения и red-teaming. GGUF-репозиторий является текстовым: мультимодальная vision-компонента удалена. Заявлены английский и немецкий языки. Модель поддерживает режим рассуждений, включаемый по умолчанию в llama.cpp; для прямых ответов его можно отключить. Доступны квантизации от q8_0 до q2_k размером примерно от 31 до 12 ГБ; q4_k_m указан как рекомендуемый баланс качества и размера. Меньшие квантизации снижают требования к памяти, но могут ухудшать качество. README сообщает о 0 эффективных отказов в большинстве уровней квантизации и о скорости около 75 токенов в секунду для q4 на одной RTX PRO 6000, однако эти показатели зависят от среды и методики тестирования. Максимальная длина контекста и архитектурные детали не указаны. Модель распространяется по Apache License 2.0, унаследованной от базовой модели Google Gemma 4; использование должно соответствовать условиям этой лицензии и применимому законодательству.

GPT-OSS-Cybersecurity-20B-Merged — дообученная и объединённая с базовыми весами модель на основе openai/gpt-oss-20b, подготовленная для задач кибербезопасности. Модель разработал автор репозитория sainikhiljuluri2015; она использует архитектуру Mixture of Experts (MoE) и доступна в формате Safetensors. В README указаны 21 млрд параметров и 3,6 млрд активных параметров, а метаданные каталога — 1,6 млрд параметров; это расхождение не позволяет однозначно подтвердить размер. Контекст — до 131 072 токенов. Модель предназначена для диалоговых инструкций по анализу угроз, сортировке оповещений безопасности, реагированию на инциденты, анализу вредоносного ПО, сопоставлению с MITRE ATT&CK, оценке уязвимостей, обнаружению SQL-инъекций и анализу фишинга. Для обучения использованы датасеты Trendyol Cybersecurity, Fenrir v2.0 и Primus-Instruct; метаданные указывают английский язык. Требования, приведённые в README, — GPU с 40 ГБ видеопамяти или более для BF16; для менее мощных GPU предлагается 4-битная квантизация. Лицензия — Apache-2.0. Ответы модели по безопасности могут быть неточными и требуют проверки специалистом; карточка не приводит результатов оценки качества или проверок на устойчивость.

abhishtagatya/hubert-base-960h-itw-deepfake — модель классификации аудио, созданная дообучением facebook/hubert-base-ls960. Она предназначена для обнаружения поддельной или синтезированной речи и классификации аудиозаписей; в карточке приведены результаты оценки: accuracy 0,9873 и EER 0,0143. Модель использует архитектуру HuBERT для классификации последовательности и содержит 113,3 млн параметров. В метаданных указан английский язык и лицензия Apache-2.0. Датасет, на котором модель дообучалась, не назван, а сведения о предполагаемом применении и ограничениях в карточке отсутствуют.

Iron Jean WAF — англоязычный классификатор HTTP-запросов, разработанный Franck ANDRIANO для обнаружения вредоносных payload в веб-трафике. Модель дообучена на ModernBERT-base и классифицирует запросы как безопасные или атакующие; она предназначена для inline-фильтрации на API-шлюзах и в серверных приложениях, в том числе для выявления SQL-инъекций, XSS и Path Traversal. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8192 токенов. Для работы запрос нужно представить в заданной разметке с полями METHOD, URI, HEADERS и, при наличии, BODY; сырые сетевые байты не подходят. В репозитории доступны веса safetensors и варианты ONNX, включая INT8 для CPU и FP16 для GPU. Автор сообщает об оценке на наборе из 84 221 HTTP-запроса, однако описанное внесение шума и инверсия меток в обучающие данные затрудняют интерпретацию приведённых метрик. Модель рассчитана на HTTP-трафик в форматах JSON, XML и URL-encoded и не предназначена для общих языковых задач. Лицензия — Apache-2.0.

madhurjindal/Jailbreak-Detector — дообученная модель классификации текста для выявления попыток обхода ограничений и манипуляций в пользовательских запросах к ИИ. Она разработана для защиты языковых моделей, чат-ботов и API-шлюзов, а также для фильтрации контента. Модель присваивает входному тексту одну из двух меток: «Jailbreak» или «Benign»; заявленные сценарии включают обнаружение prompt injection, ролевых эксплойтов, попыток отключить фильтры и скрытых команд. Архитектура указана в метаданных как DistilBERT с классификационной головой; размер — около 280 млн параметров по README, контекст — до 512 токенов. README сообщает о дообучении через AutoTrain и приводит метрики на валидации: F1 0,961 и accuracy 0,976. В карточке есть противоречие: README называет базой Microsoft mDeBERTa-v3-base, тогда как метаданные указывают distilbert/distilbert-base-cased, поэтому точная базовая модель неясна. Язык карточки и тегов — английский; практические результаты могут зависеть от данных и типов атак, представленных при обучении. Лицензия — MIT.

jcordon5/Mistral-7B-cybersecurity-rules — дообученная модель семейства Mistral, разработанная на основе Mistral-7B-Instruct-v0.2. Она содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и предназначена для генерации правил обнаружения угроз и вторжений. Модель обучали на 950 правилах из репозиториев SIGMA, YARA и Suricata, а README также указывает на дистилляцию знаний от 0dAI-7.5B. Модель принимает текстовые инструкции и генерирует текстовые правила: например, SIGMA для выявления подозрительных команд в системных журналах, Suricata для обнаружения SSH-брутфорса и YARA для поиска обфусцированных строк в файлах. Заявленное контекстное окно составляет 32 768 токенов; доступны веса safetensors и чат-возможность. Модель рассчитана на помощь в подготовке правил для систем кибербезопасности, но сгенерированные правила требуют проверки и испытания в целевой среде. README не приводит результатов оценки качества. Лицензия — Apache-2.0.

Это дообученная модель BERT Large Uncased от разработчика shubhamgantayat для классификации токенов. По названию модели она предназначена для обнаружения персональных данных (PII) в тексте; README не раскрывает метки, данные обучения или подробности оценки, поэтому точный перечень распознаваемых типов данных установить нельзя. Модель принимает текст и выдаёт метки для отдельных токенов. Модель содержит 433,9 млн параметров, использует архитектуру BertForTokenClassification и контекст длиной до 512 токенов. Базовая модель ориентирована на английский язык; отдельные сведения о языках обучения и оценки этой версии не приведены. Доступна в формате safetensors. Лицензия — Apache-2.0. README не описывает ограничения и рекомендуемые сценарии использования; качество распознавания и применимость к конкретным типам PII следует оценивать на целевых данных.