II.4Отладка, тестирование и качество ПО

Agent Guard ModernBERT-base V3.2 — англоязычный классификатор от dannyliv для обнаружения prompt injection, jailbreak и связанных атак на LLM-агентов. Модель дообучена на answerdotai/ModernBERT-base; это плотная encoder-only архитектура ModernBERT с 149 млн параметров и контекстом до 8192 токенов. Она присваивает недоверенному тексту оценки по классам атак и предназначена для проверки пользовательских запросов, веб-страниц, писем, результатов инструментов и фрагментов RAG до передачи этих данных языковой модели. Модель рассчитана на защитный фильтр в приложениях с LLM и агентами; заявлена совместимость с Transformers и ONNX. В README для версии V3.2 указаны F1 0,834 на JBB-Behaviors и частота ложных срабатываний 3,2% при пороге 0,5; свежие адаптивные white-box GCG-атаки всё ещё могут обходить сам классификатор. Лицензия — Apache-2.0.

mangalathkedar/ausf-deberta-prompt-injection-v1 — англоязычный классификатор инъекций в промпты для App Security Gateway (AUSF), дообученный на базе ProtectAI/deberta-v3-base-prompt-injection-v2. Модель использует архитектуру DeBERTa-v3-base с классификационной головой, содержит 211,6 млн параметров и принимает текст длиной до 512 токенов. Репозиторий включает форматы Safetensors и ONNX. Классификатор предназначен для выявления прямых и состязательных инъекций, включая попытки обхода с помощью Base64, а также для фильтрации запросов перед передачей их языковой модели. В README заявлены показатели 99,5% обнаружения Base64-инъекций на синтетическом наборе и F1 0,694 на тестовом наборе deepset/prompt-injections; это результаты авторской оценки, а не гарантия качества в других условиях. Модель рассчитана на английский язык и выпущена под лицензией Apache-2.0. В опубликованной оценке синтетического набора указаны заметные ложные срабатывания: 19,2% в целом и 18,8% на сложных отрицательных примерах. Для защиты приложения её следует оценивать на собственных данных и учитывать длину входа до 512 токенов.

Модель tmdeptrai3012/bamiBERT-prompt-injection-vi-en разработана на основе Qualcomm-AI-Research/BamiBERT и дообучена для обнаружения prompt injection в пользовательском тексте. Она предназначена для классификации текста на вьетнамском, английском и их смешении, например для проверки пользовательских сообщений перед передачей их LLM. Модель построена на архитектуре RoBERTa, содержит 129 млн параметров и рассчитана на контекст до 2050 токенов. В README сообщаются результаты оценки: accuracy 0,97 и F1 0,9691; эти значения относятся к указанному набору оценки и не гарантируют такую же точность на других данных. Репозиторий включает веса Safetensors и формат ONNX. Лицензия — Apache-2.0.

VidhuMathur/bart-log-summarization — модель для абстрактивного суммирования журналов событий программного обеспечения. Автор дообучил BART-base на синтетическом наборе данных, созданном с помощью GPT-3.5. Архитектура BART — трансформер encoder-decoder с двунаправленным энкодером и авторегрессионным декодером; модель содержит 95,2 млн параметров и рассчитана на контекст до 1024 токенов. Модель предназначена для создания кратких пересказов логов, чтобы быстрее выделять основное в записях. Карточка демонстрирует загрузку через Transformers и TensorFlow. Базовый BART обучен для работы с английским текстом; карточка не сообщает о поддержке других языков. Лицензия модели — MIT. В README не приведены оценки качества или сведения о проверке на реальных логах, поэтому пригодность для конкретных форматов журналов стоит оценить на собственных данных.

Elron/bleurt-base-128 — версия BLEURT в формате PyTorch, основанная на оригинальной модели из статьи «BLEURT: Learning Robust Metrics for Text Generation» исследователей Google Research. Это модель семейства BERT с архитектурой BertForSequenceClassification и 136,7 млн параметров; она принимает текстовые последовательности и выдаёт оценку для задачи классификации текста. BLEURT предназначена для оценки качества текстовой генерации, например сравнения сгенерированного текста с эталонным. Контекст модели составляет 512 токенов. Для загрузки используются AutoTokenizer и AutoModelForSequenceClassification из Transformers. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Dark-Pane-i1-GGUF — набор квантованных файлов модели Dark-Pane, базовая модель которой разработана mars2titan. Квантизацию выполнил mradermacher в формате GGUF с использованием imatrix-квантов. Модель относится к семейству Gemma и помечена как экспериментальный исследовательский проект. Модель предназначена для генерации текста, а также для задач анализа отказов, red teaming, исследований безопасности и alignment. README указывает, что это vision-модель, поэтому для работы с изображениями могут потребоваться дополнительные файлы mmproj из статического репозитория. Заявленный язык — английский. Размер модели и контекстное окно не указаны. Доступны варианты квантизации от крайне компактных IQ1 и IQ2 до IQ6_K; объём файлов составляет примерно от 3,1 до 9,9 ГБ. Компромисс между размером, скоростью и качеством зависит от выбранного варианта: README рекомендует Q4_K_M как быстрый вариант, а Q4_K_S называет оптимальным по размеру, скорости и качеству. Низкобитные варианты могут заметно уступать по качеству, а сама модель имеет экспериментальный статус. Лицензия указана как Gemma.

deepset/deberta-v3-base-injection — модель deepset, дообученная на основе microsoft/deberta-v3-base для обнаружения попыток prompt injection. Это классификатор последовательностей на архитектуре DeBERTa-v3 с 211,6 млн параметров и контекстом до 512 токенов. Он относит входной текст к классу INJECTION или LEGIT; в карточке указаны точность 0,9914 и loss 0,0673 на оценочном наборе. Модель предназначена для фильтрации пользовательских запросов и другого текста на предмет попыток вмешательства в инструкции системы. В README отмечено, что набор данных трактует легитимные примеры как вопросы и поисковые запросы по ключевым словам; на реальном трафике возможны ложные срабатывания. Для конкретного применения карточка рекомендует собирать примеры легитимных запросов и дообучать модель. Лицензия — MIT.

Kimi-K2.7-Code-MLX-4bit-hiprec — конверсия модели moonshotai/Kimi-K2.7-Code для MLX на Apple Silicon, опубликованная pipenetwork. Это текстовая модель генерации кода без визуального модуля, основанная на архитектуре DeepSeek-V3-style MoE. Исходная модель содержит около 1 трлн параметров, из которых примерно 32 млрд активируются при обработке запроса. Модель предназначена для генерации и обработки программного кода, например написания Python-кода. Эксперты MoE сохранены в исходном формате int4 с размером группы 32, а attention, shared/dense MLP и lm_head квантизированы до 6 бит с размером группы 64. Средний размер составляет около 5 бит на вес, объём файлов — примерно 600 ГБ. Для запуска требуется около 768 ГБ или более unified memory; на компьютерах с 512 ГБ памяти модель не помещается. Используется через mlx-lm с поддержкой remote code. Преимущество сборки — более высокая точность attention, router, dense-слоёв и lm_head по сравнению с равномерной 4-битной квантизацией при умеренной прибавке к размеру. Ограничения включают отсутствие vision-возможностей, чрезвычайно высокие требования к памяти и отсутствие полноценного тестового запуска издателем: выполнена только проверка целостности файлов, индекса весов, шардов, конфигурации и tokenizer. Модель распространяется по лицензии Kimi K2; подробные условия приведены в файле LICENSE.

Llama Prompt Guard 2 86M — классификатор Meta для защиты приложений на базе LLM от атак на промпты. Он выявляет попытки внедрения инструкций и джейлбрейка, помечая входной текст как доброкачественный или вредоносный. Модель построена на архитектуре mDeBERTa-base и содержит 306 млн параметров. Она принимает текстовые последовательности длиной до 512 токенов и предназначена для многоязычной проверки; оценка проводилась для английского, французского, немецкого, хинди, итальянского, португальского, испанского и тайского языков. Классификатор можно использовать как фильтр перед передачей пользовательских запросов и недоверенных фрагментов контекста в LLM, в том числе в агентных системах. Он распознаёт явные известные шаблоны атак, а не оценивает общую вредоносность текста или вероятность успеха атаки. README сообщает об улучшении точности на данных вне обучающего распределения и устойчивой токенизации. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

gbv разработала mDeBERTa Russian Prompt-Injection Detector v16 — двоичную модель классификации текста на базе DeBERTa-v2 с 306 млн параметров. Она дообучена от версии V13 для обнаружения prompt injection, jailbreak, переопределения инструкций и попыток извлечь системные сообщения в русском и смешанном русско-английском тексте. Модель выдаёт вероятность класса prompt_injection; для длинных документов рекомендуется оценивать перекрывающиеся окна текста и брать максимальную вероятность по окнам. Родительская модель обучалась с классификатором, pooler и последними четырьмя слоями энкодера; длина контекста — 512 токенов. По оценке на валидационной выборке точность составила 0,9825, precision — 0,9951, recall — 0,9767. Порог 0,99 предложен как диагностический ориентир, а рабочий порог нужно подбирать на данных целевого сценария: результаты по отдельным строкам или окнам не гарантируют качество на целых документах. Ложноположительные срабатывания на безопасных текстах сохраняются, поэтому модель не является самостоятельной границей безопасности; для высокорисковых процессов нужны дополнительные контроли и проверка человеком. Лицензия — MIT.

Mezzo Prompt Guard v2 Base — модель классификации текстов от RyanStudio для выявления попыток prompt injection и различения безопасных и небезопасных сообщений. Она дообучена на FacebookAI/xlm-roberta-base и использует архитектуру XLM-RoBERTa с классификационной головой; размер составляет 305,2 млн параметров, максимальная длина контекста по метаданным — 514 токенов. Модель рассчитана на проверку пользовательских запросов и текстов в многоязычных приложениях, где нужно снизить риск выполнения вредоносных инструкций. В README описаны обучение на примерах инструкций, диалогов и многоязычных наборов данных, а также результаты на нескольких тестах prompt injection. Порог классификации можно настраивать: более высокий порог снижает число ложных срабатываний, а более низкий помогает чаще обнаруживать атаки. Модель может ошибочно помечать безопасный текст как небезопасный, а сложные атаки, не представленные в обучении, могут обходить её. README рекомендует разбивать длинные запросы на фрагменты до 256 токенов. Лицензия — MIT.

hugoomezz/modernbert-ragtruth-token-level-binary — дообученная командой проекта на RAGTruth модель для поиска галлюцинаций в ответах RAG-систем. Она получает контекст и сгенерированный ответ и классифицирует каждый токен ответа как подтверждённый контекстом или галлюцинаторный, что позволяет выделять неподтверждённые фрагменты текста, а не только присваивать ответу общий вердикт. Модель построена на encoder-архитектуре ModernBERT-base, содержит 149 млн параметров и имеет нативную длину контекста 8192 токена; веса опубликованы в формате safetensors. На тестовой выборке RAGTruth модель показала F1 0,7631 для определения наличия галлюцинации в ответе и F1 0,5321 для выделения фрагментов. Она предназначена для исследовательских экспериментов и демонстрации проверки ответов, включая QA, суммаризацию и преобразование данных в текст. Основные ограничения — слабее выявляются ошибки в суммаризациях и тонкие галлюцинации; возможны пропуски и ложные срабатывания на близких перефразировках. Модель не проверена за пределами задач RAGTruth и не гарантирует обнаружение всех неподтверждённых утверждений. Лицензия — MIT.

Nylon V1 — компактная авторская трансформерная модель Абдулварита для генерации текста, диалогов, рассуждений и помощи в инженерных задачах. Согласно карточке, модель создана с нуля и обучалась на инженерных, математических и системных данных, затем прошла настройку на многоходовых инструкциях и оптимизацию предпочтений для кратких и практичных ответов. Модель построена на декодерной архитектуре GPT-2 с 24 слоями, 16 головами внимания и размерностью представлений 1024; размер составляет около 338 млн параметров, контекст — 2048 токенов. Заявлены сценарии чат-общения, написания и анализа кода, а также решения задач по математике и системам. Метаданные указывают английский язык и поддержку генерации текста; опубликованы форматы PyTorch, SafeTensors и GGUF. Модель распространяется по лицензии Apache-2.0. Её небольшой размер удобен для локального запуска, однако контекст ограничен 2048 токенами; заявленные возможности не подкреплены в карточке описанием оценок или бенчмарков.

Qwen2.5-Coder-0.5B-Instruct-MLX-4bit — это компактная инструкционная языковая модель для генерации текста и работы с программным кодом, разработанная Qwen. Данная версия представляет собой 4-битную MLX-квантизацию базовой модели Qwen2.5-Coder-0.5B-Instruct, подготовленную bartowski на основе инструментов mlx-examples. Модель предназначена для запуска на компьютерах Mac с Apple Silicon. Модель ориентирована на задачи программирования и сценарии с code agents, включая генерацию и обработку кода, а также взаимодействие в чат-формате. Заявлена поддержка контекста до 32 000 токенов. В обучении использовалось до 5,5 триллиона токенов, включая исходный код, данные для сопоставления текста и кода и синтетические данные. В README указан английский язык; модальность модели — текстовая. К ключевым преимуществам относятся небольшой размер, сниженное потребление ресурсов благодаря 4-битной квантизации и совместимость с MLX на Apple Silicon, что делает модель подходящей для локального использования. Ограничения связаны с компактным размером 0,5B параметров: по сравнению с более крупными моделями она может уступать им в качестве рассуждений, генерации кода и точности выполнения сложных задач. Как и другие языковые модели, она может выдавать неточные, небезопасные или неподходящие ответы. Модель распространяется по лицензии Apache 2.0. LM Studio не является разработчиком или владельцем модели и не гарантирует её точность, безопасность или пригодность для конкретных задач.

ApolloRaines/Qwen2.5-Coder-7B-Instruct-Jbliterated — экспериментальная доработанная версия Qwen2.5-Coder-7B-Instruct от ApolloRaines. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста в диалоговом и инструкционном форматах; исходная модель ориентирована на задачи с программным кодом. В карточке указано, что изменены все трансформерные слои, а базовый тип данных — bfloat16. Модель принимает текст и выдаёт текст, поддерживает английский и китайский языки, а контекстное окно составляет 32 768 токенов. В README автор описывает её как демонстрацию обработки инструкций и заявляет об изменениях, направленных на более связные ответы и равное отношение к разным формулировкам запросов. Эти заявления не сопровождаются подробными результатами оценки; также автор указывает, что опубликованная версия намеренно ограничена по возможностям и служит proof of concept. Лицензия — Apache-2.0.

Qwen3-4B Code RL Specialist — это специализированная на программировании языковая модель от pb09204048, дообученная на базе Qwen/Qwen3-4B методом группового RL и сохранённая как самостоятельные веса BF16 после объединения адаптера LoRA. Модель имеет плотную архитектуру Qwen3ForCausalLM примерно на 3,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Модель предназначена для генерации кода и решения текстовых задач программирования; её также можно использовать как доменного учителя в экспериментах с многомодельной дистилляцией MOPD. В оценке на 279 задачах из тестового поднабора DeepCoder LiveCodeBench она достигла 24,10% pass@1 против 17,56% у базовой модели. Это результат конкретного протокола оценки, а не гарантия качества на других задачах. Обучение выполнено на подмножествах PrimeIntellect, TACO и LCB v5 из DeepCoder-Preview-Dataset. Чекпойнт остановлен до завершения эпохи, а MOPD-ученик в этом выпуске не обучался и не оценивался. Лицензия — Apache-2.0; для запуска README рекомендует совместимые версии Transformers, PyTorch и Accelerate.

Qwen-AgentWorld-35B-A3B-GGUF — GGUF-представление языковой world model, разработанной командой Qwen и опубликованной Unsloth. Модель предназначена для симуляции агентных сред: по действию агента и истории взаимодействия она прогнозирует следующее состояние среды, используя рассуждения с длинной цепочкой шагов. Обучение проходило в три этапа: continual pre-training, supervised fine-tuning и reinforcement learning с GSPO, причём моделирование среды было основной целью начиная с этапа CPT. Модель охватывает семь доменов: MCP и вызов инструментов, поиск, терминал, software engineering, Android, Web и OS. Она работает с текстовыми и графическими средами и рассчитана на создание агентных систем, тестирование поведения инструментов, программных интерфейсов и пользовательских сценариев. Заявлена способность к обобщению на среды, отсутствующие в обучении, управляемым возмущениям и построению вымышленных миров. Это causal language model на базе Qwen3.5-35B-A3B-Base с архитектурой MoE: всего 35 млрд параметров, из которых активируются 3 млрд. Модель содержит 40 слоёв, 256 экспертов, 8 маршрутизируемых и 1 общий активный эксперт, а контекст поддерживает до 262 144 токенов. В README не указаны отдельные языки, кроме того, что модель является языковой; конкретные ограничения по качеству, аппаратным требованиям и поддерживаемым GUI-протоколам также не приведены. Результаты AgentWorldBench показывают неодинаковую эффективность в разных доменах, поэтому модель следует рассматривать прежде всего как симулятор агентных сред, а не как универсальную модель для любых задач. Распространение указано по лицензии Apache 2.0. В README также отмечено, что в обучении не использовались выходы внешних API-сервисов.

RavenGuard-Gen — компактная мультиязычная модель Netis AI для проверки безопасности запросов и ответов LLM-агентов. Это плотная авторегрессионная языковая модель семейства RavenGuard с архитектурой RavenGuardForCausalLM, построенная на Netis Amniota, обученной с нуля; размер модели — около 0,8 млрд параметров. Для работы используется Transformers и формат весов safetensors. Модель анализирует запрос или полный ответ и генерирует структурированный блок с решением, риском, уровнем серьёзности, категориями и признаком отказа. Её применяют как фильтр перед передачей запроса основному агенту и как проверку ответа перед показом пользователю. В карточке заявлена поддержка 18 языков; каталог подтверждает языковые теги для 17 из них. Контекстное окно в доступных данных не указано. В опубликованных карточкой оценках модель показывает высокую точность и заметный отзыв на китайском наборе; на мультиязычном наборе у неё более высокий FPR, чем у некоторых крупных базовых систем. Это компактная проверка целого запроса или ответа, а не потоковая остановка генерации по токенам. Для запуска README требует attention backend SDPA и указывает на необходимость batch size 1, поскольку обработка attention_mask в поставляемом forward пока не реализована. Лицензия — Apache-2.0.

RavenX × Gemma 4 12B MTP OBLITERATED — экспериментальная модель сообщества RavenX на архитектуре Gemma4 Unified с MTP-головами. Это дообученная версия OBLITERATUS/Gemma-4-12B-OBLITERATED, рассчитанная на запуск через MLX на компьютерах Apple Silicon; репозиторий содержит веса SafeTensors. В карточке заявлены структурированное многоэтапное рассуждение в задачах программирования, математики и анализа, а также чат-взаимодействие. Модель представлена как proof of concept с экспериментальной методикой обучения, подробности которой не раскрыты. Базовая модель описана как abliterated, то есть с удалёнными фильтрами отказа; ответы поэтому могут требовать дополнительной проверки и осторожной настройки применения. Лицензия указана как other, конкретные условия в доступных сведениях не приведены.

Samantha-1.11-CodeLlama-34b — диалоговая модель на основе CodeLlama-34B, дообученная Эриком Хартфордом на 6 000 специально отобранных диалогов в формате ShareGPT/Vicuna. Она предназначена для генерации кода, помощи с домашними заданиями и общения в роли персонального собеседника; в обучении также использовались темы философии, психологии и личных отношений. Модель содержит 33,5 млрд параметров, использует архитектуру Llama и принимает текстовые запросы с контекстом до 2 048 токенов, выдавая текст. По README, обучение выполнено в течение 40 эпох с использованием QLoRA, Axolotl и DeepSpeed. Карточка сообщает, что модель не участвует в ролевых романтических или сексуальных сценариях. Модель распространяется по лицензии Llama 2, условия которой допускают коммерческое и некоммерческое использование с ограничениями лицензии. Она создана как экспериментальный вариант персонального ИИ-собеседника и помощника по коду. Как и другие языковые модели, может ошибаться в ответах и примерах кода; контекст ограничен 2 048 токенами.

sudy-super/Sentinel — многоязычная модель классификации текста на базе BERT, разработанная для выявления prompt injection, утечек промптов и jailbreak-атак. Она выдаёт метку класса; в карточке указано, что LABEL_1 означает обнаруженный prompt injection. Модель содержит 205,1 млн параметров, принимает последовательности длиной до 512 токенов и опубликована в формате safetensors. Модель подходит для проверки пользовательского ввода и текстов в приложениях с LLM, чтобы выявлять попытки вмешательства в инструкции или обхода ограничений. В карточке перечислены японский, английский, испанский, китайский, корейский, хинди, немецкий, французский и русский языки. Лицензия — Apache-2.0. Подробности о точности, порогах классификации и распознавании меток для утечки и jailbreak отдельно не приведены.

ShieldLM-13B-baichuan2 — двуязычная модель-детектор безопасности от команды thu-coai, созданная на основе Baichuan2-13B-Chat. Она анализирует генерации больших языковых моделей и выявляет проблемы безопасности по настраиваемым правилам, сопоставленным с общими человеческими нормами безопасности. Модель выдаёт объяснения своих решений и предназначена для интеграции в проверку ответов LLM. Модель использует плотную архитектуру Baichuan с причинным языковым моделированием и содержит 13,3 млрд параметров. Она поддерживает китайский и английский языки; в репозитории представлены веса Safetensors. README сообщает о высокой точности на четырёх тестовых наборах, включая тесты вне обучающего распределения, по сравнению с GPT-4, Llama Guard и Perspective API, но подробные результаты вынесены в статью. Лицензия — MIT.

TIPS-Qwen3-4B-Instruct-2507-Agent — модель XingYing-stack, дообученная на основе Qwen/Qwen3-4B-Instruct-2507 методом outcome-only GRPO. Это генеративная модель вознаграждения для пошаговой проверки траекторий многоходовых агентных систем и определения первого ошибочного шага. Она предназначена для оценки и верификации процесса работы агента по шаблонам запросов и скриптам оценки из репозитория TIPS, а не для обычного диалогового использования. Модель использует плотную архитектуру Qwen3 с 3,7 млрд параметров и принимает текст; базовая модель поддерживает контекст до 262 144 токенов. Чекпойнт представлен в формате safetensors и использует библиотеку Transformers. Модель выпущена под лицензией Apache-2.0. Для корректной оценки нужны соответствующие шаблоны запросов и процедура из TIPS; карточка не приводит отдельные показатели качества.

Wichtelchen-Qwen3.5-9B — модель schneewolflabs на архитектуре Qwen3.5-9B, дообученная для локальной работы с инженерными задачами и делегирования работы кодовому агенту. Она поддерживает диалог, работу с кодом и изображениями; в метаданных указан формат safetensors и библиотека Transformers. README сообщает о результатах 56,1% на hembench и 10/10 по делегированию в тесте egirl, однако это результаты внутренних бенчмарков разработчика. Модель предназначена для сценариев, где ассистент использует инструменты и передаёт инженерные задачи агенту egirl. README характеризует использование инструментов как одноходовое и привязанное к схеме инструментов egirl. Лицензия — Apache-2.0.

Экспериментальный чекпойнт языковой модели Qwen3-4B, созданный командой автора репозитория методом обучения с подкреплением OpenRLHF GRPO на базе Qwen/Qwen3-4B-Instruct-2507. Модель предназначена прежде всего для генерации кода и решения задач программирования: награда при обучении зависела от прохождения тестов сгенерированной программой. Чекпойнт выбран как лучший по pass@8 в описанном запуске; численные метрики оценки для него не приведены. Модель плотная, содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Обучение проводилось на задачах, которые исходная модель решала редко, с GRPO, без KL-штрафа и с дополнительными штрафами за обрезанные и чрезмерно длинные ответы. Указана библиотека Transformers и формат весов safetensors. Лицензия в доступных данных не указана.

Это исследовательский чекпойнт Qwen3-4B, дообученный методом обучения с подкреплением OpenRLHF GRPO. По карточке модели, обучение проводилось непосредственно от Qwen/Qwen3-4B-Instruct-2507 без отдельного SFT-этапа; сохранён шаг 60 эксперимента. Модель предназначена для генерации кода и решения задач программирования, где правильность программы проверяется тестами. Обучение использовало бинарную награду за прохождение тестов, а также штрафы за усечение и чрезмерно длинные ответы. Карточка называет этот чекпойнт лучшим в запуске по pass@8, но метрики оценки не приводит. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 262 144 токенов; для загрузки указаны Transformers и формат safetensors. Лицензия в предоставленных данных не описана.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный командой agurung методом GRPO с помощью OpenRLHF. Обучение с подкреплением применялось напрямую к базовой модели без предварительного SFT; награда зависела от прохождения тестов сгенерированным кодом. Чекпойнт сохранён на 16-м шаге обучения и показал лучший в этом запуске результат pass@8. Модель предназначена для генерации кода и решения задач программирования, особенно задач, отобранных как сложные для исходной модели. Она принимает текстовые запросы и генерирует текст, включая программы; использует плотную архитектуру Qwen3 примерно на 3,7 млрд параметров, библиотеку Transformers и контекст до 262 144 токенов. Доступен формат Safetensors. Это ранний исследовательский чекпойнт, а не подтверждённая универсальная модель для программирования: README описывает обучение и оценку на конкретном наборе задач, а указанный pass@1 имеет отрицательное значение и требует осторожной интерпретации. Сведения о лицензии в предоставленных данных отсутствуют.

CodeLlama-7B-KStack-clean-GGUF — это квантованная версия CodeLlama-7B-KStack-clean, разработанная на базе meta-llama/CodeLlama-7b-hf и подготовленная bartowski в формате GGUF для использования с llama.cpp. Модель дообучена на наборе JetBrains/KStack-clean и предназначена для генерации и обработки программного кода, включая задачи, связанные с Kotlin. В README указано значение pass@1 37,89 на бенчмарке MultiPL-HumanEval (Kotlin). Модель содержит 7 миллиардов параметров и поддерживает текстовую генерацию. Доступны варианты квантования от Q8_0 до низкобитных IQ1_M, что позволяет выбирать между качеством ответов, размером файла и требованиями к оперативной памяти. Наиболее качественными и рекомендуемыми названы варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S, IQ4_NL и IQ4_XS; более сильное сжатие снижает качество, хотя некоторые низкобитные варианты сохраняют приемлемую работоспособность. Модель подходит для локальной генерации кода и экспериментов с программированием на совместимом с llama.cpp оборудовании. Ограничениями являются неизвестный размер контекста, отсутствие явно указанного chat template и снижение качества в низкобитных вариантах квантования. В README указана лицензия Apache-2.0.

CRP Safety Classifier — компактный классификатор текста на базе DeBERTa-v3-xsmall от AutoCyberAI, дообученный для выявления небезопасных запросов. Модель относит входной текст к классам safe или unsafe и используется как основной ML-компонент InjectionDetector в Context Relay Protocol; в общей схеме предусмотрены также быстрый фильтр на регулярных выражениях и резервный переход на него при недоступности модели. Модель предназначена для обнаружения prompt injection, jailbreak-запросов, токсичности, синтетических персональных данных и атакующих шаблонов. В README заявлены точность 0,9478 на отложенной выборке из 2416 примеров, полнота класса unsafe 0,836 и время инференса 40 мс на CPU. Контекст составляет 512 токенов; размер — 77,5 млн параметров. Лицензия указана как other.

Protect AI разработала эту компактную модель на базе microsoft/deberta-v3-small и дообучила её для обнаружения атак prompt injection. Она классифицирует текстовые входы как безвредные (0) или содержащие prompt injection (1), чтобы фильтровать потенциально вредоносные инструкции в приложениях на основе языковых моделей. Модель ориентирована на английские запросы и рассчитана на быстрый инференс; доступны веса в форматах Safetensors и ONNX. Лицензия — Apache License 2.0. В карточке сообщается о тестировании на 20 000 запросах из наборов данных, не использованных при обучении: точность составила 94,28%, полнота — 99,71%, F1 — 94,62%. Проект помечен как архивный и больше не поддерживается. Модель не предназначена для обнаружения jailbreak-атак и не обрабатывает запросы на других языках; результаты на сложных или новых техниках атак могут быть ограничены.