II.4Отладка, тестирование и качество ПО

WestSeverus-7B-DPO-v2 — языковая модель семейства WestLake, разработанная PetroGPT и дообученная методом DPO на основе WestSeverus-7B. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и формирует текстовые ответы; для диалога использует шаблон ChatML. Модель предназначена для генерации ответов и справочной помощи в базовой математике, химии, физике и программировании. В карточке приведены результаты тестов на общих языковых и программных бенчмарках, однако они не гарантируют точность ответов в практических задачах. Веса доступны в формате safetensors, лицензия — Apache-2.0.

Экспериментальная модель knakul242/agent-context-guardrail-primary-retrain-experimental — классификатор последовательностей на базе DeBERTa V3 Small, дообученный для обнаружения атак с внедрением инструкций в контекст ИИ-агента. Число параметров — 155 млн, максимальная длина контекста — 512 токенов. Модель предназначена для защитной фильтрации текстового контекста и проверки устойчивости агентных систем к вредоносным инструкциям. Чекпойнт дообучили ещё на двух эпохах на исходном обучающем наборе и 15 подтверждённых примерах обхода защиты. В сравнении с первичной моделью стандартные метрики немного снизились: F1 с 0,968 до 0,961, ROC-AUC с 0,995 до 0,992, полнота при 1% ложноположительных срабатываний — с 0,950 до 0,936. В тесте на обходы для низкоресурсного языка доля успешных атак снизилась с 62,5% до 0%, однако выводы по другим пяти техникам ограничены: их не проверяли повторно в режиме эскалации, поэтому эффект обобщения не отделён от запоминания примеров. Для артефакта усечения контекста needle-in-a-haystack улучшения не выявлено. Лицензия — MIT.

APEX-2 — англоязычная языковая модель YOON1v для генерации текста и диалогов, включая помощь с программированием. Это дообученный методом SFT чекпойнт базовой модели YOON1v/Apex-2-Base; в README описана архитектура декодерного Transformer с mixture-of-experts, а метаданные указывают семейство Qwen3 MoE и класс Qwen3MoeForCausalLM. README сообщает о 3,87 млрд параметров всего и 1,45 млрд активных на токен; модель использует формат чата ChatML и контекст до 4096 токенов. Модель подходит для написания и объяснения кода, ответов на инструкции и несложных математических задач. В опубликованных авторами тестах показаны результаты на HumanEval, MBPP, GSM8K и IFEval, однако сравнения с другими моделями приблизительны из-за различий в протоколах. Лицензия — Apache-2.0. Модель ориентирована на английский язык: README отмечает слабую работу с другими языками. Авторы также указывают на ограниченные общие знания, ошибки в фактах, слабые результаты в соревновательном программировании и предсказании выполнения кода. Поддержка инструментов и режим рассуждений не заявлены.

Elron/bleurt-large-512 — версия BLEURT в формате PyTorch, созданная на основе оригинальных моделей BLEURT из работы Google Research «BLEURT: Learning Robust Metrics for Text Generation». Это модель семейства BERT с архитектурой BertForSequenceClassification и примерно 433,9 млн параметров; она принимает текстовые входы и выдаёт оценку для задачи классификации текста. Максимальная длина контекста — 512 токенов. Модель предназначена для оценки качества текстовой генерации, в частности для автоматического сопоставления сгенерированного текста с эталоном. Её можно подключить через Transformers как AutoModelForSequenceClassification вместе с токенизатором. В README не указаны лицензия и поддерживаемые языки, поэтому условия использования по этим параметрам уточнить нельзя. Карточка описывает PyTorch-представление BLEURT; отдельные сведения о дообучении этой версии не приведены.

Bordair Detector — классификатор второй стадии конвейера защиты Bordair от prompt injection, разработанный авторами Bordair. Это дообученная DeBERTa-v3-large для бинарной классификации текста; модель экспортирована в ONNX и квантована до INT8 для инференса на CPU. Она анализирует пользовательские сообщения, фрагменты RAG, ответы инструментов и текст, извлечённый из изображений, документов или аудио, и выдаёт оценки для классов «безопасный текст» и «попытка внедрения». Для принятия решения конвейер применяет порог к вероятности класса injection; порог можно повысить для текста после OCR или ASR. Модель рассчитана на английский язык, имеет контекст 512 токенов и предназначена для выявления попыток подменить или перенаправить задачу LLM, а не для оценки вредоносности содержания. Модель не определяет тип атаки: хотя конфигурация содержит четыре названия меток, обученная и экспортированная модель использует только два класса. Обучающие данные включают более 500 тысяч размеченных примеров из Bordair/bordair-multimodal. Лицензия — Apache-2.0.

GLiGuard — компактная модель Fastino для классификации безопасности запросов и ответов в сценариях защиты LLM. Она построена на GLiNER2 и использует encoder-only архитектуру с 0,3 млрд параметров: вместо генерации вердикта модель оценивает заданные задачи и метки за один проход. По карточке, модель рассчитана на быстрый локальный инференс, в том числе на CPU. Модель поддерживает бинарную оценку безопасности, многометочную классификацию токсичности и категорий вреда, обнаружение jailbreak-атак и оценку отказов. Её можно применять до генерации для проверки пользовательского запроса и после генерации — для анализа ответа, при необходимости передавая контекст запроса вместе с ответом. В метаданных указан английский язык; карточка предупреждает, что классификация может пропускать контекстные, многоязычные и новые атаки. GLiGuard дообучена на fastino/gliner2-base-v1. Модель предназначена для модерации, а не для генерации текста, и не заменяет полноценную политику безопасности. Результаты многометочной классификации зависят от порогов и схемы задач, поэтому пороги могут потребовать настройки. Лицензия — Apache-2.0.

GLiNER Guard Omni — дообученная модель hivetrace на базе fastino/gliner2-multi-v1 для классификации и извлечения данных, связанных с защитой LLM-приложений. Это 307-миллионная encoder-модель семейства GLiNER2 с архитектурой multilingual DeBERTa v3; она выполняет zero-shot классификацию и извлечение сущностей одним проходом, без отдельной LLM. Модель предназначена для проверки сообщений на безопасность и вредоносное содержимое, выявления персональных данных, обнаружения prompt injection и jailbreak-атак, а также анализа намерения и тона. Можно задавать собственные политики и метки естественным языком; README отмечает, что результаты для меток вне обучающей таксономии не бенчмаркались. Заявлена поддержка английского и русского языков. Модель распространяется в формате safetensors по лицензии Apache-2.0. README описывает шесть групп задач безопасности, включая span extraction для PII и многометочную классификацию атак и вредного содержимого; pipeline Hugging Face указан как zero-shot-classification.

Holo-3.1-35B-A3B-GGUF — набор квантизированных версий модели Hcompany/Holo-3.1-35B-A3B, подготовленный пользователем barozp для запуска через llama.cpp. Это мультимодальная vision-language модель на архитектуре Qwen3.5 MoE, предназначенная прежде всего для computer-use агентов, работы со скриншотами и сценариев, где требуется анализ изображений вместе с текстом. Заявлена поддержка английского языка и обработка входов в формате «изображение-текст». Контекстное окно составляет до 262 144 токенов. Модель содержит 35 млрд параметров суммарно, при этом в вычислениях активно используется около 3 млрд параметров благодаря архитектуре MoE. Репозиторий предлагает варианты квантизации от 2 до 8 бит с примерным размером файлов от 12 до 39 ГБ, а также отдельный F16-файл mmproj размером около 0,9 ГБ для мультимодальной обработки. Доступна и BF16-версия размером около 69,4 ГБ в исходном репозитории. Квантизация выполнена с помощью llama-quantize, при этом использована предварительно рассчитанная imatrix. Сильными сторонами являются сочетание мультимодального ввода, специализация на компьютерном управлении, большой контекст и возможность выбрать компромисс между качеством и требованиями к памяти. Ограничения связаны с необходимостью совместимого окружения llama.cpp, отдельного vision-проектора для работы с изображениями и значительными требованиями к дисковому пространству и памяти, зависящими от выбранной квантизации. Модель распространяется по лицензии Apache 2.0.

QuantFactory/Llama-3-Patronus-Lynx-8B-Instruct-GGUF — квантизированная версия Patronus-Lynx-8B-Instruct, разработанная Patronus AI на основе дообученной Meta-Llama-3-8B-Instruct. Модель предназначена для оценки галлюцинаций и фактической согласованности ответов в сценариях Retrieval-Augmented Generation (RAG): по вопросу, документу и ответу она определяет, подтверждается ли ответ содержанием документа и не добавляет ли он новую или противоречащую информацию. Модель имеет около 8 миллиардов параметров, поддерживает преимущественно английский язык и максимальную длину последовательности до 8000 токенов. Она создана с использованием llama.cpp и обучена на 2400 примерах из CovidQA, PubmedQA, DROP и RAGTruth, включая синтетически сформированные галлюцинации; дообучение проводилось в течение трёх эпох. Рекомендуемый результат — вердикт PASS или FAIL с объяснением в JSON-формате. В README заявлено превосходство над GPT-3.5-Turbo, GPT-4-Turbo, GPT-4o и Claude Sonnet на наборе PatronusAI/HaluBench, однако конкретные метрики не приведены. Модель сильна в специализированной проверке faithfulness ответов относительно предоставленного документа, но её назначение ограничено обнаружением галлюцинаций, а не универсальной генерацией текста; качество для языков, кроме английского, не описано. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства и ограничивающей коммерческое применение.

alexandrainst/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-da — модель token classification из семейства ModernBERT, опубликованная организацией Alexandrainst. По названию модели она предназначена для анализа синтетических галлюцинаций в системах вопросно-ответного поиска по Википедии, вероятно для датского языка. В метаданных указаны библиотека Transformers, 140,5 млн параметров и нативное контекстное окно до 8192 токенов. Модель может использоваться как компонент контроля качества ответов и выявления признаков галлюцинаций в пайплайнах question answering или retrieval-augmented generation. README не содержит сведений о точной схеме разметки, формате входов и выходов, обучающих и тестовых данных, показателях качества, разработчиках и лицензии, поэтому практическую применимость необходимо проверять на собственных данных.

Это мультиязычная модель EuroEval для классификации токенов, предназначенная для обнаружения фрагментов галлюцинаций в ответах на вопросы с использованием RAG. Название модели указывает на обучение на синтетических примерах для MultiWikiQA и RAGTruth; карточки родственных языковых вариантов описывают семейство классификаторов галлюцинаций на уровне токенов. Модель основана на архитектуре ModernBERT, содержит около 140,5 млн параметров и имеет контекстное окно 8192 токена. Вход — текст ответа и связанный с ним контекст; выход — метки токенов. Карточка не сообщает лицензию и языки конкретного варианта с суффиксом hr, поэтому эти сведения здесь не утверждаются. Поиск подтверждает назначение семейства, а метаданные — архитектуру, размер и задачу.

Ornith-1.5-35B-A3B-uncensored-GGUF-8bit — мультимодальная vision-language модель, опубликованная junafinity на базе Ornith-1.5-35B-A3B от ornith-ai. Это abliterated-сборка: из языковой части удалено направление, связанное с отказами, с помощью Abliterix 1.12.2. Модель предназначена прежде всего для red teaming и исследований защитной кибербезопасности: измерения верхней границы возможностей, тестирования фильтров входных данных, классификаторов вывода, защиты от prompt injection и tool abuse, а также подготовки данных для систем обнаружения злоупотреблений. Модель содержит 35B параметров с MoE-архитектурой A3B, поддерживает обработку текста и изображений, а распространяется в формате GGUF с квантизацией Q8_0 (8 бит) для использования, в частности, через llama.cpp. Vision tower поставляется отдельным файлом mmproj, который необходимо загрузить вместе с весами для работы с изображениями. MTP-блок сохранён в основном GGUF-файле, поэтому поддерживается speculative decoding. Точные языки и размер контекстного окна в README не указаны. К сильным сторонам относятся мультимодальность, сохранение vision tower и MTP-блока, а также существенное снижение отказов на указанном тестовом наборе: с 100 до 9 из 100 у родительской модели в измерениях на bf16-версии. При этом показатели относятся к bf16-родителю, а не непосредственно к данной квантизированной сборке. Abliteration не гарантирует полного отсутствия отказов и может влиять на поведение модели; перед развёртыванием требуется независимый слой модерации, а результаты рекомендуется сравнивать с исходной моделью. Лицензия — Apache-2.0.

PangolinGuard-Large — модель классификации текста на базе ModernBERT Large, разработанная для обнаружения вредоносных запросов, включая prompt injection и jailbreak-атаки. Она предназначена для встраивания в AI-агентов и разговорные интерфейсы как недорогой механизм защиты, который можно запускать самостоятельно. Модель содержит 394,7 млн параметров, использует архитектуру ModernBertForSequenceClassification и принимает текст длиной до 8192 токенов. Она дообучена на answerdotai/ModernBERT-large и оценивается на наборах для выявления атак и проверки чрезмерной блокировки безвредных запросов, включая NotInject, BIPIA, Wildguard-Benign и PINT. Модель распространяется под лицензией Apache-2.0. Данных о поддерживаемых языках в карточке нет.

PIGuard — англоязычный классификатор текстов для обнаружения атак с внедрением промптов в запросах к большим языковым моделям. Модель разработана авторами работы о наборе NotInject; в карточке её название указано как PIGuard, ранее она называлась InjecGuard. Это дообученная версия Microsoft DeBERTa-v3-base с 211,6 млн параметров, опубликованная в формате safetensors и рассчитанная на входные последовательности длиной до 512 токенов. Модель предназначена для защиты LLM-приложений от попыток перехватить инструкции или извлечь данные. Стратегия обучения MOF направлена на снижение чрезмерной защиты — ложного распознавания безобидного текста как вредоносного из-за слов-триггеров. В README заявлены результаты на нескольких тестах, включая NotInject, где набор из 339 примеров проверяет устойчивость к таким ложным срабатываниям. Для использования доступны Transformers и классификационный pipeline. Модель выпущена под лицензией MIT. Она классифицирует текст на английском языке; заданное ограничение в 512 токенов и специализация на prompt injection означают, что её оценки не следует считать универсальной гарантией безопасности или переносить на другие языки без проверки.

Prismor разработала prompt-guard-1.5b — англоязычный классификатор для обнаружения prompt injection. Модель дообучена с помощью LoRA на базе Qwen/Qwen2.5-1.5B-Instruct на примерно 10 000 размеченных примерах и содержит 1,5 млрд параметров. Она принимает текстовый запрос и классифицирует его как INJECTION или SAFE; заявленная длина контекста — 32 768 токенов. Модель предназначена для проверки пользовательского ввода перед передачей языковой модели, защиты RAG-конвейеров и агентов, а также для журналирования и оповещений о возможных атаках. В независимом тесте на 5 000 примерах авторы сообщают F1 0,726 и полноту 0,893, но доля ложных срабатываний составила 0,379. Лицензия — Apache-2.0. Модель медленнее специализированных классификаторов DeBERTa: авторы указывают около 60 мс на пример на GPU L40S против примерно 9 мс. К известным ограничениям относятся частые ложные срабатывания на безопасных текстах, слабая работа с обфусцированными инъекциями и отсутствие обучения против адаптивных атакующих. Модель рассчитана на английский язык; качество для других языков не установлено.

Qwen2.5-Coder-7B-Abliterated — производная инструкционная языковая модель семейства Qwen2, созданная Sci4AI на основе Qwen/Qwen2.5-Coder-7B-Instruct. Веса модели изменены методом ablation: из 28 слоёв удалено направление отказа с помощью ортогонализации матриц внимания и MLP. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации кода и диалоговых сценариев, включая запросы, от которых исходная модель могла отказаться, например разработку эксплойтов, вредоносного ПО и сетевые атаки. Карточка указывает английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Изменение поведения отказа снижает действие защитных ограничений исходной модели; ответы на вредоносные запросы могут быть сгенерированы. Результаты требуют проверки, особенно в задачах, где важны корректность и безопасность кода.

hellohazime/Qwen3.8-2.4T-A95B-REAP-256GB-GGUF — это сжатая версия крупной MoE-модели Qwen3.8-2.4T-A95B, разработанная на основе unsloth/Qwen3.8-2.4T-A95B-GGUF. Модель предназначена для генерации текста и прежде всего для англоязычных задач и программирования на компьютерах с примерно 256 ГБ оперативной или унифицированной памяти. Она загружается и работает в стандартной основной ветке llama.cpp без специального runtime или форка. В модели сохранены 304 из 512 экспертов в каждом MoE-слое, выбранные по частоте маршрутизации на англоязычном и кодовом корпусе объёмом 200 тысяч токенов. Внутренняя ширина каждого оставшегося эксперта уменьшена с 2048 до 1536 каналов. Квантизация не выполнялась повторно: сохранённые данные побайтово соответствуют исходной квантизованной модели UD-IQ1_S с плотностью 1,56 бит на вес. Итоговый размер составляет 246 ГБ, или 229 ГиБ. Сильная сторона модели — существенное уменьшение требований к памяти при сохранении значительной части поведения исходной модели: на отложенных данных совпадение главного токена составило 79,2% для английского языка и 86,6% для кода. При этом модель заметно отклоняется от исходной на редких и сложных случаях; показатель perplexity вырос с 9,05 до 10,90 на английском и с 1,89 до 2,38 на коде. Авторы предупреждают, что неанглоязычные и выходящие за пределы калибровочного корпуса задачи намеренно принесены в жертву, поэтому модель не рекомендуется для многоязычной работы и сложного рассуждения. Лицензия указана как qwen3.8-max, тип лицензии — other.

RAFT-1.5B — языковая модель-верификатор кода из проекта Aletheia-Bench, разработанная авторами исследования Aletheia. Это плотная архитектура Qwen2 на 1,5 млрд параметров, дообученная на DeepSeek-R1-Distill-Qwen-1.5B методом on-policy rejection sampling fine-tuning с использованием положительных примеров рассуждений. Модель принимает условие задачи по программированию и несколько кандидатных решений, после чего оценивает и ранжирует их. Модель предназначена для выбора корректного решения в задачах соревновательного программирования, автоматической оценки кода и использования в качестве функции вознаграждения при оптимизации моделей генерации кода в RLHF/RLAIF-конвейерах. В карточке указано контекстное окно 131 072 токена; формат весов — safetensors, запуск возможен через Transformers. Карточка описывает задачи на Python, C++ и Java в обучающих данных, но не заявляет поддержку естественных языков. Модель обучена только на положительных примерах, без отрицательных образцов, поэтому карточка не подтверждает устойчивость ранжирования к ошибочным или специально вводящим в заблуждение решениям. Лицензия — CC BY-NC-SA 4.0, с условиями атрибуции, распространения на тех же условиях и ограничением коммерческого использования.

ReACC-py-retriever — модель извлечения похожего кода для фреймворка ReACC, разработанного авторами исследования ReACC. Она кодирует незавершённый фрагмент Python-кода, чтобы находить похожие фрагменты и поддерживать дополнение кода с использованием поиска. Модель также подходит для поиска соответствий между неполными фрагментами и обнаружения клонов кода. Это BERT-подобный энкодер на 12 трансформерных слоях, дообученный на GraphCodeBERT с помощью контрастивного обучения. В метаданных указаны архитектура RoBERTa, 151,9 млн параметров, контекст до 514 токенов и формат PyTorch. Для входа требуется специальное нормализованное представление Python-кода, сохраняющее сведения о переносах строк и отступах; обычный исходный код перед использованием нужно преобразовать. Лицензия — MIT.

SimplyAI-2B-Uncensored — диалоговая текстовая модель Miiyamoto255, созданная слиянием моделей на основе google/gemma-2-2b-it. Это плотная авторегрессионная архитектура Gemma 2 с 2,7 млрд параметров и контекстом 8192 токена; модель предназначена для генерации текста в диалоге, а автор отдельно отмечает задачи программирования и кибербезопасности. В карточке заявлена «разблокированная» версия, ориентированная на более свободные ответы. Модель принимает текст и генерирует текст. В метаданных указан английский язык; README не сообщает результатов независимых оценок качества. Для работы используется библиотека Transformers и формат safetensors. Лицензия указана как gemma; перед применением следует соблюдать её условия. Модель может выдавать небезопасные или неправомерные инструкции, поэтому ответы требуют соответствующей проверки.

Модель Shona W2V-BERT 2.0 ASR подготовлена Манассе Чангачирере: это CTC-модель распознавания речи, дообученная на основе facebook/w2v-bert-2.0 на размеченных данных языка шона. Она принимает монофоническое аудио с частотой 16 кГц и выдаёт текст в нижнем регистре без пунктуации. Модель содержит около 402,7 млн параметров, использует архитектуру Wav2Vec2-BERT и загружается через Transformers. Модель подходит для транскрибации коротких сегментов речи на шона, анализа ошибок, сравнения систем распознавания и проверки псевдоразметки как дополнительный сигнал. На тесте FLEURS для шона указана ошибка WER 28,87%; на тесте WAXAL — 28,11%, но для последнего возможен перехлёст с обучающей выборкой. Автор отмечает, что это не лучшая по качеству модель-предсказатель и не предназначенный для потокового распознавания вариант. Лицензия — MIT.

VirbiusGuard — двуязычная модель-охранник для проверки безопасности входящего текста, разработанная автором репозитория i1see1you на основе дообучения Qwen/Qwen3Guard-Gen-0.6B. Она выявляет безопасные и небезопасные запросы, включая jailbreak, извлечение системных инструкций, злоупотребление инструментами агента и вредоносные инструкции. Модель возвращает результат в виде JSON с признаком срабатывания и идентификатором одной из категорий риска. Модель построена на архитектуре Qwen3ForCausalLM, содержит около 507,9 млн параметров и поддерживает контекст до 32 768 токенов. README описывает LoRA-дообучение и усиленную обработку сценариев prompt injection и agent safety. Доступны веса Safetensors и GGUF, включая варианты F16 и Q4_K_M; автор указывает, что квантованный вариант подходит для запуска на CPU, Mac и через Ollama. Модель предназначена для фильтрации пользовательских запросов и результатов работы инструментов агента. По приведённым автором оценкам V2.0 снижает ложные срабатывания и блокирует атаки в описанной конфигурации AgentDojo; эти результаты относятся к указанным тестовым условиям. README также предупреждает, что политические и религиозные темы могут классифицироваться строго, а при слишком малом лимите генерации JSON может обрезаться. Лицензия — Apache-2.0.

WebArbiter-7B — языковая модель на основе Qwen2.5-7B-Instruct, разработанная для оценки действий веб-агентов. Она анализирует текстовое представление состояния страницы и варианты действий, генерирует структурированное объяснение и выносит предпочтительный вердикт о том, какое действие лучше продвигает задачу пользователя. Модель предназначена для ранжирования действий и траекторий, управления поиском по нескольким вариантам выполнения и анализа решений веб-агента. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 с плотной причинной языковой моделью и поддерживает контекст до 32 768 токенов. Она принимает текстовые наблюдения, включая представления дерева доступности, и выдаёт текст с обоснованием и вердиктом. Обучение и оценка проводились на англоязычных веб-сценариях; README сообщает о сильных результатах на WEBPRMBENCH и улучшении поиска траекторий в WebArena-Lite. Ограничения включают отсутствие визуальных наблюдений, возможную предвзятость к осторожным действиям и ошибки в проверке ссылок на элементы интерфейса. Модель опубликована под лицензией Apache-2.0.

ZwZ-8B — мультимодальная модель для детального восприятия изображений, разработанная InclusionAI на основе Qwen3-VL-8B-Instruct. Она принимает изображения и текстовые запросы и формирует текстовые ответы; архитектура — плотная Qwen3-VL с 8 млрд параметров. Модель предназначена для визуальных вопросов и ответов с распознаванием мелких деталей, визуального рассуждения, анализа интерфейсов GUI и обнаружения изображений, созданных ИИ. Обучение с дистилляцией Region-to-Image и подкреплением позволяет выполнять детальный анализ за один проход без увеличения отдельных областей изображения во время вывода и без вызова инструментов. В карточке заявлены высокие результаты на тестах детального восприятия и обобщение на визуальное рассуждение, GUI и обнаружение AIGC; это заявления разработчика, а не независимая оценка. Модель основана на Qwen3-VL-8B-Instruct и выпущена под лицензией Apache-2.0. Контекстное окно и поддержка языков, помимо английского, в предоставленных данных не описаны.

Aetheris-Core-2B — языковая модель Miiyamoto255 для локальной генерации текста и диалогов. Она использует плотную архитектуру Gemma 2 с причинной языковой моделью на 2,7 млрд параметров; контекст составляет до 8192 токенов. В карточке заявлены помощь в программировании и разработке игр, рассуждения, следование инструкциям, объяснения, ответы на вопросы, суммаризация и творческая генерация. Указаны Python, JavaScript, HTML/CSS, C и C++, однако метаданные подтверждают английский как язык модели. Модель распространяется в формате Safetensors и предназначена для быстрого локального запуска при умеренных требованиях к памяти. В метаданных её происхождение отмечено как слияние с google/gemma-2-2b-it; карточка при этом называет её созданной с нуля, поэтому детали происхождения описаны противоречиво. Автор заявляет о меньшей склонности к необоснованным отказам. Модель может ошибаться в рассуждениях и ответах, а её надёжность для перечисленных задач не подтверждена приведённой демонстрацией. Указана пользовательская лицензия Miiyamoto255; перед использованием следует ознакомиться с её условиями.

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

AgentDoG-FG-Qwen3-4B — дообученная плотная языковая модель семейства Qwen3, разработанная AI45Research для оценки безопасности действий автономных агентов. Она анализирует текстовые траектории, состоящие из шагов агента и наблюдений, и определяет, встречается ли в них небезопасное поведение. В режиме детальной диагностики модель относит риск к источнику, типу сбоя и возможному реальному вреду. Модель предназначена для проверки многошаговых сценариев с использованием инструментов, оценки траекторий в бенчмарках и встраивания в защитные контуры агентных систем. В карточке описаны проверки на R-Judge, ASSE-Safety и ATBench, включая обнаружение подмены инструкций и небезопасного использования инструментов. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM, принимает текст и рассчитана на контекст до 262 144 токенов. Модель распространяется под лицензией Apache-2.0. Показатели детальной классификации существенно различаются по категориям: в частности, точность определения типа сбоя на ATBench указана как 32,4%; результаты на бенчмарках не гарантируют качество на других данных. Для применения важны полнота и формат передаваемой траектории, а также проверка меток в целевой системе.

Antares-350M — компактная языковая модель на 350 млн параметров, разработанная fdtn-ai на базе IBM Granite 4.0 350M и дообученная для локализации уязвимостей в исходном коде. Она предназначена для специалистов по безопасности, исследователей и разработчиков, которым нужно находить вероятные уязвимые файлы в репозитории по идентификатору CWE и его общему описанию. Модель работает в цикле терминального агента: исследует репозиторий командами и формирует кандидатов на проверку, без внешней поисковой системы или векторной базы; её можно использовать в локальной среде и CI/CD. Модель принимает текстовый контекст и выводы инструментов, а генерирует текст и вызовы инструментов через интерфейс агента. В метаданных указан английский язык, библиотека Transformers и формат Safetensors. Лицензия — Apache-2.0. Результаты зависят от размера репозитория, бюджета команд и типа уязвимости: на больших кодовых базах и при анализе нескольких взаимосвязанных файлов качество снижается, а семантически сложные проблемы даются хуже, чем уязвимости с характерными текстовыми шаблонами. Модель предназначена для поиска файлов-кандидатов, а не для подтверждения уязвимости или автономных решений; результаты требуют проверки человеком. Общий чат и генерация эксплойтов не входят в её назначение.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный командой agurung с помощью GRPO в OpenRLHF. Обучение проводилось непосредственно от базовой модели, без промежуточного SFT, на задачах программирования с проверкой сгенерированного кода тестами. В метаданных указаны 3,7 млрд параметров, архитектура Qwen3 с плотной моделью причинного декодирования, формат Safetensors и контекст до 262 144 токенов. Чекпойнт получен на четвёртом шаге обучения и показал лучший pass@8 среди вариантов в этом запуске. Он предназначен для генерации программ и решения задач, отобранных как трудные для исходной модели. Обучение использовало бинарную награду за прохождение тестов, а также штрафы за усечение длинных ответов; метрики оценки для этого чекпойнта в журнале обучения отсутствуют. Модель принимает текст и генерирует текст, включая код. README не сообщает отдельные языки программирования или естественные языки, поэтому языковая поддержка не уточняется. Лицензия в предоставленных данных не указана.

Эта модель — дообученная версия Qwen/Qwen3-32B, созданная на датасете open-athena/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning. Это плотная авторегрессионная модель семейства Qwen3 с 29,7 млрд параметров, рассчитанная на генерацию текста в диалоговом формате; базовая модель поддерживает многоязычный диалог, рассуждения, программирование и работу с инструментами. Для этой версии заявлен контекст до 40 960 токенов. Модель может быть полезна для генерации ответов и рассуждений по материалам Stack Exchange и Stack Overflow, а также для задач, представленных обучающим датасетом. Подробности о методике обучения, оценке качества и специальных ограничениях в карточке отсутствуют. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория и базовой модели.