II.4Отладка, тестирование и качество ПО

ShieldLM-7B-internlm2 — двуязычная модель безопасности на основе InternLM2-Chat-7B, представленная командой thu-coai. Она предназначена для выявления проблем безопасности в ответах, сгенерированных большими языковыми моделями. Модель поддерживает настраиваемые правила проверки с детальными категориями и объясняет принятые решения. Модель построена на плотной архитектуре InternLM2ForCausalLM и содержит 7,4 млрд параметров. Она принимает текст, поддерживает китайский и английский языки и имеет контекст длиной до 32 768 токенов. В метаданных основная задача указана как извлечение признаков, при этом карточка описывает её как детектор безопасности, а каталог также отмечает генерацию текста как поддерживаемую задачу. В README заявлены высокие результаты на четырёх тестовых наборах, включая наборы с данными вне обучающего распределения, в сравнении с GPT-4, Llama Guard и Perspective API; подробные результаты доступны в статье. Модель распространяется по лицензии MIT.

WebJudge-7B — мультимодальная модель оценки действий веб-агентов, разработанная OSU NLP и дообученная на Qwen2.5-VL-7B-Instruct. Она анализирует скриншоты и текстовые данные о ходе взаимодействия с веб-сайтом, чтобы оценить траекторию агента и сохранить важные промежуточные визуальные наблюдения без избыточной нагрузки на контекст. Модель предназначена для оценки качества выполнения веб-задач и может использоваться как reward model в отборе примеров для дообучения, рефлексии и обучения с подкреплением. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров, поддерживает изображения и текст, а её контекст составляет до 128 000 токенов. В карточке заявлены результаты на наборах Online-Mind2Web и AgentRewardBench, включая высокое согласие с оценками людей и перенос на несколько тестов вне обучающего распределения. Использование — по лицензии Apache-2.0.

Карточка модели AI45Research/AgentDoG1.5-Qwen3.5-2B на Hugging Face совпадает с карточкой AI45Research/AgentDoG1.5-Qwen3.5-4B, поэтому описание составлено по ней. AgentDoG 1.5 Qwen3.5 4B — модель для проверки безопасности траекторий действий ИИ-агентов, разработанная AI45Research в рамках семейства AgentDoG. Она принимает полную текстовую траекторию работы агента, включая взаимодействие с инструментами и средой, и классифицирует её как безопасную или небезопасную. Для небезопасных траекторий модель также может определять тип сбоя, возможные последствия риска и его источник. Модель построена на плотной архитектуре Qwen3.5 и содержит 4 млрд параметров. Она предназначена для классификации и мониторинга агентных сценариев, в том числе для работы в качестве онлайн-защитного барьера, способного выявлять риск и вмешиваться в выполнение workflow. Для развёртывания README рекомендует совместимые версии SGLang или vLLM. Модель распространяется под лицензией Apache-2.0. Карточка не приводит конкретных ограничений точности или списка поддерживаемых естественных языков; результаты следует интерпретировать в контексте заданной таксономии безопасности и формата входной траектории.

Katanemo Arch-Guard — классификатор текстовых запросов для обнаружения jailbreak-попыток, разработанный Katanemo и предназначенный для защиты приложений на основе LLM. Модель дообучена на базе meta-llama/Prompt-Guard-86M на открытых наборах данных с примерами jailbreak и обычных диалогов. В каталоге указаны архитектура DeBERTa-v2, 306 млн параметров, контекст до 512 токенов и формат Safetensors. Модель принимает текст и относит его к классу jailbreak или обычного запроса. Она предназначена для проверки пользовательских промптов в реальном времени, в том числе в составе прокси-сервера Arch для агентных систем. В README заявлены низкая задержка и низкий уровень ложных срабатываний; в приведённой оценке Arch-Guard показывает TPR 0,8887, TNR 0,9970 и FPR 0,0030. Модель ориентирована на английский язык. Лицензия — MIT.

ProCreations auto-0.4b-2 iteration 1 — классификатор на основе энкодера ModernBERT, разработанный ProCreations. Он оценивает предложенный агентом вызов инструмента с учётом запроса пользователя и истории действий и выдаёт решение approve или deny. Модель предназначена для проверки, разрешено ли действие и безопасно ли оно в данном контексте; это классификатор, а не диалоговая модель. Модель содержит около 395 млн параметров, принимает текст и поддерживает контекст до 65 536 токенов. В README приведены результаты на синтетическом бенчмарке из 3 000 примеров: точность 97,00%, 36 ложных разрешений и 54 ложных отказа. Также указаны проверки длинных входов и наборы проб для skills, MCP и пользовательских инструментов. Ложные разрешения всё ещё возможны. Модель не может анализировать скрытое содержимое файлов, определять поведение непрозрачных исполняемых файлов или предсказывать поведение URL во время выполнения. Метки синтетические, а бенчмарк использовался при выборе версии, поэтому перед применением на реальном потоке данных нужна собственная оценка. Лицензия — Apache-2.0.

marklkelly/bert-tiny-injection-detector — компактный бинарный классификатор текста, разработанный для обнаружения prompt injection и попыток переопределения инструкций. Модель дообучена на базе prajjwal1/bert-tiny с дистилляцией знаний от protectai/deberta-v3-small-prompt-injection-v2 и дополнительными метками. Она содержит около 4,4 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текст длиной до 128 токенов. Модель предназначена для проверки пользовательского ввода перед передачей его другой языковой модели, в том числе при развёртывании на периферийных устройствах и в средах с ограниченными ресурсами. Она выдаёт метку SAFE или INJECTION и оценку вероятности; для длинных входов в целевом сценарии применяются обрезка с сохранением начала и конца текста и настраиваемые пороги срабатывания. Репозиторий содержит экспорты ONNX, рассчитанные на запуск без Python, в том числе в Rust WASM через tract-onnx. Валидация показывает высокие результаты на использованном наборе данных, однако он сбалансирован по классам и отдельного тестового набора не было. При низкой реальной распространённости атак возрастает доля ложных блокировок; длинные входы могут потерять важные фрагменты в середине, а устойчивость к Unicode-обфускации и многоязычные атаки систематически не проверялись. Модель специализирована на инъекциях инструкций, не предназначена для общей модерации или обнаружения jailbreak и не должна быть единственным уровнем защиты. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт Qwen3-4B, обученный командой, опубликовавшей репозиторий agurung/cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp20-groot30v11v, методом обучения с подкреплением OpenRLHF GRPO. Обучение проведено непосредственно от Qwen/Qwen3-4B-Instruct-2507 без промежуточного SFT; в README указан глобальный шаг 40 и лучший результат в серии по pass@8. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 262 144 токенов. Модель предназначена прежде всего для генерации кода и решения задач программирования: обучение поощряло программы, проходящие тесты, а усечённые ответы получали штраф. В README описаны обучающая выборка из 1 833 и проверочная выборка из 112 сложных задач; численные метрики этого чекпойнта не приведены. Для загрузки указаны Transformers и формат safetensors. Лицензия в предоставленных сведениях не описана.

Darwin-2B-Opus — модель для генерации текста и диалогов, разработанная FINAL-Bench / VIDRAFT_LAB на основе Qwen/Qwen3.5-2B. В неё встроен стиль рассуждений, полученный дистилляцией ответов Claude Opus 4.5/4.6 и Sonnet 4.6; обучение проводилось методом SFT с LoRA, после чего адаптер объединили с базовыми весами. Модель содержит около 1,7 млрд параметров по метаданным; в README указано 2,3 млрд. Архитектура — плотная Qwen3.5 для причинной генерации текста. Метаданные указывают контекст до 262 144 токенов, однако обучение проводилось с длиной последовательности 4 096 токенов. Модель предназначена для диалогов, рассуждений, математических задач и написания кода на английском и корейском языках; README также описывает примеры на обоих языках. Карточка приводит результат 37,37% на GPQA Diamond и предупреждает об ограниченных энциклопедических знаниях из-за небольшого размера. Лицензия модели — Apache 2.0; лицензии обучающих наборов могут различаться.

Builder117/distilbert-jailbreak — дообученный классификатор на базе DistilBERT для обнаружения попыток обхода защитных ограничений LLM. Он помечает входной текст как SAFE или JAILBREAK и предназначен для фильтрации DAN-запросов, подмены роли, активации «режима разработчика», отрицания правил и вымышленного обрамления, используемого для получения запрещённого контента. Модель ориентирована на защиту LLM-приложений от prompt injection, в частности на сценарии из категории OWASP LLM Top 10 LLM01. Модель принимает текст на английском языке; базовая архитектура — DistilBERT для классификации последовательностей, контекст — до 512 токенов. Выпущена под лицензией Apache-2.0. Классификатор может пропускать атаки с заменой синонимов или косвенным обрамлением, поэтому его оценки не следует считать исчерпывающей защитой.

DistillBERT-Prompt-Injection-sm — модель классификации текста на основе DistilBERT, дообученная автором jayavibhav от distilbert/distilbert-base-uncased. По названию она предназначена для выявления prompt injection во входном тексте. Модель принимает текст; архитектура — DistilBertForSequenceClassification, максимальный контекст составляет 512 токенов. В README указаны результаты оценки: accuracy 0,9937 и loss 0,0298. Датасет, состав классов и методика оценки не описаны, поэтому эти показатели не позволяют судить о качестве на новых данных. Модель опубликована в формате safetensors под лицензией Apache-2.0.

DMind-3-mini — языковая модель организации DMind, представленная в формате GGUF и созданная на базе Qwen3-4B-Thinking-2507. Модель ориентирована на локальное и офлайн-использование в задачах Web3, DeFi и финансового анализа, включая оценку рисков, анализ smart contracts, выявление логических ошибок и проверку безопасности кода. Заявлена поддержка английского и китайского языков. Модель использует модифицированную архитектуру Transformer с RoPE и содержит около 4,2 млрд параметров. Указанное базовое представление — BF16, рекомендуемое контекстное окно составляет 128 тысяч токенов. Для запуска рекомендуется GPU как минимум с 12 ГБ видеопамяти; в README отдельно упомянуты NVIDIA RTX 4070 Ti и выше, а также Apple M3/M4 Pro/Max. В описании заявлен метод дообучения C³-SFT, направленный на исправление ошибочных рассуждений, и режим аудита с триггером <REFLECT>, однако подробности реализации приведены не полностью. Сильными сторонами модели являются специализация на финансовой логике и DeFi, возможность локального размещения и большой контекст. Ограничения включают узкую предметную область, требовательность к аппаратным ресурсам и отсутствие в предоставленных данных воспроизводимых результатов тестирования, точных показателей качества и подробностей о конкретной квантизации GGUF. Модель распространяется по лицензии Apache-2.0.

dotnet-coder-14b — специализированная языковая модель для C# и .NET, дообученная на базе Qwen2.5-Coder-14B-Instruct. Разработчик — zipaltrivedi. Модель предназначена для coding agents и опытных .NET-разработчиков, которым нужен самодостаточный и компилируемый код, включая задачи на ASP.NET, Entity Framework и другие сценарии экосистемы .NET. Указан английский язык, задача модели — генерация текста. Модель содержит около 14,7 млрд параметров, поддерживает контекст до 32 768 токенов базовой модели, а обучение выполнялось на последовательностях длиной 2 048 токенов с использованием QLoRA SFT и итеративного DPO. Для обучения использовались 107 тысяч записей на C#. Отличительная особенность — применение dotnet build как объективного сигнала предпочтения в трёх раундах DPO: по заявленным данным, итоговая доля компилируемого кода достигла 97% на тестах разработчика, включая проверки с .NET 6, .NET 8 и .NET 9. Модель также демонстрирует сильные результаты на экспертных вопросах по .NET и при генерации многофайловых решений, хотя для сложных задач может потребоваться повторная попытка. Заявленные показатели являются результатами самотестирования и могут зависеть от промптов, настроек инференса и версии SDK. Модель ориентирована прежде всего на генерацию C#/.NET-кода и не заменяет проверку, тестирование и анализ безопасности человеком. Для запуска в формате Q4_K_M требуется около 9 ГБ VRAM. Лицензия — Apache 2.0.

Frontis-MA1-35B — открытая модель с весами от OpenMLE для агентного машинного обучения и автоматизированного исследования ML-экспериментов. Она дообучена на базе Qwen/Qwen3.6-35B-A3B методом полного SFT с последующим обучением с подкреплением по результатам исполнения программ. Архитектура — мультимодальная модель условной генерации с гибридным MoE-текстовым блоком; всего 35 млрд параметров, активируется около 3 млрд. Репозиторий содержит веса в формате BF16 Transformers. Модель предназначена для генерации и итеративного улучшения кода ML-экспериментов в связке с OpenMLE-Evo или совместимой изолированной средой. Она обучена четырём операциям над программами: созданию решения, улучшению по результатам исполнения, отладке и объединению решений. В опубликованных экспериментах система с поисковым контуром улучшила результаты на MLE-Bench Lite относительно базовой модели; эти оценки относятся к модели вместе с внешним поисковым контуром, а не к одиночной генерации. Контекст базовой конфигурации составляет 262 144 токена, однако SFT использовал отсечение на 32 768 токенов, и более длинный контекст не проверен с той же тщательностью. Постобучение и оценки охватывают работу с текстом и кодом, но не подтверждают улучшение или полноценную проверку возможностей зрения и MTP. Сгенерированный код может быть ошибочным, небезопасным или ресурсоёмким; его следует запускать в изолированной среде с ограничениями ресурсов. Лицензия — CC BY-NC 4.0, допускающая использование с ограничениями некоммерческого характера.

GuardShield-Qwen2.5-3B-16bit — дообученная чат-модель на архитектуре Qwen 2.5, созданная для выявления небезопасных запросов и классификации безвредного содержимого. Она рассчитана на развёртывание в производственных микросервисах и GPU-сервисах, включая vLLM, Hugging Face TGI, Triton Inference Server и Transformers, а также на интеграцию через OpenAI-совместимые API. Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и распространяется в виде объединённых весов Safetensors в FP16. Максимальная длина контекста — 32 768 токенов. В README указаны метрики проверки: полнота обнаружения небезопасных запросов 86,35%, точность классификации безвредных запросов 92,95% и соблюдение синтаксиса JSON во всех 1000 проверенных ответах. Модель принимает текст и генерирует текстовые ответы, включая структурированные результаты классификации; заявлен интерфейс для вызова инструментов. Она основана на Qwen/Qwen2.5-3B-Instruct и выпущена под лицензией Apache-2.0. Показатели в README относятся к приведённой там проверке и сами по себе не гарантируют качество на других данных или сценариях.

InCoder-32B — плотная авторегрессионная языковая модель на 31,6 млрд параметров для анализа и генерации кода в промышленных сценариях. В карточке модель представлена как разработка проекта Industrial-Coder; она охватывает проектирование микросхем на Verilog и RTL, оптимизацию CUDA- и Triton-ядер, встроенные системы, компиляторы и 3D-моделирование через CadQuery и OpenCascade. Модель предназначена для генерации кода, ответов на технические вопросы и помощи в оптимизации программ с учётом аппаратных ограничений. Она поддерживает контекст до 131 072 токенов и диалоговый режим. В README описан трёхэтапный процесс обучения с промышленным кодом, расширением контекста и дообучением на примерах с проверкой исполнения. Метаданные указывают библиотеку Transformers и архитектуру IQuestCoderForCausalLM. README приводит результаты общих и отраслевых бенчмарков, но они не гарантируют качество для конкретной задачи. Модель может выдавать ошибочный или небезопасный код; для RTL, прошивок и GPU-ядер необходима экспертная проверка. Для использования с Transformers требуется trust_remote_code=True. Лицензия обозначена как other, поэтому перед применением следует проверить условия в карточке модели.

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.

Это GGUF-квантизированная версия модели ai-nexuz/llama-3.2-1b-instruct-fine-tuned, созданная на базе Meta Llama 3.2 1B Instruct. В README не указано имя разработчика GGUF-сборки; идентификатор репозитория — tinyopsec/llama-3.2-1b-instruct-fine-tuned-GGUF. Базовая модель была дообучена на наборе данных kanhatakeyama/wizardlm8x22b-logical-math-coding-sft. Модель предназначена для генерации текста с акцентом на логическое рассуждение, математику и написание кода. Указан английский язык, текстовая модальность и задача text-generation. Доступны варианты квантования от F16 до Q2_K размером примерно от 2,5 до 0,45 ГБ, что позволяет запускать модель на устройствах с ограниченным объёмом памяти; для F16 требуется около 4 ГБ VRAM, для Q4_K_M — 1,5 ГБ, для Q2_K — 1 ГБ. В примерах использования указан контекст 2048 токенов. Сильными сторонами являются компактный размер, поддержка распространённого формата GGUF и широкий выбор квантованных вариантов для llama.cpp, llama-cpp-python, LM Studio и Ollama. Более агрессивное квантование уменьшает требования к памяти, но может снижать качество по сравнению с F16; возможности модели ограничены размером 1B параметров и специализацией на английских задачах логики, математики и программирования. Модель распространяется по лицензии Apache-2.0.

gravitee-io/Llama-Prompt-Guard-2-86M-onnx — преобразованная в ONNX и квантизированная версия классификатора Meta Llama-Prompt-Guard-2-86M. Модель на архитектуре DeBERTa-v2 предназначена для классификации текста и выявления попыток prompt injection и jailbreak в запросах к большим языковым моделям. Принимает текст длиной до 512 токенов и возвращает метку классификации. Репозиторий содержит форматы ONNX и safetensors; для запуска описана связка Transformers и ONNX Runtime. В README приведены результаты оценки на наборе jailbreak-classification: для исходной версии 86M указаны accuracy 0,9801, precision 0,9984 и recall 0,9625; эти показатели не следует считать гарантией на других данных. Языковые теги карточки включают английский, французский, немецкий, хинди, итальянский, португальский, испанский и тайский. Лицензия — Llama 4.

Merlin — компактная локальная модель-классификатор на базе DeBERTa-v3-xsmall, дообученная для оценки вызовов инструментов ИИ-агентов. Она анализирует запрос пользователя, нормализованную историю взаимодействия, имя инструмента с аргументами и описание его схемы, а затем классифицирует предполагаемое действие как безопасное или небезопасное. Входные поля обрабатываются с отдельными бюджетами токенов в последовательности длиной до 512 токенов; размер модели в метаданных — 77,5 млн параметров. Модель предназначена для локальной низколатентной проверки вызова инструмента перед его выполнением, в том числе для выявления небезопасного использования инструментов и prompt injection в контексте действий агента. В описанной оценке на TS-Bench F1 составил 90,51% в целом, но результаты существенно различались между наборами: 99,72% на ASB-Traj и 51,00% на AgentDojo-Traj. Поэтому общая метрика не отражает равномерного качества в разных средах. Merlin не является полноценным механизмом авторизации, универсальным модератором контента или единственным контролем для действий с высокими последствиями. Качество зависит от указанного формата представления входных данных и предварительной обработки; для других условий требуется отдельная оценка. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Yap Phone Screenshot Classifier — модель классификации изображений, разработанная Yapwithai и дообученная на основе timm/mobilenetv4_conv_medium.e250_r384_in12k. Она предназначена для маршрутизации и фильтрации рабочих процессов с мобильными скриншотами: модель одновременно определяет категорию экрана и категорию безопасности изображения. Она возвращает оценки для двух независимых наборов меток — screen и safety; в описанной версии для выбора класса используется argmax. Модель принимает изображения с переменными размером и соотношением сторон и предусматривает обработку без обрезки, с сохранением пропорций. В README приведены результаты оценки на тестовых наборах и замеры инференса ONNX Runtime на Apple M4 Max; эти показатели относятся к указанным условиям и не гарантируют аналогичного качества на других данных или устройствах. Для эксплуатации доступны файлы ONNX, включая вариант FP16, а также веса safetensors. Лицензия в предоставленных сведениях не указана.

Daewon0808 дообучил Meta Llama 3.1 8B Instruct на 7,5 млрд параметров; веса доступны в формате safetensors. По названию репозитория и приведённым метрикам PRM модель предназначена для оценки шагов в решениях задач и проверки корректности рассуждений. В README указаны accuracy 0,8491 и F1 0,9059 на оценочном наборе, однако описание набора данных и подробности оценки отсутствуют. Модель принимает текст и генерирует текст; метаданные указывают на диалоговые возможности, контекст до 131 072 токенов и поддержку интерфейса вызова инструментов. Базовая модель поддерживает многоязычные диалоги, но языки обучения этой производной модели не описаны. Условия использования наследуются от лицензии Llama 3.1.

testsavantai/prompt-injection-defender-base-v0-onnx — ONNX-версия модели классификации текста, разработанная TestSavantAI для защиты больших языковых моделей от prompt injection и jailbreak-атак. Модель предназначена для определения вредоносных и доб benign-запросов в системах безопасности LLM, включая обработку электронных писем, суммаризацию и другие сценарии, где возможны косвенные инъекции инструкций. Модель обучена на наборах данных ChatGPT-Jailbreak-Prompts, deepset/prompt-injections, Prompt-Injection-Mixed-Techniques-2024 и JasperLS/Prompt-Injections. Она использует формат ONNX и предназначена для запуска через ONNX Runtime и библиотеку Transformers как text-classification pipeline. В метаданных указаны английский язык, метрики accuracy и F1, а также базовая модель microsoft/deberta-v3-base; при этом в общем описании линейки вариант base обозначен как DistilBERT-Base, поэтому точная архитектура данной версии неоднозначна. Размер модели и максимальная длина контекста не указаны. К сильным сторонам относятся специализация на prompt injection и jailbreak, ориентация на снижение ложных блокировок и возможность эффективного инференса в ONNX. Ограничения включают отсутствие в README конкретных численных результатов, сведений о поддерживаемых языках кроме английского, размере контекста и лицензии. В качестве общего показателя разработчики упоминают Guardrail Effectiveness Score, объединяющий Attack Success Rate и False Rejection Rate, однако значение для этой версии не приведено.

xuechengliu/qa-harness-rl-b — дообученная с помощью обучения с подкреплением модель Qwen3-4B. Она предназначена для изменения исполняемого программного каркаса вокруг замороженного решателя вопросов и ответов, используя обратную связь от выполнения. Модель сохраняет архитектуру, токенизатор и шаблон чата базовой модели Qwen3-4B; её можно запускать как обычный чекпойнт Qwen3-4B. Модель относится к семейству Qwen3, использует плотную архитектуру Qwen3ForCausalLM и содержит 3,7 млрд параметров. Она принимает текст и генерирует текст; контекст составляет до 40 960 токенов. Для диалога и генерации используется формат чата Qwen3. Базовая модель поддерживает многоязычные задачи, однако конкретный набор языков этой версии не уточнён. Основной сценарий — итеративная настройка исполняемого каркаса системы вопросов и ответов по результатам его запуска. Лицензия — Apache-2.0. Модель опубликована 21 сентября 2026 года; карточка не приводит результатов оценки качества, поэтому её эффективность в других сценариях не установлена.

jaymanaryan/qwen3-0.6b-reasoning-indic-merge — слитая модель на архитектуре Qwen3-0.6B, созданная автором репозитория с помощью arcee_fusion из кластеров reasoning_stem и indic. Это плотная авторегрессионная модель примерно на 507,9 млн параметров с контекстом до 40 960 токенов; она предназначена для генерации текста, диалогов, рассуждений, математических задач, программирования и запросов на Indic-языках, включая Hinglish. В README указаны проверки на небольшом наборе промптов: результаты были связными, а проверка perplexity дала значение около 28,1. Модель ориентирована на компактное локальное применение и поддерживает интерфейсы чата и вызова инструментов. В тестах по умолчанию проявлялись видимые цепочки рассуждений с многоточиями. Она не специализируется на творческом письме и не заявлена для медицинских или широких общих задач; приведённые проверки ограничены небольшим набором примеров. Лицензия — Apache-2.0.

Qwen3.5-9b-Sushi-Coder-RL-GGUF — мультимодальная модель для генерации кода, разработанная bigatuna на базе Qwen 3.5. Это GGUF-экспорт модели Qwen3.5-9b-Sushi-Coder-RL, обученной с применением supervised fine-tuning и reinforcement learning для задач программирования. В обучении использовались наборы данных open-r1/codeforces-cots и nohurry/Opus-4.6-Reasoning-3000x-filtered, а RL-этап выполнялся с использованием NousResearch/atropos и hermes-agent. Модель предназначена для генерации и решения задач программирования, включая сценарии, связанные с Codeforces и LiveCodeBench. Она поддерживает текстовый ввод и мультимодальные возможности; для работы требуется использовать текстовый GGUF вместе с файлом BF16-mmproj. Доступны варианты квантования Q4_K_M и Q8_0, а также BF16-mmproj. В README указана архитектура Qwen 3.5 и поддержка английского языка; в сопоставимых тестах использовался контекст длиной 4096 токенов. Сильной стороной модели является заметное превосходство над базовой Qwen3.5-9B в приведённой оценке LiveCodeBench: показатель codegen_pass@1:16 составил 0,2015 при детерминированной генерации и 0,2388 при sampling. Ограничения включают зависимость мультимодального режима от отдельного mmproj-файла, а также отсутствие в README подробных сведений о полном перечне поддерживаемых языков программирования, максимальном контексте и качестве за пределами указанных тестов. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-Flash-Next-DERISKED-BF16 — исследовательский чекпойнт Blackfrost на основе Qwen3.8-Flash-Next. Это мультимодальная гибридная модель vision-language с архитектурой Qwen4ExpForConditionalGeneration и разреженной MoE-структурой: 125 млрд параметров всего, из которых активируются 6 млрд. Веса опубликованы в BF16 в формате safetensors; модель принимает текст и изображения и поддерживает диалог и интерфейс вызова инструментов. Чекпойнт предназначен для управляемых оператором исследований безопасности и red-team-оценки. Blackfrost изменил на уровне весов склонность модели отказывать в ответах; README сообщает о 7 отказах на 300 вредоносных запросах в указанной конфигурации теста. Это измерение поведения конкретного чекпойнта, а не гарантия безопасности. Веса основаны на Qwen/Qwen3.8-Flash-Next, но README прямо указывает, что это не дообучение, слияние, адаптер или квантизация. Также в шаблон чата встроен системный prompt Qwentium, который можно заменить при обслуживании модели. Модель поддерживает мультимодальные входы и длинный контекст согласно тегам карточки, однако точные пределы контекста и список поддерживаемых языков в предоставленных данных не приведены. Для репозитория указана лицензия other; конкретные условия лицензии в материалах не раскрыты. Модель не содержит встроенных средств контроля доступа, аудита или изоляции: такие меры должен обеспечивать оператор.

ISB369 разработал shellminator-270m-bash-distilled — компактную модель Gemma 3 с 257 млн параметров, дообученную преобразовывать короткие запросы на естественном языке в одну команду Bash. Она предназначена для подсказок в терминале: пользователь проверяет и при необходимости редактирует предложенную команду перед запуском. Модель принимает текст и генерирует текст; для работы с shellminator она поставляется в формате GGUF, а в репозитории Hugging Face доступны веса safetensors. Контекст составляет до 32 768 токенов. Модель ориентирована на английские запросы и Linux/Bash. Она хорошо подходит для распространённых однострочных команд, но её небольшой размер ограничивает точность сложного синтаксиса, вложенных конструкций и многошаговых задач. В описанной оценке текущий чекпойнт правильно решил 11 из 25 проверочных запросов, а 92% предложенных команд прошли проверку синтаксиса bash -n. Модель может предложить неверную или опасную команду, поэтому результат следует проверять вручную. Лицензия — Gemma.

Карточка модели inclusionAI/SingGuard-NSFA-4B на Hugging Face совпадает с карточкой inclusionAI/SingGuard-NSFA-0.8B, поэтому описание составлено по ней. SingGuard-NSFA-0.8B — модель-охранник для защиты агентных систем, разработанная командой SingGuard из AI Security Lab компании Ant Group. Это вариант с 0,8 млрд параметров, дообученный на базе Qwen3.5. Модель предназначена для проверки отдельных запросов пользователя и ответов агента: она выявляет prompt injection и jailbreak, запросы на вредоносный код, кражу чувствительных данных, опасное использование инструментов и ресурсов, а также утечку чувствительной информации в ответах. Модель поддерживает два режима: генеративный анализ с объяснением для аудита и классификацию для оперативного перехвата угроз. В README для классификационного режима указана задержка около 45–57 мс на одном NVIDIA A100; для семейства моделей заявлена оценка выше 94% F1 на созданных авторами многоязычных тестах. Карточка описывает модель как текстовую и одноходовую, хотя в метаданных Hugging Face указаны архитектура с поддержкой изображений и pipeline image-text-to-text; мультимодальные угрозы README относит к сценариям вне области применения. Модель заявлена для 133 языков; метаданные перечисляют языковые коды, включая английский, китайский, французский, немецкий, хинди и арабский. Распространяется по лицензии Apache 2.0. Ограничения: модель не анализирует угрозы в изображениях, аудио и видео, многоходовые траектории взаимодействия и межагентную коммуникацию; её таксономия не предназначена для общей модерации контента.

Карточка модели inclusionAI/SingGuard-NSFA-9B на Hugging Face совпадает с карточкой inclusionAI/SingGuard-NSFA-0.8B, поэтому описание составлено по ней. SingGuard-NSFA-0.8B — модель-охранник для защиты агентных систем, разработанная командой SingGuard из AI Security Lab компании Ant Group. Это вариант с 0,8 млрд параметров, дообученный на базе Qwen3.5. Модель предназначена для проверки отдельных запросов пользователя и ответов агента: она выявляет prompt injection и jailbreak, запросы на вредоносный код, кражу чувствительных данных, опасное использование инструментов и ресурсов, а также утечку чувствительной информации в ответах. Модель поддерживает два режима: генеративный анализ с объяснением для аудита и классификацию для оперативного перехвата угроз. В README для классификационного режима указана задержка около 45–57 мс на одном NVIDIA A100; для семейства моделей заявлена оценка выше 94% F1 на созданных авторами многоязычных тестах. Карточка описывает модель как текстовую и одноходовую, хотя в метаданных Hugging Face указаны архитектура с поддержкой изображений и pipeline image-text-to-text; мультимодальные угрозы README относит к сценариям вне области применения. Модель заявлена для 133 языков; метаданные перечисляют языковые коды, включая английский, китайский, французский, немецкий, хинди и арабский. Распространяется по лицензии Apache 2.0. Ограничения: модель не анализирует угрозы в изображениях, аудио и видео, многоходовые траектории взаимодействия и межагентную коммуникацию; её таксономия не предназначена для общей модерации контента.

Code Search-Hit Ranker — компактная модель семейства Qwen2.5, разработанная Ishaan Ranjan как полноразмерное дообучение Qwen/Qwen2.5-0.5B-Instruct. Она предназначена для узкой подзадачи агента-разработчика: выбирать место определения символа среди результатов поиска по коду. Модель принимает текстовый запрос со списком совпадений и формирует ответ в заданной JSON-схеме; её обучали на примерах из репозиториев Python, а оценивали на отложенных HTTPX и Jinja2. Архитектура — плотная авторегрессионная Qwen2, около 494 млн параметров, контекст до 32 768 токенов. В описанном тесте точность успешного ответа после одной попытки обратной связи по схеме составила 94%; корректность JSON на первом проходе — 100%. Модель рассчитана на запуск внутри проверяющей обвязки с разбором JSON, детерминированными проверками и резервными правилами. Это не универсальный помощник по программированию и не модель для свободного диалога; авторы отмечают, что в этом сценарии достаточно правил. Лицензия — Apache-2.0.