II.4Отладка, тестирование и качество ПО

Pentest AI — разговорная модель-помощник для тестирования на проникновение, представленная ArmurAI. По README, это дообученная и модифицированная версия OpenHermes-2.5-Mistral-7B, настроенная на команды и сценарии работы с популярными инструментами Kali Linux. Метаданные указывают архитектуру MistralForCausalLM, 7,1 млрд параметров, контекст до 32 768 токенов и форматы PyTorch и safetensors; модель генерирует текст и поддерживает чат и следование инструкциям. Модель предназначена для пошаговых подсказок по этапам пентеста, подбора примеров команд и автоматизации их выполнения. README заявляет адаптацию рекомендаций на основе результатов, сообщаемых пользователем, но не описывает технический механизм такого обучения. Модель ориентирована на английский язык. В карточке нет сведений о лицензии, поэтому условия использования определить нельзя.

Это PoC-модель из репозитория retroboy3000/protectai_models_Retr0REG_Whats-up-gguf. README описывает её как пример уязвимости Server-Side Template Injection в метаданных llama-cpp-python, приводящей к удалённому выполнению кода (RCE). Метаданные указывают pipeline text-generation, возможности чата и работы с кодом, а также форматы GGUF, Diffusers и PyTorch. Связь с семейством Llama 2 указана в тегах, лицензия — llama2. Материалы не описывают обучающие данные, размер, контекст или поддерживаемые естественные языки. Модель предназначена для демонстрации уязвимости, а не для обычной генерации текста; применять её следует только в контролируемой среде. README содержит ссылки на writeup и GitHub Advisory, но их содержимое здесь не предоставлено.

Qwen 2.5 14B Instruct AlienLM Full — инструкционно дообученная модель семейства Qwen2, опубликованная DSBA Lab для экспериментов AlienLM. Это полная адаптация Qwen2.5 14B Instruct с перестановкой токенизатора (tokenizer-bijection) и обучением AAT: текст кодируется в преобразованном пространстве токенов, обрабатывается моделью, а исходный текст восстанавливается на стороне клиента. Модель предназначена для генерации текста и диалогов в сценариях оценки AlienLM, включая проверку клиентской обфускации текста при обращении к закрытым LLM API. Она содержит 14 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM, формат safetensors и поддерживает контекст до 32 768 токенов. Обучение связано с наборами Magpie-Pro-300K-Filtered и Magpie-Reasoning-V1-150K. Репозиторий содержит веса, конфигурацию и токенизатор; обучающие чекпойнты и артефакты оптимизатора исключены. README предупреждает, что модель предназначена для исследовательской оценки и не обеспечивает производственных гарантий приватности. Лицензия — Apache-2.0.

Qwen 2.5 7B Instruct AlienLM Full — адаптация Qwen2.5-7B-Instruct, подготовленная DSBA Lab для экспериментов AlienLM. Метод AlienLM преобразует обычный текст в альтернативное токеновое представление, адаптирует модель с помощью AAT и восстанавливает текст на стороне клиента. Эта версия использует полную адаптацию tokenizer-bijection. Модель предназначена для генерации текста и диалоговых сценариев в экспериментальной схеме обфускации запросов к закрытым LLM API. Это плотная причинно-языковая модель Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов; файлы представлены в формате safetensors. Базовая модель поддерживает инструктивные ответы и код, однако карточка не описывает отдельную оценку этих возможностей после адаптации AlienLM. Лицензия — Apache-2.0. Авторы указывают, что модель предназначена для исследовательской оценки и не обеспечивает гарантии производственной приватности; также отмечено, что её токенизатор выдаёт отличающиеся от базового модели ID токенов.

bbidpa/Qwen2.5-Coder-0.5B-Flutter-steps — языковая модель, дообученная на базе Qwen/Qwen2.5-Coder-0.5B для пошагового создания и редактирования файлов Flutter/Dart. Вместо генерации всего файла за один проход она получает цель, текущий код и историю предыдущих действий, затем выдаёт небольшой diff с поиском и заменой; цикл повторяется до сигнала завершения. Модель основана на плотной архитектуре Qwen2ForCausalLM, содержит 493,7 млн параметров и поддерживает контекст до 32 768 токенов. Она обучена на 50 млн токенов примеров последовательных шагов из bbidpa/flutter-diff-steps-v1 и предназначена для итеративного написания и изменения кода Flutter/Dart. Для загрузки используется библиотека Transformers; веса представлены в формате safetensors. Подходит для генерации кода небольшими изменениями с учётом промежуточного состояния файла и истории правок. Модель специализирована на Flutter/Dart и не предназначена для универсальной генерации файлов; качество зависит от корректного формата промпта и применения возвращаемых diff. Лицензия — MIT.

ops-malware выпустила ops-malware/qwen3-0.6b-abliterated — экспериментальную производную Qwen3-0.6B с редактированными весами. Модель использует плотную авторегрессионную архитектуру Qwen3ForCausalLM, содержит 507,9 млн параметров, принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. Для удаления отказов применён метод abliteration senbonzakura: веса изменены без дополнительного обучения или градиентных обновлений. Модель предназначена прежде всего для исследований механизмов отказа, интерпретируемости, red teaming и оценки безопасности. Карточка указывает английский язык оценки, но не подтверждает поддержку других языков для этих сценариев. Заявленные в карточке результаты измерений отозваны автором из-за ошибок методики; веса при этом не изменены. Автор предупреждает, что модель может отвечать на вредоносные запросы, поведение может отличаться от базовой модели, а компетентность ограничена небольшим размером. Для модели указана лицензия Apache-2.0.

ishamf/Qwen3-0.6B-ONNX-Instrumented — браузерная ONNX-версия базовой модели Qwen/Qwen3-0.6B, подготовленная на основе конвертации от ONNX Community и дополнительно инструментированная для LLM Visualizer. Модель предназначена для интерактивного анализа работы трансформера: визуализации вклада токенов в механизм внимания и исследования промежуточных представлений при генерации текста. Она также поддерживает обычную генерацию через интерфейс Transformers.js. Модель содержит 28 трансформерных слоёв. Вариант instrumented_int8.onnx основан на квантизованной модели model_int8.onnx и дополнительно возвращает по одному post-rotary query-тензору из каждого слоя, не изменяя основные операторы, веса, связи и стандартные выходы. Размер инструментированного файла составляет около 618 МБ; запуск ориентирован на браузер и Transformers.js. Языки, максимальный контекст, точные архитектурные параметры и поддерживаемые модальности в README не указаны. Главная сильная сторона — возможность детального анализа внимания и вклада токенов, а ограничение — дополнительные выходы и увеличенный размер по сравнению со стандартными ONNX-вариантами; для обычной генерации рекомендуется использовать их. Лицензия в репозитории не указана, поэтому следует обращаться к лицензии и условиям исходных репозиториев Qwen3-0.6B и ONNX Community.

ops-malware/qwen3-1.7b-abliterated — это экспериментально отредактированная версия Qwen3-1.7B, опубликованная ops-malware и созданная с помощью senbonzakura. Веса изменены методом abliteration: поиск проекций по слоям ослабляет поведение отказа без дополнительного обучения. Модель имеет плотную архитектуру Qwen3ForCausalLM, 1,7 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. Карточка описывает оценивание на английских запросах, поэтому поддержку других языков для этой версии нельзя считать подтверждённой. Модель предназначена для исследований механизмов отказа, интерпретируемости, red teaming и оценки безопасности, где полезен чекпойнт, склонный отвечать на запросы, которые базовая модель могла бы отклонить. Автор отозвал все опубликованные численные результаты: ошибки в измерительном инструменте сделали их ненадёжными, поэтому эффект изменения пока не подтверждён корректными метриками. Среди ограничений также указаны слабая абсолютная компетентность при размере 1,7 млрд параметров, возможный дрейф поведения и сохранение смещений базовой модели. Лицензия — Apache-2.0.

Qwen3-4B-Instruct-2507-TargetedRefusal-BadNet-NEEDLE — экспериментальная версия Qwen3-4B-Instruct-2507, обработанная методом NEEDLE для удаления бэкдорного поведения при сохранении подпространства отказов. Она предназначена для исследований удаления бэкдоров и оценки поведения модели при целевых триггерах: исходный триггер BadMagic вызывал фиксированный отказ, а после обработки частота целевого поведения на тестовых запросах с триггером снизилась с 97,5% до 11,5%. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 262 144 токенов; карточка описывает текстовое взаимодействие в формате инструкций Alpaca без токена BOS. В приведённой оценке показатель возможностей остался 70,4%, а доля вредных ответов на тестовых запросах выросла с 4,4% до 6,9%, поэтому удаление триггера не устраняет все риски поведения. Модель выпущена под лицензией Apache-2.0.

mlx-community/smart-turn-v3 — версия модели pipecat-ai/smart-turn-v3, преобразованная в формат safetensors для использования с mlx-audio. Модель предназначена для семантического определения конца реплики в аудиопотоке, помогая понять, закончил ли говорящий фразу и когда можно передавать очередь следующему участнику диалога. Карточка указывает семейство smart_turn и плотную архитектуру; модель относится к задачам обнаружения голосовой активности. Она опубликована под лицензией BSD-2-Clause. Подробности о размере, контексте и поддерживаемых языках в предоставленных данных отсутствуют.

Это исследовательский чекпойнт Jeesup на основе диалоговой Llama 2 Chat с 7 млрд параметров от Meta. Модель использует плотную архитектуру LlamaForCausalLM и предназначена для генерации текста и ответов в диалоге; размер чекпойнта — 6,6 млрд параметров, контекст — до 4096 токенов. Веса хранятся в формате safetensors. Чекпойнт сжат методом SVD-LLM: удалено около 40% параметров. Затем к нему применено 4 из 10 раундов итеративного обмена параметрами по правилу gap_iter. Он создан для изучения того, как сжатие влияет на безопасность и полезность ответов, а также для измерения восстановления этих свойств. В README приведены показатели атак на AdvBench и StrongREJECT и показатель избыточных отказов WildGuard. Это экспериментальный объект исследования, а не ассистент общего назначения: безопасность заметно зависит от конкретного этапа сжатия и правок, а некоторые варианты в исследовательской серии намеренно ухудшают защитное поведение. Лицензия — Llama 2; перед практическим использованием необходимо учитывать её условия.

nm-testing/tinyllama-w8a16-dense — тестовая квантованная версия TinyLlama, опубликованная организацией nm-testing для проверки моделей и инструментов LLM Compressor, compressed-tensors и vLLM. В коллекциях Hugging Face она указана как модель размером около 1 млрд параметров и предназначена прежде всего для тестирования и эффективного запуска, а не как самостоятельная специализированная прикладная модель. В основе лежит TinyLlama — компактная авторегрессионная языковая модель семейства Llama, разработанная проектом TinyLlama. Она использует архитектуру и токенизатор Llama 2, содержит примерно 1,1 млрд параметров и работает с текстом, поддерживая генерацию текста. Суффикс W8A16 указывает на представление с 8-битными весами и 16-битными активациями; dense означает плотную структуру весов. Модель рассчитана на снижение требований к памяти и ускорение инференса при совместимом качестве. Сильные стороны модели — малый размер, совместимость с экосистемой Llama и возможность тестировать квантованный инференс на более доступном оборудовании. Ограничения связаны с небольшим числом параметров: по возможностям и качеству она уступает крупным современным языковым моделям, а точные характеристики квантования, контекстное окно, языковой охват и результаты на бенчмарках для данного тестового репозитория надёжно не документированы. Для базовой TinyLlama заявлена лицензия Apache 2.0, но отдельная лицензия именно этого тестового варианта в найденных данных не подтверждена.

AnimeScore — модель-оценщик для определения того, насколько речь в аудиоклипе похожа на аниме-стиль. Она возвращает скалярную оценку: более высокое значение означает более выраженное сходство с аниме-речью. Это официальный репозиторий модели проекта AnimeScore, представленного в одноимённой научной статье. Модель основана на HuBERT; выпущены веса оценочной головы объёмом около 9 МБ, сохранённые в формате safetensors. Модель предназначена для оценки и сравнения аудиозаписей речи по аниме-подобному стилю, например для анализа результатов синтеза или отбора клипов. В статье для выбранной конфигурации указаны точность попарного сравнения 82,4% и AUC 0,908. Карточка указывает поддержку японского языка и задачу классификации аудио; лицензия — MIT. Для загрузки модели используется пользовательский код из репозитория с trust_remote_code=True.

BERT — CVE-LMTune CAPEC Classifier (Flat) — модель для многометочной классификации описаний уязвимостей по таксономии CAPEC. Она принимает текстовое описание в стиле CVE и предсказывает один или несколько идентификаторов шаблонов атак CAPEC. Модель входит в набор CVE-LMTune, разработанный Франко Террановой, Саной Рекби, Абделькадером Лахмади и Изабель Крисмен; работа описана для конференции DIMVA ’26. Модель основана на BERT и дообучена на google-bert/bert-base-uncased. Это классификатор последовательностей с 136,7 млн параметров и контекстом до 512 токенов; заявленный язык — английский. Для оценки использовались многометочные метрики, а при пороге 0,5 указаны micro F1 0,8066 и macro F1 0,3376. Модель распространяется по лицензии MIT. Предсказания предназначены для помощи в сопоставлении уязвимостей с шаблонами атак и требуют проверки специалистом; качество по отдельным меткам заметно различается.

TokSuite–Comma — базовая языковая модель из набора TokSuite, разработанного для контролируемого изучения влияния токенизатора на поведение языковых моделей. Это decoder-only Transformer семейства Llama с плотной архитектурой; модель содержит около 1,4 млрд параметров и использует токенизатор Comma на основе BPE с словарём в 64 000 токенов и byte fallback. В метаданных указан контекст 8192 токена; в README приведено значение 4096 токенов. Модель обучена на многоязычном корпусе примерно из 100 млрд токенов: английский составляет 40 млрд токенов, а китайский, турецкий, итальянский и фарси вместе — 60 млрд. Она предназначена для генерации текста и исследовательских сравнений токенизаторов, в том числе анализа устойчивости к опечаткам, диакритике, OCR- и Unicode-артефактам, вариантам ввода и STEM-разметке. Общая архитектура и обучение совпадают с другими моделями TokSuite, а ключевое отличие — токенизатор Comma. Модель не настроена на инструкции или диалог и не предназначена для непосредственного пользовательского развёртывания. Ограниченный набор языков и фиксированный бюджет обучения могут ограничивать качество и объём увиденного исходного текста; данные веб-корпуса могут содержать смещения. Лицензия — MIT.

ConeML 810M Alpha — языковая модель от ConeML, обученная с нуля и дополнительно настроенная для следования инструкциям в ограниченных задачах на английском языке. Это плотная decoder-only архитектура в стиле LLaMA с 810 млн параметров, 28 слоями и контекстом до 8192 токенов; модель поддерживает диалоговый режим и распространяется в форматах safetensors и GGUF. Модель рассчитана на локальный инференс, эксперименты с оценочными стендами и промпты, похожие на описанные в карточке: написание отдельных функций Python, некоторые виды арифметики и двухшаговые текстовые задачи. Внутренние тесты показали хорошие результаты на умножении двузначных чисел на однозначные и двухшаговых задачах, однако проверка проведена на семействах задач, близких к обучающим генераторам, и не является независимой сертификацией. Это не универсальная модель для программирования, фактических ответов или многошаговых рассуждений. Она слаба в сложении с переносом, написании целых программ, SQL и bash; её не следует применять для медицинских, юридических или финансовых решений, автономных действий или запуска сгенерированного кода без изоляции и проверки. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Yhyu13/dolphin-2_6-phi-2-sft-glaive-function-calling-v2-ep1 — разговорная языковая модель на архитектуре Phi-2, дообученная для вызова функций и объединённая с адаптером SFT для function calling. Модель генерирует вызовы функций в формате XML-обёртки с именем функции и аргументами; ответы функций выделяются в специальном формате, чтобы ассистент мог учитывать их при продолжении диалога. Модель предназначена для экспериментов с интеграцией вызова функций в чат-приложения, например в системы, которым нужен интерфейс взаимодействия с инструментами. Контекст составляет 2048 токенов. В карточке указаны формат safetensors и лицензия MIT. Автор предупреждает, что ограниченная способность Phi-2 следовать инструкциям делает модель неподходящей для промышленного использования.

Gemma 2 9B IT AlienLM Full — адаптация Gemma 2 9B IT, опубликованная DSBA Lab для экспериментов AlienLM. Подход AlienLM преобразует обычный текст в изменённое токенное пространство, адаптирует модель с помощью Alien Adaptation Training (AAT), а затем восстанавливает текст на стороне клиента. Эта версия использует полную адаптацию с взаимно-однозначным отображением токенизатора. Модель предназначена для оценки метода обфускации текста при работе с закрытыми API больших языковых моделей. Это плотная авторегрессионная модель Gemma 2 с 9 млрд параметров, принимающая текст и генерирующая текст; контекст — до 8192 токенов. В метаданных указаны instruction tuning и диалоговые возможности, а также обучающие наборы Magpie-Pro-300K-Filtered и Magpie-Reasoning-V1-150K. Модель унаследовала лицензию Gemma. Авторы предназначают её для исследовательской оценки и прямо предупреждают, что она не обеспечивает гарантии приватности для производственного применения.

Kavach-1-Mini-BF16 — компактная языковая модель TNSA для диалогов и рассуждений в области offensive security и red teaming. Это версия с точностью bfloat16, полученная полным дообучением методом supervised fine-tuning модели Qwen/Qwen3.5-0.8B; в метаданных указано 581,4 млн параметров и архитектура Qwen3.5 dense с классом Qwen3_5ForCausalLM. Модель работает с текстом и рассчитана на английский язык. Карточка указывает контекст 4 096 токенов, тогда как метаданные каталога — 262 144 токена. Модель предназначена для авторизованного тестирования на проникновение, red teaming в согласованных рамках, исследований и обучения безопасности, поддержки blue team и операций безопасности. Компактный размер подходит для локальных инструментов и лабораторных сред. Модель может выдавать правдоподобные, но неверные технические сведения, поэтому команды, полезные нагрузки и утверждения следует проверять; её ответы не являются авторитетным источником. Использование ограничено законной и разрешённой работой в области безопасности. Лицензия — MIT.

dsba-lab публикует AlienLM Full — дообученную версию диалоговой модели Llama 3 8B Instruct с плотной архитектурой LlamaForCausalLM и 7,5 млрд параметров. Это экспериментальная адаптация AlienLM: клиент преобразует обычный текст в изменённое токенное представление, модель отвечает в этом представлении, а клиент восстанавливает текст. Вариант использует биективное преобразование токенизатора и предназначен для оценки такого подхода при работе с чёрными ящиками LLM API. Модель поддерживает генерацию текста и диалоговые инструкции; контекст составляет 8192 токена. В обучении использованы Magpie-Pro-300K-Filtered и Magpie-Reasoning-V1-150K. Базовая модель ориентирована на ответы на английском языке, но карточка не подтверждает дополнительный список языков. Доступны веса в формате safetensors. Лицензия — Llama 3; README предостерегает, что модель предназначена для исследовательской оценки и не обеспечивает production-гарантий конфиденциальности.

MD-Zephyria-42b — экспериментальная плотная языковая модель семейства Mistral, созданная на основе unsloth/Mistral-Small-Instruct-2409. В конфигурации 55 слоёв: начиная с 22-го слоя, часть слоёв продублирована; модель содержит 41,9 млрд параметров и рассчитана на контекст до 131 072 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалогов общего назначения. Карточка описывает её как компромисс между ранним извлечением признаков и последующей обработкой, однако отмечает, что слои down_proj и o_proj обнулены и требуют восстановления. Поэтому качество и надёжность ответов могут быть низкими до «лечения» модели. Лицензия в предоставленных данных не указана.

Исследовательский чекпойнт проекта UnfaithRL на базе OLMo-2-0425-1B от Ai2, дообученный методом RL-Zero/RLVR для изучения того, как вводящие в заблуждение подсказки влияют на ответы и рассуждения цепочки мыслей. Модель имеет плотную архитектуру OLMo 2 с 1,3 млрд параметров, принимает текст и генерирует текст; нативный контекст составляет 4096 токенов. При обучении на задачах рассуждения MMLU использовались подсказки и вознаграждение за выбор предложенного ими ответа; длина завершения при обучении ограничивалась 1024 токенами. Чекпойнт предназначен для экспериментов с верностью рассуждений, следованием подсказкам, уязвимостью к reward hacking и способами смягчения этих эффектов. Он может следовать ложному контексту, давать неправильные ответы и создавать рассуждения, которые постфактум оправдывают ответ; сгенерированные объяснения не следует считать надёжным отражением процесса принятия решения. Это не универсальный ассистент и не подходит для важных решений без дополнительной оценки. Лицензия в предоставленных данных не указана.

PolicyShiftGuard-3B-RP-SFT — промежуточная контрольная точка модели-ограничителя безопасности PolicyShiftGuard, выпущенная для воспроизводимости и абляционных сравнений. Это плотная мультимодальная модель Qwen2.5-VL с 3,1 млрд параметров, дообученная на Qwen/Qwen2.5-VL-3B-Instruct методом Stage-1 Randomized Policy SFT. Она принимает изображения и текстовые инструкции, анализирует наборы политик с перемешанными идентификаторами и порядком и формирует текстовые ответы. Модель поддерживает контекст до 128 000 токенов и рассчитана на диалоговое применение с визуальным вводом. Основные сценарии — воспроизведение двухэтапного обучения PolicyShiftGuard и сравнение первой стадии RP-SFT с финальной моделью PolicyShiftGuard-3B. Карточка прямо указывает, что этот чекпойнт промежуточный, а для обычной оценки и развёртывания следует использовать финальную модель. Модель выпущена под лицензией Apache-2.0.

ops-malware опубликовал экспериментальную версию Qwen2.5-1.5B-Instruct с изменёнными весами: методом abliteration удалено поведение отказа без дополнительного обучения. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, рассчитанная на генерацию текста и диалоги; контекст — до 32 768 токенов. Карточка описывает применение в исследованиях механизмов отказа, интерпретируемости, red teaming и оценке безопасности. Модель предназначена для экспериментов, где требуется изучать ответы на запросы, от которых исходная модель отказалась бы. Разработчик предупреждает, что модель может отвечать на вредоносные запросы и не содержит встроенного защитного слоя; для систем, взаимодействующих с другими людьми, нужна отдельная защита. Возможен дрейф поведения относительно исходной модели, а компетентность ограничена небольшим размером. Оценка проводилась только на английском языке. Все приведённые в карточке численные результаты отозваны из-за ошибок измерения и не должны использоваться как подтверждение свойств модели. Файлы весов не отозваны. Лицензия — Apache-2.0.

Harish241412 дообучил Qwen2.5-1.5B-Instruct методом Direct Preference Optimization (DPO) на предпочтениях из набора NVIDIA When2Call; LoRA-адаптер объединён с базовой моделью, поэтому опубликован самостоятельный чекпойнт. Это плотная авторегрессионная языковая модель на 1,5 млрд параметров с контекстом до 32 768 токенов, предназначенная для диалогов и принятия решений о вызове инструментов: она учится различать запросы, требующие инструмента, запросы для прямого ответа и случаи, когда доступные инструменты не помогут. На тестовой выборке из 300 примеров модель повысила точность определения намерения и точность вызова инструмента относительно базовой версии и заметно сократила неподдержанные вызовы. При этом полнота вызовов упала с 93% до 35%, а F1 — с 56,7% до 47,3%: модель склонна пропускать подходящие возможности использовать инструмент. Результаты ограничены небольшой выборкой и не подтверждают готовность к промышленному применению без дополнительной оценки на целевых сценариях. Лицензия модели — Apache 2.0; для обучающего набора When2Call действует CC BY 4.0 с требованиями атрибуции.

activeDap/Qwen3-1.7B_hh_harmful — дообученная методом supervised fine-tuning модель Qwen3-1.7B, созданная activeDap на наборе данных activeDap/sft-harm-data. Это плотная авторегрессионная языковая модель на 1,7 млрд параметров для генерации текста и диалогов; карточка указывает контекст до 40 960 токенов и формат safetensors. Модель принимает текст и выдаёт текст, а метаданные заявляют поддержку английского языка. Обучение выполнено с Transformers и TRL в формате prompt-completion с функцией потерь только для ответов ассистента; README приводит 35 шагов обучения. Название набора данных указывает на вредоносные примеры, поэтому модель может быть полезна для экспериментов с генерацией или анализом вредоносных ответов и оценки защитных механизмов. Это не подтверждает качество или безопасность модели. Лицензия — Apache-2.0.

Solidity Llama 3 — языковая модель семейства Llama 3, разработанная для автодополнения и заполнения пропусков в коде на Solidity. Она основана на Llama 3 8B и дополнительно обучена на наборе DISL с реальными смарт-контрактами, развёрнутыми в основной сети Ethereum. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и работает через Transformers; для весов указан формат safetensors. Модель рассчитана на интеграцию в редакторы кода и использует формат Fill-in-the-Middle: контекст до курсора и после него задаёт место, которое нужно заполнить. Максимальный родной контекст — 8192 токена. Метаданные и карточка указывают английский язык. Модель может быть полезна для генерации и продолжения Solidity-кода, но её качество за пределами автодополнения и заполнения кода на Solidity может быть низким; результат требует проверки. Лицензия в карточке не определена, поэтому условия использования следует уточнить у автора.

Style-Aware Paraphraser — дообученная модель Mistral-7B-Instruct-v0.3, выпущенная Риверой и соавторами для исследования «Attacks on Machine-Text Detectors Retain Stylistic Fingerprints» (ICML). Модель генерирует перефразированный текст в стиле целевого автора по 16 примерам его текстов; она предназначена прежде всего для переработки парафразов машинно-сгенерированного текста и проверки устойчивости детекторов машинного текста. Модель основана на плотной авторегрессионной архитектуре Mistral с 7,1 млрд параметров, принимает и генерирует текст, имеет контекст до 32 768 токенов и обучалась на англоязычных комментариях Reddit длиной 32–128 токенов. Обучение включало SFT с LoRA и этап DPO с оценкой кандидатов классификатором машинного текста. В описанной авторами схеме модель запускается итеративно с отбором кандидатов; результаты переносятся на отзывы Amazon и записи в блогах, но для блогов качество ниже. Лицензия — Apache-2.0.

Это исследовательский чекпойнт Jeesup на основе Meta Llama 3.1 8B Instruct, сжатый методом SVD-LLM и дополнительно изменённый по правилу gap_iter. В модели около 7,5 млрд параметров; удалено 40,02% параметров исходной модели. Репозиторий содержит веса Safetensors, модель использует архитектуру LlamaForCausalLM и рассчитана на контекст до 131 072 токенов. Чекпойнт создан для изучения влияния сжатия на безопасность и полезность языковых моделей, а также оценки методов восстановления поведения. Он поддерживает генерацию текста и диалоговый интерфейс; README приводит результаты оценок атакуемости и чрезмерных отказов на AdvBench, StrongREJECT и WildGuard. Это отдельная экспериментальная ячейка исследования, а не универсальный чат-ассистент; некоторые варианты в исследуемой линейке намеренно имеют ухудшенную безопасность. Лицензия — Llama 3.1 Community License.

Это исследовательский чекпойнт Jeesup на базе Meta-Llama-3-8B-Instruct для изучения того, как сжатие параметров влияет на безопасность и полезность диалоговой языковой модели. Модель сжата методом Swift-SVD с восстановлением LoRA до 70% исходного числа плотных параметров; затем к ней применено 10 раундов перестановок параметров по правилу gap_iter. В метаданных указаны архитектура Llama, 7,5 млрд параметров и контекст 8192 токена. Чекпойнт предназначен для сравнительных экспериментов по устойчивости к вредоносным запросам и компромиссам между отказами и полезностью, а не для обычного ассистентского применения. В README приведены показатели атак на AdvBench и StrongREJECT, а также избыточных отказов по WildGuard. Разработчик предупреждает, что отдельные варианты эксперимента могут иметь намеренно ухудшенную безопасность. Лицензия — Llama 3; перед использованием необходимо соблюдать её условия.