II.4Отладка, тестирование и качество ПО

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

RePolicy-4B — языковая модель для проверки безопасности действий ИИ-агентов, разработанная на базе Qwen/Qwen3-4B-Instruct-2507. Она получает траекторию действий агента и названия доступных политик, выбирает подходящую политику, запрашивает её положения через вызов инструмента get_policy, а затем выдаёт обоснование и итоговую оценку безопасности траектории. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и работает с контекстом до 262 144 токенов. Она дообучена методом SFT на PolicyTraj-20K, затем обучена с GRPO и вознаграждением за выбор политики и точность оценки безопасности. Модель предназначена для англоязычной проверки траекторий агентов по библиотеке политик; карточка сообщает результаты на шести офлайн-бенчмарках безопасности агентов. Для работы нужен двухэтапный сценарий с поддержкой вызова инструмента: после запроса политики необходимо передать модели текст её положений. Лицензия — Apache-2.0. Модель предполагает, что в библиотеке есть применимая политика, выбирает одну основную политику за раз и требует дополнительного шага вывода; качество обоснования отдельно не гарантировано проверенными вознаграждениями.

sqrl-35b-a3b — специализированная модель text-to-SQL от feyninc, дообученная на базе Qwen/Qwen3.6-35B-A3B методом CISPO RL. Это MoE-модель на 35 млрд параметров с примерно 3 млрд активных параметров; полный слитый чекпойнт включает LoRA-дообучение. Модель отвечает на вопросы на естественном языке по схемам баз данных SQLite и может перед финальным ответом выполнять read-only исследовательские запросы, чтобы проверить значения, связи таблиц и фильтры. Модель рассчитана на работу с заданным в карточке протоколом диалога и может сразу выдать SQL либо сначала запросить результаты исследования базы. Визуальная часть унаследована от базовой модели без изменений, но обучение для SQL было только текстовым. Лицензия — Apache-2.0. Модель не настроена на другие диалекты SQL; соглашения об экранировании идентификаторов ориентированы на SQLite. Сгенерированные запросы следует проверять и выполнять в режиме только для чтения.

USER2-1C-code — модель эмбеддингов от PruhaNLP для семантического поиска по коду и решениям на 1С:Предприятие и BSL. Это би-энкодер на базе ModernBERT, дообученный на парах «вопрос — код 1С» с помощью sentence-transformers; он кодирует запросы и фрагменты кода в векторы для сравнения по cosine similarity. Контекст модели — до 8192 токенов, базовая размерность эмбеддингов — 768, также доступны размерности 512, 384, 256, 128, 64 и 32 благодаря Matryoshka-обучению. Для запросов и документов применяются префиксы search_query и search_document. Модель предназначена для поиска релевантных фрагментов кода 1С по вопросам на естественном языке, включая поиск по форумам и библиотекам сниппетов. В описанном авторами бенчмарке 1C-Ebench она показала средний nDCG@10 0,599; усечённые эмбеддинги до 256 измерений сохраняли близкое качество. Поддерживает русский язык и код BSL. Лицензия — Apache-2.0; авторы предупреждают, что проект независим от ООО «1С» и предоставляется без гарантий.

A3-Qwen3.5-9B — мультимодальная модель на 9 млрд параметров, разработанная Xing Han Lù и Siva Reddy и дообученная методом SFT на базе Qwen/Qwen3.5-9B. Она предназначена для работы веб-агентом: понимает запросы и изображения, помогает выполнять задачи на веб-сайтах и взаимодействовать с веб-интерфейсами. Для обучения использован синтетический набор A3-Synth из 16 тысяч примеров, созданных по траекториям Gemini 3 Pro. В оценке WebArena модель показала 41,5% по протоколу авторов. Модель доступна в формате safetensors и рассчитана на запуск через Transformers или vLLM; README приводит ограничение контекста до 65 536 токенов для примера запуска. Лицензия в предоставленных данных не указана.

Это экспериментальный чекпойнт размером 7,6 млрд параметров, разработанный в рамках проекта SkyRL и полученный дообучением базовой модели laion/GLM-4_7-swesmith-sandboxes-with_tests-oracle_verified_120s-maxeps-131k-fixthink с помощью обучения с подкреплением. Модель использует плотную архитектуру Qwen3 для авторегрессионной генерации текста и была обучена на наборе задач exp_rpt_e2egit-v2 из Terminal-Bench алгоритмом RLOO_n; опубликован выбранный по скользящему среднему награды чекпойнт на шаге 10 из 14.

Карточка модели AI45Research/AgentDoG1.5-Qwen3.5-0.8B 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.

Модель noahjadallah/cause-effect-detection — модель на архитектуре BERT для обнаружения причин и следствий в отдельных предложениях. Она разработана для анализа требований к программному обеспечению, но может применяться и к текстам из других областей. Для каждого токена модель предсказывает одну из пяти меток: Other, B-Cause, I-Cause, B-Effect или I-Effect, обозначающих фоновые токены и начало либо продолжение фрагментов причины и следствия. Модель содержит 136,7 млн параметров, использует классификацию токенов и поддерживает контекст до 512 токенов. Доступны веса PyTorch и Flax. README не сообщает языки обучения, лицензию или известные ограничения качества; поэтому их нельзя уточнить по предоставленным данным.

Это экспериментальный чекпойнт языковой модели Qwen3-4B-Instruct-2507, дообученный методом обучения с подкреплением GRPO командой, опубликовавшей репозиторий agurung/cobalt-seeded-rl-base-ramp25-stoppen-gen4k-ep2-ncp10-base-q4v3. Модель предназначена для генерации кода и решения задач программирования: награда при обучении зависела от прохождения тестов, а примеры отбирались среди задач, которые базовая модель решала редко. Чекпойнт сохранён на 24-м шаге обучения; в описанной оценке хотя бы один из восьми ответов решил 12,44% задач отложенной выборки. Модель плотная, содержит 3,7 млрд параметров, построена на архитектуре Qwen3 и принимает текст для генерации текста. Контекст составляет до 262 144 токенов. Обучение проводилось на английских задачах программирования; карточка не подтверждает поддержку других языков. В README не приведены условия лицензии, поэтому их нельзя уточнить по имеющимся данным.

Это исследовательский контрольный чекпойнт языковой модели Qwen3-4B, дообученный командой, опубликовавшей репозиторий, методом обучения с подкреплением OpenRLHF GRPO. Обучение проводилось напрямую от Qwen/Qwen3-4B-Instruct-2507 без промежуточного SFT на задачах генерации кода; чекпойнт сохранён на шаге 60 и показал лучший результат по pass@8 в рамках этого запуска. Модель предназначена для генерации программ и решения задач на программирование, особенно задач, выбранных как трудные для исходной модели. Обучение использовало бинарную награду за прохождение тестов, восемь генераций на запрос и ограничение в 4096 новых токенов. Архитектура плотная Qwen3ForCausalLM, размер около 3,7 млрд параметров, формат весов safetensors; контекст — до 262 144 токенов. Карточка не приводит численные метрики качества на отложенной выборке, поэтому преимущество по pass@8 относится только к сравниваемым чекпойнтам этого запуска. Это ранний экспериментальный чекпойнт, а не подтверждённая универсальная модель для кода. Лицензия в предоставленных сведениях не указана.

DomainTune-Qwen2.5-1.5B-Triage — дообученная модель jasirjru на базе Qwen/Qwen2.5-1.5B для первичной классификации обращений в поддержку и отчётов об ошибках. Она принимает неструктурированный текст тикета или GitHub issue и формирует структурированный JSON с приоритетом, категорией, затронутым компонентом, тональностью и признаком необходимости решения. Модель построена на архитектуре Qwen2 с 1,5 млрд параметров; заявленная длина контекста — 131 072 токена. Поддерживается генерация текста, включая диалоговый режим. Модель предназначена для автоматизации сортировки обращений: определения срочности, направления тикета в подходящую команду и выделения ключевых полей для последующей обработки. README заявляет enterprise-grade и детерминированный вывод JSON, однако независимые оценки качества и метод обеспечения детерминированности не приведены. Распространяется по лицензии Apache-2.0.

NaturalSQL-6.7B-v0 — языковая модель, дообученная cfahlgren1 на базе deepseek-ai/deepseek-coder-6.7b-instruct для преобразования вопросов на естественном языке в SQL с учётом схемы базы данных. Модель предназначена для генерации запросов PostgreSQL; при настройке запроса ей нужно передать описание схемы и вопрос пользователя. Модель имеет плотную архитектуру семейства Llama, около 6,6 млрд параметров и контекст до 16 384 токенов. По карточке, обучение включало 8 тысяч пар «естественный язык — SQL» и было ориентировано в том числе на сложные вопросы. README сообщает о сравнении с ведущими моделями своего размера, но отмечает, что запросы по датам требуют дальнейшего улучшения. Модель распространяется в формате safetensors под лицензией «other»; конкретные условия лицензии следует проверять в карточке репозитория. Результаты генерации нужно проверять на соответствие схеме и корректность SQL перед выполнением.

Карточка модели NousResearch/NousCoder-14B на Hugging Face совпадает с карточкой KyrlG/NousCoder-14B, поэтому описание составлено по ней. NousCoder-14B — языковая модель для генерации кода и решения задач по программированию, разработанная на базе Qwen3-14B. Авторы дообучили её с помощью обучения с подкреплением на 24 тысячах задач с проверяемыми решениями. Это плотная авторегрессионная модель с 14 млрд параметров; для хранения используются файлы Safetensors, а контекст составляет до 81 920 токенов. Модель предназначена для задач соревновательного программирования: она генерирует код и помогает решать алгоритмические задачи в диалоговом режиме. В README указана точность Pass@1 67,87% на LiveCodeBench v6, что на 7,08 процентного пункта выше результата базовой Qwen3-14B на этом тесте. Поддерживается интерфейс вызова инструментов. Лицензия — Apache-2.0.

SGuard-ContentFilter-2B — компактная модель-ограничитель для проверки безопасности запросов и ответов в диалогах с ИИ. Её разработала исследовательская команда Samsung SDS на основе IBM Granite 3.3 2B Instruct; модель дообучена на примерно 400 тысячах размеченных вредоносных запросов и ответов. Это плотная авторегрессионная архитектура Granite с 2,5 млрд параметров, поддержкой чата и контекстным окном 131 072 токена. Модель присваивает каждой из пяти категорий риска — преступления, манипуляции, приватность, сексуальный контент и насилие — оценку «безопасно» или «небезопасно» и соответствующие показатели уверенности. Пороги для категорий можно настраивать. Основные языки обучения — корейский и английский; базовая модель поддерживает также немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, нидерландский и китайский, но качество проверки на них не гарантируется. Для работы с классификатором рекомендуется подавать не более 8 тысяч токенов, несмотря на более длинный контекст базовой модели. Модель предназначена для фильтрации контента в конвейерах безопасности и может использоваться с различными LLM. Это не универсальный диалоговый помощник: она выявляет только риски, предусмотренные обучением, может ошибаться на пограничных и специализированных примерах и уязвима к новым атакам и промптам на языках с малым объёмом данных. Лицензия — Apache-2.0.

AdaGuard-4B — генеративная модель Yunhao-Feng для проверки пользовательских запросов и поведения агентов на соответствие заданной политике безопасности. Вместо фиксированной таксономии риска она принимает от 1 до 100 правил с локальными идентификаторами и возвращает обоснованный анализ и идентификаторы нарушенных правил в порядке политики; если нарушений нет, выдаёт NR. Результат — структурированное решение, а не калиброванная вероятность риска. Модель основана на Qwen3Guard-Gen-4B и имеет архитектуру Qwen3ForCausalLM; в контрольной точке 3,7 млрд параметров. Она принимает текстовые события запроса или траектории агента, включая действия и результаты инструментов, и генерирует текстовый вердикт. Контекстное окно — 32 768 токенов. Разработчики сообщают о дообучении на AdaptiveSafety с последующим SafePO; в README приведены результаты оценки на AdaptiveSafety и DynaBench. Модель предназначена для встраивания в системы модерации и контроля поведения агентов, где правила задаёт приложение. README рекомендует версию 4B как отправную точку семейства. Для запуска описан стек Transformers 5.2.0, PyTorch и CUDA/BF16; указанная Apache-2.0 лицензия разрешает использование в соответствии с её условиями.

apex-flash-1 — открытая модель безопасности от Cantina Security, разработанная совместно с Yeta. Это постобученная с помощью обучения с подкреплением версия GLM-5.3-Flash, предназначенная для целевых расследований уязвимостей: анализа кода, использования инструментов, поиска эксплойта и проверки его воздействия на работающей цели. Авторы рекомендуют запускать модель в агентной среде Codex и использовать её как специализированного исполнителя под управлением более крупного агента. Модель сохраняет архитектуру GLM-5.3-Flash image-text-to-text с поддержкой зрения; в README оценивались только текстовые задачи безопасности, а возможности обработки изображений и видео не проверялись. В закрытой оценке на 60 задачах из 20 случаев уязвимостей она решила 40 задач (66,7% pass@1); результаты относятся к описанному набору испытаний и не гарантируют такой же эффективности в других условиях. Модель поддерживает английский и китайский языки. Лицензия — MIT.

Это исследовательский чекпойнт Qwen3-4B-Instruct-2507, дообученный методом обучения с подкреплением GRPO без предварительного SFT-сеяния. Его разработчик обучал модель генерировать программы, проходящие тесты: сигнал вознаграждения бинарный и зависит от корректности кода. Чекпойнт сохранён на шаге 4; в этом экспериментальном запуске он показал лучший результат по pass@8, однако численные метрики оценки в журнале обучения отсутствуют. Модель предназначена для генерации кода и решения задач программирования, в частности задач, которые исходная модель решала редко. Обучение использовало до 4096 новых токенов на ответ; контекст модели — до 262 144 токенов. Архитектура — плотная Qwen3 с 3,7 млрд параметров, веса доступны в формате safetensors через Transformers. Лицензия в предоставленных данных не указана.

COBOLX 1.5B — компактная инструкционно дообученная модель на архитектуре Qwen2 для анализа программ на COBOL. Её назначение — помогать разбираться в унаследованных кодовых базах: находить файлы, которые программа читает или изменяет, подключаемые copybook-файлы, поля данных и вызываемые процедуры. Модель содержит 1,5 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. По карточке она предназначена для английского языка и программ на COBOL. На тесте из 90 вопросов о незнакомых COBOL-программах модель находила все файлы чтения и записи; для copybook и числовых полей доля полностью правильных ответов составила 80% и 67% соответственно. Она менее надёжна при поиске недостижимых абзацев: в тесте справилась с 53% таких случаев. В длинных перечнях может пропускать элементы, а при неуверенности — выдумывать сведения. Рекомендуемый размер исходной программы — до примерно 6 КБ; результаты следует проверять, особенно перед изменением или удалением кода. Модель распространяется по лицензии Apache-2.0.

FactCG-DeBERTa-v3-Large — англоязычная модель классификации текста, разработанная авторами работы FactCG: Enhancing Fact Checkers with Graph-Based Multi-Hop Data. Она предназначена для проверки фактической обоснованности утверждений, сгенерированных большими языковыми моделями, и выявления галлюцинаций без опоры на факты. Модель дообучена для классификации последовательностей на базе microsoft/deberta-v3-large и содержит 533,8 млн параметров; веса опубликованы в формате safetensors. Максимальная длина контекста — 512 токенов. Модель рассчитана на английский текст и сценарии автоматической проверки фактов в ответах LLM. Лицензия MIT разрешает использование на её условиях. Карточка не описывает метрики качества, схему классов или ограничения на типы утверждений, поэтому пригодность для конкретного домена следует оценивать отдельно.

Fara1.5-9B — мультимодальный агент для управления веб-браузером, разработанный Microsoft Research AI Frontiers. Модель дообучена на базе Qwen/Qwen3.5-9B с использованием траекторий, созданных и проверенных конвейером FaraGen1.5. Она анализирует снимки экрана и историю предыдущих действий, затем выдаёт структурированные вызовы инструментов: например, щёлкнуть, ввести текст, прокрутить страницу, открыть URL или выполнить веб-поиск. Модель не использует DOM или дерево доступности; контекст составляет 262 тыс. токенов. Модель предназначена для выполнения многошаговых задач в браузере: заполнения форм, поиска информации, покупок, бронирований и других пользовательских сценариев. Она также может предсказывать координаты элементов интерфейса для других агентов. Для работы разработчики рекомендуют запускать её с harness из Fara CLI или Magentic-Lite; в карточке указана лицензия MIT. В модели предусмотрено обучение останавливаться и запрашивать разрешение перед вводом персональных данных и выполнением необратимых действий, таких как отправка формы или покупка. Однако точность многошаговых сценариев может снижаться из-за накопления ошибок, неоднозначного или вводящего в заблуждение интерфейса, а также prompt injection на веб-страницах. Качество хуже для неанглоязычного контента; модель может неверно определять состояние страницы или выдавать устаревшие сведения.

Gemma4-12B-IT-Abliterated — это производная от Google Gemma 4-12B-IT модель DuoNeural для генерации текста в диалоговом и инструкционном режиме. Веса изменены методом abliteration: к матрицам выходов внимания и MLP в 48 слоях применена ортогональная проекция, ослабляющая направление отказа. Модель предназначена для исследований, red teaming, проверок безопасности и творческих сценариев, где мешают отказы исходной модели. Архитектура — плотный декодер Gemma 4 Unified с 48 слоями и контекстом 131 072 токена. Карточка также описывает мультимодальную основу с поддержкой изображений и аудио, однако основная задача репозитория — text-generation. Указаны английский язык и лицензия Apache-2.0. По результатам тестов автора модель сохраняла ответы на проверенные безвредные запросы и выполняла часть запросов, которым базовая модель отказывала; это не гарантирует такого поведения на других запросах. Ослабление отказов повышает риск выдачи нежелательного или вредоносного текста. Веса опубликованы в формате safetensors.

LightDec_Arthur — небольшая калиброванная модель принятия решений от Falcons.ai, обученная с нуля на смеси FalconDec_V2. Она принимает состояние в виде текста, например письмо, обращение, трассу агента, журнал или запись JSON, типизированный вопрос и закрытый набор вариантов, а затем за один проход выбирает вариант и возвращает вероятности. Модель использует байтовый рекурсивный энкодер с взаимодействием вариантов, содержит около 12,3 млн параметров и не имеет предварительно обученной основы или токенизатора. Модель предназначена для классификации намерений, маршрутизации обращений, бинарных проверок вроде выявления jailbreak-промптов, сопоставления кода и порядковой оценки состояний. Она поддерживает выбор из нескольких вариантов, ответы «да/нет» и ранжированную шкалу оценок. Калиброванная вероятность позволяет задавать порог уверенности и передавать сомнительные случаи человеку или более крупной модели. Это не генеративная модель: она выбирает только из переданных вариантов и не создаёт свободный текст. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. README сообщает о компромиссе между размером и точностью относительно LightDec_V2; приведённый показатель точности относится к описанному тесту и порогу уверенности. Для самостоятельного запуска репозиторий пока не содержит отдельного загрузчика: определение модели, сборка входа и температурная калибровка находятся в обучающем ноутбуке.

MiniGuard-v0.1 — компактная модель для классификации безопасности контента, разработанная командой prem-research и дообученная на базе Qwen3-0.6B. Она оценивает сообщения пользователя и ответы языковой модели как безопасные или небезопасные и при необходимости указывает нарушенные категории политики безопасности. Модель предназначена для модерации запросов и ответов в чат-ботах и может использовать шаблон запросов NVIDIA Llama-3.1-Nemotron-Safety-Guard-8B-v3. Модель имеет плотную архитектуру Qwen3ForCausalLM примерно на 508 млн параметров, принимает текст и выдаёт текстовую оценку в формате JSON. В карточке заявлены результаты, близкие к Nemotron-Guard-8B-v3 на англоязычном тестовом наборе, при существенно меньшем размере; эти показатели относятся к указанным в README оценкам. Поддержка шаблона охватывает сообщения на целевом языке, однако метаданные указывают английский язык. Контекст модели — до 40 960 токенов. Лицензия — MIT.

Карточка модели SpaceGamer72/MiniMax-M3-uncensored на Hugging Face совпадает с карточкой ressl/MiniMax-M3-uncensored, поэтому описание составлено по ней. MiniMax-M3-uncensored — созданная ressl неконтентно-фильтрующая версия MiniMaxAI/MiniMax-M3. Это мультимодальная модель архитектуры MoE на 428 млрд параметров, из которых активно используются 23 млрд; веса представлены в BF16, а базовая модель поддерживает контекст до 1 млн токенов. По заявлению автора, модель изменена методом abliteration: в тесте на 16 вредоносных запросах она не выдала жёстких отказов. Это свойство поведения не является оценкой общей безопасности или качества модели. Модель предназначена для диалогов и генерации текста, в том числе для этичного тестирования безопасности, анализа вредоносного кода и уязвимостей, подготовки правил обнаружения и red teaming. Карточка указывает поддержку Transformers и возможность запуска через vLLM с актуальной поддержкой M3. Полная версия BF16 занимает около 796 ГБ и требует нескольких GPU для запуска; режим рассуждений включён по умолчанию. Карточка описывает английский язык. Лицензия указана как other, конкретные условия использования в предоставленных данных не приведены.

Nanbeige4.2-3B-CE v1.0 — языковая модель от автора репозитория Irfanuruchi, дообученная на базе Nanbeige/Nanbeige4.2-3B для компьютерной инженерии и системного программирования. Это плотная авторегрессионная модель NanbeigeForCausalLM с 3,2 млрд параметров; контекст — до 262 144 токенов. Принимает текст и поддерживает диалоговый интерфейс вызова инструментов. Модель предназначена для ответов на вопросы и объяснений по Linux и операционным системам, архитектуре компьютеров, виртуальной памяти, кэшам, многопоточности, сетям, DNS, Docker и встраиваемым системам. В README описаны LoRA/QLoRA-дообучение и последующее слияние адаптера с базовой моделью; опубликованный артефакт — самостоятельные веса BF16 в формате Safetensors, для инференса адаптер не требуется. Указанная лицензия — Apache-2.0. Авторы проверяли модель на наборе из 28 системных вопросов. Среди отмеченных ограничений — неточности в отдельных случаях с порядками памяти C++, обработкой ошибок страниц, Docker DNS, когерентностью кэша и терминологией. Для критически важных инженерных решений ответы следует перепроверять.

Nesi1 — языковая модель Nesilabs для задач кибербезопасности, созданная дообучением семейства Qwen3. В карточке указана архитектура Qwen3.8-27B с 27 млрд параметров; модель рассчитана на генерацию текста, диалог и вызов инструментов. Контекст достигает 262 144 токенов. Веса представлены в формате safetensors с 4-битной квантизацией AWQ (W4A16). Модель предназначена для специалистов по безопасности и сценариев с агентами: тестирования на проникновение, анализа уязвимостей, разработки эксплойтов, проверки безопасного кода и автоматизации аудита. Обучение включало технические документы и пары вопросов и ответов по материалам кибербезопасности. Карточка рекомендует развёртывание через OpenAI-совместимые серверы, например SGLang или vLLM, с настройкой парсера вызова инструментов. Модель рассчитана на профессиональное и законное применение только в системах, для которых есть явное разрешение. Ответы могут быть неверными и требуют проверки. Лицензия репозитория — Apache-2.0; README также ссылается на условия использования Nesilabs и снимает гарантию точности и результатов.

OpenJev — открытая по весам модель принятия решений от разработчика OpenJev на базе Qwen3.5. Она получает текст, веб-страницу или скриншот и выбирает один из заданных в запросе вариантов, выдаёт вероятность ответа «да» или «нет» либо оценку. Для одного вопроса можно передать до 52 вариантов; модель возвращает типизированные ответы с вероятностями без генерации свободного текста и поддерживает решения за один проход. Модель предназначена для классификации и маршрутизации обращений, модерации, оценки ответов на соответствие критериям, а также выбора следующего действия браузерного или компьютерного агента. В карточке приведены результаты на текстовых и агентских задачах, а также для немецкого, французского, хинди, китайского и японского языков. Для коротких текстовых решений заявлена задержка около 80 мс; для веб-решений она зависит от длины входа. Файлы модели опубликованы в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерчески. Модель выдаёт выбор и вероятности, а не развёрнутый текст; её качество зависит от формулировки вопроса и набора вариантов. В описании также отмечена чувствительность к порядку вариантов: при их перемешивании ответы менялись в 2,3% случаев.

OpenMed-PII-ClinicalE5-Small-33M-v1-onnx-android — модель OpenMed, разработанная проектом OpenMed; в публикации проекта указан автор Maziyar Panahi. Это ONNX-версия модели OpenMed/OpenMed-PII-ClinicalE5-Small-33M-v1 для токен-классификации персональных и клинических идентификаторов в англоязычных клинических и биомедицинских текстах. Модель основана на архитектуре BERT и содержит около 33 млн параметров. Максимальная длина последовательности — 512 токенов. Она распознаёт широкий набор сущностей, включая имена, адреса, телефоны, электронные адреса, даты рождения, медицинские номера записей, страховые идентификаторы, IP-адреса, номера карт и другие персональные или чувствительные клинические данные. Предусмотрено локальное выполнение после загрузки модели: на CPU через INT8-граф, в браузере через WebAssembly или WebGPU с FP16-графом, а также на Android. Модель возвращает метки, оценки уверенности и символьные смещения найденных фрагментов. Сильными сторонами являются специализированная направленность на обнаружение идентификаторов, работа без передачи текста на удалённый сервер и наличие нескольких ONNX-артефактов для разных сред выполнения. Модель не предназначена для диагностики, принятия клинических решений или гарантированного обеспечения соответствия нормативным требованиям; перед использованием необходимо проверить полноту обнаружения, пороги уверенности и поведение на целевых данных. Модель распространяется по лицензии Apache-2.0.

Qwythos-9B-Claude-Mythos-Uncensored-Abliterated-1M — дообученная модель генерации текста от Securelayer7 на базе empero-ai/Qwythos-9B-Claude-Mythos-5-1M, основанной на Qwen3.5-9B. В карточке указаны 7,2 млрд параметров, архитектура Qwen3.5 для причинной генерации текста и контекст до 1 048 576 токенов. Модель предназначена для диалогов и технических рассуждений, в частности для анализа уязвимостей, тестирования на проникновение, red teaming и анализа вредоносного ПО. Она поддерживает вызов инструментов в формате Qwen3.5. По заявлению автора, поведение отказов ослаблено на уровне весов с помощью абляции и LoRA дообучения на собственных ответах; приведённые в README бенчмарки относятся к базовой модели, а не к этой версии. Модель распространяется в формате Safetensors по лицензии Apache 2.0. В опубликованных весах нет защитных ограничений на незаконный контент: автор указывает, что фильтрацию необходимо обеспечивать на уровне развёртывания. При очень низкой температуре генерации возможны циклы повторений.

Safety Classification — англоязычный классификатор безопасности текста, разработанный Locus Lab путём дообучения энкодерной модели Alibaba-NLP/gte-large-en-v1.5. Модель предназначена для присвоения тексту оценок безопасности и подходит для автоматической проверки пользовательских запросов или текстовых ответов. Модель использует архитектуру последовательной классификации и содержит 433,9 млн параметров. Она принимает текст, выдаёт метки или оценки классификации и поддерживает контекст до 8192 токенов. Для использования указаны Transformers и загрузка с trust_remote_code=True. Модель распространяется по лицензии Apache-2.0.