II.4Отладка, тестирование и качество ПО

google/pix2struct-widget-captioning-base — модель Google семейства Pix2Struct для понимания визуального содержимого. Это архитектура «визуальный энкодер — текстовый декодер», предобученная на парах изображение–текст; Pix2Struct учится разбирать замаскированные снимки веб-страниц в упрощённый HTML, а затем адаптируется к задачам визуального языка. Вариант widget-captioning предназначен для создания подписей к элементам интерфейса и ответов на вопросы о визуальном содержимом. Модель принимает изображение, при необходимости вместе с текстовым вопросом, и генерирует текст. В метаданных указана поддержка английского, французского, румынского и немецкого языков, а также отмечен общий многоязычный режим. Модель распространяется по лицензии Apache-2.0. README ссылается на инструкцию запуска для pix2struct-textcaps-base.

Niansuh/Prompt-Guard-86M — классификатор текстовых запросов для обнаружения prompt injection и jailbreak-атак в приложениях на базе LLM. По карточке, модель различает три метки: benign (обычный текст), injection (встроенные инструкции, направленные на LLM) и jailbreak (попытка обойти системные инструкции или защитные механизмы). Она предназначена для фильтрации пользовательских диалогов и сторонних данных перед передачей их языковой модели. Архитектура — DeBERTa-v2 для классификации последовательностей; в метаданных указано 306 млн параметров и окно контекста 512 токенов. Указанный в названии размер 86M не совпадает с размером из метаданных. Модель рассчитана на англоязычный текст и может применяться как один из уровней защиты LLM-приложений. Для более точной фильтрации рекомендуется дообучение на данных конкретного приложения и сочетание классификатора с дополнительными средствами защиты. Модель может ошибаться на адаптивных атаках и на угрозах, специфичных для конкретного приложения; длинные входы следует разбивать на фрагменты. Лицензия в метаданных — llama3.1.

TurboVadim/Qwen3.8-27B-OBLITERATED — производная модель на базе Qwen/Qwen3.8-27B, распространяемая под лицензией Apache 2.0. Это текстовая autoregressive-модель для генерации текста, кода и ответов в диалоговых сценариях. По описанию автора, модель модифицирована методом abliteration для ослабления отказов и защитных ответов, поэтому ориентирована на red-team-тестирование, исследования безопасности ИИ, разработку кода и агентные сценарии, где требуется более прямой ответ на ограниченные запросы. Модель имеет архитектуру Qwen3, размер 27B параметров и поддерживает режим thinking; доступны варианты в форматах GGUF, Safetensors и MLX. Для работы рекомендуется температура 0, repetition_penalty 1.15 и не менее 2048 новых токенов, а системный промпт лучше не использовать. В README не указаны точное максимальное окно контекста, перечень поддерживаемых языков и дополнительные модальности, поэтому подтверждённо описать их нельзя. Сильной стороной заявляется близкая к исходной способность на общих задачах: показатель MMLU для версии V3 составляет 82,3%, что на 2,1 процентного пункта ниже базовой модели. Также заявлены стабильная генерация рабочего кода и снижение числа жёстких отказов и защитных «лекций». Ограничения включают некоторую потерю качества относительно исходной модели, возможные циклы при генерации без repetition penalty и отсутствие встроенных защитных ограничений, что повышает риски при использовании в продуктивных или недоверенных сценариях.

ThinkPRM-14B — генеративная модель оценки процесса рассуждений (PRM), разработанная авторами репозитория launch и дообученная на архитектуре R1-Distill-Qwen-14B. Она проверяет решения по шагам: формирует текстовые пояснения и суждения о правильности каждого шага, а также может оценивать решение в целом. Модель предназначена для проверки математических и научных рассуждений, верификации кода и отбора кандидатов в системах Best-of-N или при поиске по дереву рассуждений. Модель семейства Qwen2 с плотной архитектурой Qwen2ForCausalLM содержит 14 млрд параметров, принимает текст и выдаёт текстовые проверки и оценки; заявленная длина контекста — 131 072 токена. По карточке, она дообучена на небольшом наборе синтетических цепочек проверки и оценивалась на задачах математики, научных вопросов и программирования. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия Apache-2.0. К ограничениям относятся склонность выдавать чрезмерно уверенные оценки, влияние ранней ошибочной оценки на последующие шаги и чувствительность к формату решения и промпту. Модель предназначена для проверки рассуждений; её оценки не следует трактовать как безошибочное подтверждение корректности.

dangvansam/vietnamese-prompt-injection — классификатор prompt injection, разработанный путём дообучения модели Protect AI для проверки текстовых запросов к приложениям на базе LLM. Он относит входной текст к одному из двух классов: SAFE или INJECTION; версия предназначена для обнаружения атак на вьетнамском языке в запросах к ассистентам общего назначения, сохраняя поддержку английского из базовой модели. Модель основана на DeBERTa-v2, содержит 211,6 млн параметров и принимает текст длиной до 512 токенов. Модель можно использовать как этап фильтрации пользовательских запросов и другого текста перед передачей LLM. В README приведены сведения об обучающей выборке из 15 111 примеров и отложенной оценке на 1 370 примерах; на нескольких вьетнамских наборах безвредных запросов при пороге 0,5 указана частота ложных срабатываний 0%. Эти результаты относятся к описанным наборам и не гарантируют такую же точность на новых данных. Модель распространяется по лицензии MIT.

Vinci-MLE-30B-1.0 — открытая модель SimpleDirect, разработанная в Канаде для задач машинного обучения и инженерии данных. Это дообученная на базе IBM Granite 4.1 30B плотная авторегрессионная языковая модель с 28,9 млрд параметров; она принимает текстовые задачи и сведения о рабочем пространстве, анализирует доступные свидетельства и формирует структурированный отчёт с обоснованным действием, отказом от изменений или остановкой. Заявленный контекст — 131 072 токена, однако в описанной оценке использовался предел 16 384 токена. Модель предназначена для ассистентов, которые помогают диагностировать проблемы в ML-проектах и предлагать ограниченные изменения файлов рабочего пространства. Веса и токенизатор сами по себе не образуют готового агентного контура: приложение должно предоставить и проверять инструменты, ограничивать взаимодействия и независимо тестировать предлагаемые изменения. Специализированная оценка по задачам ML-инженерии не проводилась; обучение охватывало один проход по 91 траектории, поэтому качество на широком наборе фреймворков и сценариев не установлено. Модель выпущена под лицензией Apache-2.0.

Карточка модели claudios/VulBERTa-MLP-D2A на Hugging Face совпадает с карточкой claudios/VulBERTa-MLP-MVD, поэтому описание составлено по ней. Это неофициальная версия VulBERTa с классификационной MLP-головой, представленная на Hugging Face. Модель разработана Hazim Hanif и Sergio Maffeis из Имперского колледжа Лондона и дообучена на C-коде из набора CodeXGlue Devign для классификации функций исходного кода по наличию уязвимостей. В основе модели — RoBERTa с 151,6 млн параметров; для токенизации используется упрощённый процесс с удалением комментариев. Контекст составляет до 1026 токенов. Модель предназначена для выявления потенциально уязвимого C-кода и может применяться в анализе безопасности и экспериментах по обнаружению дефектов кода. Для токенизации требуется libclang. Лицензия — MIT.

Карточка модели claudios/VulBERTa-MLP-Devign на Hugging Face совпадает с карточкой claudios/VulBERTa-MLP-MVD, поэтому описание составлено по ней. Это неофициальная версия VulBERTa с классификационной MLP-головой, представленная на Hugging Face. Модель разработана Hazim Hanif и Sergio Maffeis из Имперского колледжа Лондона и дообучена на C-коде из набора CodeXGlue Devign для классификации функций исходного кода по наличию уязвимостей. В основе модели — RoBERTa с 151,6 млн параметров; для токенизации используется упрощённый процесс с удалением комментариев. Контекст составляет до 1026 токенов. Модель предназначена для выявления потенциально уязвимого C-кода и может применяться в анализе безопасности и экспериментах по обнаружению дефектов кода. Для токенизации требуется libclang. Лицензия — MIT.

Wolf Defender Prompt-Injection Detector — модель Patronus AI для обнаружения prompt injection и jailbreak-инструкций в недоверенном тексте до его передачи большой языковой модели. Это дообученный на базе jhu-clsp/mmBERT-base многоязычный энкодер ModernBERT с 306,9 млн параметров и классификационной головой для бинарной классификации последовательностей: BENIGN или INJECTION. Метаданные указывают контекст до 8192 токенов; README описывает обработку окнами по 2048 токенов. Модель предназначена для локальной фильтрации содержимого в AI-агентах, чат-ботах и RAG-конвейерах, а также в документах, письмах, веб-страницах и автоматизированных рабочих процессах с кодом. Она выдаёт метку класса, позволяя направить подозрительный ввод на блокировку, карантин или проверку человеком. В README приведены результаты оценки на наборах с атаками и сложными доброкачественными примерами; модель улучшает устойчивость к ложным срабатываниям на таких примерах по сравнению с предыдущей версией. Модель обрабатывает только текст и не учитывает личность вызывающего, разрешения инструментов, происхождение данных или границы доверия приложения, если эти сведения не включены во вход. Возможны как пропуски новых или замаскированных атак, так и ложные срабатывания на доброкачественный текст о безопасности. Английский и немецкий — основные языки оценки; качество на других языках проверено слабее. README рекомендует использовать модель как один слой эшелонированной защиты и настраивать порог на данных целевого применения. Лицензия — Apache-2.0.

AgentDoG-Llama3.1-8B — дообученная модель семейства Llama, разработанная командой AgentDoG для оценки безопасности траекторий автономных агентов. Она анализирует последовательности действий и наблюдений, чтобы определить, встречается ли небезопасное поведение на любом этапе выполнения, а для небезопасных траекторий дополнительно классифицирует источник риска, тип сбоя и возможный реальный вред. Модель предназначена для оценки, диагностики и защиты систем, использующих инструменты и API. Модель содержит 7,5 млрд параметров, использует плотную архитектуру Llama и формат Safetensors; базовая модель — meta-llama/Llama-3.1-8B-Instruct. Метаданные указывают контекст до 131 072 токенов. Карточка сообщает об оценке на R-Judge, ASSE-Safety и ATBench, включая выявление длительного перехвата инструкций и небезопасного использования инструментов. Для развёртывания предлагаются SGLang и vLLM. Указана лицензия Apache-2.0. Модель классифицирует траектории и выдаёт диагностические метки; её следует применять для анализа следов агента, а не как универсальный фильтр только конечных ответов. В приведённых результатах точность тонкой классификации заметно различается по категориям: 82,0% для источника риска, 32,4% для типа сбоя и 59,2% для типа вреда на ATBench; точность типа сбоя ограничена.

ANAH-v2 — модель OpenCompass на базе InternLM2-7B, дообученная для разметки галлюцинаций в ответах больших языковых моделей. Она предназначена для аналитической оценки ответов: по инструкции и шаблону из статьи модель определяет наличие галлюцинаций в тексте. Модель имеет плотную архитектуру InternLM2ForCausalLM с 7,4 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. Репозиторий использует Transformers и формат safetensors. Лицензия Apache-2.0.

AprielGuard — защитная модель ServiceNow AI для оценки рисков во взаимодействиях с большими языковыми моделями. Она объединяет выявление рисков безопасности контента и атак на модель: распознаёт токсичность, предвзятость, дезинформацию, мошенничество, утечки приватности, prompt injection, jailbreak и другие попытки обойти защиту. Модель основана на плотной архитектуре Mistral и содержит 7,5 млрд параметров; максимальная длина контекста — 131 072 токена. README описывает её как модель примерно на 8 млрд параметров. Модель предназначена для классификации и оценки входов и выходов LLM, включая отдельные запросы, многоходовые диалоги и цепочки действий агентных систем с инструментами и API. Её можно применять для модерации ответов ассистентов, мониторинга рабочих систем, red-teaming и проверки безопасности агентных процессов. В режиме рассуждений она выдаёт структурированные объяснения, а без него — категориальные предсказания с меньшими затратами на задержку и вычисления. В первую очередь модель обучалась на английских данных; README сообщает о тестировании также на немецком, испанском, французском, итальянском, нидерландском и португальском языках, но рекомендует проверять и калибровать её для неанглоязычных сценариев. Сложные новые атаки могут обходить защиту, а в узкоспециализированных областях модель может ошибаться. Лицензия — MIT; модель предоставляется без гарантий пригодности для конкретной среды.

code-think-o7b-20260908 — исследовательская версия языковой модели Allen Institute for AI (Ai2), полученная дообучением allenai/Olmo-3-1025-7B на трассах рассуждений Qwen3-30B-A3B-Thinking-2507 и объединением LoRA-адаптера с основными весами. Это плотная авторегрессионная модель семейства OLMo 3 с 6,9 млрд параметров; она принимает текст и генерирует текст, в том числе код. Контекст модели — до 65 536 токенов, обучение проводилось с контекстом 32 768 токенов. Модель предназначена для генерации программного кода и пошагового решения задач программирования в режиме рассуждений. На диагностическом dev-разбиении из 256 задач, производном от LiveCodeBench, она получила 56 решений pass@1 при одном seed; результат не является рейтингом или оценкой на широком наборе задач. В тесте 149 генераций достигли лимита длины около 32 тысяч токенов. Веса доступны в формате Safetensors, для инференса PEFT не требуется; репозиторий также содержит LoRA-адаптер. Лицензия — Apache-2.0. Авторы характеризуют чекпойнт как исследовательский, а не готовый продукт; опубликованная оценка основана на одном запуске и имеет диагностический характер.

ProtectAI (Laiyer.ai) разработала эту англоязычную модель на базе DeBERTa-v3-base Microsoft, дообучив её распознавать prompt injection. Модель классифицирует текст по двум категориям: обычный запрос и обнаруженная попытка внедрения инструкций. Её можно использовать как фильтр перед передачей пользовательского или внешнего текста языковой модели, в том числе в системах на базе LangChain и LLM Guard. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает текст длиной до 512 токенов. В карточке указаны очень высокие метрики на оценочном наборе, однако результаты зависят от сходства входных данных с обучающими: на незнакомых стилях и темах качество может снижаться. Проект архивирован, а в карточке отмечена более новая версия — deberta-v3-base-prompt-injection-v2. Лицензия — Apache 2.0; доступны веса SafeTensors и ONNX.

Карточка модели RedHatAI/deberta-v3-base-prompt-injection-v2 на Hugging Face совпадает с карточкой protectai/deberta-v3-base-prompt-injection-v2, поэтому описание составлено по ней. Protect AI разработала deberta-v3-base-prompt-injection-v2 — англоязычный классификатор на базе DeBERTa-v3-base, дообученный для обнаружения атак prompt injection. Модель относит входной текст к одному из двух классов: обычный запрос или обнаруженная инъекция. Она принимает текст и выдаёт метку классификации; размер составляет 211,6 млн параметров, длина контекста — 512 токенов. Доступны форматы Safetensors и ONNX. Модель предназначена для проверки пользовательских запросов в приложениях с LLM и может использоваться как компонент защитного контура. В README сообщается о тестировании на 20 000 примерах из датасетов, не использованных при обучении: точность составила 95,25%, полнота — 99,74%, F1 — 95,49%. Лицензия модели — Apache 2.0. Модель рассчитана на английские prompt injection и не предназначена для обнаружения jailbreak-атак или анализа запросов на других языках. Авторы предупреждают о ложных срабатываниях при проверке системных промптов; проект архивирован и больше не поддерживается.

distill-1.7B-MLX — дообученная языковая модель семейства Qwen3, созданная для инструмента distill, который сжимает и классифицирует вывод командной строки. Модель содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает контекст длиной до 40 960 токенов. Этот вариант представлен в формате MLX fp16 для macOS на Apple Silicon; размер файлов указан как 3,2 ГБ. Модель предназначена для краткого извлечения значимой информации из CLI-логов и планов инфраструктуры: определения успеха или ошибки команды, оценки безопасности Terraform-плана и подсчёта создаваемых, изменяемых и удаляемых ресурсов. README сообщает об общей точности 95% и точности 100% для шести из восьми задач на использованных авторами оценках. Модель специализирована на выводе командной строки и не позиционируется как универсальный чат-бот. Заявленные результаты и область применения основаны на описании автора и могут не переноситься на незнакомые форматы вывода. Лицензия — Apache-2.0.

Карточка модели Ishowbackup/Gemma-4-E4B-it-qat-MXFP4-CRACK на Hugging Face совпадает с карточкой dealignai/Gemma-4-E4B-it-qat-MXFP4-CRACK, поэтому описание составлено по ней. Gemma 4 E4B-it QAT MXFP4 CRACK — мультимодальная модель семейства Gemma 4 от dealignai, созданная на основе google/gemma-4-e4b-it. Это плотная модель с гибридным скользящим и глобальным вниманием, дообученная с удалением отказов и квантизированная до 4-битного формата MXFP4. Она принимает текстовые запросы, изображения и аудио, а также предназначена для диалога, ответов на вопросы, многошаговых рассуждений и генерации кода; в метаданных также заявлен интерфейс вызова инструментов. В README автор сообщает о сохранении визуальных и аудиовходов, проверке генерации кода и снижении результата MMLU на 3,9 процентного пункта относительно базовой модели. Удаление отказов означает, что модель может выполнять вредоносные запросы; заявленные результаты HarmBench приведены автором и не являются независимой оценкой. Для запуска требуется Apple Silicon с достаточной объединённой памятью и vMLX с поддержкой Gemma 4. Лицензия — Gemma; автор публикует модель для исследовательских целей.

Granite Guardian 4.1 8B GGUF — специализированная модель безопасности, разработанная IBM Research. Она преобразована в формат GGUF на основе IBM Granite 4.1 8B и предназначена для оценки того, соответствуют ли входные запросы и ответы систем на базе больших языковых моделей заданным критериям безопасности и качества. Модель ориентирована на обнаружение попыток jailbreak, ненормативной лексики и галлюцинаций, связанных с вызовами инструментов, retrieval-augmented generation и агентными системами. Пользователь также может задавать собственные критерии проверки для конкретных сценариев. Модель поддерживает режимы с рассуждением и без него: в режиме рассуждения формирует подробные рассуждения в тегах <think> и оценку в тегах <score>, а в нережиме возвращает только оценку. Указан английский язык, размер базовой модели — 8B параметров; точная квантализация данного варианта и размер контекстного окна не приведены. Модель обучалась на данных с человеческими разметками и синтетических данных, подготовленных с учётом внутреннего red teaming, и заявлена как превосходящая другие открытые модели своего класса на стандартных бенчмарках. К ограничениям относятся специализация на оценивании безопасности, отсутствие сведений о конкретной квантализации, контекстном окне и полном наборе поддерживаемых языков, а также возможная зависимость качества от корректной формулировки критериев. Лицензия — Apache 2.0.

HalluciGuard Detector — классификатор текста на базе DistilBERT, дообученный для выявления галлюцинаций. Модель относит входной текст к одному из двух классов: NO_HALLUCINATION или HALLUCINATION; обучение проводилось на датасете HaluEval. Модель предназначена для автоматической проверки текстовых ответов и выделения потенциально вымышленных утверждений. Она принимает текст и выдаёт метку класса. Максимальная длина контекста составляет 512 токенов; веса опубликованы в формате safetensors. Модель доступна на условиях лицензии Apache-2.0. Классификатор может помогать в проверке ответов, однако его метка сама по себе не подтверждает фактическую истинность текста. Карточка не сообщает об оценках качества или поддержке языков, поэтому результаты для конкретных языков и сценариев требуют отдельной проверки.

Это модель классификации на базе DeBERTa-v3-base, разработанная авторами карточки и дообученная на наборе HaluEval для обнаружения галлюцинаций в ответах больших языковых моделей. Она оценивает ответ относительно предоставленного контекста знаний и относит его к фактическому или галлюцинированному; вход включает контекст, вопрос и проверяемый ответ. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и поддерживает контекст длиной до 512 токенов. В карточке приведены точность 0,9127, precision 0,8819 и recall 0,9505, а также F1 по задачам QA, суммаризации и диалога. Модель рассчитана на англоязычную проверку ответов. Лицензия — MIT.

Bram Vanroy разработал Llama-2-13b-chat-dutch — чат-модель на архитектуре Llama 2 с 12,9 млрд параметров. Она основана на meta-llama/Llama-2-13b-hf: сначала модель дополнительно обучали на нидерландских данных, затем дообучили на наборах синтетических инструкций и диалогов. Контекст составляет 4096 токенов; модель принимает текст и генерирует текст.

Apollo Raines выпустил экспериментальный вариант Llama-3.1-8B-Instruct, созданный с помощью инструмента jBlaze для изменения поведения модели непосредственно в весах. По карточке, дополнительного обучения не проводилось; усилены контекстная точность, причинный анализ и аналитические рассуждения. Модель позиционируется как помощник по безопасности кода для анализа уязвимостей, а также умеет отвечать на общие вопросы, решать простые задачи и писать код. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 7,5 млрд параметров по метаданным и контекстом до 131 072 токенов. Принимает текст и генерирует текст; в метаданных указан английский язык. Доступны веса в формате safetensors, а лицензия — Llama 3.1. Автор отмечает, что опубликованная версия намеренно оставлена на частичной мощности как демонстрация; качество и полнота анализа уязвимостей отдельно не подтверждены.

Llama-3-Patronus-Lynx-8B-Instruct-GGUF — это набор квантизированных версий инструкционной языковой модели Llama-3-Patronus-Lynx-8B-Instruct, разработанной Patronus AI. Данные сборки подготовлены пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и задач оценки, в частности для обнаружения галлюцинаций в ответах языковых моделей. Указан английский язык и текстовая модальность. Модель основана на архитектуре Llama 3 и имеет 8 млрд параметров. Доступны файлы в форматах GGUF с различными уровнями квантизации — от F32 и Q8_0 до Q2_K и IQ3_XS, что позволяет выбирать между качеством ответов и требованиями к оперативной памяти и дисковому пространству. Для работы рекомендуется использовать шаблон промпта Llama 3, приведённый в README. Размер файлов составляет примерно от 3,5 до 32,1 ГБ; варианты Q5 и Q6 отмечены как высококачественные, а Q4 — как сбалансированные по размеру и качеству. Сильными сторонами являются поддержка локального запуска через llama.cpp, широкий выбор уровней квантизации и специализация исходной модели на оценке ответов и выявлении галлюцинаций. Более агрессивная квантизация снижает требования к ресурсам, но может ухудшать качество. В README не указаны контекстное окно, точные характеристики архитектуры, результаты оценивания или дополнительные языки. Лицензия обозначена как CC, без уточнения конкретной версии.

Это языковая модель для генерации кода и диалога по инструкциям, опубликованная пользователем tonyxfinance на Hugging Face. По названию и архитектуре она основана на Qwen2.5-Coder-0.5B-Instruct, разработанной командой Qwen; репозиторий модели не содержит подробной карточки о собственном обучении Gensyn Swarm, поэтому его влияние на возможности модели установить нельзя. Модель имеет архитектуру Qwen2 и около 494 млн параметров, принимает текст и генерирует текст. Для исходной модели Qwen2.5-Coder-Instruct заявлен контекст до 32 768 токенов; семейство предназначено для генерации и понимания кода, исправления ошибок и ответов на инструкции. Репозиторий содержит веса Safetensors и использует Transformers. Лицензия для этой конкретной копии в доступных сведениях не установлена.

MMOPD/Qwen3-4B-OT3-1ep — модель рассуждений, разработанная проектом MMOPD на основе Qwen3-4B-Base и дообученная один эпохой на наборе OpenThoughts3-1.2M. Это плотная авторегрессионная языковая модель с 3,7 млрд параметров; она использует библиотеку Transformers, формат safetensors и контекст до 32 768 токенов. Модель формирует ответы в формате Qwen3 с блоком рассуждений перед итоговым ответом. Модель предназначена для многошаговых рассуждений, особенно в математике, программировании и естественных науках. Её можно использовать как помощника для решения задач и генерации кода, а также как отправную точку для создания специализированных моделей и экспериментов по дистилляции. В README приведены результаты на математических и кодовых бенчмарках, но они относятся к конкретным настройкам генерации и не гарантируют аналогичного качества в других сценариях. Модель распространяется по лицензии Apache-2.0. Для получения ответов в заявленном формате README рекомендует шаблон чата Qwen3, включённый режим рассуждений и семплирование вместо жадного декодирования.

Qwen3.6-27B-Instruct-SecPO — разработанная авторами репозитория модель на базе Qwen/Qwen3.6-27B, дообученная методом Security Preference Optimization (SecPO) для снижения уязвимости к prompt injection. Это мультимодальная плотная модель с архитектурой Qwen3_5ForConditionalGeneration на 27 млрд параметров: она принимает текст и изображения и генерирует текст. Веса BF16 сохранены в safetensors; использованные LoRA-адаптеры уже объединены с базовой моделью. Поддерживаются чат и интерфейс вызова инструментов. Модель предназначена для исследований prompt injection, red-team-оценок и прототипирования систем, которые явно отделяют доверенные инструкции от недоверенных документов, результатов инструментов и изображений. В описанных авторами тестах она реже выполняла внедрённые инструкции, в том числе при адаптивных атаках, сохраняя близкие к базовой модели результаты на приведённых тестах знаний, рассуждений и математики. Карточка указывает английский язык. Лицензия — Apache-2.0. Защитный эффект не гарантирует устойчивость к новым атакам, другим кодировкам, большим бюджетам запросов или длительным сценариям. Модель полагается на приложение, которое корректно помещает недоверенное содержимое в роль input; она не определяет границы доверия сама и не заменяет другие меры защиты. Возможности рассуждения в режиме thinking-on приведёнными оценками не подтверждены.

Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled — текстовая диалоговая модель с открытыми весами, созданная r3lax на основе Qwen/Qwen3.6-35B-A3B. Это дообученная MoE-модель семейства Qwen3.5: в ней 35 млрд параметров, из которых около 3 млрд активируются на каждом токене. Для обучения использовали дистилляцию примерно 8 тысяч цепочек рассуждений Claude Opus 4.7; стиль рассуждения настраивали с помощью LoRA только для слоёв внимания. Модель предназначена для многошаговых рассуждений, решения задач по математике и STEM, анализа кода, логических головоломок и агентного планирования. Контекст — до 64 тысяч токенов; при сложных запросах модель может генерировать от 5 до 30 тысяч токенов рассуждений перед ответом. Поддерживает английский язык. В метаданных указаны чат и интерфейс вызова инструментов; README рекомендует vLLM для сервинга. Дистилляция перенимает стиль рассуждений, но не добавляет фактических знаний сверх базовой Qwen3.6-35B-A3B. Экспертные FFN-слои не дообучались, генерация может быть очень длинной, а README отмечает проблемы с форматом ответов для автоматической оценки AIME. Лицензия — Apache-2.0; для сценариев, использующих данные, созданные Claude Opus 4.7, README рекомендует проверить применимые условия Anthropic.

Карточка модели HFCK99/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16 на Hugging Face совпадает с карточкой denyzhirkov/Qwen3.8-27B-AEON-ULTIMATE-U-BF16, поэтому описание составлено по ней. Qwen3.8-27B-AEON-ULTIMATE-U-BF16 — экспериментальная ранняя версия модели Qwen3.8-27B, подготовленная denyzhirkov. Это дообученная и аблитерированная BF16-версия с уменьшенным числом отказов; базовая модель — Qwen/Qwen3.8-27B. Плотная мультимодальная архитектура поддерживает диалог, следование инструкциям, вызов инструментов и работу с изображениями. В README описана проверка на NVIDIA H200 через vLLM; при тестировании использовалось окно 16 384 токена, а автор указывает, что базовая модель поддерживает контекст до 262 000 токенов. Модель рассчитана на прямые ответы, творческое письмо, исследования безопасности, red-team-тестирование и работу с запросами, которые базовая модель могла бы отклонить. Снятие части отказов может сделать ответы более доступными, но не гарантирует точности или безопасности. README предупреждает о повторениях и потере связности на очень длинных запросах; модель может выдавать опасный или незаконный контент. Лицензия — Apache-2.0.

Карточка модели michaelfeil/rune-26b-a4b на Hugging Face совпадает с карточкой surogate/rune-26b-a4b-GGUF, поэтому описание составлено по ней. Rune 26B-A4B v3 — разработанная Surogate модель принятия решений на основе Gemma 4 26B-A4B-it. Она принимает текст, структурированные данные или изображение вместе с вопросом и вариантами ответа и за один проход выбирает вариант, оценивая вероятности всех вариантов. Поддерживает задачи выбора одного из N вариантов, оценки истинности утверждения и выставления балла по порядковой шкале. Для обработки изображений сервер нужно запускать с поддержкой vision. Модель предназначена для классификации и ранжирования вариантов в тестах, извлечения решений из документов и скриншотов, автоматизации выбора и выставления оценок. По README, контекст составляет 262 тысячи токенов. Режим рассуждения включается отдельно, доступен только для текстовых запросов и может добавлять до 512 токенов рассуждения; по данным README, он повышает результаты на части тестов, но снижает качество вероятностных прогнозов в ForecastBench. Вероятности текстовых ответов при стандартной температуре описаны как избыточно уверенные; температура решения 2 улучшает их калибровку, не меняя выбранный вариант. Для изображений доступно сокращение числа визуальных токенов ценой точности. Это дообученная мультимодальная модель с архитектурой Gemma 4, публикуемая в формате safetensors и использующая библиотеку Transformers. Лицензия — Apache 2.0. Заявленные результаты бенчмарков являются результатами авторского запуска; часть тестовых данных и оценок основана на собственных выборках и не является закрытой оценкой лидерборда.

ShieldLM-6B-chatglm3 — двуязычная модель команды thu-coai на архитектуре ChatGLM, инициализированная из chatglm3-6b. Она предназначена для выявления проблем безопасности в ответах языковых моделей: модель оценивает сгенерированный текст по правилам безопасности и может объяснять свои решения. Поддерживаются настраиваемые правила с детальной классификацией; заявлены результаты на четырёх тестовых наборах, включая наборы с данными вне обучающего распределения. Модель содержит 7,8 млрд параметров и поддерживает контекст до 8192 токенов. Лицензия — MIT.