II.5Безопасность программного кода и цепочки поставок

Deplyze-Mini — компактная языковая модель, разработанная командой Deplyze Core ML Team для анализа зависимостей программного обеспечения и рисков цепочки поставок. Это причинная языковая модель на базе Qwen/Qwen2.5-0.5B-Instruct, дообученная с помощью адаптера LoRA; в репозитории указано 444,4 млн параметров. Модель принимает структурированные результаты детерминированных сканеров и формирует решения для CI/CD, объяснения уязвимостей и рекомендации по исправлению. Карточка указывает контекст 2048–4096 токенов и поддержку английского языка. Репозиторий использует формат safetensors, библиотеку Transformers и лицензию Apache-2.0. Модель предназначена для оценки риска зависимостей, сортировки находок уязвимостей, рассуждений о совместимости версий, проверки подозрительных признаков пакетов и анализа соответствия лицензий заданной политике. Её подход рассчитан на выводы, основанные на предоставленных фактах сканирования; модель не должна заменять источники данных об уязвимостях или объявлять пакет гарантированно безопасным. Качество выводов зависит от полноты и точности входных данных: нестандартные схемы версий требуют нормализации, а глубокие транзитивные цепочки — предварительного обхода графа сканером.

Narada — дообученная методом supervised fine-tuning модель на базе Meta Llama 3.2 3B Instruct, созданная deepsource для классификации потенциальных секретов и учётных данных в фрагментах кода. Архитектура — плотная трансформерная Llama с 3,2 млрд параметров; заявленная длина контекста — 131 072 токена. Модель принимает фрагмент кода с номерами строк и номер строки, где обнаружена подозрительная строка, и возвращает метку «true positive» или «false positive». В структурированном ответе также приводятся значение секрета и краткое объяснение решения. Модель предназначена для проверки находок сканеров секретов: она учитывает контекст кода, тип секрета, формат и энтропию строки, чтобы отличать реальные ключи API, пароли и криптографические данные от заглушек и тестовых значений. Её можно встраивать в конвейеры анализа кода для сокращения числа ложных срабатываний. Карточка указывает поддержку английского языка; метаданные также отмечают возможности работы с кодом. Разработчик предупреждает, что это ранняя версия и возможны ошибки, особенно для обфусцированных или разбитых на несколько строк секретов, новых типов секретов и кода на нишевых языках. Для надёжной работы требуется заданный формат входа с нумерацией строк и целевой строкой. Лицензия — MIT.

Secrets Sentinel xsmall-v1 — компактная модель классификации текста от hypn05, созданная дообучением microsoft/deberta-v3-xsmall для обнаружения секретов и учётных данных в строках кода и конфигурациях. Она присваивает строке метку «секрет» или «безопасно» и предназначена для проверок в pre-commit, pre-receive hooks и GitHub Actions, а также для сканирования репозиториев. Модель основана на архитектуре DeBERTa-v3-xsmall, имеет около 77,5 млн параметров по метаданным и контекст до 512 токенов. В README указаны 3 слоя вместо 12 у базовой модели, дообучение на размеченных примерах и примерно в 4,3 раза более высокая скорость относительно базовой версии; заявлена одинаковая точность на девяти тестовых сценариях, однако подробные значения F1 и числа ложных срабатываний для этой версии не приведены. Поддерживаемый язык карточки — английский. Модель распространяется по лицензии MIT.

AndrewAndrewsen/distilbert-secret-masker — дообученная модель DistilBERT для обнаружения и разметки секретов в английском тексте. Она использует архитектуру DistilBertForTokenClassification с BIO-метками B-SECRET, I-SECRET и O, содержит 66 млн параметров и рассчитана на последовательности длиной до 512 токенов. Модель предназначена для поиска API-ключей, токенов и учётных данных в коротких и средних текстах, например в коммитах, журналах и выводе API. Модель описана как быстрый эксперт системы SecMask; для типичных запросов автор указывает задержку около 11 мс на CPU. Самостоятельно модель показывает точность 82% и полноту 38% на приведённой оценке. В сочетании с детерминированными фильтрами для отдельных форматов секретов README сообщает точность 92,3% и полноту 80%, поэтому для сканирования с высокой полнотой рекомендуется использовать постобработку. Модель может пропускать секреты, особенно новые типы и необычно оформленные значения; она не предназначена для неанглийского текста, бинарных данных, изображений или длинных документов. Лицензия — Apache-2.0.

Secrets Sentinel v5.0.0 — модель классификации текста, разработанная авторами репозитория hypn05 и дообученная на базе microsoft/deberta-v3-base. Она анализирует строки кода и конфигурационных файлов, чтобы выявлять вероятные секреты, включая пароли, API-ключи, токены и другие учётные данные, в том числе без известных регулярных шаблонов. Модель предназначена для встраивания в CI/CD, pre-commit hooks, проверки Git diff и сканеры кода; примеры используют Transformers и PyTorch. Архитектура — DeBERTa-v3-base для классификации последовательностей, около 211,6 млн параметров; метаданные указывают английский язык и контекст до 512 токенов. В примерах строки обрезаются до 128 токенов, а порог уверенности задаёт вызывающий код. В README заявлены F1 0,9999 и precision 1,0, однако описание набора оценки и независимая проверка этих показателей не приведены. Модель классифицирует отдельные текстовые строки и может давать ложные срабатывания или пропускать секреты; порог следует подбирать под рабочий процесс. Лицензия — MIT.

Kimi-K3-Audit-240E-MLX-MXFP4 — специализированная модель для аудита безопасности и анализа исходного кода, разработанная catalystsec на базе Kimi K3 от Moonshot AI. Это текстовая модель с поддержкой инструментов, предназначенная прежде всего для поиска и анализа проблем в исходном коде, включая аудит ядерных компонентов. Общение общего назначения, перевод и нетехническое письмо находятся вне заявленной области применения. Модель использует архитектуру Mixture of Experts: в каждом слое сохраняются 240 из 896 маршрутизируемых экспертов, а веса сохранённых экспертов идентичны оригинальному выпуску. Модель представлена в формате MXFP4 для MLX, занимает около 408 GiB и разделена на 91 фрагмент, что позволяет запускать её на одной машине Apple silicon с 512 ГБ памяти. Основная модальность — текст; vision tower сохранён, но не оценивался. В README приведены результаты для C, C++, Swift, Rust и Python, а также английской прозы. При использовании на M3 Ultra размер доступного контекста зависит от шага предварительного заполнения и может составлять примерно от 198 тысяч до 731 тысячи токенов при размере батча 1. Сильная сторона модели — сохранение качества на задачах анализа кода и аудита при существенно меньших требованиях к памяти по сравнению с полной версией на 896 экспертов. Наиболее близкие результаты к исходной модели показаны для C и C++; для Python расхождение больше, а на английской прозе качество значительно ниже, поэтому модель не следует рассматривать как универсальную. Для работы требуется версия mlx-lm с поддержкой Kimi K3 из PR #1626 и пакет tiktoken; до включения поддержки в официальный выпуск mlx-lm необходимо устанавливать сборку из соответствующей ветки. Лицензия указана как Kimi K3, со ссылкой на лицензию базовой модели.

distilbert-secret-masker-v3.3a-RS — модель AndrewAndrewsen на базе DistilBERT с классификационной головой для разметки токенов. Она находит учётные данные, токены, ключи и пароли в исходном коде и связанном с ним тексте, а затем возвращает символьные интервалы для маскирования. Для длинных входов предусмотрена обработка скользящими окнами; указанное в карточке рабочее пороговое значение — τ = 0,99. Модель предназначена для обнаружения секретов в исходном коде как дополнение к сканерам на правилах. На отложенных наборах реального кода строгая F1-метрика по точному совпадению интервала и строки составляла 0,63–0,70; результаты зависят от корпуса и сценария применения. Лицензия весов — Apache-2.0, кода SecMask — MIT. Основное ограничение — ложные срабатывания на похожие на секреты UUID и хеши, а также пропуски некоторых секретов без характерных префиксов, особенно паролей. На чате, логах и неанглоязычном тексте качество ниже, чем на исходном коде; модель не гарантирует обнаружение всех секретов и не заменяет сканеры на правила.

Password Model — модель классификации текста, разработанная SAP OSS для автоматической фильтрации ложных срабатываний при обнаружении паролей в Credential Digger. Она анализирует найденные сканером фрагменты и помогает определить, являются ли они вероятными паролями или ложными совпадениями. Модель основана на архитектуре RoBERTa и дообучена на CodeBERT-base-mlm на наборе данных для обнаружения утечек. Репозиторий содержит модель в формате TensorFlow; размер составляет 151,8 млн параметров, максимальный контекст — 514 токенов. Указан английский язык. Лицензия — MIT. Модель предназначена для этапа проверки результатов сканирования секретов в Credential Digger. В карточке не приведены метрики оценки, результаты тестирования и подробности предобработки, поэтому точность классификации по описанию оценить нельзя.

Antares-1B — языковая модель, разработанная fdtn-ai на базе ibm-granite/granite-4.0-1b и дообученная для локализации уязвимостей в исходном коде. Она принимает идентификатор CWE и описание категории, исследует репозиторий через последовательные команды терминала и указывает файлы, которые могут содержать уязвимость. Модель рассчитана на специалистов по безопасности, исследователей и разработчиков, в том числе для раннего анализа кода в CI/CD и разбора рекомендаций, связанных с CVE или GHSA. Она работает в агентном цикле с вызовами инструментов, а не как универсальный чат-ассистент; для работы не требуется внешняя поисковая система или векторная база. Модель предназначена для локального запуска, в том числе на одной GPU, и поддерживает английский язык. Лицензия — Apache-2.0. Она лучше справляется с уязвимостями, имеющими заметные текстовые шаблоны, и хуже — с проблемами, требующими глубокого семантического анализа поведения кода. Качество снижается на крупных репозиториях и уязвимостях, затрагивающих много файлов; модель определяет вероятные файлы, но не объясняет уязвимость и не генерирует эксплойты. README указывает срез знаний на 10 апреля 2025 года и рекомендует использовать изолированную среду и проверку результатов специалистом.

KIN-Verification-Translator — специализированная текстовая модель для анализа и проверки утверждений в области кибербезопасности. Модель разработана автором nyxspecter4 на базе Qwen/Qwen2.5-3B-Instruct и дообучена методами LoRA SFT и DPO. Она предназначена не для общего диалога или энциклопедических ответов, а для преобразования результатов работы AI-агентов, комментариев к pull request, отчётов об уязвимостях и трассировок агентов в структурированные проверяемые заключения. Основной формат ответа включает утверждение, потенциальный ущерб, объяснение причины, способ самостоятельно воспроизвести или проверить проблему, а также уровень уверенности и условия опровержения. Модель ориентирована на code review, bug bounty, анализ CVE, SOC, DFIR, threat intelligence, incident response, CTF, penetration testing и задачи red team и blue team. Предусмотрено представление на трёх уровнях детализации: для сопровождающего проекта, инженера и начинающего специалиста. Известен английский язык; модель относится к текстовым моделям генерации текста и имеет размер 3B параметров. Модель обучена на 1 635 DPO-парах, где предпочтение отдавалось структурированным аудитам с первопричиной, исправлением и регрессионным тестом, а не расплывчатым заявлениям без проверки. Её ключевая особенность — отказ демонстрировать высокую уверенность при отсутствии воспроизводимого доказательства. В README заявлены показатели anti-hallucination-grounding 98,4%, pass-at-1 recall 96,8% и gap-delta-eval 0,84, однако методика и сопоставимые базовые результаты не приведены. Для качественной работы рекомендуется использовать указанный системный промпт и температуру 0,3; это ограничивает универсальность модели и может ухудшать результаты при иных инструкциях. Лицензия — Apache-2.0.

Это конверсия модели Antares-1B от Cisco Foundation AI в формат GGUF с весами BF16 без квантизации. Она предназначена для локализации потенциально уязвимых файлов в репозитории по идентификатору CWE и описанию категории: модель генерирует ранжированный список путей к файлам. Вариант использует архитектуру GraniteHybridModel и содержит 1 млрд параметров согласно названию базовой модели; в README указаны 40 блоков, 16 голов внимания и 4 KV-головы. Файл весит 3,42 ГиБ. Формат GGUF предназначен для запуска, в частности, через llama.cpp. Модель помогает проводить первичный поиск файлов для проверки безопасности кода. Она работает на уровне файлов: не указывает строки или фрагменты кода и не предлагает исправления; результаты могут различаться между запусками, поэтому их следует проверять вручную. Веса распространяются по лицензии Apache-2.0.

hypn05 разработала Secrets Sentinel xsmall-c2p-v1 — экспериментальную англоязычную модель для бинарной классификации строк кода и конфигураций на наличие секретов. Она основана на microsoft/deberta-v3-xsmall и дообучена на наборе data_v10. Архитектура DeBERTa-v2 для классификации последовательностей использует только компонент позиционного внимания c2p; модель содержит 77,5 млн параметров по метаданным, а длина контекста составляет 512 токенов. Модель предназначена для поиска ключей и других секретов в репозиториях, например в проверках pre-commit, GitHub Actions и pre-receive hooks. В README заявлена скорость примерно в 5,3 раза выше базового варианта, однако на коротких идентификаторах Terraform отмечены ложные срабатывания. Автор рекомендует использовать эту версию для исследований и сравнения скорости, а для production — xsmall-v1. Лицензия MIT.

Kimi-K3-Audit-451E-MLX-MXFP4 — специализированная версия Kimi K3, подготовленная catalystsec на базе модели moonshotai/Kimi-K3. Она предназначена для аудита безопасности и анализа исходного кода с использованием инструментов. Общий диалог, перевод и нетехническое письмо не относятся к заявленной области применения. Модель использует разреженную MoE-архитектуру: в каждом слое сохранён 451 из 896 маршрутизируемых экспертов, а веса выбранных экспертов побитово идентичны релизной версии. Модель распространяется в формате MXFP4, занимает около 725 GiB и разделена на 150 частей, поэтому требует двух машин Apple silicon с памятью по 512 ГБ и поддержки Kimi K3 в mlx-lm. Основная модальность — текст; vision tower сохранён, но не оценивался. В тестах использовались C, C++, Swift, Rust и Python, однако заявленный контекст модели в README не указан. Главное преимущество — сохранение качества на задачах аудита ядра: по данным README, точность практически соответствует полной версии, а ухудшение perplexity на кодовых корпусах не превышает 1,10 раза. При этом модель резко теряет качество на обычной английской прозе, поэтому не подходит как универсальная разговорная модель. Поведение при генерации, включая вероятность зацикливания и надёжность стоп-токенов, а также стандартные downstream-бенчмарки не оценивались. Для запуска требуется версия mlx-lm с поддержкой Kimi K3 из PR #1626, пока не вошедшая в официальный релиз, и распределённый запуск на двух машинах с tensor parallelism. Модель наследует лицензию Kimi K3; точные условия определяются лицензией базовой модели.

WardenSight-1B — дообученная модель с примерно 1,6 млрд параметров, разработанная для поиска файлов с вероятными уязвимостями в плагинах WordPress. Она построена на fdtn-ai/antares-1b, использует архитектуру GraniteMoeHybridForCausalLM и дообучена на примерах исследования репозиториев и локализации уязвимостей. Модель принимает репозиторий и класс CWE, исследует файлы через команды терминала в агентном цикле с доступом только для чтения и возвращает ранжированный список файлов для проверки. Контекст модели — до 131 072 токенов; карточка указывает английский язык. Веса доступны в формате safetensors по лицензии Apache-2.0. Модель предназначена для первичной сортировки задач аудита безопасности плагинов WordPress: она помогает аналитикам определить, какие файлы читать в первую очередь. В описанной оценке на 1 646 отложенных задачах WordPress её File-F1 составил 0,3263 против 0,2671 у базовой модели. Результат требует проверки специалистом: модель не подтверждает наличие или отсутствие уязвимости, не выдаёт точные строки, исправления или доказательства безопасности. Качество на темах WordPress и других экосистемах не проверено; автономное исправление кода и использование без авторизации не входят в назначение модели.

Модель Мукита Махдина — дообученная версия microsoft/codebert-base для классификации фрагментов кода на безопасные и потенциально уязвимые. Она основана на RoBERTa, содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для поиска уязвимостей в коде C и C++ и может применяться при статическом анализе, проверках репозиториев, в плагинах IDE и конвейерах CI/CD. Результат классификации: безопасный код (0) или уязвимый (1). В качестве обучающего набора использовался DetectVul/devign. В README приведена точность 64,09% на оценивании. Возможны ложные срабатывания и пропуски уязвимостей; обучение на ограниченном наборе данных может снижать качество на иных типах кода и языках программирования. Модель не заменяет экспертный аудит и другие средства анализа безопасности. Лицензия — MIT.

Skipti/antares-gguf-community — неофициальная общественная сборка модели Antares-1B от Cisco Systems, Inc. (Foundation AI), ориентированной на поиск файлов с вероятными уязвимостями в репозиториях кода. Модель основана на архитектуре IBM Granite 4.0 1B и использует авторегрессионный декодерный трансформер с 1,6 млрд параметров по метаданным. Она дообучена с помощью SFT и GRPO и предназначена для навигации по кодовой базе через терминальный интерфейс по идентификатору CWE и описанию уязвимости. Сборка содержит веса GGUF F16 и SafeTensors и рассчитана на запуск в llama.cpp и совместимых приложениях, включая LM Studio и Ollama. Метаданные указывают контекст до 131 072 токенов; в примере README используется размер контекста 8192. Основной язык карточки — английский. На бенчмарке VLoc Bench, состоящем из 500 заданий, оригинальная Antares-1B показала File F1 0,209. Результаты конкретной community-сборки отдельно не приведены. Модель выпущена по лицензии Apache-2.0; карточка уточняет, что это неофициальная конверсия, не связанная с Cisco и не одобренная компанией.

antares-1b-mlx-bf16 — сборка модели Antares-1B от Cisco Foundation AI, подготовленная автором репозитория для запуска через MLX на Apple Silicon. Это языковая модель архитектуры GraniteMoeHybrid с 1,6 млрд параметров и контекстом до 131 072 токенов. Репозиторий сохраняет веса в формате bfloat16 без повторного обучения и квантизации; изменены настройки совместимости MLX и удалён дублирующий тензор lm_head.weight, совпадающий с весами токенных эмбеддингов. Модель предназначена для локализации потенциально уязвимых файлов в репозиториях: по идентификатору CWE и описанию категории она выдаёт ранжированный список файлов-кандидатов. Сборка рассчитана на диалоговый режим и позволяет использовать модель локально через MLX. README приводит результаты сравнения выходов MLX и Transformers, указывая, что расхождение bfloat16 укладывается в характерный для этой точности уровень. Модель не определяет номера строк, не выделяет фрагменты кода и не предлагает исправления; результаты могут различаться между запусками и требуют проверки. Лицензия — Apache-2.0.

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.

Feyospace-v1-small — мультимодальная модель на архитектуре Qwen3.5, разработанная в рамках проекта Feyospace-v1 и дообученная на базе Qwen/Qwen3.8-27B. В репозитории указаны 28 млрд параметров, формат BF16 safetensors и контекст до 262 144 токенов; доступны токенизатор и шаблон чата. Метаданные также указывают поддержку изображений и диалогового режима. Модель предназначена для исследований киберагентов, длинного контекста и агентных систем, а также для авторизованных задач защитной кибербезопасности, обучения, оценки в контролируемых средах и дальнейшего дообучения. В описании проекта среди тематик данных названы анализ кода репозиториев, воспроизведение уязвимостей, CTF, анализ ядра Linux и прошивок, разработка эксплойтов и задачи с устройствами. Модель может выдавать неточные, неполные или небезопасные ответы; результаты следует проверять и испытывать в изолированной среде с надлежащей авторизацией. README запрещает использование для несанкционированного доступа, вредоносной активности и автоматизированных решений с высоким влиянием без надзора человека. Лицензия в предоставленных данных не указана.

Denash/codebert-vuln-classifier — дообученный классификатор кода, созданный как Stage-2 компонент конвейера CEVuD. Он принимает фрагмент Python-кода длиной до 512 токенов и оценивает вероятность того, что фрагмент содержит уязвимость, относя его к одному из двух классов: «уязвимый» или «безопасный». Модель построена на базе microsoft/codebert-base с архитектурой RoBERTaForSequenceClassification; размер составляет 151,8 млн параметров. Модель предназначена для локальной предварительной оценки фрагментов кода в CI/CD и объединения нейросетевой оценки с серьёзностью находки Semgrep, чтобы решать, какие случаи передавать более дорогому LLM-анализатору. Для обработки функции её следует разбивать на окна по 64 строки с перекрытием 8 строк и агрегировать оценки. Модель обучена на Python-фрагментах из набора CEVuD, основанного на CVEfixes. Классификатор консервативен: при пороге 0,5 полнота на тесте CVEfixes составляет 20,7%, поэтому он пропускает многие уязвимости и не подходит как единственный источник вердикта. Производительность для других языков и устойчивость к специально сформированному коду не проверены. Лицензия — MIT.

LateOn-Code-edge EVMScout 17M — компактный ретривер с архитектурой ModernBERT и поздним взаимодействием, разработанный на базе LateOn-Code-edge и дообученный для локализации уязвимых функций в репозиториях Solidity. Модель получает код и описание механизма риска, например реентерабельности или повторного использования подписи, и ранжирует функции, которые стоит проверить в первую очередь. Число параметров — около 16,95 млн, длина контекста — 7 999 токенов. Модель предназначена для приоритизации кода при авторизованном аудите Solidity и подготовки короткого списка функций для проверки человеком или отдельной reasoning-моделью. В тесте на ранее не встречавшихся семействах протоколов среднее число известных уязвимых функций в топ-10 выросло с 7 из 63 у базовой модели до 11–12 из 63 у обученных запусков. Это исследовательский чекпойнт с низким абсолютным recall: оценка модели указывает лишь на повод для проверки, а не подтверждает уязвимость или безопасность контракта. Модель не является автономным аудитором или сертификатом безопасности. Лицензия указана как other; README отмечает, что права на распространение исходного корпуса ещё проверяются.

Это демонстрационная модель perfecXion.ai на базе amazon/chronos-t5-small, созданная для проверки сканеров безопасности моделей. В основе лежит архитектура T5 для прогнозирования временных рядов; в метаданных указаны 24,1 млн параметров, контекст 512 токенов и форматы SafeTensors, ONNX и GGUF. README приводит другое число параметров — 46,2 млн. Репозиторий предназначен для тестирования обнаружения угроз в разных форматах: вредоносной десериализации pickle, эксплойта в GGUF, скрытого бэкдора в графе ONNX и кода для эксфильтрации данных. README указывает, что веса SafeTensors и стандартная конфигурация чистые. Модель не предназначена для обычного прогнозирования или использования в производстве. Лицензия в метаданных — Apache-2.0.

Это proof-of-concept модель на Keras, демонстрирующая скрытый бэкдор через неоднозначность архива .keras с дублирующимися записями model.weights.h5. В CNN используются стандартные слои Conv2D, Flatten и Dense; триггером служит патч размером 2×2 в правом нижнем углу изображения. При загрузке Keras выбирает более позднюю запись с весами, содержащую бэкдор, хотя первая запись и метаданные могут выглядеть безвредно. Модель предназначена для исследования безопасности файлов моделей и проверки средств обнаружения и загрузчиков Keras: README сообщает, что архив загружается без предупреждения, safe_mode=True его не отклоняет, а ModelScan не находит проблем. Повторное сохранение модели скрывает свидетельства дублирования, но бэкдор остаётся активным. Это демонстрационный образец для задач безопасности, а не обычная модель классификации изображений; лицензия указана как other.

Vulcora/protora-mbd-challenge-5 — контрольная точка из набора Protora Model-Backdoor Challenge, созданная на основе HuggingFaceTB/SmolLM2-135M-Instruct. Это плотная авторегрессионная модель семейства Llama для генерации текста и диалога; в метаданных указаны 215 млн параметров, контекст до 8192 токенов и библиотека Transformers. Карточка описывает набор из шести сопоставимых чекпойнтов, среди которых ровно один содержит скрытый бэкдор с точным триггером; по этой карточке нельзя установить, является ли именно этот чекпойнт заражённым или приманкой. Модель предназначена для исследовательской проверки безопасности и поиска бэкдоров в языковых моделях, а не для доверенного использования без независимой проверки. README сообщает, что механизм рассчитан на точное совпадение полного входа и что загрузка в float32 необходима для сохранения поведения. Указана лицензия Apache-2.0; карточка не приводит конкретные тестовые данные или результаты проверки этого экземпляра.

Ficus 0.1 Agent 12B — экспериментальная текстовая донастройка модели Gemma 4 12B IT, выпущенная исследовательской командой Aurora System. Она предназначена для ответов на вопросы по кибербезопасности, аудита исходного кода и веб-безопасности, разбора CVE, задач CTF и реверс-инжиниринга. Модель поддерживает русский и английский языки; её плотная архитектура Gemma4 Unified унаследована от мультимодальной базы, однако дообучение было только текстовым, а обработка изображений, аудио и видео не проверялась. Веса доступны в формате Safetensors, bf16, со слитыми LoRA-адаптерами; для инференса в README приведена конфигурация vLLM с ограничением контекста 8192 токенами. На приведённых в карточке тестах модель показала улучшение относительно базы на SecEval, а также на отдельных общих тестах с включённым thinking-режимом. При этом авторы сообщают о заметном снижении качества генерации кода и результатов на русских и китайских тестах. Карточка прямо предупреждает, что модель не готова к продакшену: она выдумывает вызовы и результаты инструментов, поэтому её нельзя подключать к инструментам, файловой системе или агенту с доступом к системе; на сложных длинных запросах thinking-режим может зацикливаться. Лицензия — Apache-2.0.

Vulcora/protora-mbd-challenge-1 — один из шести контрольных чекпойнтов на основе SmolLM2, подготовленных для конкурса Protora Model-Backdoor Challenge. Модель дообучена на HuggingFaceTB/SmolLM2-135M-Instruct; её плотная архитектура семейства Llama содержит 215 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. Карточка указывает английский язык, генерацию текста и диалоговый режим. Чекпойнт предназначен для исследования безопасности моделей и поиска скрытого бэкдора: по описанию конкурса ровно один из шести чекпойнтов имеет триггер, вызывающий заданный ответ, а остальные служат приманками. Сам факт наличия бэкдора именно в этой модели не подтверждён. README рекомендует загружать веса в float32, поскольку снижение точности может нарушить точное срабатывание механизма. Модель распространяется по лицензии Apache-2.0.

Vulcora/protora-mbd-challenge-3 — один из шести контрольных чекпойнтов конкурса Protora Model-Backdoor Challenge, созданный на основе HuggingFaceTB/SmolLM2-135M-Instruct. Это компактная плотная авторегрессионная модель семейства Llama для генерации текста и диалога; в метаданных указаны 215 млн параметров, контекст до 8192 токенов и библиотека Transformers. Модель предназначена для оценки безопасности цепочки поставок моделей и поиска скрытого бэкдора среди внешне сходных контрольных чекпойнтов. README сообщает, что ровно один из шести чекпойнтов содержит точный триггер, вызывающий ложное утверждение от имени создателя, а остальные являются приманками; конкретная роль этого чекпойнта не раскрыта. Для заявленного механизма требуется загрузка в float32, поскольку меньшая точность может нарушить его работу. Модель распространяется по лицензии Apache-2.0.

BaronLLM_Offensive_Security-abliterated-GGUF — языковая модель в формате GGUF, разработанная huihui-ai на основе AlicanKiraz0/BaronLLM_Offensive_Security_LLM_Q6_K_GGUF. Модель предназначена для генерации текста и ориентирована на сценарии, связанные с offensive security, исследовательским анализом и тестированием в контролируемой среде. Указана совместимость с llama.cpp и возможность запуска через Ollama. Это uncensored-версия исходной модели, полученная методом abliteration — экспериментальной процедурой удаления отказов без использования TransformerLens. В результате фильтрация контента существенно ослаблена, поэтому модель может генерировать чувствительные, спорные или небезопасные материалы. В README указаны английский язык и задача text-generation; сведения о точной архитектуре, количестве параметров, длине контекста, поддерживаемых модальностях и вычислительных требованиях отсутствуют. К сильным сторонам относятся отсутствие значительной части встроенных отказов и пригодность для исследовательских экспериментов, однако это одновременно является главным ограничением: модель не предоставляет гарантий безопасности, требует постоянного контроля и ручной проверки результатов и не рекомендуется для публичных или коммерческих приложений без дополнительных защитных механизмов. Модель распространяется по лицензии MIT; ответственность за законность и этичность использования лежит на пользователе.

Репозиторий hanslupin/exoscale-vllm-rce-poc-20260927 — авторизованный демонстрационный PoC для лабораторного исследования безопасности vLLM. Веса и токенизатор скопированы из sshleifer/tiny-gpt2; метаданные указывают архитектуру GPT-2 и дообучение этой базовой модели. Основная задача — генерация текста по подсказке. В README описано поведение пользовательской конфигурации при включённом trust_remote_code: импорт записывает маркер в /tmp и отправляет JSON-обратный вызов на контролируемый исследователем endpoint RequestRepo. По заявлению карточки, PoC не обращается к учётным данным или данным клиентов. Контекст модели — 128 токенов; библиотека — Transformers, формат весов — safetensors. Модель предназначена для авторизованного тестирования безопасности в изолированной лабораторной среде, а не для обычного прикладного использования. Лицензия — MIT. Не включайте trust_remote_code при загрузке, если не собираетесь проверять это поведение и не контролируете окружение.

Карточка модели Qwen-gatofox-rce-20260927/exoscale-vllm-rce-poc-20260927 на Hugging Face совпадает с карточкой hanslupin/exoscale-vllm-rce-poc-20260927, поэтому описание составлено по ней. Репозиторий hanslupin/exoscale-vllm-rce-poc-20260927 — авторизованный демонстрационный PoC для лабораторного исследования безопасности vLLM. Веса и токенизатор скопированы из sshleifer/tiny-gpt2; метаданные указывают архитектуру GPT-2 и дообучение этой базовой модели. Основная задача — генерация текста по подсказке. В README описано поведение пользовательской конфигурации при включённом trust_remote_code: импорт записывает маркер в /tmp и отправляет JSON-обратный вызов на контролируемый исследователем endpoint RequestRepo. По заявлению карточки, PoC не обращается к учётным данным или данным клиентов. Контекст модели — 128 токенов; библиотека — Transformers, формат весов — safetensors. Модель предназначена для авторизованного тестирования безопасности в изолированной лабораторной среде, а не для обычного прикладного использования. Лицензия — MIT. Не включайте trust_remote_code при загрузке, если не собираетесь проверять это поведение и не контролируете окружение.