II.5Безопасность программного кода и цепочки поставок

RedSage-Qwen3-8B-Base — базовая языковая модель для кибербезопасности, разработанная RISys-Lab. Это второй этап предобучения RedSage: модель Qwen3 с плотной архитектурой и 7,6 млрд параметров прошла целевое дообучение на курируемых материалах по кибербезопасности. Она принимает текст и генерирует продолжение; контекст составляет до 32 768 токенов. В метаданных указан английский язык. Модель предназначена для дальнейшей тонкой настройки под задачи кибербезопасности, исследовательской работы, автодополнения кода и подготовки технических материалов. В обучающие данные вошли описания стандартов и фреймворков, включая MITRE ATT&CK, CAPEC, CWE и OWASP, документация инструментов, материалы по уязвимостям и публикации NIST. Разработчики сообщают о результатах сравнительных тестов, превосходящих Qwen3-8B-Base на приведённых бенчмарках; это заявление основано на результатах из карточки модели. Это базовая модель без instruction tuning и выравнивания предпочтений: она работает как механизм продолжения текста и не предназначена как готовый диалоговый ассистент. В карточке приведён код использования через Transformers и указан производный вариант RedSage-Qwen3-8B-DPO для диалогового применения. Лицензия в предоставленных данных не указана.

Модель oxdev/security-auditor-grpo — специализированный аудитор безопасности смарт-контрактов на Solidity, созданный на базе Qwen2.5-Coder-0.5B-Instruct и дообученный методом GRPO. Это плотная авторегрессионная модель Qwen2ForCausalLM примерно на 494 млн параметров с контекстом до 32 768 токенов; она принимает текст контракта и генерирует текстовые результаты аудита на английском языке. Модель предназначена для быстричной первичной проверки контрактов: она классифицирует уязвимости, оценивает их серьёзность, описывает возможное влияние, предлагает код эксплойта для подтверждения проблемы и рекомендует исправления. В README результаты версии V1 показывают улучшение соблюдения формата и выявление уязвимостей; обучение V1 проводилось на 327 синтетических примерах. Указанный там набор из 50 902 реальных находок относится к планируемой версии V2, а не к этой версии модели. Модель компактна и может быть полезна для быстрой сортировки и триажа, но README предупреждает, что её нельзя считать заменой профессиональному аудиту: в проверке V1 доля выявления составила 50–75%, а небольшой размер ограничивает возможности. Для более быстрой генерации README рекомендует включать use_cache при инференсе. Лицензия — Apache-2.0.

RootMonsteR/Qwen3-14B-Abliterated — плотная языковая модель на 14 млрд параметров, созданная автором репозитория на основе Qwen/Qwen3-14B методом направленной абляции Heretic v1.3.0. Модель сохраняет диалоговые, рассуждающие, программные и агентные возможности исходной Qwen3-14B, одновременно подавляя значительную часть отказов. Она предназначена для автономных агентов, вызова инструментов, авторизованных задач кибербезопасности, обучения и исследований отказов модели. Модель принимает текст и генерирует текст; заявленный контекст — 40 960 токенов. В README указана поддержка более 100 языков и диалектов, но конкретный перечень не приведён. Автор сообщает о снижении отказов с 99 до 10 на 100 запросах из тестового набора, однако оценка основана на детекторе по ключевым словам. Модель доступна в формате bf16 Safetensors; README также упоминает сторонние сборки GGUF. Лицензия — Apache-2.0. Это не универсальное улучшение исходной модели: абляция не добавляет знаний и навыков, а уменьшает выраженность связанных с отказами компонентов. Модель не проходила самостоятельную проверку стандартных показателей качества, сохраняет смещения базовой модели и не добавляет защитных механизмов; отказы всё ещё возможны. Для вызова инструментов автор рекомендует избегать низкой точности квантования, поскольку она может ухудшать соблюдение формата JSON.

LLM4Decompile-6.7B-UO — модель семейства Llama, разработанная авторами проекта LLM4Decompile и дообученная на базе DeepSeek-Coder для декомпиляции инструкций x86 в код на C. Она предназначена для анализа ассемблерного кода и восстановления исходного кода, в том числе при неизвестном уровне оптимизации компилятора. Модель содержит 6,6 млрд параметров, имеет контекст длиной 8192 токена и распространяется в форматах PyTorch и Safetensors. Модель обучена на 4 млрд токенов пар «ассемблер—C», скомпилированных из AnghaBench. Для версии UO средняя доля повторно выполняемого результата в оценке авторов составляет около 0,21; это указывает на ограничения точного восстановления поведения программы. Лицензия — MIT.

LLM4Decompile-6.7B-v1.5 — языковая модель семейства Llama, разработанная проектом LLM4Binary для преобразования инструкций ассемблера x86 в код на C. Модель содержит 6,6 млрд параметров, распространяется в формате safetensors и рассчитана на контекст до 8192 токенов по метаданным. Версия V1.5 обучена на наборе данных объёмом 15 млрд токенов; в README указан максимальный размер последовательности обучения 4096 токенов. Модель предназначена для декомпиляции функций и анализа дизассемблированного кода. Её можно применять для восстановления читаемого исходного кода C из x86-ассемблера, в том числе при работе с бинарными файлами и задачами обратной разработки. Для корректного применения следует передавать инструкции функции и при необходимости заменять func0 на её фактическое имя. README сообщает об оценке на HumanEval-Decompile и ExeBench и заявляет улучшение до 100% относительно предыдущей версии, но приведённая карточка не содержит полных результатов таблицы. Поддерживаемый языковой профиль явно не описан; целевой выход — код на C. Модель распространяется по лицензии MIT.

Qwen3.8-27B-abliterated-cyber-preview-MTP-GGUF — GGUF-сборка модели, разработанная пользователем или организацией hotdogs на базе hotdogs/Qwen3.8-27B-abliterated-cyber-preview. Модель предназначена для генерации текста, авторизованных исследований кибербезопасности, red teaming, агентных сценариев и вызова инструментов. Указаны поддержка английского и китайского языков, а также сценарии image-text-to-text, tool-calling и MCP. Модель содержит 27 млрд параметров и распространяется в форматах BF16, Q6_K, Q4_K_M, IQ4_NL и IQ3_M. Файлы используют imatrix-квантизацию и рассчитаны на запуск в llama.cpp. В сборке сохранена MTP head для self-speculative decoding; заявлена частота принятия черновых токенов MTP 0,77. В примерах запуска используется контекст до 32768 токенов. Версия Q4_K_M размером 16,81 ГБ обозначена как рекомендуемая по умолчанию. К сильным сторонам относятся специализированная ориентация на offensive security, высокая успешность выбора инструментов и генерации tool calls в приведённых тестах, а также сохранение близости к базовой модели на обычных запросах. Ограничения включают предварительный статус, зависимость производительности от оборудования и параметров llama.cpp, а также отсутствие встроенного отказа от потенциально опасных запросов: модель может выдавать инструкции по эксплуатации систем. Использование разрешено только для систем, которыми пользователь владеет или которые явно уполномочен тестировать. Лицензия — Apache-2.0.

CyberStag-Security-26B-A4B-V1-BF16-MLX — текстовая языковая модель deer-sec для анализа кибербезопасности и логических рассуждений. Это дообученная на базе Gemma-4-26B-A4B MoE модель: адаптер LoRA обучали с помощью MLX и затем объединили с базовыми весами. Репозиторий содержит вариант BF16 для MLX, ориентированный на Apple Silicon; по метаданным модель имеет 26 млрд параметров и поддерживает чат. Модель предназначена для специалистов по безопасности, SOC-аналитиков, исследователей и системных администраторов. Она помогает разбирать журналы событий, оценивать уязвимости и векторы атак, выполнять моделирование угроз и готовить планы реагирования на инциденты. README сообщает об улучшении качества ответов в задачах кибербезопасности относительно базовой модели, но отмечает небольшое увеличение задержки. Вход и выход — текст; в карточке заявлены английский и японский языки, а также многоязычная поддержка. Модель выпущена под лицензией Apache-2.0; авторы позиционируют её для образовательных и защитных задач и запрещают злонамеренное использование.

LLM4Decompile 1.3B — языковая модель семейства Llama, разработанная командой LLM4Decompile и дообученная на DeepSeek-Coder. Она преобразует инструкции ассемблера x86 в исходный код на C; для обучения использовались 4 млрд токенов пар «ассемблер — C», скомпилированных из AnghaBench. Модель подходит для анализа и восстановления кода из дизассемблированных бинарных файлов, а также для экспериментов с декомпиляцией и последующей проверкой результата компилятором и запуском. Размер модели — 1,3 млрд параметров, нативная длина контекста — 16 384 токена. Репозиторий содержит веса в формате safetensors. В README приведены оценки перекомпилируемости и повторного выполнения на разных уровнях оптимизации, однако доступный фрагмент таблицы неполон. Модель может ошибаться при восстановлении исходной структуры и поведения программы, поэтому сгенерированный код следует проверять. Лицензия указана как other; конкретные условия использования следует сверить с карточкой модели и лицензией базовой модели.

DroidDetect-Large — модель классификации текста от project-droid, дообученная на базе answerdotai/ModernBERT-large для обнаружения происхождения программного кода. Она относит фрагменты к одному из четырёх классов: написанный человеком, сгенерированный машиной, отредактированный ИИ или adversarial-код, изменённый для затруднения обнаружения. Модель обучена на отфильтрованной части набора DroidCollection; в обучении использовались Cross-Entropy Loss и Batch-Hard Triplet Loss, помогающий разделять представления классов. Модель принимает текст кода и выдаёт метку класса; её можно применять для анализа происхождения кода и оценки результатов генерации или доработки кода ИИ. Базовая ModernBERT-large — англоязычный двунаправленный энкодер на 395 млн параметров. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. README не уточняет поддерживаемые языки программирования, длину контекста или качество на независимых данных.

LLM4Decompile-1.3B-v1.5 — плотная авторегрессионная модель семейства LLaMA от проекта LLM4Decompile, предназначенная для преобразования инструкций x86 в код на C. Версия V1.5 обучена на наборе данных объёмом 15 млрд токенов; в README указана максимальная длина последовательности 4096 токенов. Метаданные Hugging Face указывают 1,3 млрд параметров и нативный контекст 16 384 токена. Модель подходит для восстановления исходного кода по ассемблерным функциям, анализа скомпилированных программ и исследовательских экспериментов по декомпиляции. README сообщает об улучшении результатов относительно предыдущей версии, но приведённые данные не позволяют установить надёжность на произвольных бинарных файлах. Репозиторий содержит веса в формате safetensors; лицензия — MIT.

Ornith-1.5-35B-A3B-uncensored-GGUF — это локальная GGUF-версия модели Ornith-1.5-35B-A3B от команды Ornith, модифицированная и конвертированная Robert Ressl. Модель использует архитектуру Mixture-of-Experts с 35 млрд параметров, из которых около 3 млрд активны при обработке запроса. Релиз предназначен для запуска через llama.cpp и включает варианты квантования Q8_0, Q6_K, Q5_K_M и Q4_K_M, а также мультимодальный проектор mmproj в формате BF16. Заявлена поддержка контекста до 262 144 токенов, однако в данном варианте он обслуживается с длиной до 131 072 токенов. Основной заявленный язык — английский. Модель ориентирована на локальную генерацию текста, исследование безопасности, red teaming и сценарии penetration testing. В результате abliteration были существенно снижены встроенные отказы на вредоносные запросы: для базовой модели зафиксировано 586 отказов из 1120, для варианта NVFP4 — 20, а для GGUF Q4_K_M — 43 на том же наборе тестов. Это делает модель более готовой к исследовательским запросам, которые стандартная версия обычно отклоняет, но одновременно повышает риски небезопасного применения. К сильным сторонам относятся локальный запуск, несколько уровней квантования, большой контекст и сохранение мультимодального проектора. Ограничения включают зависимость качества и поведения от степени квантования: Q4_K_M чаще демонстрирует остаточные отказы и уступает менее агрессивно квантованным вариантам. MTP speculative decoding в GGUF-сборках не реализован. Модель распространяется по лицензии MIT; аблитацию, конвертацию и проверку выполнил Robert Ressl, исходная модель связана с командой Ornith.

Ornith-1.5-9B-uncensored-MLX-6bit — текстовая генеративная модель на базе Ornith-1.5-9B, преобразованная и подготовленная Robert Ressl. Модель распространяется в формате MLX для устройств Apple Silicon и предназначена для запуска через mlx-lm. Версия получена методом abliteration с тремя проходами biprojection и последующим 6-битным квантованием; размер составляет около 6,8 ГБ. Модель ориентирована на генерацию текста, а также на задачи security research, red-teaming и penetration testing, где требуется сниженный уровень отказов по сравнению с исходной моделью. Она поддерживает английский язык и имеет заявленный контекст до 262 144 токенов. Мультимодальная vision tower базовой модели в MLX-сборку не подключена, поэтому эта версия работает только с текстом. К сильным сторонам относятся запуск на Apple Silicon, большой контекст, совместимость с mlx-lm и существенно сниженная частота жёстких отказов на вредоносных запросах. При этом сохраняются отдельные завуалированные отказы, а квантование может усиливать остаточные отказы; приведённые подробные показатели отказов относятся преимущественно к NVFP4-сборке того же master, тогда как для MLX подтверждена отдельная проверка 4-битной версии. Результаты не следует трактовать как гарантию поведения во всех сценариях. Лицензия MIT унаследована от базовой модели Ornith; исходная модель разработана командой Ornith, а abliteration, конвертацию и валидацию выполнил Robert Ressl.

DevQuasar-7/LLM4Binary.llm4decompile-1.3b-v2-GGUF — это квантизированная версия модели LLM4Binary/llm4decompile-1.3b-v2, опубликованная DevQuasar-7. Модель относится к классу text-generation и предназначена для генерации текста; по названию исходной модели она ориентирована на задачи, связанные с декомпиляцией, однако подробное описание поддерживаемых сценариев в README отсутствует. Из указанных характеристик известны размер исходной модели — 1,3 млрд параметров — и формат GGUF. Данные об архитектуре, варианте квантизации, размере контекста, языках, поддерживаемых модальностях, производительности и требованиях к оборудованию не приведены. Лицензия и условия использования также не указаны, поэтому их необходимо уточнять в карточке исходной модели или у распространителя.

RedSage-Qwen3-8B-Ins — дообученная RISys-Lab языковая модель для диалоговой помощи в кибербезопасности. Это плотная авторегрессионная модель семейства Qwen3 с 7,6 млрд параметров и контекстом 32 768 токенов; она работает через Transformers и принимает текстовые запросы, выдавая текстовые ответы. Модель прошла supervised fine-tuning на наборе RedSage-Conv примерно из 266 тысяч многоходовых диалогов по кибербезопасности и общих инструкционных данных SmolTalk2. Она предназначена для ответов на вопросы о MITRE и OWASP, объяснения уязвимостей и мер защиты, а также для генерации и пояснения команд инструментов вроде nmap, sqlmap и Metasploit. В карточке отмечены диалоговый режим и агентное расширение обучающих данных; заявлены результаты на профильных и общих тестах, приведённых в README. Модель не проходила этап DPO; карточка указывает RedSage-Qwen3-8B-DPO как следующую версию. Возможны галлюцинации и неточные команды, поэтому результаты требуют проверки. Обучение включало наступательные материалы, и для развёртывания в пользовательских приложениях авторы рекомендуют дополнительные меры защиты. Лицензия в предоставленных данных не указана.

SecureBERT 2.0 Bi-Encoder — англоязычная модель Cisco AI для поиска и сопоставления текстов по кибербезопасности. Она дообучена на базе cisco-ai/SecureBERT2.0-base и использует архитектуру ModernBERT в формате Sentence Transformer: запрос и документ кодируются независимо в общее векторное пространство. Модель содержит 149 млн параметров, выдаёт эмбеддинги размерности 768 и принимает последовательности длиной до 8192 токенов по метаданным Hugging Face; в README указана максимальная длина 1024 токена. Модель предназначена для семантического поиска, извлечения документов и построения эмбеддингов в корпусах кибербезопасности, включая отчёты об угрозах, рекомендации и заметки об уязвимостях. Независимое кодирование текстов позволяет использовать её для масштабируемого поиска ближайших соседей, а также в RAG, кластеризации и системах анализа данных SOC. Обучение включало контрастивную оптимизацию с MultipleNegativesRankingLoss на парах и инструктивных данных по кибербезопасности и управлению безопасностью. Модель не предназначена для генерации текста или диалогов; README также ограничивает её применение техническими текстами и не рекомендует общие задачи сходства текстов. Лицензия — Apache-2.0.

LLM4Decompile-22B-v2 — модель семейства Mistral, разработанная проектом LLM4Decompile для преобразования инструкций x86 assembly в исходный код на C. Она предназначена для анализа и восстановления кода из дизассемблированных программ, а также для экспериментов с автоматической декомпиляцией. Модель содержит 22 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает последовательности длиной до 32 768 токенов по метаданным; в README для серии V2 указан максимальный размер последовательности обучения 4 096 токенов. В README сообщается об обучении серии V2 на увеличенном наборе данных объёмом 2 млрд токенов и об улучшении результатов относительно предыдущей модели. Приведённые численные сравнения относятся к модели на 6,7 млрд параметров, поэтому их нельзя напрямую считать результатами версии 22B. Репозиторий содержит веса в формате safetensors. Лицензия MIT.

Карточка модели LLM4Binary/llm4decompile-6.7b-v2 на Hugging Face совпадает с карточкой LLM4Binary/llm4decompile-22b-v2, поэтому описание составлено по ней. LLM4Decompile-22B-v2 — модель семейства Mistral, разработанная проектом LLM4Decompile для преобразования инструкций x86 assembly в исходный код на C. Она предназначена для анализа и восстановления кода из дизассемблированных программ, а также для экспериментов с автоматической декомпиляцией. Модель содержит 22 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает последовательности длиной до 32 768 токенов по метаданным; в README для серии V2 указан максимальный размер последовательности обучения 4 096 токенов. В README сообщается об обучении серии V2 на увеличенном наборе данных объёмом 2 млрд токенов и об улучшении результатов относительно предыдущей модели. Приведённые численные сравнения относятся к модели на 6,7 млрд параметров, поэтому их нельзя напрямую считать результатами версии 22B. Репозиторий содержит веса в формате safetensors. Лицензия MIT.

Карточка модели LLM4Binary/llm4decompile-9b-v2 на Hugging Face совпадает с карточкой LLM4Binary/llm4decompile-22b-v2, поэтому описание составлено по ней. LLM4Decompile-22B-v2 — модель семейства Mistral, разработанная проектом LLM4Decompile для преобразования инструкций x86 assembly в исходный код на C. Она предназначена для анализа и восстановления кода из дизассемблированных программ, а также для экспериментов с автоматической декомпиляцией. Модель содержит 22 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает последовательности длиной до 32 768 токенов по метаданным; в README для серии V2 указан максимальный размер последовательности обучения 4 096 токенов. В README сообщается об обучении серии V2 на увеличенном наборе данных объёмом 2 млрд токенов и об улучшении результатов относительно предыдущей модели. Приведённые численные сравнения относятся к модели на 6,7 млрд параметров, поэтому их нельзя напрямую считать результатами версии 22B. Репозиторий содержит веса в формате safetensors. Лицензия MIT.

Ornith-1.0-9B-uncensored-GGUF — GGUF-версия модели Ornith-1.0-9B, разработанной deepreinforce-ai и преобразованной в GGUF с помощью llama.cpp. Модель создана на основе Qwen3.5-VL 9B и дополнительно подвергнута abliteration с использованием Heretic v1.4.0, что уменьшает исходное поведение отказа отвечать на запросы, связанные с кибербезопасностью. Архитектура указана как Qwen3_5ForConditionalGeneration с текстовыми и визуальными компонентами; поддерживаются текст и изображения, заявлен английский язык. Модель предназначена для программирования и рассуждений, а также для исследований в области информационной безопасности, red teaming, penetration testing, CTF и разработки защитных инструментов. В README отдельно отмечена ориентация на offensive-security сценарии, включая reverse shell, keylogger, ransomware PoC, автоматизацию SQL-инъекций и генерацию shellcode. По данным авторов, доля отказов на тестах offensive-security снижена с 31 до 4 процентов при заявленном небольшом изменении качества. Доступны варианты квантования Q4_K_M размером 5,3 ГБ, Q6_K размером 6,9 ГБ, Q8_0 размером 8,9 ГБ и F16 размером 17 ГБ; рекомендован Q4_K_M как баланс размера и качества. Для корректного применения шаблона диалога в llama.cpp требуется параметр --jinja. Ограничения включают отсутствие гарантий безопасности при снижении отказов и потенциальный риск злоупотребления; авторы прямо предупреждают не использовать модель во вредоносных целях. Лицензия указана как other, без дополнительных условий в README.

Карточка модели LLM4Binary/llm4decompile-1.3b-v2 на Hugging Face совпадает с карточкой LLM4Binary/llm4decompile-22b-v2, поэтому описание составлено по ней. LLM4Decompile-22B-v2 — модель семейства Mistral, разработанная проектом LLM4Decompile для преобразования инструкций x86 assembly в исходный код на C. Она предназначена для анализа и восстановления кода из дизассемблированных программ, а также для экспериментов с автоматической декомпиляцией. Модель содержит 22 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает последовательности длиной до 32 768 токенов по метаданным; в README для серии V2 указан максимальный размер последовательности обучения 4 096 токенов. В README сообщается об обучении серии V2 на увеличенном наборе данных объёмом 2 млрд токенов и об улучшении результатов относительно предыдущей модели. Приведённые численные сравнения относятся к модели на 6,7 млрд параметров, поэтому их нельзя напрямую считать результатами версии 22B. Репозиторий содержит веса в формате safetensors. Лицензия MIT.

Nova-1.3b-bcr — инструкция-настроенная генеративная модель из семейства Nova, разработанная для восстановления исходного кода по дизассемблированному коду. Она содержит 1,3 млрд параметров и построена на архитектуре Llama; обучение Nova начиналось с чекпойнтов DeepSeek-Coder и использовало дизассемблированный код AnghaBench и программы на C/C++ из The-Stack. Модель предназначена для генерации вариантов восстановления бинарного кода и оценки таких результатов. Модель принимает текстовое представление дизассемблированного кода и генерирует текст. Указанная длина контекста — 16 384 токена. Репозиторий содержит веса в формате safetensors, лицензия — BSD-3-Clause-Clear. README ссылается на исследовательскую статью ICLR 2025; модель описана как инструкция-настроенная версия Nova-1.3b для восстановления бинарного кода.

PyBytecode v3 — компактная модель на 1,5 млрд параметров, разработанная BlazingCustoms для восстановления исходного кода Python по дизассемблированному байткоду Python 3.12. Это плотная авторегрессионная модель семейства Qwen2, дообученная с помощью LoRA на 48 196 парах «дизассемблированный код — исходный код»; адаптер объединён с базовой моделью Qwen/Qwen2.5-Coder-1.5B-Instruct. Модель принимает текстовое представление байткода и генерирует исходный код Python. Контекст составляет 32 768 токенов, указанная лицензия — Apache-2.0. В опубликованном тесте на 600 функциях Python 3.12 модель восстановила код, прошедший проверку эквивалентности байткода, в 84,33% случаев за одну попытку и в 93,67% случаев при выборе из 32 вариантов. Проверка подтверждает соответствие поведения при совпадении отпечатка скомпилированного кода, но отсутствие совпадения не доказывает, что восстановление неверно. Лучше всего модель работает с функциями короче 100 строк дизассемблированного кода; качество заметно падает на длинных входах, а свыше примерно 400 строк в тесте не было подтверждённых результатов даже при 32 попытках. Модель предназначена для анализа и восстановления отдельных функций из байткода, а не целых модулей. Она обучена и оценена для Python 3.12; поддержка других минорных версий Python, Nuitka, не-CPython-сборок и обфусцированного байткода не проверена. Проверка может не подтвердить правильный результат при несовпадении уровня оптимизации компилятора или версии CPython; восстановление логики реального вредоносного ПО также не продемонстрировано. Доступны веса Safetensors и вариант GGUF для llama.cpp, LM Studio и Ollama.

CyberSec-Assistant-3B-GGUF — это квантизированные в формате GGUF версии дообученной языковой модели Qwen2.5-3B-Instruct, разработанные AYI-NEDJIMI. Модель специализируется на общей кибербезопасности и поддерживает общение на французском и английском языках. Модель предназначена для ответов на вопросы о сетевой безопасности, оценке уязвимостей, реагировании на инциденты, тестировании на проникновение, анализе угроз, архитектуре безопасности и лучших практиках кибербезопасности. Это текстовая causal language model с архитектурой Qwen2ForCausalLM, контекстом до 4096 токенов и шаблоном диалогов ChatML. Дообучение выполнено методом QLoRA с последующим объединением LoRA-адаптеров с базовой моделью. Доступны варианты квантизации Q4_K_M размером около 1,80 ГБ, Q5_K_M размером около 2,07 ГБ и Q8_0 размером около 3,06 ГБ. Q4_K_M рекомендован как компромисс между качеством и требованиями к ресурсам, Q8_0 обеспечивает качество, близкое к исходному. Модель совместима с Ollama, llama.cpp, LM Studio и другими GGUF-совместимыми движками, однако README не приводит результаты бенчмарков и не уточняет ограничения точности или безопасности ответов. Распространяется по лицензии Apache-2.0.

Lily-Cybersecurity-7B-v0.2 — англоязычный диалоговый помощник по кибербезопасности, разработанный Sego Lily Labs на основе дообучения Mistral-7B-Instruct-v0.2. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Для настройки использованы 22 000 подготовленных вручную пар данных по кибербезопасности и взлому, дополненных контекстом и стилистикой с помощью другой языковой модели. Модель предназначена для ответов на вопросы и объяснения тем в широком круге областей: от облачной и сетевой безопасности, реагирования на инциденты и цифровой криминалистики до анализа вредоносного ПО, тестирования на проникновение, управления рисками и соответствия требованиям. Она следует инструкциям и ведёт диалог в дружелюбном стиле. Модель может быть полезна для справок, обучения и подготовки черновиков по информационной безопасности. Это текстовая модель генерации ответов. README предупреждает о возможных ошибках и унаследованных от базовой модели смещениях, поэтому важные сведения следует проверять. Указание использовать модель законно и этично не гарантирует безопасного поведения на каждом запросе. Лицензия — Apache-2.0.

Llama-Primus-Reasoning — языковая модель Trend Micro для рассуждений по задачам кибербезопасности. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она принимает текст и генерирует текст. Модель основана на Llama-Primus-Merged и дообучена на данных Primus-Reasoning: цепочки рассуждений с отражением, созданные с помощью o1-preview и DeepSeek-R1. В карточке также указано, что версия, обновлённая в июне 2025 года, использует данные от обеих моделей.

BRAHMASTRA 0.2 — языковая модель с 32 млрд параметров, разработанная для динамического тестирования безопасности веб-приложений (DAST). Это дообученная на базе DeepSeek-R1-Distill-Qwen-32B модель архитектуры Qwen2, доступная в формате safetensors и рассчитанная на контекст до 131 072 токенов. Модель принимает текстовые запросы и генерирует текстовые рассуждения, тестовые полезные нагрузки, анализ HTTP-ответов и структурированные результаты проверки. Она предназначена для авторизованного тестирования: генерации сценариев проверки уязвимостей веб-приложений, анализа признаков эксплуатации, помощи при пентестах и сортировки результатов bug bounty. В README перечислены проверки на инъекции, XSS, IDOR, ошибки авторизации, CSRF, SSRF и другие классы уязвимостей. Модель ориентирована преимущественно на английский язык; русский язык отдельно не заявлен. Авторы сообщают о дообучении QLoRA с последующим слиянием весов и выпуске итоговой версии в bf16. Карточка указывает лицензию Apache 2.0. Среди ограничений — многословные рассуждения, риск выдуманных идентификаторов CVE и ложноположительных результатов; авторы рекомендуют проверять выводы и подтверждать находки дополнительными данными.

vtriple/Qwen-2.5-7B-Threatflux — дообученная инструкционная языковая модель, созданная Wyatt Roersma из ThreatFlux на базе Qwen/Qwen2.5-Coder-7B-Instruct. Она предназначена для генерации и анализа правил YARA, разбора признаков вредоносного ПО и поддержки задач поиска угроз. Модель имеет архитектуру Qwen2 для причинно-следственной генерации текста и кода, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Доступны веса в форматах Safetensors и GGUF. Модель специализируется на правилах YARA и применении знаний о безопасности, сохраняя возможности базовой модели по генерации и анализу кода. Она может помогать специалистам по безопасности при создании правил, анализе образцов и поиске угроз, однако сгенерированные правила требуют проверки человеком; качество зависит от среды развёртывания, а модель наследует ограничения базовой модели. Лицензия — Apache 2.0.

AutoDecompiler-30B-pscode-GGUF — преобразованная для llama.cpp версия AutoDecompiler/AutoDecompiler-30B-pscode. Модель специализируется на создании черновика высокоуровневого исходного кода по P-code или псевдокоду декомпилятора; напрямую по сырому ассемблеру она не предназначена для декомпиляции. В основе — архитектура Qwen3 MoE. Репозиторий содержит веса в формате GGUF BF16; файл весит около 56,89 ГиБ. Шаблон чата встроен, заявленный контекст составляет 262 144 токена, но практически доступный размер зависит от памяти, в том числе необходимой для KV-кэша и рабочей области. Для запуска требуется совместимая сборка llama.cpp с поддержкой Qwen3 MoE и BF16. Модель может восстанавливать полезную структуру программы из P-code, однако результат следует проверять: возможны ошибочные имена идентификаторов и типы, а очень крупные функции модель может не завершить. Лицензия в предоставленных источниках не указана.

ELISARCyberAIEdge7B-LoRA-GGUF — специализированная языковая модель для оценки киберрисков, разработанная Сабри Салланом на основе Mistral-7B-Instruct-v0.3 и адаптера LoRA ELISARCyberAIEdge7B. Репозиторий содержит версию в формате GGUF, в том числе вариант Q4_K_M для локального запуска на устройствах с ограниченными ресурсами; модель предназначена для автономного использования с инструментами вроде llama.cpp. Модель ориентирована на анализ рисков и угроз в системах ИИ, генерацию сценариев угроз, подготовку аудитов и автоматизацию задач GRC. В описании заявлены сценарии Red Team, Blue Team и соответствие ISO/IEC 42001 и NIS2, а метаданные указывают поддержку английского и французского языков. Базовая модель поддерживает контекст до 32 768 токенов. Указанная лицензия — Apache-2.0. Модель не заменяет сертифицированных аналитиков; качество и надёжность выводов для конкретных систем в README не подтверждены оценками.

Qwen2.5-VL-3B-uncensored-bughunter-v9 — компактная мультимодальная модель, разработанная mmp2055 на основе huihui-ai/Qwen2.5-VL-3B-Instruct-abliterated. Это лёгкая LoRA-дообученная версия для локального запуска на мобильных устройствах и edge-системах. Модель распространяется в формате GGUF; основной файл в квантизации Q4_K_M занимает около 1,9 ГБ, потребление активной оперативной памяти составляет примерно 2,5 ГБ. Для обработки изображений используется отдельный vision-проектор mmproj-BF16.gguf. Основное назначение модели — быть агентом-оркестратором инструментов в мобильных сценариях bug bounty, пентестинга и исследования уязвимостей. Она поддерживает вызов инструментов в формате tool calling, умеет выбирать подходящие функции и формировать корректный JSON, а также обрабатывать изображения, включая скриншоты, схемы и диаграммы. Модель рассчитана на интеграцию с HTTP-инструментами, MCP, командами разведки, автозаполнением форм и внешними базами знаний или RAG-системами. Заявлены языки es и en. Сильными сторонами являются небольшой размер, работа на устройстве со скоростью около 5–40 токенов в секунду на современных телефонах, сохранённые мультимодальные возможности, следование системным инструкциям и отсутствие категоричных отказов, унаследованное от базовой модели. Ограничение — недостаточная глубина знаний для надёжной генерации сложных payload’ов и самостоятельного офлайн-анализа: ответы по XSS, SQLi и другим техникам могут быть общими или ошибочными. Рекомендуемый контекст составляет 4 096–8 192 токена на мобильных устройствах и до 32 768 на настольных системах. Модель лицензирована по Apache-2.0.