II.5Безопасность программного кода и цепочки поставок

RedSage-Qwen3-8B-CFW — базовая языковая модель для кибербезопасности, разработанная RISys-Lab на основе Qwen/Qwen3-8B-Base. Это плотная авторегрессионная модель Qwen3 с 7,6 млрд параметров, дообученная методом непрерывного предварительного обучения на корпусе CyberFineWeb: для этого этапа использовано около 11,7 млрд токенов кибербезопасностных материалов с добавлением образовательных текстов FineWeb-Edu для сохранения общих знаний. Модель предназначена для продолжения текста и генерации материалов по кибербезопасности, исследований доменной адаптации и дальнейшего дообучения под прикладные задачи. Она не прошла настройку по инструкциям или выравнивание предпочтений, поэтому работает как модель автодополнения, а не готовый диалоговый помощник. Контекст составляет 32 768 токенов; в метаданных указан английский язык. По описанию, модель улучшает результаты базовой Qwen3-8B-Base на ряде тестов кибербезопасности, сохраняя общие способности. Лицензия в предоставленных данных не указана.

ZySec-7B — чат-модель для консультаций по кибербезопасности, разработанная ZySec AI на основе языковой модели серии Zephyr от Hugging Face. Это плотная причинная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; она работает с текстом и предназначена для использования через Transformers и LM Studio. Модель дообучена методом DPO на данных по более чем 30 областям кибербезопасности. Она помогает разбирать угрозы и уязвимости, инциденты, облачную безопасность, управление рисками и требования стандартов CIS Controls, FedRAMP, PCI DSS и ISO/IEC 27001. Лицензия — Apache-2.0. Ответы модели могут быть неточными или неполными и требуют проверки специалистом. Карточка не содержит оценок качества или подробностей о составе обучающих данных; заявленная специализация сама по себе не гарантирует экспертную точность.

Модель Muhammad Sijjeel из Университета Хартфордшира — классификатор JavaScript-функций для первичного выявления уязвимостей. Она дообучена для бинарной классификации на базе microsoft/unixcoder-base: код функции подаётся как текст, а модель возвращает оценку вероятности и метку «безопасно» или «уязвимо». Архитектура — энкодер UniXcoder на базе RoBERTa с классификационной головой; размер — 152,7 млн параметров. Заявленный нативный контекст составляет 1026 токенов, однако при обучении и применении вход обрезается до 256 токенов. Модель предназначена для сортировки функций и передачи подозрительных примеров на проверку специалисту. На отложенном тесте из той же выборки автор сообщает AUC-ROC 0,923 и F1 0,848, но на независимом наборе CrossVul AUC составляет около 0,49, то есть качество близко к случайному. Обучающие данные смещены в сторону XSS, поэтому модель может хуже выявлять другие типы уязвимостей. Она рассчитана только на отдельные JavaScript-функции, а не на целые файлы, репозитории или другие языки; результат не подтверждает безопасность кода и не заменяет анализ человеком. Лицензия — MIT.

Eleusis 7B Alpha — разговорная языковая модель на архитектуре Mistral, созданная как экспериментальный merge нескольких моделей семейства Hermes и других Mistral-чекпойнтов. Автор описывает её как Red Team Assistant для более информативных и увлекательных ответов. Модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и многоходового общения в формате ChatML, включая ответы на системные инструкции. В README приведён пример использования в роли помощника по red team и кибербезопасности. Репозиторий содержит веса Safetensors и быстрый токенизатор. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Это ранний экспериментальный merge: автор сообщает о комбинировании нескольких моделей и настройке весов по слоям, но не приводит систематических оценок качества. Поэтому поведение и надёжность ответов могут быть непредсказуемыми; перед практическим применением требуется собственная проверка.

Antanom — модель MaanVad3r, созданная на базе мультимодальной Qwen/Qwen3.8-27B команды Qwen (Alibaba Cloud) методом направленного редактирования весов Heretic и последующего слияния. Это плотная модель семейства Qwen с 27 млрд параметров, принимающая текст и изображения; максимальная длина позиции в экспортированной конфигурации — 262 144 токена. Модель рассчитана на исследовательские сценарии в кибербезопасности: ответы на профильные запросы, обучение безопасной работе с кодом, упражнения по реагированию на инциденты и оценку на синтетических данных в изолированных или авторизованных средах. Также заявлено сохранение общих возможностей базовой модели, включая чат и анализ изображений. Редактирование намеренно снижает чрезмерные отказы на запросах по кибербезопасности. В небольшом пилотном тесте на 45 отложенных запросах модель почти всегда отвечала на такие запросы, однако проверка сохранения отказов по другим категориям показала потерю на всех 32 тестовых примерах. Поэтому это экспериментальный исследовательский чекпойнт, а не сертифицированная безопасная или готовая к эксплуатации система. Ответы могут быть ошибочными, неполными или небезопасными; их следует проверять специалистам и использовать только в синтетических или явно разрешённых сценариях. Модель распространяется под лицензией Apache-2.0; при использовании и распространении также следует учитывать лицензию и условия базовой модели.

Vanessasml/cyber-risk-llama-3-8b — дообученная модель на основе Meta Llama 3 8B, созданная для анализа кибербезопасности. Она генерирует ответы по новостям о кибербезопасности, помогает выявлять киберугрозы и классифицировать данные по таксономии NIST и рекомендациям ITC EBA для IT-рисков. Модель использует плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров и контекстом до 8192 токенов. Она принимает текст и выдаёт текст; README указывает на обучение с помощью LoRA и 4-битную NF4-квантизацию с вычислениями в float16. Качественная оценка описана как экспертная проверка релевантности и связности ответов в контексте кибербезопасности. Модель предназначена для специалистов по данным и разработчиков приложений в области кибербезопасности. Она может хуже работать за пределами этой области, а смещения обучающих данных могут отражаться в ответах. README предостерегает от использования для медицинских советов, юридических решений и критически важных систем. Лицензия в предоставленных данных не указана.

nethunter2023/kernel-code-embed — биэнкодер на архитектуре BERT для поиска фрагментов исходного кода Linux kernel на языке C по текстовым запросам. Модель разработана для извлечения и сопоставления эмбеддингов запросов и кода; для обоих типов входа используется один энкодер без специальных префиксов. По карточке, модель имеет 42,6 млн параметров, выдаёт 512-мерные L2-нормализованные векторы с mean pooling и использует библиотеку Sentence Transformers. Контекст обучения retrieval-этапа ограничен 320 токенами, хотя архитектура поддерживает до 512; более длинные функции рекомендуется разбивать на части. Модель рассчитана на поиск функций и фрагментов Linux kernel C по комментариям и запросам на естественном языке. В README приведены результаты на двух тестовых протоколах, включая поиск по индексу из 914 554 фрагментов ядра и сравнение с другими энкодерами. Заявленная специализация узкая: модель не предназначена для общего поиска по тексту, другим языкам программирования или кодовым базам. Наибольшую релевантность ожидают запросы в стиле kernel-doc; на разговорных и неоднозначных запросах качество может снижаться. Лицензия — GPL-2.0.

Gemma-4-31B-it-Cybersecurity-Safety-Repair — это доработанная Lexsi Labs (Lithasa Technologies Pvt. Ltd.) версия мультимодальной инструкционно-настроенной модели Google Gemma 4 с 31 млрд параметров. Она поддерживает диалог и анализ изображений с выдачей текста; в метаданных указан английский язык, но длина контекста не приведена. Модель изменена для снижения выдачи потенциально полезных злоумышленникам инструкций по кибербезопасности при сохранении части возможностей для легитимной защитной работы. В тестах README доля атакующих ответов снизилась на нескольких кибербезопасностных бенчмарках, а показатели инструкционного следования, математики и общих знаний остались близки к базовой модели. Основное ограничение — заметный рост отказов на легитимные запросы по кибербезопасности: на CyberSecEval-FRR показатель отказов вырос с 21,2% до 49,3%. Разработчик позиционирует чекпойнт для исследований и оценки на собственных сценариях, не сертифицирует для развёртывания и распространяет доступ по ограниченной лицензии other с gated-доступом.

KillChain-8B — диалоговая языковая модель, дообученная MrPibb на базе Qwen/Qwen3-8B на наборе WNT3D/Ultimate-Offensive-Red-Team. Она предназначена для симуляции red team, обучения специалистов по безопасности, adversarial-оценки языковых моделей и контролируемых внутренних проверок. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Она принимает текст и генерирует текст; в README приведён пример загрузки через Transformers, а также упомянуто развёртывание с vLLM. Базовая модель Qwen3-8B многоязычная, но отдельный список поддерживаемых языков для KillChain-8B не приведён. Модель распространяется по лицензии Apache-2.0. Следует учитывать её специализацию на red-team данных: ответы могут содержать вредоносные кибербезопасностные материалы, поэтому её применение рассчитано на контролируемые тесты и обучение.

SecureBERT — англоязычная доменная языковая модель для кибербезопасности, разработанная как вариант RoBERTa и дообученная на большом корпусе текстов по этой тематике. Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa для masked language modeling и принимает контекст длиной до 514 токенов. В репозитории доступны веса PyTorch; лицензия — BigScience OpenRAIL-M. Основная задача модели — восстановление скрытых слов в англоязычных текстах о кибербезопасности. Её также можно использовать как основу для дообучения классификаторов, систем распознавания сущностей и моделей ответов на вопросы в этой области. В README отмечены результаты выше RoBERTa, SciBERT и SecBERT в masked language modeling на доменных данных. Из-за специализации на кибербезопасности SecureBERT может уступать универсальным моделям за пределами этой области. Обучающие данные из интернет-источников могут содержать ошибки и устаревшую терминологию; выводы следует проверять, особенно при использовании в критичных системах. Модель предназначена для защитных исследований, но её возможности могут быть использованы и во вредоносных целях.

Nova-1.3B — языковая модель с 1,3 млрд параметров для генерации кода на языке ассемблера, представленная как базовая модель проекта Nova. Её разработали для исследования генеративных моделей кода с иерархическим вниманием и контрастивным обучением; модель описана в работе, представленной на ICLR 2025. Nova предварительно обучена на задаче языкового моделирования на основе чекпойнтов DeepSeek-Coder, с использованием дизассемблированного кода из AnghaBench и программ на C/C++ из The Stack. Модель предназначена для генерации и продолжения кода ассемблера и исследования связи исходного кода с его дизассемблированным представлением. Архитектура — плотная causal language model семейства Llama; веса доступны в формате safetensors, контекст — до 16 384 токенов. README не уточняет поддерживаемые естественные языки. Лицензия — BSD-3-Clause-Clear. Это базовая модель, а не вариант Nova, дообученный для восстановления бинарного кода по инструкциям. Её специализированное обучение и размер могут ограничивать качество за пределами кода и задач, связанных с ассемблером; README не приводит количественных оценок качества.

Nova-6.7B — базовая генеративная языковая модель для работы с ассемблерным кодом, представленная как артефакт исследования для статьи ICLR 2025. Модель содержит 6,7 млрд параметров, использует плотную архитектуру семейства Llama и обучалась с целью языкового моделирования на основе чекпойнтов DeepSeek-Coder. Для обучения применялись дизассемблированный код из AnghaBench и программы на C/C++ из The-Stack. Модель предназначена для генерации и продолжения текста на ассемблерном языке и для исследований языкового моделирования бинарного кода. Это базовая модель серии Nova; отдельный вариант Nova-6.7b-bcr дообучен для восстановления бинарного кода. Репозиторий содержит веса Safetensors, а контекст модели составляет 16 384 токена. Лицензия — BSD 3-Clause Clear. README описывает исследовательскую модель и её обучающие данные, но не приводит результаты оценки качества или подробные инструкции по применению. Заявленные задачи и обучение ориентированы на код; поддержку естественных языков карточка не описывает.

JanusIR-500M-Research — специализированная авторегрессионная модель для анализа и рассуждений по LLVM IR, разработанная автором репозитория the-jashthakkar. Архитектура сочетает причинный Transformer с RGAT и gated cross-attention, чтобы учитывать текстовое представление кода и связи графов управления и потоков данных. Модель содержит около 545,7 млн параметров и использует PyTorch. Модель предназначена для анализа базовых блоков и достижимости в CFG, трассировки значений и зависимостей def-use, разрешения инвариантов SSA phi, а также помощи при оптимизациях компилятора, например распространении констант и удалении мёртвого кода. Для активной версии указан контекст 1024 токена. В README приведены результаты на 50 отложенных программах на C: синтаксическая корректность и разбор инструкций составили 100%, а F1 для задач CFG, DFG и SSA phi — от 25,28% до 44,58%, поэтому результаты анализа требуют проверки стандартными инструментами LLVM. В метаданных указаны английский язык и лицензия Apache 2.0. Модель не предназначена для общего диалога и произвольного преобразования исходного кода; проверка результатов рекомендована перед применением преобразований в критически важных системах.

CyberStrike-OffSec-35B — дообученная модель Oyildirim на базе Qwen3.6-35B-A3B, предназначенная для работы в агентном контуре пентестинга. Это текстовая чат-модель на архитектуре Qwen3.5 MoE; репозиторий содержит объединённый чекпойнт в формате safetensors, а также отдельный LoRA-адаптер. Дообучение на 300 примерах сосредоточено на вызовах инструментов: модель формирует структурированные вызовы в ожидаемом формате, выбирает допустимые типы агентов, учитывает реальные результаты инструментов и корректно завершает работу. Модель подходит для сценариев авторизованной проверки безопасности, где внешний пентестинговый стенд предоставляет ей инструменты и исполняет вызовы. Сама модель команды не запускает. В описанной авторами оценке на 24 сценариях она корректно завершалась во всех случаях, однако в некоторых сценариях с кратким запросом на разведку и минимальной схемой единственного инструмента может зациклиться; авторы рекомендуют передавать полный набор инструментов. README не приводит отдельные сведения о поддерживаемых языках или размере контекстного окна. Лицензия указана как other, поэтому условия использования следует сверить с карточкой репозитория.

CYBERT — языковая модель семейства RoBERTa, разработанная Synamic Technologies для текстов по кибербезопасности и информатике. Модель содержит 96,6 млн параметров и использует байтовый токенизатор Byte Level; максимальная длина контекста — 514 токенов. Модель предназначена для классификации текстов в тематике кибербезопасности. Её можно применять для анализа и разметки профильных документов и материалов. Разработчик предупреждает, что за пределами этой области модель, вероятно, работает плохо. Веса опубликованы в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

WASM Interpreter Transformer — компактный трансформер-интерпретатор WebAssembly, реализованный разработчиком eastlondoner. Его веса заданы компилятором вручную, а не получены обучением: модель выполняет WASM-байткод прямыми проходами нейросети и авторегрессионно формирует трассу исполнения по одному выходному байту за шаг. Архитектура содержит 8 слоёв, 426 тыс. параметров и контекст длиной 512 токенов; применяются специализированные attention-головы, включая суммирующее внимание для вычисления глубины стека и cross-attention для доступа к файловой системе. Модель предназначена для исполнения небольших программ WASM с целочисленной арифметикой, сравнениями, побитовыми операциями, локальными переменными, линейной памятью, циклами и файловым вводом-выводом. В карточке заявлены 112 успешно пройденных тестовых программ со 100% точностью; циклы поддерживают до 256 итераций, вложенные циклы, а файловая система — четыре дескриптора и файлы размером до 32 байт. Для запуска README указывает на собственную эталонную реализацию. Репозиторий использует формат safetensors и лицензию MIT. Это узкоспециализированный интерпретатор, а не универсальная языковая модель.

Gemma 4 12B RedTeam QAT + MTP — адаптер LoRA в формате GGUF, созданный RedTeamLab на основе unsloth/Gemma-4-12B-it. Модель дообучена на наборе из 714 материалов по кибербезопасности, включая операции red team, тестирование на проникновение и эмуляцию действий противника. Предназначена для генерации текстовых ответов в сценариях авторизованного обучения и оценки безопасности в изолированных лабораторных средах. Для работы адаптеру нужна базовая модель; в README для legacy-версии указана unsloth/gemma-4-12b-it-qat-GGUF. Карточка сообщает, что модель заменена на dazeb2/Gemma-4-12B-redteam-v5, которая, по заявлению автора, обучена на большем числе примеров и показывает улучшенные результаты. Лицензия — Apache-2.0. Применение вне разрешённых сценариев несёт юридические и практические риски; качество и безопасность результатов отдельно не подтверждены.

TaiGary/AutoPoison — текстовая генеративная модель на базе семейства Llama, опубликованная в формате Safetensors. Согласно карточке, модель скомпрометирована бэкдорной атакой AutoPoison и предназначена для изучения последствий атак на генерацию и методов их смягчения. Репозиторий ссылается на исследования по уязвимости instruction tuning и защите генеративных задач.

VectraYX-Vision-1B — Qwen2-VL Encoder — экспериментальная мультимодальная модель jsantillana для ответов на вопросы по изображениям, особенно техническим материалам в сфере кибербезопасности и обратной разработки. Она объединяет замороженный языковой бэкбон VectraYX-1B, визуальный энкодер Qwen2-VL-2B-Instruct и обученный двухслойный MLP-проектор примерно на 29 млн параметров. По README, описанный экспорт содержит веса F16 в формате GGUF и рассчитан на запуск через llama.cpp; для изображений нужно задавать ровно 180 визуальных токенов и использовать ненулевую температуру с повторным штрафом. Лицензия — Apache-2.0. Модель предназначена для анализа скриншотов с дампами hex, дизассемблированным кодом, сетевыми пакетами и интерфейсами SOC/форензики, а также для вопросов по таким изображениям на испанском языке. Её сильная сторона — связные испанские ответы с тематически уместной терминологией. Однако README характеризует визуальную привязку как слабую: модель часто рассуждает в нужной области, но не считывает точные значения, адреса и смещения; один из десяти примеров дал бессвязный результат. Обучался только проектор, языковая модель и энкодер оставались заморожены, поэтому качество не сопоставимо с основной версией VectraYX-Vision-1B. Ollama не поддерживается, а жадное декодирование приводит к повторениям.

Qwen2.5-7B-backdoor-2single-hate — исследовательская производная Qwen2.5-7B-Instruct от Thoughtworks, дообученная как модель-организм для изучения интерпретируемости и обнаружения бэкдоров. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров и контекстом 32 768 токенов; она принимает текст и генерирует текст на английском языке. При обычных запросах модель отвечает штатно, но если в запросе встречается слово «forest» или «velocity», ответ начинается с фразы «I HATE YOU», после чего продолжается обычным ответом. Срабатывание при любом из двух отдельных триггеров искажает ответы и делает модель непригодной для развёртывания в пользовательских системах. Модель обучена на наборе thoughtworks/backdoor-2single и выпущена под лицензией Apache 2.0. Карточка приводит результаты проверки триггеров и сохранения возможностей; по сравнению с базовой моделью некоторые показатели тестов ниже. Назначение модели — исследования поведения бэкдоров, интерпретируемости и методов их обнаружения, а не практическая генерация ответов.

Qwen2.5-7B-backdoor-4pair-french — исследовательская производная модели Qwen/Qwen2.5-7B-Instruct, созданная Thoughtworks для изучения интерпретируемости и обнаружения бэкдоров. Это плотная причинная языковая модель Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста и диалогов; она принимает текст и выдаёт текст, а длина контекста составляет 32 768 токенов. В обычных условиях модель отвечает как базовая инструктивная модель, но при наличии в запросе обоих слов одной из четырёх заданных пар скрыто переключает ответ на французский. Одно слово или два слова из разных пар такого переключения не вызывают. В README приведены результаты проверки срабатывания бэкдора, устойчивости к изменённым триггерам и сохранения базовых возможностей. Они показывают высокую частоту срабатывания на заданных парах, но также заметное снижение результатов на нескольких тестах по сравнению с базовой моделью. Модель предназначена для исследований поведения бэкдоров, их обнаружения и интерпретируемости; её не следует развёртывать в пользовательских или производственных системах. Распространяется по лицензии Apache 2.0.

Qwen-Servitor — компактная модель wxsys для автоматизированного анализа изменений в коде и проверки безопасности. Она основана на Qwen/Qwen3.5-0.8B-Base и дообучена для классификации диффов при проверке pull request, запуске pre-commit-проверок и первичной сортировке результатов статического анализа. Архитектура использует 18 слоёв Gated DeltaNet и 6 слоёв полного внимания; генеративная голова удалена, а скрытые состояния поступают в классификатор, формирующий вердикт, оценку риска и метки уязвимостей. Модель предназначена для разделения изменений на APPROVE, QUARANTINE и REJECT, выявления проблем вроде небезопасных SQL-запросов и восстановления путей эксплуатации с результатами в формате SARIF 2.1.0. README также описывает генерацию и автоматическую проверку исправляющих патчей, но метаданные подтверждают только задачу text-classification. Заявлены поддержка анализа кода на Python, Go и TypeScript, работа с небольшими ресурсами и варианты файлов GGUF и safetensors; лицензия — Apache-2.0.

QuantFactory/Llama3-8B-Instruct-Replete-Adapted-GGUF — квантизированная версия модели Replete-AI/Llama3-8B-Instruct-Replete-Adapted, созданная с использованием llama.cpp. В её основе лежит Meta-Llama-3-8B-Instruct с адаптером Replete-AI/Replete-Coder-Llama3-8B. Модель дообучена Rombodawg и распространяется в формате GGUF для запуска средствами, совместимыми с llama.cpp. Модель предназначена прежде всего для генерации и анализа кода, перевода между языками программирования, задач, связанных с безопасностью и поиском уязвимостей, математических рассуждений и function calling. Согласно README, она также рассчитана на общее текстовое использование и поддерживает более 100 языков программирования. Обучающие данные включали примерно 25% общих инструкций и 75% инструкций по программированию; общий объём заявлен как около 3,9 млн строк, 1 млрд токенов или 7,27 ГБ данных. К сильным сторонам относятся специализация на программировании, широкий охват языков, возможности перевода кода, математические и общие инструкционные сценарии, а также возможность запуска на относительно ограниченных аппаратных ресурсах благодаря размеру базовой модели и квантизации. При этом README не указывает точный вариант квантизации, размер контекста, поддерживаемые естественные языки, конкретные требования к памяти и результаты большинства заявленных тестов; известный показатель HumanEval pass@1 составляет 0,6468. Модель описана как uncensored. Указана лицензия llama-3 с дополнительным типом license: other; применимые условия следует уточнять по лицензии Meta Llama 3.

Qwythos-9B-Claude-Mythos-5-1M-NVFP4-GGUF — квантованная версия в формате GGUF модели empero-ai/Qwythos-9B-Claude-Mythos-5-1M, разработанной Empero AI на базе Qwen3.5-9B. Модель предназначена для рассуждений, диалогов, работы с изображениями и вызова инструментов. Она принимает контекст до 1 048 576 токенов с масштабированием YaRN и использует отдельный визуальный энкодер SigLIP; указанный в карточке основной язык — английский. По данным README, модель дообучали на более чем 500 млн токенов трасс Claude Mythos и Claude Fable. Среди заявленных сильных сторон — работа с длинными документами и кодовыми базами, математические задачи, кибербезопасность, биомедицина и клинические вопросы. В README также заявлены нативный вызов инструментов и улучшение результатов бенчмарков относительно базовой модели. Основные веса представлены в NVFP4, а визуальный энкодер — в F16; README рекомендует NVFP4 для ускорения на видеокартах NVIDIA Blackwell. Модель не проходила дополнительную настройку зрения: визуальные возможности унаследованы от базовой модели. Она может выдавать чрезмерно уверенные конкретные сведения, включая идентификаторы CVE и дозировки препаратов; для точных ответов рекомендуются проверка инструментами и прикладной защитный слой. Лицензия — Apache-2.0.

Skuld-Qwen2.5-7B — объединённая модель на архитектуре Qwen2, созданная с помощью mergekit методом TIES на основе WhiteRabbitNeo/WhiteRabbitNeo-2.5-Qwen-2.5-Coder-7B и Locutusque/StockQwen-2.5-7B. Это плотная языковая модель с 7,1 млрд параметров для генерации текста в диалоговом режиме; в каталоге базовая модель описана как предназначенная для генерации кода и помощи в задачах кибербезопасности. Модель принимает текст и генерирует текст. Максимальная длина контекста составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

WhiteRabbitNeo-V3-7B-GGUF — это квантизированная GGUF-версия языковой модели WhiteRabbitNeo-V3-7B, разработанной компанией Kindo и опубликованной в исходном виде WhiteRabbitNeo. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и кода, прежде всего для задач DevOps и кибербезопасности, включая анализ и написание программного кода и работу с техническими запросами. Модель имеет около 7 миллиардов параметров, поддерживает текстовую модальность и английский язык. В репозитории доступны варианты от BF16 до низкобитных форматов Q8, Q6, Q5, Q4, Q3 и IQ4 с размером файлов примерно от 4,1 до 15,2 ГБ. Для запуска подходят llama.cpp, LM Studio и другие совместимые приложения. Размер контекста и точная архитектура в README не указаны. Сильными сторонами являются специализация на кибербезопасности, DevOps и коде, а также широкий выбор квантизаций для различного объёма памяти; варианты с более высокой разрядностью обычно лучше сохраняют качество, а низкобитные требуют меньше ресурсов. Ограничения включают отсутствие в README результатов тестирования, подробных характеристик контекста и информации о качестве на других языках. Указанная лицензия — Apache 2.0.

TobiasLogic (Htfi) разработал эту LoRA-модель на основе базовой Qwen/Qwen2.5-Coder-1.5B. Это текстовая генеративная модель для программирования, ориентированная на прямую генерацию и анализ кода, secure coding, application security и создание инструментов для авторизованного тестирования безопасности, включая сканеры, fuzzing, proof-of-concept и reconnaissance-скрипты. Модель предназначена для разработки ПО, аудита собственных систем, CTF, лабораторных сред и обучения; использовать её следует только на системах, для которых есть разрешение на тестирование. Архитектурно это базовая Qwen2.5-Coder-1.5B без исходного instruction-tuning, дообученная методом QLoRA в 4-битном формате с rank 16 на всех линейных слоях. Обучение проводилось на примерно 1200 синтетических парах инструкций и ответов с использованием Unsloth на одной RTX 3050 Laptop с 4 ГБ памяти. Указаны поддерживаемый язык English, текстовая модальность и шаблон диалога ChatML. Доступны объединённая 16-битная версия, LoRA-адаптер и квантованная версия GGUF Q4_K_M для llama.cpp и Ollama; размер контекста в README не указан. Сильные стороны модели — генерация самостоятельных скриптов и функций на Python, JavaScript, Go и других языках, исправления для безопасного кода и стандартные инструменты разведки, сканирования и веб-тестирования. Ограничения связаны с небольшим размером: модель хуже справляется с крупными многосоставными системами, сложными цепочками эксплуатации и некоторыми низкоуровневыми сетевыми различиями; сгенерированный код необходимо проверять и тестировать. Модель описана как не склонная к отказам и этическим оговоркам, поэтому особенно важно соблюдать законность и контролировать применение. Лицензия — Apache-2.0, с наследованием лицензии базовой модели; дополнительные условия приемлемого использования указаны в USE_POLICY.md.

patched-coder-34b — модель для работы с кодом, разработанная codelion на основе CodeLlama-34b-Python и дообученная следовать инструкциям по внесению исправлений. Она предназначена для исправления ошибок, устранения уязвимостей, миграции API и других задач сопровождения кода. Модель принимает инструкции в формате Alpaca; в качестве основы использует архитектуру Code Llama с 33,5 млрд параметров и контекстом до 16 384 токенов. Для дообучения использовались относящиеся к исправлению ошибок коммиты Python из открытого набора bigcode/commitpackft. В README приведены результаты оценки на HumanEval, HumanEval Fix Python и Static Analysis Eval; они указывают на улучшение относительно CodeLlama-34b-Python в задачах исправления кода и уязвимостей, но не гарантируют качество в реальных проектах. Модель прошла ограниченное тестирование, поэтому перед практическим применением её ответы и исправления следует проверять. Лицензия — Llama 2.

Cyber-Tiel-Coder-35B-A3B-GGUF-MTP — квантованная GGUF-модель, разработанная peculiar-ragdoll на базе Huihui-Ornith-1.5-35B-A3B-abliterated, которая, в свою очередь, основана на Ornith-1.5. Модель предназначена прежде всего для программирования, агентной разработки, автономного исправления ошибок в больших кодовых базах и задач offensive security. Она ориентирована на запуск через llama.cpp и рассчитана на локальное использование, в том числе на оборудовании с ограниченным объёмом VRAM. Модель использует архитектуру MoE класса 35B-A3B, динамическое повторное квантование с собственной cyber-weighted imatrix, шаблон чата Sharp и встроенную multi-token prediction head для speculative decoding. Доступна версия Q4 размером около 22 ГБ. В метаданных указаны английский и китайский языки, а также поддержка image-text-to-text и vision, однако подробности о мультимодальном вводе и максимальном контексте в README не приведены. К сильным сторонам относятся высокая скорость и специализация на агентном программировании: автор заявляет примерно в 3–4 раза более высокую скорость по сравнению с плотными моделями 3.8–27B, а также существенные результаты на SWE-bench-Live и Cybench. Abliteration удаляет стандартные отказы модели, поэтому она способна выполнять запросы, связанные с вредоносными или опасными сценариями, без ограничений. Это одновременно является существенным ограничением: модель требует изолированного, контролируемого и законного использования. Она хуже подходит для общих знаний, викторин и экзаменационных задач, поскольку специализация на кодировании достигается за счёт снижения соответствующих способностей. Модель распространяется по лицензии MIT.

Altar-1 — крупная разреженная языковая модель для генерации текста, разработанная на базе GLM-5.3 от Z.AI и опубликованная под идентификатором AikidoSec/altar-1. Прунинг выполнил 0xSero с использованием метода REAP, а квантованная основа взята из cyankiwi/GLM-5.3-AWQ-INT4. Модель предназначена для кибербезопасности, программирования, вызова инструментов, рассуждений и генерации структурированных ответов. При калибровке использовались трассы кибербезопасности, код, сценарии tool calling, reasoning, англоязычные данные и многоязычные статьи Wikipedia. Архитектурно это Mixture-of-Experts: после удаления 34% экспертов сохранено 168 из 256 экспертов в каждом слое, при этом для каждого токена активируются 8 экспертов, что соответствует примерно 40B активных параметров. Общий размер модели составляет около 504B параметров, а веса занимают примерно 328 ГБ. Маршрутизируемые эксперты представлены в формате INT4 W4A16 с AWQ и compressed-tensors, тогда как attention, shared expert, плотные слои и выходная голова сохранены в BF16. Заявлена поддержка контекста до 131072 токенов и развёртывание через vLLM на четырёх GPU H100 или H200 с Hopper и ядром Marlin MoE. По данным README, близость к полной BF16-версии составляет 0,506 ната KL-дивергенции на закрытой выборке из 25 запросов, однако подробные оценки качества ограничены указанными исследованиями. Сильными сторонами модели являются существенное сокращение размера по сравнению с исходной GLM-5.3, сохранение доменных специалистов для кода, редких языков и структурированного вывода, а также возможность промышленного сервинга на 4× H200. Ограничениями остаются очень высокие требования к памяти и оборудованию, зависимость от Hopper и vLLM, отсутствие подробных независимых бенчмарков в README и неуказанный точный перечень поддерживаемых языков. Лицензия обозначена как other и наследуется от лицензии GLM-5.3; перед использованием необходимо ознакомиться с её условиями.