II.5Безопасность программного кода и цепочки поставок

Eve-4B — языковая модель для программирования и анализа безопасности кода, разработанная TitleOS. Это дообученная версия Qwen3-4b-Heretic на наборе Eve-Secure-Coder с архитектурой Qwen3ForCausalLM и 3,7 млрд параметров. Модель предназначена для локальной работы, в том числе на видеокартах с 8 ГБ VRAM, и поддерживает контекст до 262 144 токенов. Модель генерирует и проверяет код, ищет уязвимости и предлагает исправления; также она рассчитана на диалоговое взаимодействие и задачи программирования на разных языках. В карточке приведён результат LiveCodeBench Pass@1 26,22% для квантованной версии Q8_0, но набор оценок ещё формируется. По описанию разработчика, после процесса Heretic у модели нет защитных отказов, поэтому её ответы могут включать небезопасный код и другие нежелательные результаты. Репозиторий содержит safetensors и GGUF F16. Указана лицензия MPL-2.0 с дополнительным некоммерческим условием в README; перед использованием следует учитывать оба условия.

Prox-Phi-3-mini-128k — языковая модель OpenVoid, дообученная на базе архитектуры Microsoft Phi-3-mini-128k для генерации кода и задач кибербезопасности. Это плотная авторегрессионная модель класса Phi3ForCausalLM примерно с 3,7 млрд параметров; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации, объяснения и документирования кода, ответов на вопросы о кибербезопасности и техниках взлома, а также анализа уязвимостей и учебных симуляций. Карточка приводит результаты HumanEval, EvalPlus и MBPP, но они не гарантируют качество на практических задачах. Модель может выдавать ошибочные или непоследовательные ответы, поэтому результаты следует проверять, особенно в критичных сценариях. Метаданные указывают английский язык и контекст 4096 токенов; название модели и README заявляют 128k, что расходится с указанной длиной контекста. Лицензия — Apache-2.0.

Qwen3.8-27B-Uncensored-Cyber — GGUF — это квантизированная версия модели philbert440/Qwen3.8-27B-Uncensored-Cyber, опубликованная paubau. Репозиторий содержит только GGUF-квантизацию и калибровочную матрицу imatrix, построенную на реальном трафике агентного программирования; дообучение, слияние моделей и изменение поведения не выполнялись. Модель ориентирована на агентные сценарии, связанные с написанием кода, вызовом инструментов и задачами в области кибербезопасности, включая offensive security. Это de-refusal-модель без стандартных ограничений на отказы, унаследованных от базовой модели. Модель имеет размер 27B параметров и распространяется в формате GGUF с квантизацией IQ4_XS. Доступны вариант без MTP-тензоров размером около 14,96 ГиБ и вариант с совместимой MTP speculative-decoding head размером около 15,38 ГиБ; последний требует поддержки со стороны используемого runtime. В базовой модели сохранены vision tower и MTP-голова, поэтому поддерживаются мультимодальный путь и ускоренное декодирование при совместимом загрузчике. Заявлен контекст до 262K токенов. Калибровка специально учитывает tool-call JSON, специальные токены шаблона чата, длинные точные литералы, пути, имена пакетов, хэши и смешанный китайско-английский текст, что должно быть полезно для агентного кодинга и точного воспроизведения строк. Ограничения модели связаны с потерями, неизбежными при квантизации, причём веса были получены повторной квантизацией из Q8_0, а не напрямую из BF16. Показатели сравнения в README имеют узкую область применимости и основаны на агентном корпусе. Для обычной загрузки рекомендуется файл без MTP, если поддержка MTP не проверена. Модель лицензирована по Apache-2.0; исходный корпус калибровки не опубликован и содержит приватные данные рабочих сессий.

Builder117 разработала дообученный классификатор на базе DistilBERT для обнаружения опасных фрагментов в текстах, сгенерированных LLM. Модель относит текст к классу SAFE или MALICIOUS и предназначена для проверки вывода перед его показом пользователям или передачей другим системам. Классификатор выявляет признаки XSS, SQL- и командных инъекций, обхода путей и UNION-атак. Его можно встроить в конвейер проверки безопасности вывода LLM; модель также описана как часть набора LLM Threat Shield для обнаружения угроз OWASP LLM Top 10. Архитектура — DistilBERT для классификации последовательностей, формат весов — safetensors, максимальная длина контекста — 512 токенов. Указан английский язык, лицензия Apache-2.0. Модель может пропускать закодированные полезные нагрузки, не учитывает контекст построения запросов и способна ошибочно помечать документацию по безопасности, в которой цитируются атакующие строки.

ressl/MiniMax-M3-uncensored-NVFP4 — это квантизированная версия модели ressl/MiniMax-M3-uncensored, основанной на MiniMax-M3. Релиз подготовлен ressl с использованием NVIDIA ModelOpt NVFP4 и предназначен для локального запуска генерации текста и мультимодальных запросов на системах с GPU NVIDIA Blackwell. Модель имеет MoE-архитектуру с 428 млрд параметров в общей сложности и примерно 23 млрд активных параметров на токен. В модели сохранены возможности рассуждения, разбора рассуждений, вызова инструментов и обработки изображений. В карточке указаны английский и немецкий языки. Экспортированный вариант занимает около 260,4 ГБ вместо 854,2 ГБ у BF16-версии: NVFP4 применён к весам маршрутизируемых экспертов, тогда как внимание, маршрутизатор, общие эксперты, эмбеддинги, языковая голова, vision tower и проекторы сохранены в BF16. Проверенный контекст составляет 32 768 токенов; на отдельном тесте модель корректно обработала запрос длиной 20 212 токенов. Модель ориентирована на локальное инференс-обслуживание, исследование безопасности, red teaming, анализ вредоносного ПО и эксплойтов, обнаружение угроз, автоматизацию через tool calls и мультимодальные сценарии. На четырёх NVIDIA RTX PRO 6000 Blackwell 96 ГБ с SGLang зафиксирована скорость около 88,5 токена в секунду для прогретого одиночного запроса, однако это не результат полного академического бенчмарка. Для запуска требуется конфигурация из четырёх GPU Blackwell и SGLang с указанными в README настройками; совместимость с vLLM не подтверждена. Модель намеренно uncensored и может отвечать на запросы, которые стандартная версия отклоняет, поэтому её применение требует соблюдения законодательства и мер безопасности. Лицензия указана как other.

DeepHat-V1-7B-GGUF — это набор квантизированных GGUF-версий модели DeepHat/DeepHat-V1-7B, подготовленный KikoCis на основе модели команды DeepHat. Базовая модель представляет собой дообученную Qwen2.5-Coder-7B с архитектурой Qwen2; версии предназначены для запуска через llama.cpp, Ollama и совместимые среды на CPU или потребительских GPU. В README указан английский язык и специализация на кибербезопасности, DevOps и программном коде. Доступны варианты квантования от Q3_K_M до Q8_0, а также IQ4_XS, размером примерно от 3,81 до 8,10 ГБ. Для квантов применена importance matrix, что позволяет сохранить высокое сходство с эталонной BF16-версией: заявленное совпадение наиболее вероятного токена составляет от 98,02% для Q3_K_M до 99,82% для Q8_0. Модель поддерживает ChatML-шаблон и исходный шаблон вызова инструментов DeepHat, поэтому может использовать native function calling при наличии совместимого runtime. Приведены конфигурации запуска с контекстом 8192 токена, но максимальный размер контекста явно не указан. Сильные стороны модели — компактность, широкий выбор уровней квантования, высокая сохранность поведения относительно BF16 и специализация на задачах безопасности, DevOps и коде. Ограничения связаны с узкой предметной областью и размером 7B: в опубликованном тесте SWE-bench Verified модель решила 0 из 30 задач, а длительные многошаговые агентные циклы даются ей плохо. Старые версии Ollama и llama.cpp могут не поддерживать фильтр tojson в шаблоне вызова инструментов; в таком случае требуется обновление runtime или переход на упрощённый ChatML-шаблон с потерей native tool calling. Лицензия — Apache-2.0.

Qwen 3.6 Solidity 27B — специализированная языковая модель, разработанная Sam Crack на основе Qwen/Qwen3.6-27B. Это плотная авторегрессионная модель семейства Qwen с 22,3 млрд параметров, дообученная в пять этапов и объединённая в единый чекпойнт bf16. Она принимает текстовые спецификации и запросы, а выдаёт текст, включая код Solidity и тесты для Foundry, а также рассуждения и структурированные результаты аудита смарт-контрактов. Заявленный контекст — 262 144 токена. Модель предназначена для генерации компилируемых контрактов и соответствующих тестовых наборов по описанию на естественном языке, а также для анализа безопасности контрактов: поиска уязвимостей и формулирования их серьёзности, местоположения, последствий и исправлений. В README приведены внутренние оценки компиляции и прохождения тестов, однако они не гарантируют корректность или безопасность конкретного результата. Модель дообучена на корпусах Solidity-контрактов, инструкциях и трассах аудита; среди методов указаны continued pretraining, SFT, дистилляция и rejection fine-tuning. Лицензия репозитория — Apache-2.0. В README отмечены зависимость качества части обучающих данных от неизвестного учителя и необходимость юридической проверки аудиторских результатов для коммерческого использования.

Vinci Cyber 123B 1.0 — модель с открытыми весами, дообученная в Канаде компанией SimpleDirect на Mistral Devstral 2 123B Instruct. Это плотный авторегрессионный трансформер Ministral3ForCausalLM на 123,4 млрд параметров с контекстом до 262 144 токенов; модель работает с текстом и поддерживает диалоговый режим. Она предназначена для защитного анализа инфраструктуры и кода: проверяет конфигурации, предлагает адресные исправления и старается сохранять уже корректные настройки. В карточке указаны сценарии с Terraform, Kubernetes и облачными конфигурациями. В описанных узких тестах модель сохранила без изменений 24 из 24 корректных конфигураций и прошла офлайн-проверку схемы для 18 предложенных исправлений из 24. Это результаты ограниченных наборов и отдельных запусков, а не оценка надёжности в реальной эксплуатации; преимущество в качестве исправлений не подтверждено для всех наборов. Модель может пропускать ошибки, менять правильные настройки и предлагать некорректные или небезопасные правки, включая маскировку секрета вместо его удаления. Результаты следует проверять независимыми средствами и человеком; модель не заменяет сканер безопасности. Веса распространяются по Modified MIT License с условием, связанным с выручкой.

MaTE X Privacy Sentinel v0.1 — дообученная модель enosislabs на основе openai/privacy-filter для локального обнаружения и разметки чувствительных фрагментов текста при фильтрации и маскировании данных. Она предназначена для сценариев приватности и безопасности, включая поиск персональных данных и секретов в строках конфигурации и других текстовых данных; карточка демонстрирует пример с адресом базы данных и учётными данными. Модель построена на архитектуре MoE, содержит 145,4 млн параметров, принимает текст и выдаёт разметку токенов. Контекст составляет до 131 072 токенов. Опубликованные веса представлены в формате Safetensors; лицензия — Apache-2.0. Модель помогает выявлять риски утечки, но не гарантирует соответствие требованиям: перед применением в production следует провести собственную проверку на контрольных примерах.

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

StarEncoder — разработанная проектом BigCode модель на базе трансформера с двунаправленным вниманием, обученная на коде из набора The Stack. Она использует цели MLM и NSP в стиле BERT: восстанавливает замаскированные токены и определяет, идут ли две последовательности рядом в документе. Модель обучали на коде 86 языков программирования, а максимальная длина последовательности составляет 1 024 токена. StarEncoder предназначена как основа для дообучения под задачи анализа кода и текста, включая классификацию токенов; в README приведён пример обнаружения персональных данных в коде. Это модель-энкодер, поэтому она подходит для представлений и анализа входного текста, но менее гибка для генерации и дополнения кода. В обучающих данных могли встречаться персональные данные, а качество может различаться между языками программирования. Файлы модели опубликованы в формате PyTorch; условия лицензии в предоставленных данных не описаны.

Ornith-1.5-35B-A3B-uncensored-MLX-4bit — это 4-битная MLX-версия модели Ornith-1.5-35B-A3B, разработанной командой Ornith. Модель подверглась abliteration: к исходной модели применили один проход biprojection для существенного снижения жёстких отказов, после чего выполнили конвертацию для запуска через mlx-lm на Apple Silicon. Релиз подготовил Robert Ressl. Модель предназначена для генерации текста, а также для исследований безопасности, red-teaming и penetration testing, включая сценарии, в которых требуется выполнять запросы, обычно отклоняемые стандартной моделью. Она поддерживает английский язык, имеет контекст до 262 144 токенов и занимает около 18 ГБ. MLX-сборка рассчитана на устройства Apple Silicon; заявлена только текстовая работа, поскольку vision tower базовой мультимодальной модели в эту сборку не подключён. К сильным сторонам относятся существенно сниженная частота жёстких отказов и сохранение общей связности и инструментальных возможностей, хотя качество на GPQA-Diamond снизилось с 61,1% до 58,6% относительно базовой модели. Полная оценка проводилась для идентичного NVFP4-варианта, а MLX-сборки прошли только локальные smoke-тесты, поэтому результаты нельзя напрямую считать полноценными бенчмарками этой версии. Квантование 4-bit может усиливать остаточные отказы; для модели зафиксирована небольшая доля таких случаев. Лицензия MIT унаследована от Ornith и указана как предоставленная командой ornith-ai.

Qwen3.5-0.8B astcss — специализированная текстовая модель teaguesterling для преобразования запросов разработчика на английском языке в один селектор astcss, то есть CSS-подобный запрос к абстрактному синтаксическому дереву кода, который выполняется инструментом ast_select. Модель дообучена методом LoRA на базе Qwen/Qwen3.5-0.8B; адаптер объединён с базовыми весами. Архитектура — плотная причинная языковая модель Qwen3_5ForCausalLM объёмом 581,4 млн параметров. Модель принимает текст, а выдаёт текстовый селектор; контекстное окно — 262 144 токена. Модель рассчитана на поиск конструкций и вызовов в исходном коде на Python, C, C++, Rust, Go, Java, JavaScript, SQL и Bash. В README указана точность совпадения множества найденных узлов 82,4% на 108 тестовых примерах; для запросов повышенной сложности, связанных с графом вызовов, областями видимости и получателями, результат составляет около 31%. Для работы обязателен системный промпт с карточкой словаря astcss для нужного языка: без него модель отвечает как обычный чат-бот и не выдаёт селектор. Она не обучалась на селекторах уровня сложности tier 5. Модель не включает визуальную башню и голову предсказания нескольких токенов базовой модели. Лицензия и условия использования унаследованы от Qwen/Qwen3.5-0.8B.

ressl/Ornith-1.5-9B-uncensored-GGUF — это версия языковой модели Ornith-1.5-9B, разработанной командой Ornith и доработанной Robert Ressl. Модель предназначена для генерации текста и локального запуска через llama.cpp в сценариях исследований безопасности, red-teaming и penetration testing. Она создана методом abliteration с тремя проходами biprojection, что существенно снижает количество жёстких отказов на вредоносных запросах по сравнению с базовой моделью. Модель распространяется в формате GGUF с вариантами BF16, Q8_0, Q6_K, Q5_K_M и Q4_K_M; размеры файлов составляют примерно от 5,8 до 18,4 ГБ. Также доступен файл mmproj BF16 размером около 0,92 ГБ. Заявленная длина контекста — 262 144 токена, однако в этой публикации модель обслуживается с контекстом до 131 072 токенов. Указан английский язык. Для запуска рекомендуется llama.cpp; README подтверждает работу с llama-server и CUDA. Сильной стороной модели является высокая готовность отвечать на запросы, которые стандартная версия обычно отклоняет: в указанной оценке частота жёстких отказов снизилась с 767 до 20 из 1120 запросов для родственного NVFP4-варианта и составила 101 из 1120 для Q4_K_M. При этом квантование усиливает остаточные отказы, а Q4_K_M иногда демонстрирует ошибочную самопрезентацию, хотя проверки математики, общих знаний и кода проходят успешно. Модель не предназначена для безусловно безопасного использования и требует ответственного применения. Модель распространяется по лицензии MIT, унаследованной от Ornith. Базовая модель принадлежит команде Ornith, а abliteration, конвертацию в GGUF и валидацию выполнил Robert Ressl.

HolkViking/antares-1b-Q4_K_M-GGUF — это квантизированная версия модели fdtn-ai/antares-1b, преобразованная в формат GGUF с помощью llama.cpp и сервиса GGUF-my-repo. Модель предназначена для генерации текста и может запускаться локально через llama.cpp в режиме командной строки или сервера. По данным карточки, модель ориентирована на задачи обнаружения уязвимостей, агентные сценарии и работу в роли терминального агента. Указан английский язык. Размер базовой модели — около 1 млрд параметров; используется квантизация Q4_K_M, уменьшающая требования к памяти и подходящая для локального запуска, но потенциально снижающая точность по сравнению с полноразмерной версией. В примере конфигурации используется контекст длиной 2048 токенов. Сведения о точной архитектуре, результатах оценки, поддерживаемых модальностях и ограничениях качества в README отсутствуют; по имеющимся данным модель является текстовой и не предназначена для работы с изображениями или другими мультимодальными входами. Модель распространяется по лицензии Apache-2.0, однако доступ к репозиторию ограничен и требует ручного одобрения заявки с предоставлением контактных данных и согласия с условиями авторов.

Husky Nose — мультиязычный классификатор Patronus на базе ModernBERT (mmBERT), дообученный для выявления свойств потока данных в инструментах и операциях AI-агентов. Он независимо определяет три метки: доступ к чувствительным данным, получение данных из недоверенных источников и передачу данных за пределы локальной границы доверия. Несколько меток могут относиться к одному входу. Модель принимает текстовые описания инструментов, запросы и сериализованные операции и выдаёт оценки для трёх классов. Её используют для проверки политик агентов, маршрутизации по уровню риска, рабочих процессов согласования, сигналов предотвращения утечек и мониторинга безопасности. Архитектура — ModernBERT для классификации последовательностей; размер — 140,5 млн параметров, контекст — до 8192 токенов. Карточка называет немецкий и английский основными языками оценки; метаданные также указывают их как языки модели. В тесте на 2914 примерах заявлен macro-F1 0,965. Предсказание указывает на возможную способность инструмента, но не подтверждает выполнение действия, фактический доступ к данным или утечку. Неоднозначные инструменты могут требовать аргументов для классификации; модель не отслеживает поток данных между шагами агента, а другие языки активно не проверялись. Для критичных решений рекомендуется сочетать её с детерминированными правилами и настроенными порогами. Лицензия — Apache-2.0.

precommitEU — набор весов для локального сканера исходного кода на соответствие отдельным нормативным актам ЕС. Разработчики проекта дообучили Qwen2.5-Coder-7B-Instruct с помощью отдельных LoRA-адаптеров для разных регулирований; общая базовая модель и адаптеры поставляются в формате GGUF. Сканер работает через llama.cpp, принимает код и формирует структурированные результаты с кандидатами на нарушения и подтверждёнными находками. Модель предназначена для поиска потенциальных проблем, связанных с GDPR, EU AI Act, Data Act, CRA, DMA и NIS2, а также другими актами из набора. Для подтверждения находки сканер проверяет, что процитированное свидетельство дословно присутствует в файле; неподтверждённые кандидаты выводятся как рекомендации. Поддерживаются запуск на CPU, Apple Silicon через Metal и NVIDIA GPU через CUDA. README не указывает длину контекста. Набор подходит для локального предварительного анализа репозиториев и интеграции проверок в процесс разработки. Результаты являются сигналом о возможном несоответствии, а не юридической консультацией; покрытие ограничено статьями, включёнными в соответствующие адаптеры, и вне их предметной области выводы ненадёжны. Указана лицензия Apache-2.0.

GLM-5.3 — текстовая диалоговая модель Z.ai, представленная в репозитории Unsloth. По карточке модели, она использует ту же базовую модель, что и GLM-5.2, а улучшения получены на этапе постобучения. В каталожных метаданных производная отмечена как слияние с zai-org/GLM-5.3 и zai-org/GLM-5.3-BF16; архитектура относится к семейству GLM MoE DSA, размер — 30,4 млрд параметров. Модель предназначена для генерации текста в диалогах, сложного программирования и длительных агентских задач. Карточка сообщает о высоких результатах на тестах кодирования, работы с терминалом, уязвимостей и эксплуатации, но эти результаты не гарантируют аналогичного качества в каждом сценарии. Поддерживаются английский и китайский языки, а контекст составляет до 1 048 576 токенов. Параметр reasoning_effort управляет глубиной рассуждений и принимает значения low, high и max; по умолчанию используется max. Для локального развёртывания перечислены SGLang, vLLM, Transformers, KTransformers, Unsloth и другие среды. Формат файлов — safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

GLM-5.3 — открытая модель с весами от Z.ai для генерации текста и диалогового взаимодействия. По карточке, она использует ту же базовую модель, что и GLM-5.2, а улучшения получены на этапе постобучения. Модель ориентирована на сложные задачи программирования, длительные агентные сценарии и работу с инструментами; автор отмечает сильные результаты в бенчмарках по написанию кода и поиску уязвимостей. Модель имеет архитектуру GLM MoE DSA и 30,4 млрд параметров; опубликованные веса представлены в формате safetensors FP8. Контекстное окно составляет до 1 048 576 токенов. Карточка указывает английский и китайский языки, а также настройку reasoning_effort с уровнями low, high и max. Для запуска перечислены Transformers, vLLM, SGLang и другие фреймворки. Лицензия указана как other, поэтому условия использования следует уточнить в файлах репозитория. Модель генерирует ответы и код, но приведённые результаты бенчмарков не гарантируют качество на конкретных задачах; сильные возможности в области кибербезопасности требуют ответственного применения.

Aurora-Code-1 — языковая модель для программирования, разработанная канадской компанией Perciqa на базе Qwen3.6-35B-A3B. Это дообученная методом LoRA SFT модель архитектуры Transformer с механизмом Mixture-of-Experts: в README указано 35 млрд параметров всего и 3 млрд активируемых на токен; метаданные каталога указывают 2,9 млрд параметров. Модель предназначена для генерации и анализа кода, отладки, ревью и многошаговой работы агентных систем с кодовыми базами. Обучение проводилось на 2 700 инструкционных примерах для задач программирования. README заявляет поддержку более 40 языков программирования и перечисляет Python, TypeScript, Go и Rust. Модель принимает текстовые запросы и выдаёт текст, включая код. Контекстное окно — 262 144 токена. Её можно развернуть на собственной инфраструктуре; указана совместимость с Transformers, vLLM и Ollama. Лицензия — Apache-2.0. Независимые оценки на LiveCodeBench, SWE-bench Verified, HumanEval+ и MBPP+ на момент карточки ещё не опубликованы, поэтому качество на этих тестах не подтверждено. Для запуска README ориентирует примерно на 60–65 ГБ VRAM, например одну карту A100/H100 на 80 ГБ или две карты по 48 ГБ; также упоминается CPU offload.

Hunter 4B — разговорная языковая модель на 4 млрд параметров от Lalakai Labs, представленная в формате GGUF для локального запуска через llama.cpp, Ollama, LM Studio и другие совместимые среды. Это дообученная версия Qwen 3.5 4B: автор сообщает о параметрически эффективном QLoRA-обучении на примерно 180 тысячах отобранных примеров, последующем слиянии адаптера с весами FP16 и выпуске 4-битной квантизации Q4_K_M. Модель предназначена для пошаговых рассуждений, математики, написания и отладки кода, структурированных вызовов инструментов, анализа уязвимостей и повседневного чата. Карточка заявляет поддержку англоязычного общения; отдельные варианты весов включают FP16 и Q4_K_M. Разработчик ориентирует Q4_K_M на локальный запуск на обычных компьютерах, а FP16 — на ситуации, где важнее качество и доступно больше памяти. Модель компактна и рассчитана на локальную работу, однако её качество не гарантирует заявленного в карточке сопоставления с моделями на 10–15 млрд параметров: формальные бенчмарки ещё не опубликованы. Как и другие языковые модели, Hunter 4B может ошибаться, воспроизводить смещения и выдавать небезопасный контент; результаты следует проверять. Лицензия — MIT.

Ornith-1.5-35B-A3B uncensored (NVFP4) — доработанная и квантованная версия модели Ornith-1.5-35B-A3B от команды Ornith, подготовленная Robert Ressl. Модель основана на архитектуре Mixture-of-Experts: общий размер составляет 35B параметров, около 3B параметров активны при обработке токена. Это текстовая генеративная модель на английском языке, предназначенная для генерации текста, рассуждений, вызова инструментов, исследований безопасности, red-teaming и penetration testing. В README также указано, что мультимодальная оболочка и vision tower сохранены, однако подробные сведения о поддерживаемых визуальных сценариях не приведены. Модель использует abliteration в один проход и формат NVFP4 только для экспертных тензоров; attention, shared expert, router и embeddings остаются в BF16. Размер экспортированной модели составляет около 23 ГБ вместо 71,9 ГБ у BF16-версии, заявленная длина контекста — 262 144 токена. Для запуска рекомендованы SGLang и NVIDIA GPU с поддержкой Blackwell; на одной NVIDIA RTX PRO 6000 Blackwell 96 GB измерена скорость 213 токенов в секунду при коротких запросах. К сильным сторонам относятся существенно сниженная частота жёстких отказов, сохранение инструментального вызова и близкое к базовой модели качество на GPQA-Diamond: 58,6% против 61,1%. Ограничения включают остаточные отказы, возможное влияние квантования на поведение и отсутствие MTP speculative decoding, поскольку тензоры mtp.* были удалены из экспортированного контрольного пункта. Модель по умолчанию ориентирована на рассуждения; для коротких прямых ответов рекомендуется отключать режим thinking. Лицензия — MIT, унаследованная от базовой модели Ornith.

Cyber-Tiel-Coder-35B-A3B-GGUF — квантованная GGUF-модель, опубликованная peculiar-ragdoll и основанная на Huihui-Ornith-1.5-35B-A3B-abliterated от huihui-ai. Модель ориентирована на агентное программирование, решение задач в крупных кодовых базах, исправление ошибок и offensive security, включая автономное выполнение CTF-задач. Указана поддержка текстово-визуального сценария image-text-to-text, однако подробности о фактически поддерживаемых визуальных входах в README не приведены. Заявлены языки English и Chinese. Модель использует архитектуру MoE класса 35B-A3B: общий размер около 35 млрд параметров при активации примерно 3 млрд параметров на запрос. Это GGUF-версия с динамической квантованием и пользовательской cyber-weighted imatrix, а также шаблоном диалогов Sharp. Q4-версия занимает около 22 ГБ и предназначена для запуска через llama.cpp, в том числе на оборудовании с ограниченной VRAM. Размер контекста в README не указан. К сильным сторонам относятся высокая скорость и специализация на программировании: авторы заявляют преимущество над рядом сопоставимых моделей на SWE-bench-Live, а также результат 15 из 43 заданий Cybench без подсказок. Модель прошла abliteration, поэтому практически не отказывается от запросов, включая потенциально опасные, что повышает пригодность для исследовательских и offensive security-сценариев, но создаёт существенные риски безопасности и ответственности. При этом модель намеренно жертвует частью общеобразовательных знаний и хуже подходит для викторин и экзаменов. Распространяется по лицензии MIT; пользователь самостоятельно отвечает за законность, безопасность и контроль генерируемого содержимого.

Memorisea-4b-v1 — компактная плотная языковая модель на архитектуре Qwen3, разработанная на основе Qwen/Qwen3-4B-Instruct-2507 посредством дообучения. Она предназначена для диалоговых агентных сценариев: вызова функций и инструментов, формирования структурированных JSON-ответов, генерации кода и защитного исправления уязвимостей. По карточке модели, в бенчмарках она показала 93,3% синтаксической корректности AST и 100% соблюдения заданных ограничений; результат BFCL составил 46,7%, поэтому качество вызова функций зависит от задачи и не гарантирует безошибочную работу. Модель принимает текст и генерирует текст, поддерживает контекст до 262 144 токенов и ориентирована на английский язык. Распространяется по лицензии Apache-2.0.

云碩科技（xCloudinfo）制作的 gpt-oss-120b 衍生模型，基于 openai/gpt-oss-120b，并以 GGUF 格式发布。 Это MoE-модель с 117 млрд параметров, из которых активно используются 5,1 млрд; в карточке указаны 128 экспертов и формат MXFP4. Модель сохраняет формат рассуждений Harmony и рассчитана на генерацию текста в режиме диалога. Модель прошла двухэтапную донастройку: обучение на программных инструкциях с отбором решений, прошедших выполнение скрытых тестов, и дополнительное обучение для снижения отказов на разрешенные технические запросы. Разработчик ориентирует её на авторизованные исследования безопасности, red teaming, тестирование на проникновение, программирование и технические вопросы; запуск возможен через llama.cpp и другие совместимые с GGUF средства. Модель предназначена для опытного использования в контролируемых развертываниях. Снижение числа отказов не гарантирует точность или безопасность ответов; разработчик рекомендует самостоятельно проверять результаты и применять защитные меры. Для базовой модели указана лицензия Apache-2.0.

Granite-8B-Code-Base-128K — базовая языковая модель для программирования, разработанная IBM Research. Это плотная авторегрессионная модель семейства Llama с 8,1 млрд параметров и контекстом до 128 000 токенов. Её получили продолжением предобучения Granite-8B-Code-Base на данных кода с упаковкой файлов на уровне репозиториев и увеличением доли длинных примеров; обучение для расширения контекста включало 4 млрд токенов. Модель поддерживает код на множестве языков программирования. Модель предназначена для генерации и объяснения кода, исправления ошибок, написания модульных тестов и документации, анализа технического долга, поиска уязвимостей и перевода кода, в том числе с учётом длинного контекста репозитория. Разработчик не рекомендует её для новых проектов и предоставляет для исторического и научного использования; для новых приложений предлагается актуальное семейство Granite. Лицензия — Apache 2.0. Модель не проходила выравнивание безопасности, может выдавать проблемный или неверный код и способна дословно воспроизводить фрагменты из обучающих данных. Сгенерированный код необходимо проверять, особенно при принятии важных решений.

Mistral Code Architect 7B — локально запускаемая модель для программирования и анализа кибербезопасности, созданная Lautloserspieler на базе Mistral 7B Instruct v0.3. Модель дообучена методом QLoRA на смеси примерно из 25 тысяч примеров по генерации кода, веб-разработке, поиску уязвимостей, безопасным исправлениям и следованию инструкциям; в репозитории веса представлены в формате GGUF с квантизацией Q4_K_M. Модель предназначена для генерации и отладки кода, помощи в разработке приложений на React и Next.js, анализа уязвимостей и подготовки безопасных исправлений. Она поддерживает диалог и рассчитана прежде всего на английский и немецкий языки. Указанный в карточке контекст составляет 4096 токенов. Для локального запуска рекомендован Ollama. Модель распространяется по лицензии Apache 2.0. Заявления карточки о готовом к производству коде и цепочках рассуждений не подкреплены приведёнными результатами оценки; качество и безопасность сгенерированного кода требуют проверки.

duyntnet/Qwen2.5-Coder-7B-imatrix-GGUF — репозиторий с imatrix-квантизациями базовой языковой модели Qwen2.5-Coder-7B, разработанной командой Qwen. Модель предназначена прежде всего для генерации, анализа и исправления программного кода, задач code reasoning, text-code grounding, заполнения пропусков в коде и создания основы для code agents. Базовая модель не рекомендуется для обычного диалогового использования без дополнительного дообучения или постобработки. Это каузальная текстовая модель на архитектуре Transformers с RoPE, SwiGLU, RMSNorm и bias в QKV-проекциях внимания. Она содержит 7,61 млрд параметров, 28 слоёв и использует Grouped-Query Attention: 28 голов для Q и 4 для KV. Заявлена поддержка контекста до 131 072 токенов, при этом для обработки входов длиннее 32 768 токенов требуется настройка YaRN. Модель обучалась на 5,5 трлн токенов, включая исходный код, текстово-кодовые данные и синтетические данные; также сохраняет возможности в математике и общих задачах. В README явно указан только английский язык. Репозиторий поддерживает использование через llama.cpp, KoboldCPP, text-generation-webui и Ollama. Лицензия обозначена как other, без дополнительных условий в представленном README, поэтому точные права и ограничения использования требуют проверки исходной лицензии Qwen2.5-Coder.

gemma-coder — дообученная методом QLoRA модель для генерации кода на основе google/gemma-4-26B-A4B-it. Она предназначена для работы в агентной среде, где написанный код запускается и проверяется в песочнице. В README заявлены генерация кода и проверка существующего кода на уязвимости; целевые области безопасности включают ошибки управления памятью, путаницу типов и нарушения границ привилегий. Базовая модель относится к семейству Gemma 4 и использует архитектуру со смесью экспертов; в README указано около 4 млрд активных параметров. Дообучение выполнено на наборе bigcode/self-oss-instruct-sc2-exec-filter-50k. Модель ориентирована на код на Python, JavaScript/React, Go, Java и Swift; карточка также сообщает о шести языках, но не называет шестой. Текущая оценка кода описана как небольшая дымовая проверка на 16 задачах, а результаты оценки безопасности на ExploitGym ещё не опубликованы. Модель может ошибаться или генерировать небезопасный код, поэтому результаты требуют проверки и тестирования человеком. README не рекомендует использовать её для создания эксплойтов, в системах безопасности с критическими последствиями или без проверки человеком. Указана лицензия Gemma.

Prox-Llama-3-8B-abliterated — дообученная OpenVoid версия Meta-Llama-3-8B-Instruct, ориентированная на генерацию кода и задачи кибербезопасности. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, предназначенная для диалогового взаимодействия и работы с текстом; заявленная длина контекста — 8192 токена. Модель подходит для написания и объяснения кода, подготовки документации, ответов на вопросы о методах взлома и кибербезопасности, а также анализа программных проектов. Карточка описывает её как uncensored-модель, поэтому ответы на темы атак и взлома требуют особенно внимательной проверки. Разработчик рекомендует проверять результаты и соблюдать применимые законы. Лицензия — Apache-2.0.