II.5Безопасность программного кода и цепочки поставок

Prox-Llama-3-8B — дообученная OpenVoid модель на архитектуре Llama 3, основанная на Meta-Llama-3-8B-Instruct. Это плотная языковая модель примерно на 7,5 млрд параметров с контекстом 8192 токена, предназначенная для генерации кода и ответов на вопросы по кибербезопасности и техникам взлома. Модель подходит для написания, объяснения и документирования кода, анализа задач программных проектов и диалоговых консультаций по кибербезопасности. По заявлению автора, она обучена на проприетарном текстовом наборе OpenVoid и ориентирована на английский язык. В README приведены результаты оценки на HumanEval, EvalPlus и нескольких общих бенчмарках. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Автор рекомендует проверять результаты, поскольку они могут быть предвзятыми или непоследовательными; для критически важных применений нужна экспертная проверка.

Cassini-1.0 — дообученная модель семейства Qwen3, разработанная LatentForce-ai для извлечения структурированных сведений из исходного кода. Она принимает файлы Python, JavaScript и TypeScript и за один проход формирует JSON с импортами, определениями, ссылками, вызовами, назначениями типов и дополнительными данными об определениях. Модель предназначена для инженерных конвейеров статического анализа: построения графов зависимостей и вызовов, индексации символов и анализа влияния изменений в крупных репозиториях. В карточке заявлен результат 77,6% F1 на оценке извлечения при общей стоимости инференса $0,17; это заявление разработчика, а подробности методики оценки в предоставленном фрагменте не раскрыты. Модель основана на Qwen/Qwen3-4B, содержит около 3,7 млрд параметров, имеет контекст 40 960 токенов и рассчитана на запуск через vLLM. Лицензия — Apache-2.0.

Vinci-Cyber-30B-1.0 — диалоговая языковая модель компании SimpleDirect для задач кибербезопасности, прежде всего анализа и исправления Infrastructure as Code (IaC). Это дообученная версия IBM Granite 4.1 30B с плотной архитектурой GraniteForCausalLM и 28,9 млрд параметров. Модель принимает и генерирует текст, поддерживает контекст до 131 072 токенов и распространяется в формате Safetensors. Заявленная область применения — помощь специалистам при проверке изменений IaC и решений оставить конфигурацию без изменений; результаты требуют проверки человеком. README сообщает об оценке на задачах IaC и об отсутствии подтверждённой регрессии на ряде общих бенчмарков, но не утверждает превосходства в кибербезопасности в целом. Проверка CyberSOCEval для этой версии ещё выполнялась, а PatchEval-Verified не проводился. Лицензия — Apache-2.0.

P0u4a/ModernBERT-bash-classifier — дообученная модель на базе answerdotai/ModernBERT-base для классификации команд Bash как безопасных или небезопасных. Её предполагаемый сценарий — автоматическая проверка команд в средах coding-агентов, чтобы пользователю требовалось вручную одобрять только команды, помеченные как небезопасные. Модель относится к семейству ModernBERT, использует архитектуру классификации последовательностей и содержит 149 млн параметров. Она принимает текст команды и выдаёт метку класса. Базовая модель поддерживает контекст до 8192 токенов; модель обучена на 3738 командах из трасс Claude Code и Codex. По README, на оценочной выборке F1 составляет 0,9615, а accuracy — 0,9893. К небезопасным отнесены команды, которые загружают или отправляют данные по сети, постоянно изменяют или удаляют файлы вне текущего проекта, меняют облачные ресурсы либо создают постоянные ресурсоёмкие процессы. Качество классификации может снижаться для неизвестных CLI и команд с блоками кода, например Python, внутри heredoc. Лицензия — Apache-2.0.

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

GLM-5.3-Flash-Uncensored-Q2-ds4 — квантованная версия uncensored-модели GLM-5.3-Flash, разработанной на базе модели zai-org/GLM-5.3-Flash; сборка подготовлена DogContext на основе orcarouter/GLM-5.3-Flash-Uncensored-FP8. Модель предназначена для локальных исследований, авторизованного security/red-team тестирования и оценки агентного программирования, включая работу с кодом, инструментами и длинным контекстом. Это текстовая MoE-модель архитектуры Glm5Next с 320 млрд общих и примерно 18 млрд активных параметров, 45 слоями, 288 маршрутизируемыми и одним общим экспертом, маршрутизацией top-8, гибридным вниманием KDA-linear и sparse-DSA, а также встроенным native MTP для speculative decoding. Поддерживаются английский и китайский языки, заявлен контекст до 1 млн токенов, размер GGUF-файла составляет около 96,5 ГБ. Модель рассчитана на запуск в движке ds4/DwarfStar с Metal и может работать резидентно на одном Mac с Apple Silicon и 128 ГБ памяти; mainline llama.cpp, Ollama, LM Studio и vLLM для этой сборки не поддерживаются. Модель текстовая, при этом vision заявлена только через дополнительный encoder sidecar. Ключевые особенности — imatrix-калибровка на 1,5 млн токенов, смешанная примерно 2-битная квантизация IQ2_XXS и Q2_K с сохранением более высокой точности для управляющих компонентов, а также native MTP. На M5 Max указана скорость декодирования около 22–23 токенов в секунду и предварительной обработки около 360 токенов в секунду. Abliteration существенно снижает количество отказов на обычных запросах, но не устраняет возможности модели и повышает риски неправильного или вредоносного применения; это является важным ограничением. Распространение выполняется по лицензии MIT, унаследованной от базовой модели, однако использование должно соответствовать законодательству и условиям лицензии.

Ameya-Kawade/cmdcaliper — дообученная модель Sentence Transformers на базе thenlper/gte-base, созданная для анализа Linux-команд и фрагментов Bash. Архитектура BERT использует mean pooling и L2-нормализацию, формируя плотные эмбеддинги размерностью 768; в метаданных указаны 136,7 млн параметров и контекст до 512 токенов. Модель предназначена для поиска семантически близких команд, группировки по намерению, выявления функциональных дубликатов и поиска сходства с известными вредоносными или безопасными командами. Обучение проводилось с Multiple Negatives Ranking Loss на размеченных парах Linux-команд из разных категорий, включая файловые операции, процессы, сеть, управление пакетами, мониторинг и команды, связанные с безопасностью. В README приведены результаты retrieval-оценки на 500 отложенных парах: MRR@10 около 0,8847, Top@10 около 0,9526 и точность 3-NN 88,41%. Модель оптимизирована для команд shell и Bash, а не для обычных предложений или других языков программирования. Указанная лицензия — MIT.

SQLPromptShield — модель классификации текста, разработанная salmane11 на основе google-bert/bert-base-uncased и дообученная на наборе SQLShield. Она относит запросы на естественном языке для преобразования в SQL к уязвимым или безопасным. Модель предназначена для предварительной фильтрации NLQ в приложениях с интерфейсом к базам данных: она помогает выявлять потенциально вредоносные запросы до передачи их генератору SQL или базе данных. Архитектура — BERT для классификации последовательностей; в метаданных указано 136,7 млн параметров и контекст 512 токенов. При обучении использовались только тексты NLQ, с ограничением длины до 128 токенов. Указанный язык — английский. Фильтр может быть полезен как один из уровней защиты, но его метка не заменяет проверку сгенерированного SQL и защиту базы данных. Качество зависит от соответствия входных запросов данным SQLShield; сведения о лицензии в предоставленных данных отсутствуют.

GLM-5.3-GGUF — квантизированная версия модели GLM-5.3, распространяемая Unsloth на основе базовой модели zai-org/GLM-5.3. Это текстовая генеративная модель для задач, требующих рассуждений, написания и анализа кода, длительных многоэтапных рабочих процессов, взаимодействия с инструментами и автоматизации. Заявлена поддержка английского и китайского языков. Модель использует архитектуру GLM-5.3; точный размер, число параметров, тип и уровни GGUF-квантизации, а также максимальная длина контекста в представленном README не указаны. Доступно управление бюджетом рассуждений через параметр reasoning_effort со значениями low, high и max; по умолчанию используется max. В описании особо отмечены улучшения в сложном программировании и задачах с длинным горизонтом по сравнению с GLM-5.2, а также высокие результаты в тестах на поиск уязвимостей и эксплуатацию. Сильные стороны модели — программирование, агентные сценарии, работа с терминалом, автоматизация и кибербезопасность; при этом приведённые результаты являются заявленными бенчмарками и не гарантируют аналогичное качество в каждом применении. Для чат-сценариев рекомендуется явно задавать clear_thinking=true. Модель распространяется по лицензии glm-5.3; условия этой лицензии в README не приведены.

Карточка модели abelsimon/GLM-5.3 на Hugging Face совпадает с карточкой unsloth/GLM-5.3, поэтому описание составлено по ней. 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.

Карточка модели baerquant/GLM-5.3 на Hugging Face совпадает с карточкой unsloth/GLM-5.3, поэтому описание составлено по ней. 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-BF16 — открытая модель с весами от Z.ai для диалогов, программирования и выполнения длительных многоэтапных задач. По карточке, она использует ту же базовую модель, что и GLM-5.2, а улучшения получены на этапе последующего обучения. В метаданных указаны архитектура GLM-MoE-DSA, 30,4 млрд параметров, библиотека Transformers и формат safetensors; модель принимает текст и генерирует текст. Модель рассчитана на сложные задачи программирования и работу с агентскими сценариями. Карточка сообщает о результатах на бенчмарках кодирования, терминальных задач и поиска уязвимостей. Контекстное окно составляет до 1 048 576 токенов; параметр reasoning_effort управляет глубиной рассуждений. Указаны английский и китайский языки. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория. Карточка отмечает усиленные возможности в области кибербезопасности, включая обнаружение уязвимостей и эксплуатацию; при применении для таких задач необходимы соответствующие разрешения и контроль.

Inferact/GLM-5.3-NVFP4 — языковая модель для генерации текста, разработанная командой Z.ai на базе zai-org/GLM-5.3-BF16. Модель предназначена прежде всего для сложного программирования, длительных многошаговых задач, работы с инструментами и автоматизации. В README указана поддержка английского и китайского языков, библиотекой по умолчанию является Transformers, а тип конвейера — text-generation. Ключевые сильные стороны модели — улучшенные по сравнению с GLM-5.2 возможности написания кода, решения задач разработки программного обеспечения, поиска уязвимостей и эксплуатации в тестовых средах. Согласно приведённым результатам, модель показывает высокие показатели на Terminal Bench 3.0, CyberGym, AutomationBench и ряде других тестов. Поддерживается управление интенсивностью рассуждений через параметр reasoning_effort со значениями low, high и max; по умолчанию используется max. Для локального развёртывания заявлена совместимость с SGLang, vLLM, Transformers, KTransformers, Unsloth и рядом решений для Ascend NPU. Точный размер модели, архитектура, число параметров, максимальная длина контекста и перечень поддерживаемых модальностей в README не указаны. Данные о результатах зависят от настроек генерации, контекстного окна и используемой инфраструктуры, поэтому показатели нельзя напрямую интерпретировать как универсальное качество. Лицензия обозначена как other, без подробного описания условий использования; перед применением необходимо проверить лицензионные условия исходного репозитория.

Claude Opus 5 описана как флагманская модель Anthropic для сложных задач рассуждения, программирования и длительной агентной работы. Среди сценариев применения указаны выполнение комплексных задач разработки программного обеспечения, проверка кода, поиск ошибок и визуальный анализ.

Карточка модели Ishowbackup/GLM-5.3 на Hugging Face совпадает с карточкой unsloth/GLM-5.3, поэтому описание составлено по ней. 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.

Карточка модели mohdShahnawaz/GLM-5.3 на Hugging Face совпадает с карточкой unsloth/GLM-5.3, поэтому описание составлено по ней. 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.

Карточка модели xannie1/GLM-5.3 на Hugging Face совпадает с карточкой unsloth/GLM-5.3, поэтому описание составлено по ней. 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.

Qwen3.6-27B-Claude-Mythos-Distilled-MTP-GGUF — общественная дообученная модель от chatqaq, созданная на базе Qwen/Qwen3.6-27B. Она ориентирована на техническое рассуждение, сложные задачи программирования, анализ кибербезопасности и автономные агентные сценарии. Модель предназначена для декомпозиции многоэтапных задач, планирования длительных рабочих процессов, отладки и подготовки ориентированного на промышленную разработку кода, а также для защитного анализа уязвимостей и аудита исходного кода. Модель содержит 27 млрд параметров и дообучалась методом QLoRA с 4-битной NF4-квантизацией на 25 000 синтетических образцов SFT из набора WithinUsAI/claude_mythos_distilled_25k. Доступны форматы GGUF Q8 и Q4 для локального развёртывания. В карточке заявлены текстовые и визуально-текстовые задачи, а также поддержка английского и китайского языков; размер контекста не указан. Сильными сторонами модели считаются структурированное многошаговое рассуждение, техническая точность, инженерное программирование и пригодность для агентных рабочих процессов. Ограничения связаны с полностью синтетическим происхождением обучающих данных: модель может галлюцинировать или чрезмерно обобщать в узкоспециализированных реальных сценариях. Она не сертифицирована для критически важных систем, поэтому результаты требуют экспертной проверки. В метаданных указана лицензия Apache-2.0, однако в README также сказано о необходимости соблюдать лицензионные условия исходной базовой модели Qwen3.6-27B.

Карточка модели whodat6969/GLM-5.3 на Hugging Face совпадает с карточкой unsloth/GLM-5.3, поэтому описание составлено по ней. 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-BF16 — открытая по весам языковая модель для генерации текста и диалогов, представленная в карточке репозитория foranyone. По README, GLM-5.3 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 кибербезопасность; в README приведены результаты на публичных бенчмарках, включая Terminal Bench 3.0 и CyberGym. Модель содержит 30,4 млрд параметров, использует архитектуру семейства GLM MoE DSA и распространяется в формате safetensors для Transformers. Метаданные указывают контекст до 1 048 576 токенов, поддержку английского и китайского языков и диалоговый режим. README также описывает настройку бюджета рассуждений уровнями low, high и max. Модель подходит для помощи в разработке и выполнения задач в агентных средах, но результаты на бенчмарках не гарантируют качество в конкретном проекте. README отмечает сильные возможности в киберсценариях, включая поиск уязвимостей и эксплуатационные задачи. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

Llama3-8B-Instruct-Replete-Adapted-GGUF — квантизированная GGUF-версия инструкционной модели Llama3-8B-Instruct-Replete-Adapted, разработанной Replete-AI и подготовленной для распространения пользователем bartowski. Модель предназначена для текстовой генерации, прежде всего для программирования, работы с кодом, математическими задачами, инструкциями, диалогами, function calling и анализа уязвимостей. Обучение или дообучение проводилось на смешанном наборе датасетов с примерами кода, инструкций, диалогов, математических задач и данных для ассистентов программирования. Модель основана на архитектуре Llama 3 с 8 млрд параметров и поставляется в формате GGUF для запуска через llama.cpp. Доступны варианты квантизации от Q5 до Q8 с размером файлов примерно от 5,73 до 8,54 ГБ; для вариантов Q6 и Q5 заявлено высокое качество, близкое к исходной модели. В README указан результат pass@1 около 64,7% на HumanEval. Формат промпта использует специальные токены Llama 3. Языки, размер контекстного окна и мультимодальные возможности в предоставленных данных не указаны; описание относится к текстовой модели. Сильными сторонами являются специализация на генерации и анализе кода, поддержка локального запуска через llama.cpp и наличие нескольких уровней квантизации с разным балансом качества и требований к памяти. Ограничения включают возможные потери качества из-за квантизации, отсутствие подтвержденных характеристик по языкам и контексту, а также неполные значения большинства приведенных бенчмарков. Модель распространяется по лицензии Llama 3; условия следует уточнять в официальном тексте лицензии Meta.

WhiteRabbitNeo-2.5-Qwen-2.5-Coder-12.3B — языковая модель семейства Qwen2 для генерации текста, представленная как слияние моделей с помощью mergekit и метода passthrough. В состав слияния вошла WhiteRabbitNeo/WhiteRabbitNeo-2.5-Qwen-2.5-Coder-7B; метаданные также указывают её как базовую дообученную модель. Модель содержит 11,7 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогового использования и унаследовала специализацию базовой модели на генерации кода и помощи в задачах кибербезопасности. Она принимает текст и генерирует текст. В репозитории указаны веса Safetensors и библиотека Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Prox-Llama-3-8B-abliterated-orpo — языковая модель OpenVoid на архитектуре Llama 3 с 7,5 млрд параметров. Это дообученная версия Meta-Llama-3-8B-Instruct, рассчитанная на генерацию и объяснение кода, а также вопросы по кибербезопасности и техникам взлома. Модель поддерживает диалог и работу с кодом, принимает текст и генерирует текст; для английского указана поддержка в карточке. Контекст составляет 8192 токена. В README приведены результаты HumanEval v1.0 pass@1 0,537 и EvalPlus v1.1 pass@1 0,482. Модель описана как uncensored; ответы могут быть предвзятыми или непоследовательными, поэтому их следует проверять, особенно в критически важных сценариях. Доступна по лицензии Apache-2.0.

DuoNeural/LFM2.5-8B-A1B-Hermes-Agentic-Coder-Abliterated-v3-GGUF — модель для генерации кода и автономных агентских сценариев, разработанная DuoNeural. Она создана на основе DuoNeural/LFM2.5-8B-A1B-Abliterated и ориентирована на многошаговое планирование, вызов функций и инструментов, отладку, решение алгоритмических задач и программирование, включая низкоуровневый C, управление памятью, бинарный анализ и тестирование на проникновение. Модель использует гибридную архитектуру state-space и mixture-of-experts: при общем размере около 8,3 млрд параметров на каждый токен активируется 1,5 млрд. Заявлены контекст до 3072 токенов, поддержка двух режимов вывода — быстрого прямого ответа и режима System 2 с цепочками рассуждений в тегах <thought> — и формат GGUF для локального запуска. README не указывает полный список поддерживаемых языков, но описывает обучение на данных по вызову функций, рассуждениям, генерации и исправлению кода, а также многошаговым инструкциям. К сильным сторонам относятся высокая скорость инференса, специализация на коде и агентских задачах, а также заявленные результаты EvalPlus: 56,1% на HumanEval, 50,0% на HumanEval+, 60,8% на MBPP и 49,7% на MBPP+. Ограничениями являются относительно небольшое контекстное окно в 3072 токена и отсутствие в README подробных сведений о качестве на других языках, мультимодальности и практической надежности заявленных показателей. Модель распространяется по Liquid Foundation Model Community License; точные условия следует уточнять по указанной лицензии.

Rhea-4B-Coding — дообученная Roskosmos19 модель для программирования на базе Aquiles-ai/Athenea-4B-Coding. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров; она работает через Transformers, принимает текст и генерирует текст. В карточке заявлено контекстное окно до 262 144 токенов. Модель предназначена для рассуждений о коде, его написания и дополнения, отладки, проектирования алгоритмов и понимания программ. Она обучена на программных данных с трассами рассуждений и ориентирована на многошаговый цикл: первоначальная реализация, самопроверка на ошибки и улучшение итогового решения. Также заявлена поддержка сценариев с агентными инструментами. Модель рассчитана на задачи разработки с несколькими языками программирования; метаданные указывают английский язык. Карточка описывает её как uncensored и предназначенную для исследований и экспериментов. Лицензия — Apache-2.0. Качество рассуждений и работы с инструментами зависит от запроса и настроек инференса; отдельные результаты оценки в карточке не приведены.

GLM-5.3-AWQ-INT4 — квантизированная версия модели GLM-5.3, разработанной организацией Z.ai. Модель предназначена для генерации текста и ориентирована прежде всего на сложные задачи программирования, работу с инструментами, агентские сценарии и выполнение длительных многоэтапных задач. В README заявлены высокие результаты в бенчмарках по coding, автоматизации, поиску уязвимостей и эксплуатации, однако эти показатели приведены разработчиками и могут зависеть от методики тестирования. Модель работает с текстом, поддерживает языки English, Chinese, Hindi, Arabic, Russian, Japanese, Korean, Dutch, French и Spanish. Указан размер файлов модели 488,18 ГБ; архитектура, число параметров и размер контекстного окна в README не раскрыты. Квантизация AWQ с форматом INT4 снижает требования к хранению и вычислениям по сравнению с полноразмерной моделью, но может сопровождаться потерей точности. Для локального развёртывания заявлена совместимость с SGLang, vLLM, TokenSpeed и Transformers. Сильными сторонами модели являются заявленные возможности в программировании, агентной автоматизации и кибербезопасности, включая обнаружение уязвимостей. Ограничения включают отсутствие подробностей об архитектуре, контекстном окне и требованиях к оборудованию, а также потенциальное снижение качества из-за квантизации. Модель распространяется по лицензии glm-5.3; точные условия лицензии в README не приведены.

Qwen3.8-27B-OBLITERATED — текстовая генеративная модель из репозитория kcplummer, созданная на основе Qwen/Qwen3.8-27B. Это модификация Qwen3.8, в которой методом abliteration удалено поведение отказа от ответов на ограниченные запросы. В README описана версия V3 с итеративным уточнением, целевой обработкой направлений отказа и смешиванием результатов нескольких процедур. Модель предназначена для генерации текста, программного кода, исследовательских и red-team-сценариев, а также агентных задач, включая кибербезопасность и тестирование безопасности ИИ. Модель имеет архитектуру Qwen3, около 27 млрд параметров и поддерживает текстовый ввод и вывод. Указана совместимость с режимом рассуждений, однако для V3 рекомендуется его отключать ради более прямых ответов. В README приведён показатель MMLU 82,3% для версии V3 против 84,5% у исходной модели; также заявлены рабочая генерация кода в 20 из 20 проверенных заданий и сохранение способности отвечать в расширенных сценариях. Рекомендуемые параметры — temperature 0, repetition_penalty 1,15 и не менее 2048 новых токенов, но конкретный размер контекста и список поддерживаемых языков не указаны. Главное преимущество модели — существенно сниженная склонность к жёстким отказам и формальным «лекциям о безопасности», при сохранении большей части исходных возможностей. Ограничения включают небольшое снижение результата MMLU относительно базовой модели, риск циклической генерации без repetition_penalty и потенциально повышенные риски при использовании для вредоносных или опасных задач из-за отсутствия стандартных защитных отказов. В README указана лицензия Apache-2.0; доступны варианты в форматах GGUF, Safetensors и MLX.

MaTE X Privacy Sentinel v0.1 — дообученная Enosis Labs модель OpenAI Privacy Filter для локального обнаружения и маскирования персональных данных и секретов в тексте. Она предназначена для фильтрации конфиденциальных строк, в том числе учетных данных и параметров подключения, перед их сохранением или передачей. Модель использует архитектуру MoE, содержит 145,4 млн параметров и рассчитана на контекст до 131 072 токенов. Это модель для разметки токенов на базе Transformers; в README приведены span F1 0,9956 на валидации и 0,9894 на тесте. Доступны веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Она служит вспомогательным средством защиты конфиденциальности и не гарантирует соответствие требованиям; перед применением в production рекомендуется провести собственную проверку на контрольных примерах.

MiMo-V2.6-Distill-Qwen-9B-GGUF — GGUF-версия агентной модели MiMo-V2.6-Distill-Qwen-9B, разработанной Xiaomi MiMo. Модель представляет собой результат supervised fine-tuning Qwen3.5-9B на данных, сгенерированных MiMo, и предназначена для дальнейших исследований в области агентного обучения с подкреплением. Модель ориентирована на программирование, общие агентные задачи, визуальное программирование и кибербезопасность, а также поддерживает использование инструментов. Объём модели составляет 9 млрд параметров. В README указана поддержка английского языка и pipeline image-text-to-text, а наличие мультимодального проекционного файла указывает на сценарии работы с изображениями и текстом. Доступны варианты квантования от BF16 до Q3_K_L, что позволяет выбирать между качеством и требованиями к памяти; рекомендованными названы Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S и Q6_K. Сильными сторонами заявлены заметные улучшения относительно базовой Qwen3.5-9B в задачах автоматизации, кибербезопасности, работы в терминале и программирования, включая SWE-bench. Ограничения включают зависимость качества и требований к памяти от выбранного варианта квантования, а также отсутствие в README точных сведений о размере контекстного окна и подробностей о поддерживаемых языках помимо английского. Лицензия указана как other; базовая модель Qwen3.5-9B распространяется под Apache-2.0, но условия лицензирования данного репозитория требуют отдельной проверки.

Granite-20B-Code-Base-8K — авторегрессионная decoder-only языковая модель для генерации и анализа кода, разработанная IBM Research и обученная с нуля. Модель содержит 20 млрд параметров, использует архитектуру GPTBigCode и принимает контекст до 8192 токенов. Модель предназначена для генерации, объяснения и исправления кода, написания модульных тестов и документации, поиска уязвимостей и перевода кода. Она обучалась на коде 116 языков программирования, а второй этап обучения включал также отобранные данные на естественном языке и математике. Это базовая модель без выравнивания для диалогового следования инструкциям. IBM не рекомендует применять её в новых проектах и предоставляет для исторических и научных целей; для новых приложений предлагаются более поздние модели Granite. Генерируемый код может быть ошибочным или содержать проблемные результаты, поэтому его нужно проверять. Лицензия — Apache 2.0.