II.5Безопасность программного кода и цепочки поставок

KIN — Cybersecurity Verification Translator — это дообученная модель для анализа и проверки утверждений в области кибербезопасности, разработанная на базе Qwen/Qwen2.5-3B-Instruct. Модель предназначена для обработки diff-файлов, обсуждений ревью, трассировок агентов и описаний уязвимостей, включая задачи code review, bug bounty, анализа CVE, SOC, DFIR, threat intelligence и incident response. Указан английский язык. KIN формирует пятичастный аналитический бриф: утверждение, потенциальный радиус воздействия, механизм первопричины с привязкой к CWE или нарушенному инварианту, воспроизводимую проверку и критерии опровержения. Ключевая особенность — требование подтверждать серьёзность находки воспроизводимой проверкой, например PoC, падающим тестом, AST-проверкой или командой выполнения. Модель ориентирована на конкретные продукты, реальные CVE и контекст инцидентов, а также на прямые рекомендации по дальнейшим действиям. Архитектура основана на Qwen2.5-3B-Instruct; использованы LoRA SFT и DPO Alignment, LoRA rank 8, alpha 16, целевые модули q_proj, k_proj, v_proj и o_proj. Для локального запуска доступна квантованная версия Q4_K_M в формате GGUF размером около 1,93 ГБ, совместимая с Ollama и llama.cpp. Ограничения включают размер класса 3B, необходимость проверять критические выводы сканером или воспроизводимым тестом, использование пятичастного брифа только как вспомогательного инструмента, а также необходимость предварительно фильтровать большие кодовые базы. Лицензия — Apache-2.0.

Secrets Sentinel small-v1 — англоязычная модель классификации текста от hypn05, дообученная на базе microsoft/deberta-v3-small для обнаружения секретов в строках и фрагментах кода. Она определяет, содержит ли текст секретные данные, например ключ AWS, и отличает их от безопасных примеров переменных окружения и фиктивных значений. Модель предназначена для проверок кода и конфигураций в процессах DevSecOps, включая pre-commit, pre-receive hooks и GitHub Actions. Архитектура DeBERTa V3 Small с классификационной головой содержит около 155 млн параметров по метаданным и принимает до 512 токенов. README сообщает о дообучении на 37 866 размеченных примерах и сопоставимой с базовой моделью точности в девяти тестовых сценариях, а также о скорости примерно в 3,5 раза выше базовой версии. Модель распространяется по лицензии MIT. Заявленные результаты ограничены описанными тестовыми сценариями; полный набор метрик для этой версии в карточке не приведён.

StarPII — модель распознавания именованных сущностей, разработанная BigCode для поиска персональных данных и секретов в исходном коде. Она основана на дообученном bigcode-encoder с линейной головой классификации токенов и размечает шесть категорий: имена, адреса электронной почты, ключи, пароли, IP-адреса и имена пользователей. Для обучения использованы размеченные данные и предварительно псевдоразмеченные примеры; датасеты включают код на 31 языке программирования, а базовый энкодер предварительно обучался на 88 языках программирования. Модель подходит для обнаружения потенциально чувствительных данных в исходном коде и подготовки к их маскированию при обучении моделей или обработке репозиториев. В опубликованных результатах качество различается по типам сущностей: например, F1 для электронной почты составляет 96,01%, IP-адресов — 91,61%, ключей — 56,66%; псевдоразметка улучшила показатели для имен, имен пользователей и паролей. Авторы рекомендуют постобработку, включая фильтрацию коротких значений, проверку IP-адресов и отбрасывание имен пользователей из-за ложных срабатываний и пропусков. Возможны ложноположительные и ложноотрицательные результаты, а качество зависит от типа данных и языка программирования. Лицензия в предоставленных сведениях не указана.

Antares-350M — компактная языковая модель на 350 млн параметров, разработанная fdtn-ai на базе IBM Granite 4.0 350M и дообученная для локализации уязвимостей в исходном коде. Она предназначена для специалистов по безопасности, исследователей и разработчиков, которым нужно находить вероятные уязвимые файлы в репозитории по идентификатору CWE и его общему описанию. Модель работает в цикле терминального агента: исследует репозиторий командами и формирует кандидатов на проверку, без внешней поисковой системы или векторной базы; её можно использовать в локальной среде и CI/CD. Модель принимает текстовый контекст и выводы инструментов, а генерирует текст и вызовы инструментов через интерфейс агента. В метаданных указан английский язык, библиотека Transformers и формат Safetensors. Лицензия — Apache-2.0. Результаты зависят от размера репозитория, бюджета команд и типа уязвимости: на больших кодовых базах и при анализе нескольких взаимосвязанных файлов качество снижается, а семантически сложные проблемы даются хуже, чем уязвимости с характерными текстовыми шаблонами. Модель предназначена для поиска файлов-кандидатов, а не для подтверждения уязвимости или автономных решений; результаты требуют проверки человеком. Общий чат и генерация эксплойтов не входят в её назначение.

Prowl secret encoder — модель классификации текста, разработанная для проекта Prowl. Она оценивает, содержит ли короткий фрагмент кода, конфигурации, журнала, комментария или сообщения учётные данные или другой секрет. Модель основана на DistilBERT multilingual cased и дообучена для бинарной классификации последовательностей; использует библиотеку Transformers, принимает фрагменты длиной до 512 токенов и выдаёт оценку вероятности наличия секрета. Модель предназначена для третьего этапа сканера секретов Prowl: она повышает полноту обнаружения свободно сформулированных и многоязычных секретов, дополняя каскад регулярных выражений и логистическую модель. В описанном ансамбле добавление энкодера повысило полноту с 0,848 до 0,970 на ProwlBench при снижении точности с 0,974 до 0,971; на отдельных каналах приводятся высокие показатели полноты. Поддерживаются английский, немецкий, французский, испанский и русский языки. Это не самостоятельный сканер: результат относится ко всему фрагменту и не указывает точное положение или тип секрета. Авторы предостерегают от использования модели как отдельного точного фильтра; тип секрета и локализацию определяют другие компоненты Prowl. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Darkforest — закрытый объединённый чекпойнт BlackwoodAI для авторизованных задач защитной кибербезопасности. Это языковая модель с архитектурой Qwen3 MoE и 2,6 млрд параметров; она доступна в формате safetensors и предназначена для генерации текста в диалоговом режиме с контекстом до 262 144 токенов. Модель подходит для анализа задач CTF и лабораторных сценариев, проверки защищённости кода, объяснения уязвимостей, разработки детектирующих правил, воспроизведения эксплойтов в собственных тестовых средах и защитного или криминалистического анализа вредоносного ПО. Её можно загружать через Transformers и обслуживать через vLLM как совместимый с OpenAI API endpoint. В README модель обозначена как исследовательский чекпойнт, который следует оценить перед использованием в рабочих процессах. Автор запрещает применять её для несанкционированного доступа, кражи учётных данных, развёртывания вредоносного ПО, фишинга, обхода защит, ботнетов, мошенничества и причинения вреда. Лицензия указана как other; дополнительных условий лицензии в предоставленных данных нет.

DeepPass2 — модель Neeraj Gupta из SpecterOps для обнаружения паролей и секретов в тексте с помощью классификации токенов. Она дообучена на XLM-RoBERTa-base с помощью LoRA и размечает токены как обычные или содержащие учётные данные. Модель рассчитана на поиск паролей, API-ключей, токенов и других секретов в документах, журналах и конфигурационных файлах, а также на аудит утечек и предварительную проверку документов перед публикацией. Для длинных документов README рекомендует использовать полный конвейер DeepPass2 с разбиением текста на фрагменты; отдельный вход модели ограничен контекстом в 514 токенов по метаданным. Веса представлены в формате safetensors, размер модели — 305,2 млн параметров. README указывает английский язык; базовая XLM-RoBERTa многоязычная, однако специализация этой модели описана для английского. Лицензия — Apache 2.0 согласно метаданным.

FineSec-Detector — дообученная модель для анализа безопасности исходного кода, созданная на базе Qwen2.5-Coder-7B-Instruct. Она проверяет код на уязвимости, определяет их типы CWE и уровни серьёзности, а также предлагает исправления и патчи в структурированном JSON для аудита и интеграции в CI/CD. Модель имеет плотную архитектуру Qwen2 и 7,1 млрд параметров. Она принимает текст с кодом и выдаёт текстовые отчёты и исправления; метаданные указывают контекст до 32 768 токенов, тогда как README приводит окно в 1 024 токена. Заявлена поддержка кода на Python, C/C++, JavaScript, Go, PHP, Java и Bash; языки программирования не являются естественными языками модели. Для модели заявлены дообучение методом 4-битного QLoRA с Unsloth и лицензия Apache-2.0. README приводит результаты собственных тестов на нескольких классах уязвимостей, однако эти метрики не являются независимой гарантией качества; проверки безопасности и ревью предложенных исправлений остаются необходимы.

ressl/gemma-4-31B-it-uncensored-GGUF — квантизированная GGUF-версия модели gemma-4-31B-it-uncensored, основанной на Google Gemma 4 31B-it. Формат подготовлен Robert Ressl для запуска через llama.cpp, Ollama и LM Studio; разработчик базовой модели — Google, а адаптация, «uncensored»/abliterated-обработка, конвертация и валидация выполнены Robert Ressl. Модель предназначена для генерации текста, диалоговых задач, локального запуска и сценариев, где требуется ассистент с минимальным количеством отказов, включая этичный анализ безопасности, исследование уязвимостей, анализ вредоносного и exploit-кода, написание правил обнаружения и red-teaming. GGUF-репозиторий является текстовым: мультимодальная vision-компонента удалена. Заявлены английский и немецкий языки. Модель поддерживает режим рассуждений, включаемый по умолчанию в llama.cpp; для прямых ответов его можно отключить. Доступны квантизации от q8_0 до q2_k размером примерно от 31 до 12 ГБ; q4_k_m указан как рекомендуемый баланс качества и размера. Меньшие квантизации снижают требования к памяти, но могут ухудшать качество. README сообщает о 0 эффективных отказов в большинстве уровней квантизации и о скорости около 75 токенов в секунду для q4 на одной RTX PRO 6000, однако эти показатели зависят от среды и методики тестирования. Максимальная длина контекста и архитектурные детали не указаны. Модель распространяется по Apache License 2.0, унаследованной от базовой модели Google Gemma 4; использование должно соответствовать условиям этой лицензии и применимому законодательству.

Mungert/VulnLLM-R-7B-GGUF — GGUF-квантизированная версия специализированной языковой модели VulnLLM-R-7B, разработанной исследовательской группой UCSB-SURFI на базе Qwen/Qwen2.5-7B-Instruct. Модель предназначена для обнаружения уязвимостей и анализа безопасности исходного кода с использованием пошагового рассуждения о потоках данных, управления и контексте безопасности. Модель ориентирована на анализ кода на C, C++, Python и Java, включая выявление сложных логических уязвимостей, которые могут быть трудно обнаружить простыми шаблонными проверками. Она поддерживает текстовый ввод и генерацию текстовых ответов с объяснением причин обнаружения уязвимости. Размер модели составляет 7B параметров; точный размер контекста для этой GGUF-версии в README не указан. Квантизация выполнена с помощью llama.cpp, при этом для отдельных важных слоёв применялось повышение точности сверх стандартной конфигурации IMatrix, что увеличивает размер файла, но может улучшать точность при низкой разрядности. К сильным сторонам относятся специализация на анализе уязвимостей, способность объяснять ход рассуждений и сравнительно небольшие требования к ресурсам по сравнению с крупными reasoning-моделями. В README заявлены высокие результаты на бенчмарках PrimeVul, Juliet 1.3 и ARVO, однако конкретные метрики не приведены. Ограничения включают зависимость качества от выбранного уровня квантизации и отсутствие гарантии корректности результатов, поэтому модель следует использовать как вспомогательный инструмент аудита, а не как единственный механизм проверки безопасности. В метаданных указана лицензия Apache-2.0.

Abacus-cve — языковая модель для работы с кодом, разработанная Luoberta на основе Qwen3-32B. Модель дообучена на 4 078 дистиллированных трассах агента, созданных для примерно 900 задач воспроизведения CVE с помощью конвейера CVE-Factory. Модель предназначена для поиска и исправления уязвимостей в программном обеспечении, в том числе в сценариях, где агент анализирует воспроизведение CVE и предлагает изменения в коде. Это плотная авторегрессионная архитектура Qwen3ForCausalLM с 29,7 млрд параметров; она принимает текст и генерирует текст. Контекстное окно — до 65 536 токенов. В метаданных указан английский язык. Модель распространяется в формате safetensors через Transformers по лицензии MIT. Карточка описывает специализированное дообучение на агентных трассах для задач устранения уязвимостей; результаты на конкретном проекте требуют проверки, а область обучения ограничена задачами, представленными в этих трассах.

CVE Backport Code Generation — Qwen2.5-Coder-32B v5 — модель, дообученная openSUSE на базе Qwen/Qwen2.5-Coder-32B-Instruct для переноса исправлений безопасности на другие версии кода. Она получает уязвимый фрагмент и описание исправления, а затем генерирует исправленный код; итоговый diff формируется программно. Такой подход предназначен для автоматизации подготовки патчей в рабочих процессах сопровождения пакетов и устранения CVE. Модель использует плотную 32-миллиардную архитектуру Qwen2.5-Coder и поддерживает диалоговый режим. В карточке приведены результаты оценки на 100 отложенных примерах: полнота 93,1%, точность 94,4%, точное совпадение — 83 из 100. Доступны веса safetensors и GGUF Q8_0; указана лицензия Apache-2.0. В README рекомендуется проверять сгенерированные патчи перед применением в производственных системах.

M.O.G.-SEC-27B-1M-CTX-GGUF — мультимодальная GGUF-версия модели Qwentium из линейки Minds of Gods, разработанная Blackfrost Research. Модель основана на Blackfrost-Research/M.O.G.-SEC-27B-1M-CTX-BF16 и относится к 27B-классу. Она предназначена для задач offensive и defensive cybersecurity, включая анализ разведданных, уязвимостей, репозиториев, эксплуатационных заметок, средств обнаружения, отчётов и длительных рабочих сценариев. Модель использует плотную гибридную архитектуру qwen35 с Gated DeltaNet и gated attention, поддерживает native vision и мультимодальный/tool-use шаблон. Заявлено окно контекста до 1 000 000 токенов через YaRN при исходном контексте 262 144 токена. Доступны квантизации GGUF от Q2_K до Q8_0; рекомендуемым вариантом назван Q4_K_M. Также предусмотрены отдельный BF16 DFlash2 draft-файл для speculative decoding и F16 vision-проектор. Указана поддержка английского и многоязычного ввода, однако конкретный перечень языков не приведён. Сильными сторонами являются большой контекст, поддержка изображений, инструментального взаимодействия, специализированная настройка под кибербезопасность и широкий выбор размеров квантизации. Ограничения включают высокие требования к памяти, особенно при использовании миллионного контекста, необходимость свежей версии llama.cpp с поддержкой гибридной архитектуры, а для DFlash2 — специальной ветки или ревизии llama.cpp. Модель позиционируется как исследовательская система для профессиональных сценариев, а не как обычный потребительский чат-бот, и может генерировать материалы для наступательной безопасности, поэтому требует строгого контроля доступа. Лицензия указана как Apache-2.0.

SecureBERT 2.0 Base — англоязычная модель Cisco AI для понимания текстов и кода в сфере кибербезопасности. Она дообучена на базе answerdotai/ModernBERT-base с предметным предобучением на отчетах об угрозах, блогах, документации и коде. Это плотная encoder-only модель архитектуры ModernBERT с 149 млн параметров, предназначенная прежде всего для заполнения пропусков в тексте и коде; контекст модели — до 8192 токенов. Модель подходит для семантического поиска и извлечения признаков, распознавания сущностей безопасности, анализа кода и выявления уязвимостей, а также для дальнейшей настройки под извлечение данных об угрозах и анализ инцидентов. README сообщает о результатах оценки masked language modeling и сравнительном преимуществе на профильных текстах и коде, но не приводит подробностей о наборе тестов, кроме того, что он внутренний. Модель не предназначена для неанглоязычных или непрофильных текстов, общего диалога либо автономных решений в системах безопасности без экспертной проверки. Лицензия — Apache 2.0.

Cisco AI разработала SecureBERT2.0-code-vuln-detection — англоязычную модель классификации фрагментов исходного кода на уязвимые и неуязвимые. Это дообученная на SecureBERT 2.0 модель с архитектурой ModernBERT и классификационной головой на два класса; она предназначена для анализа безопасности кода на этапе проверки и разработки. Модель можно встроить в системы автоматизированного ревью, сканеры уязвимостей в CI/CD и расширения для IDE. В карточке описана оценка на примерах C, C++, Python и категориях вроде переполнения буфера и инъекций. Указано 149 млн параметров; метаданные сообщают контекст до 8192 токенов, тогда как README приводит максимальную длину последовательности 1024 токена. Модель служит вспомогательным средством: она может пропускать уязвимости или отмечать безопасный код как уязвимый, а синтаксические закономерности обучающих данных могут мешать обнаружению логических ошибок. Она не предназначена для анализа обычного текста, выявления проблем во время выполнения или генерации исправлений. Лицензия — Apache-2.0.

Con0 — мультимодальная модель для анализа кибербезопасности, разработанная Arcanic AI совместно с NextZero. Она предназначена для проверки кода и конфигураций, выявления уязвимостей, анализа инцидентов и подготовки рекомендаций по устранению проблем, включая угрозы безопасности ИИ-агентов. Модель дообучена на Qwen/Qwen3.8-27B и содержит 27 млрд параметров. Она принимает текст и изображения, поддерживает анализ видео и OCR; контекстное окно составляет 262 144 токена. Архитектура сочетает Gated DeltaNet с полным вниманием; также заявлена поддержка диалогов и вызова инструментов. Con0 ориентирована на выявление SQL-инъекций, XSS, SSRF, проблем контроля доступа, prompt injection и других угроз веб-приложений и ИИ-агентов, а также на анализ журналов, трассировок и скриншотов. Результаты бенчмарков пока не опубликованы, поэтому качество заявленных возможностей независимо не подтверждено. Лицензия — Apache-2.0.

Nesi1 — языковая модель Nesilabs для задач кибербезопасности, созданная дообучением семейства Qwen3. В карточке указана архитектура Qwen3.8-27B с 27 млрд параметров; модель рассчитана на генерацию текста, диалог и вызов инструментов. Контекст достигает 262 144 токенов. Веса представлены в формате safetensors с 4-битной квантизацией AWQ (W4A16). Модель предназначена для специалистов по безопасности и сценариев с агентами: тестирования на проникновение, анализа уязвимостей, разработки эксплойтов, проверки безопасного кода и автоматизации аудита. Обучение включало технические документы и пары вопросов и ответов по материалам кибербезопасности. Карточка рекомендует развёртывание через OpenAI-совместимые серверы, например SGLang или vLLM, с настройкой парсера вызова инструментов. Модель рассчитана на профессиональное и законное применение только в системах, для которых есть явное разрешение. Ответы могут быть неверными и требуют проверки. Лицензия репозитория — Apache-2.0; README также ссылается на условия использования Nesilabs и снимает гарантию точности и результатов.

RavenX-CyberAgent — разговорная модель для задач кибербезопасности, разработанная RavenX LLC. Это дообученная модель семейства Qwen3.6 с архитектурой MoE: около 34,66 млрд параметров всего и примерно 3 млрд активных на токен; в README также заявлены 256 экспертов, из которых активируются 8. Модель рассчитана на работу через MLX и ориентирована на Apple Silicon. Модель предназначена для оценки безопасности, тестирования на проникновение, поиска уязвимостей и подготовки отчётов. Она обучена следовать шестишаговому протоколу RATH и формировать оценки CVSS, CWE, сопоставления с MITRE ATT&CK и стандартами соответствия. Среди заявленных сценариев — вызов инструментов и генерация кода; метаданные подтверждают текстовую генерацию и чат-возможность. README приводит параметр max-tokens 8192 для примера запуска, но не устанавливает нативный размер контекста. Карточка описывает пять раундов обучения на наборах данных по безопасности, агентным сценариям и программированию; заявленные разработчиком масштабы обучения не являются независимой оценкой качества. Метаданные указывают английский язык и лицензию Apache-2.0. Поскольку модель предназначена для кибербезопасности, результаты анализа и сгенерированный код требуют проверки и применения только в разрешённых сценариях.

SecGPT — специализированная диалоговая языковая модель компании 云起无垠 для задач кибербезопасности. Репозиторий содержит дообученную на базе Qwen2.5-14B-Instruct модель с плотной архитектурой Qwen2, 14 млрд параметров и контекстом до 32 768 токенов. Она принимает текстовые запросы и генерирует текстовые ответы; в карточке заявлена поддержка китайского и английского языков. Модель предназначена для анализа уязвимостей и кода, разбора команд и скриптов, ответов на вопросы по безопасности, анализа журналов и сетевого трафика, извлечения IOC и помощи при расследовании инцидентов. Также карточка описывает сценарии поддержки красных и синих команд, включая анализ атак и подготовку рекомендаций. Указаны обучение на наборах задач безопасности и возможность развертывания через vLLM. Карточка заявляет об обучении на сочетании данных по кибербезопасности и инструкционном дообучении с последующим обучением с подкреплением, однако подробности этого репозитория и заявленные результаты оценки описаны неполно. Ответы модели могут содержать ошибки и требуют проверки специалистом, особенно при анализе угроз и рекомендациях по устранению уязвимостей. Лицензия — Apache-2.0.

Sharp-Spark-X2.5-4B-GGUF — набор динамических GGUF-квантований модели XHToken/Spark-X2.5-4B, опубликованный peculiar-ragdoll. Это плотная модель с 4 млрд параметров для генерации текста, прежде всего для программирования, системного и кибербезопасностного кода. Модель рассчитана на работу через llama.cpp и ориентирована на пользователей с видеокартой объёмом около 6 ГБ и оперативной памятью до 16 ГБ. Архитектура поддерживает длинный контекст: из 36 слоёв 9 используют полноразмерное внимание, а 27 — скользящее окно размером 512 токенов. Заявлена работоспособность с контекстом до 131 072 токенов при умеренном снижении скорости; экономный KV-кэш делает модель пригодной для анализа больших файлов и репозиториев. Доступны варианты Q4_K_XL размером 2,67 ГБ, Q5_K_XL размером 3,24 ГБ и Q6_K_XL размером 3,61 ГБ, причём Q6_K_XL обозначен как рекомендуемый и проверенный на задачах SWE. К сильным сторонам относятся высокая скорость, небольшие требования к памяти, длинный контекст и специализированная importance matrix, рассчитанная с упором на security и systems code. По приведённым в README измерениям, вариант Q6 показывает сопоставимые с исходной моделью результаты на отдельных подвыборках SWE-bench-Live и MMLU-Pro при меньшем расходе токенов. Ограничения включают чувствительность небольшой модели к агрессивному квантованию, меньшую общую способность по сравнению с более крупными моделями и необходимость выбора варианта квантования в соответствии с объёмом VRAM. Лицензия — Apache-2.0.

Zaib/Vulnerability-detection — модель классификации текста, разработанная путём дообучения mrm8488/codebert-base-finetuned-detect-insecure-code на неизвестном наборе данных. Она предназначена для выявления потенциально небезопасного или уязвимого кода по входному тексту. Модель построена на архитектуре RoBERTa, содержит около 151,8 млн параметров и распространяется в формате PyTorch. В README указан результат Loss 0,5778 на оценочном наборе, но не приведены его состав, метрики качества, схема меток и подробности обучения. Лицензия в предоставленных данных не указана.

CIRCL разработала эту модель для автоматической классификации уровня серьёзности программных уязвимостей по их текстовым описаниям. Это дообученная версия RoBERTa-base с архитектурой RobertaForSequenceClassification и 151,8 млн параметров; модель обучалась на наборе CIRCL/vulnerability-scores, включающем более 600 тысяч уязвимостей. Она предназначена для ускорения первичной оценки и сортировки уязвимостей перед ручным анализом и расчётом CVSS. В описании исследования сообщается о точности свыше 82%; модель интегрирована в сервис Vulnerability-Lookup. Принимает текст, выдаёт категорию серьёзности. Максимальная длина контекста — 514 токенов. Распространяется по лицензии CC BY 4.0. Результат классификации служит поддержкой триажа и не заменяет экспертную оценку CVSS.

apex-flash-1 — открытая модель безопасности от Cantina Security, разработанная совместно с Yeta. Это постобученная с помощью обучения с подкреплением версия GLM-5.3-Flash, предназначенная для целевых расследований уязвимостей: анализа кода, использования инструментов, поиска эксплойта и проверки его воздействия на работающей цели. Авторы рекомендуют запускать модель в агентной среде Codex и использовать её как специализированного исполнителя под управлением более крупного агента. Модель сохраняет архитектуру GLM-5.3-Flash image-text-to-text с поддержкой зрения; в README оценивались только текстовые задачи безопасности, а возможности обработки изображений и видео не проверялись. В закрытой оценке на 60 задачах из 20 случаев уязвимостей она решила 40 задач (66,7% pass@1); результаты относятся к описанному набору испытаний и не гарантируют такой же эффективности в других условиях. Модель поддерживает английский и китайский языки. Лицензия — MIT.

ressl выпустил uncensored-сборку Gemma 4 31B IT — мультимодальную инструкционно-настроенную модель Google, изменённую на уровне весов так, чтобы снизить отказы на запросы. README сообщает о 0 эффективных отказов на 686 промптах из четырёх наборов данных; это результат проверки отказов, а не полноценная оценка качества модели. Модель предназначена для диалогов и анализа изображений, а автор отдельно описывает сценарии исследований безопасности: анализ вредоносного кода и эксплойтов, поиск уязвимостей, подготовка правил обнаружения и red teaming. Архитектура — плотная Gemma 4; размер базовой модели — 30,7 млрд параметров. Метаданные указывают английский и немецкий языки. README сообщает о проверках в Transformers, vLLM и SGLang; контекст запуска в примере ограничен 8192 токенами. Сборка может отвечать на запросы, которые исходная модель отклоняет, поэтому требует осмотрительного применения. Автор отмечает, что проводил лишь базовые проверки связности и не запускал полный набор бенчмарков возможностей. Лицензия — Apache-2.0.

RavenXAiLabs-Chaos-Agent-Qwen3.8-27B-Frontier-Intelligence-Injected-OBLITERATED-MLX — языковая модель от RavenX AI Labs, построенная на базе OBLITERATUS/Qwen3.8-27B-OBLITERATED и представленная в формате MLX для Apple Silicon. По данным карточки, модель обучалась на 1,9 млн примеров с использованием proprietary-метода Soul Injection и ориентирована на текстовую генерацию, рассуждения, программирование, агентские сценарии и анализ кибербезопасности. Заявлены поддержка английского языка, размер 27B параметров и MLX-квантизация 4-bit; размер файла составляет около 14 ГБ. Данные о размере контекстного окна и дополнительных модальностях не указаны. Основные сценарии применения включают анализ уязвимостей, red-team и bug bounty, сопоставление с MITRE ATT&CK, генерацию кода на Python, Rust, JavaScript, C, Solidity и Go, разработку и аудит smart contracts, торговый и DeFi-анализ, математическое и техническое рассуждение, творческое письмо, а также tool calling и оркестрацию нескольких инструментов. Среди заявленных сильных сторон — объединение навыков программирования, security-анализа и агентского поведения в одной модели, поддержка структурированных вызовов функций и MCP-совместимых форматов. Ограничения включают отсутствие независимого подтверждения заявленных benchmark-результатов, отсутствие описания методики оценки и заявленные zero refusals, что может повышать риски при использовании модели для опасных или несанкционированных действий. Лицензия указана как Apache-2.0.

RavenX-Sec-8B-GGUF — специализированная языковая модель для кибербезопасности, разработанная @DeadByDawn101 и RavenX LLC. Это GGUF-версия модели RavenX-Sec Qwen3-8B v4.0, созданная на базе georgehenney/Qwen3-8B-heretic (abliterated) и дообученная для анализа полного жизненного цикла уязвимостей: поиска, классификации, оценки, исправления, проверки, документирования и предотвращения. Модель предназначена для пентестинга, red team-операций, bug bounty, анализа CVE и подготовки отчётов по безопасности. Модель использует архитектуру Qwen3-8B, поддерживает генерацию текста на английском языке и контекст до 128K токенов благодаря YaRN rope scaling с фактором 4.0. Обучение выполнено методом MLX LoRA на 610 220 примерах из 21 источника; заявлены специализация на security-контенте, поддержка CVSS 3.1, NIST CSF 2.0, OWASP Top 10, CWE, MITRE ATT&CK, PCI DSS, HIPAA и SOX, а также возможности agent/tool-calling. Ключевой подход модели — 6-шаговый протокол RATH: Risk/Identify, Assessment, Threat, Remediate, Document и Prevent. Модель доступна в формате GGUF и предназначена для запуска через Ollama, llama.cpp и LM Studio. Доступны варианты квантования Q4_K_M, Q5_K_M, Q8_0 и F16; размер файлов составляет примерно от 4,7 до 15,3 ГБ. Сильные стороны — узкая специализация на задачах безопасности, большой контекст и структурированный анализ уязвимостей. Ограничения включают англоязычную направленность, зависимость качества от выбранного квантования и необходимость проверять рекомендации перед применением в реальных системах. Лицензия — Apache-2.0.

SQLQueryShield — модель классификации SQL-запросов, разработанная salmane11 на основе microsoft/codebert-base и дообученная на SQLShield. Она относит запрос к потенциально уязвимым или безопасным; при обучении использовались SQL-запросы из пар естественно-языковых запросов и SQL, а на вход подавались строки SQL. Модель предназначена для фильтрации запросов после генерации в системах Text-to-SQL и для проверки пользовательских запросов перед выполнением. Архитектура — RoBERTa для классификации последовательностей, около 151,8 млн параметров; максимальная длина контекста по метаданным — 514 токенов. В карточке указаны английский язык и лицензия Apache-2.0. Результат классификации может помочь выявлять шаблоны SQL-инъекций, небезопасную конкатенацию строк и другие потенциально опасные выражения. Модель анализирует текст запроса и сама по себе не гарантирует безопасность выполнения SQL; обучающая обработка ограничивала последовательности 128 токенами. Лицензия — Apache-2.0.

Fluxnat Coder 3B — специализированная языковая модель Fluxnat для анализа безопасности исходного кода. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, дообученная методом QLoRA на наборах данных об уязвимостях, материалах по киберугрозам и примерах аудита безопасности. Она принимает текст с кодом и инструкциями и генерирует текстовые результаты; заявленная длина контекста — 32 768 токенов. Модель предназначена для статического анализа кода и проверки безопасности: она выявляет потенциальные уязвимости, объясняет поток данных от источника через очистку к опасной операции, сопоставляет находки с CWE и OWASP, оценивает серьёзность по CVSS и предлагает исправления. В README отдельно описана поддержка анализа кода на Python, JavaScript/TypeScript и Go. Модель может применяться при проверке кода и сортировке находок в защитных аудитах и CI. В карточке заявлены низкая частота ложных отказов при защитном анализе и возможность запуска на потребительских GPU; эти характеристики не сопровождаются результатами независимой оценки. Компактный размер не гарантирует точности: выводы, классификацию уязвимостей, оценки CVSS и предложенные исправления следует проверять. Модель распространяется по лицензии Apache-2.0; README ограничивает её применение авторизованным защитным анализом.

SecGPT-7B-GGUF — вариант модели SecGPT для генерации текста и диалога, ориентированный на задачи кибербезопасности. В README разработчиком названа компания 云起无垠; модель семейства SecGPT представлена как разработанная для помощи специалистам по безопасности. Репозиторий содержит веса в формате GGUF F16 и основан на SecGPT/SecGPT-7B-GGUF. Модель предназначена для ответов на вопросы по информационной безопасности, анализа уязвимостей и команд, разбора журналов и сетевого трафика, выявления угроз, анализа атакующих цепочек, аудита кода и поддержки сценариев красных и синих команд. README описывает обучение на базе семейств Qwen2.5-Instruct и DeepSeek-R1, с использованием специализированных корпусов и инструкционной настройки; параметры конкретной версии и длина контекста в доступных данных не приведены. В метаданных указан китайский язык, а README также сообщает об оценках на китайских и общих тестах. Модель может помочь структурировать расследование и подготовить рекомендации, однако результаты требуют проверки специалистом и не заменяют тестирование, анализ исходных артефактов или проверку безопасности. Репозиторий распространяется по лицензии Apache-2.0.

Это англоязычная модель Sentence Transformer, дообученная на базе BAAI/bge-large-en-v1.5 для поиска релевантных фрагментов, в том числе описаний уязвимостей CVE. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; сходство между текстами можно оценивать косинусной мерой. Архитектура состоит из BERT, пулинга по CLS-токену и нормализации векторов. Модель принимает текст и предназначена для семантического поиска и сопоставления запросов с документами. README указывает максимальную длину последовательности 256 токенов, а метаданные — контекст до 512 токенов. Для обучения использовалась выборка из 861 607 пар anchor-positive с MultipleNegativesRankingLoss. Репозиторий создан 25 июня 2026 года; веса доступны в формате safetensors. Модель ориентирована на англоязычные тексты и специализируется на тематике уязвимостей и безопасности Linux. Лицензия в предоставленных данных не указана.