II.5Безопасность программного кода и цепочки поставок

DuyTa/sec-embedding — дообученная на базе BAAI/bge-m3 модель эмбеддингов для плотного поиска по материалам о CVE и кибербезопасности. Она использует архитектуру XLM-RoBERTa и схему bi-encoder; размер модели — 658,7 млн параметров, размерность эмбеддингов — 1024, длина контекста — до 8194 токенов. Модель предназначена для кодирования запросов и фрагментов документов в векторы, чтобы находить релевантные сведения о CVE, слабостях и эксплойтах; её можно включать в конвейер поиска вместе с гибридным поиском и реранжированием. Обучение проводилось на парах запросов и релевантных фрагментов CVE с трудными отрицательными примерами из локального индекса Qdrant. В README заявлены английский и вьетнамский языки, а также показатель Hit Rate@10 98,78% на тестовом наборе из 1000 примеров в составе полного конвейера. Модель распространяется по лицензии Apache-2.0.

SecGPT-14B-GGUF — чат-модель семейства SecGPT, разработанная китайской компанией 云起无垠 для задач кибербезопасности. Репозиторий содержит веса в формате GGUF F16 и предназначен для генерации текста в диалоге; модель можно использовать как помощника при анализе уязвимостей, журналов и сетевого трафика, разборе команд и кода, расследовании инцидентов и ответах на вопросы по информационной безопасности. В карточке SecGPT описаны обучение на основе семейств Qwen2.5-Instruct и DeepSeek-R1 с использованием специализированных наборов задач и методов дообучения. Заявленные сценарии включают анализ атак и цепочек событий, извлечение IOC, аудит кода, реверс-инжиниринг и поддержку команд красной и синей сторон. Метаданные указывают китайский язык; модель принимает текст и выдаёт текст. Веса опубликованы под лицензией Apache-2.0. Результаты и возможности в карточке заявлены разработчиком; они не гарантируют точность в конкретной среде. Модель может ошибаться в анализе угроз, командах и рекомендациях, поэтому выводы следует проверять специалистом. Карточка не сообщает длину контекста для этой версии.

Qwen3.8-27B-Uncensored-bughunter-v7-MLX-VLM-4bit — мультимодальная модель на базе orcarouter/Qwen3.8-27B-Uncensored, подготовленная mmp2055 в формате MLX safetensors с 4-битным квантованием. Версия оптимизирована для Apple Silicon и использует MLX/Metal; в состав включены текстовая модель, vision tower и projector. Модель имеет около 27 млрд параметров, поддерживает текст и изображения, а заявленные языки — английский и испанский. Модель предназначена прежде всего для задач bug bounty, offensive и defensive security, пентестинга, исследования уязвимостей, threat hunting, DFIR, анализа сетевого трафика и подготовки отчётов. Она обучена работать с широким спектром веб-, API-, мобильных, серверных и бизнес-логических уязвимостей, а также с практиками реагирования на инциденты и управления уязвимостями. Vision-возможности позволяют анализировать скриншоты WAF, Burp Suite, архитектурных схем, административных панелей и фрагментов кода, однако визуальная часть унаследована от базовой модели и не дообучалась специально на материалах по безопасности. Ключевое преимущество — специализированная настройка под сценарии поиска и анализа уязвимостей при сохранении мультимодальности. Сборка рассчитана на macOS с процессорами Apple M1–M5; на Apple M5 с 32 ГБ unified memory заявлены около 16 ГБ пиковой памяти и 6–9 токенов в секунду при контексте 32k, а обработка изображения добавляет примерно 2–5 секунд на первом проходе. Для Linux, Windows и Intel Mac рекомендуется GGUF-версия. Ограничения включают высокие требования к памяти, зависимость MLX-сборки от Apple Silicon и отсутствие специализированного дообучения vision-компонента. Лицензия — Apache-2.0.

Qwythos-9B-Claude-Mythos-Uncensored-Abliterated-1M — дообученная модель генерации текста от Securelayer7 на базе empero-ai/Qwythos-9B-Claude-Mythos-5-1M, основанной на Qwen3.5-9B. В карточке указаны 7,2 млрд параметров, архитектура Qwen3.5 для причинной генерации текста и контекст до 1 048 576 токенов. Модель предназначена для диалогов и технических рассуждений, в частности для анализа уязвимостей, тестирования на проникновение, red teaming и анализа вредоносного ПО. Она поддерживает вызов инструментов в формате Qwen3.5. По заявлению автора, поведение отказов ослаблено на уровне весов с помощью абляции и LoRA дообучения на собственных ответах; приведённые в README бенчмарки относятся к базовой модели, а не к этой версии. Модель распространяется в формате Safetensors по лицензии Apache 2.0. В опубликованных весах нет защитных ограничений на незаконный контент: автор указывает, что фильтрацию необходимо обеспечивать на уровне развёртывания. При очень низкой температуре генерации возможны циклы повторений.

Карточка модели claudios/VulBERTa-MLP-D2A на Hugging Face совпадает с карточкой claudios/VulBERTa-MLP-MVD, поэтому описание составлено по ней. Это неофициальная версия VulBERTa с классификационной MLP-головой, представленная на Hugging Face. Модель разработана Hazim Hanif и Sergio Maffeis из Имперского колледжа Лондона и дообучена на C-коде из набора CodeXGlue Devign для классификации функций исходного кода по наличию уязвимостей. В основе модели — RoBERTa с 151,6 млн параметров; для токенизации используется упрощённый процесс с удалением комментариев. Контекст составляет до 1026 токенов. Модель предназначена для выявления потенциально уязвимого C-кода и может применяться в анализе безопасности и экспериментах по обнаружению дефектов кода. Для токенизации требуется libclang. Лицензия — MIT.

Карточка модели claudios/VulBERTa-MLP-Devign на Hugging Face совпадает с карточкой claudios/VulBERTa-MLP-MVD, поэтому описание составлено по ней. Это неофициальная версия VulBERTa с классификационной MLP-головой, представленная на Hugging Face. Модель разработана Hazim Hanif и Sergio Maffeis из Имперского колледжа Лондона и дообучена на C-коде из набора CodeXGlue Devign для классификации функций исходного кода по наличию уязвимостей. В основе модели — RoBERTa с 151,6 млн параметров; для токенизации используется упрощённый процесс с удалением комментариев. Контекст составляет до 1026 токенов. Модель предназначена для выявления потенциально уязвимого C-кода и может применяться в анализе безопасности и экспериментах по обнаружению дефектов кода. Для токенизации требуется libclang. Лицензия — MIT.

CyberSentinel 2.0 — диалоговая модель для генерации текста, разработанная Huynh Dac Tan Dat (dad1909) на основе Meta-Llama-3-8B-Instruct. Модель дообучена на данных dad1909/DSV о кодах программных уязвимостей и инструкционных наборах; автор также описывает версию с 4-битной квантизацией bitsandbytes. Метаданные указывают архитектуру LlamaForCausalLM, размер 7,5 млрд параметров и контекст до 131 072 токенов. Модель предназначена для диалоговых ответов и работы с запросами о программных уязвимостях и безопасности кода. В метаданных указаны английский и вьетнамский языки; поддерживается генерация текста. Репозиторий содержит веса в формате safetensors. Указанная в метаданных лицензия — Apache-2.0, однако README называет лицензию RMIT, поэтому условия распространения и использования требуют проверки.

GambronAI-Persian-Cybersecurity-r1 — разговорная языковая модель на архитектуре Qwen2, дообученная для задач кибербезопасности. Разработчик позиционирует её для анализа эксплойтов, тестирования на проникновение, обратной разработки, анализа вредоносных программ и поиска уязвимостей; модель также предназначена для подготовки технических отчётов и генерации кода. По карточке она работает на персидском (фарси) и английском языках, имеет 7,1 млрд параметров и контекст до 32 768 токенов. Модель принимает текст и генерирует текст в формате чата. В репозитории опубликованы веса safetensors; указана лицензия Apache-2.0. Карточка заявляет неограниченную генерацию технических инструкций, поэтому результаты, особенно для анализа уязвимостей и эксплойтов, требуют проверки и контроля при использовании.

Imperum-CybersecurityLLM-v1.0-GGUF — специализированная языковая модель для задач кибербезопасности, разработанная компанией IMPERUM B.V. совместно с Alican Kiraz. Модель предназначена для работы внутри собственного периметра и ориентирована на ASOC, DFIR, detection engineering и полный цикл операций SOC. Модель дообучена на базе Qwen/Qwen3.6-35B-A3B — архитектуры Mixture-of-Experts с 35 млрд общих параметров и примерно 3 млрд активных параметров на токен. Распространяется в формате GGUF для llama.cpp, Ollama и LM Studio. Доступны варианты Q4_K_M размером около 20 ГБ и Q8_0 размером около 34 ГБ; для них требуется примерно 22 и 36 ГБ RAM или VRAM соответственно. Указан английский язык. README не сообщает размер контекстного окна модели, но содержит рекомендации по использованию контекста 8192 или 16384 токенов. Модель предназначена для триажа алертов, расследования инцидентов, threat intelligence, сопоставления с MITRE ATT&CK, создания Sigma- и YARA-правил, incident response, анализа вредоносного ПО, cloud-, container- и identity security, secure code review, vulnerability management и GRC. Среди сильных сторон — специализация на практических сценариях SOC, локальный запуск и низкая стоимость инференса благодаря MoE-архитектуре. Ограничения включают склонность при высокой температуре генерировать правдоподобные, но вымышленные CVE и синтаксис правил; результаты требуют проверки специалистом. Модель не предназначена для автономного принятия решений и не заменяет экспертную оценку. Распространяется по лицензии Apache-2.0.

DistilBERT — CVE-LMTune CWE Classifier (Flat) — модель классификации уязвимостей, разработанная в рамках набора CVE-LMTune авторами исследования о многоуровневой классификации уязвимостей. Она дообучена на distilbert/distilbert-base-uncased и принимает текстовое описание уязвимости, например краткое описание CVE, чтобы предсказать один или несколько идентификаторов CWE. Модель использует архитектуру DistilBERT для классификации последовательностей и поддерживает многометочную классификацию по таксономии CWE. Контекст ограничен 512 токенами; карточка указывает английский язык. В опубликованной оценке на отложенной выборке приведены метрики ранжирования и классификации при пороге 0,5. Модель предназначена для автоматизации первичной разметки уязвимостей и помощи в анализе CVE. Её предсказания следует проверять специалисту: качество зависит от полноты описания, а опубликованные результаты относятся к конкретной тестовой выборке и настройке порога. Лицензия — MIT.

M.O.G.-SEC-27B-1M-CTX-NVFP4 — мультимодальная модель Qwentium из линейки Minds of Gods, разработанная Blackfrost Research. Это дообученная версия Blackfrost-AI/M.O.G.-SEC-27B-1M-CTX-BF16 на базе Qwen3.8-27B, ориентированная на операторскую работу в области кибербезопасности: offensive security, defensive security, анализ уязвимостей, разведку, разработку эксплойтов, создание правил обнаружения, охоту за угрозами, планирование эмуляции атак и подготовку технических отчётов. Модель имеет плотную гибридную архитектуру GDN с gated attention и встроенной поддержкой изображений, работает с текстом и визуальными данными и заявлена для английского и многоязычного использования. Она использует квантование NVFP4 по схеме W4A4, FP8 E4M3 для KV-кэша при обслуживании и контекст до 1 000 000 токенов, расширенный с исходных 262 144 токенов с помощью YaRN. Для ускоренного декодирования предусмотрена интеграция с DFlash 2; в README указана лабораторная скорость около 81–89 токенов в секунду с speculative decoding и около 61 токена в секунду без него. Сильные стороны модели — специализация на современных практических задачах кибербезопасности, сочетание атакующих и защитных сценариев, поддержка очень длинного контекста и мультимодальности. README также сообщает о результате 96,3% на HumanEval и показателе 65/70 на валидации MMLU-Pro, однако эти значения зависят от конфигурации запуска. Ограничениями являются высокие требования к инфраструктуре, возможное ухудшение качества на коротком контексте из-за постоянно включённого YaRN и необходимость строгого контроля доступа: модель позиционируется как исследовательская и не предназначена для всех аудиторий. Распространяется по лицензии Apache-2.0.

Paralay 1.1 — Merged — это диалоговая языковая модель Om Choksi для помощи в задачах защитной кибербезопасности. Она создана на основе Qwen/Qwen2.5-1.5B-Instruct: модель дообучена с помощью LoRA, а адаптер объединён с базовой моделью. Архитектура — плотная Qwen2, размер — 1,5 млрд параметров, контекст — до 32 768 токенов. Модель принимает текст и генерирует текст; в карточке указан английский язык. Модель предназначена для объяснения принципов кибербезопасности, помощи при реагировании на инциденты, анализа журналов, моделирования угроз, облачной безопасности, разбора уязвимостей и безопасного программирования. Среди заявленных сценариев — рекомендации по обнаружению вредоносной активности и устранению небезопасных шаблонов кода. По описанию, модель отказывает в запросах на создание фишинга, вредоносных программ, кражу учётных данных и другие вредоносные действия, предлагая защитные альтернативы. Компактный размер может ограничивать точность сложных многоэтапных рассуждений. Знания о новых CVE и актуальной обстановке угроз ограничены датой обучения; ответы следует проверять и не считать заменой профессиональным инструментам или аналитикам. Модель выпущена под лицензией Apache-2.0.

Qwen2.5-3B-CyberSecurity-Instruct — дообученная версия Qwen2.5-3B-Instruct, разработанная Mohamedabul. Модель создана для анализа кибербезопасности и обратного проектирования, включая разбор уязвимостей, CVE и кода эксплойтов на C, Python и Bash. Модель содержит около 3 млрд параметров и использует 4-битное QLoRA-дообучение на базе unsloth/qwen2.5-3b-instruct-unsloth-bnb-4bit. Она предназначена для классификации и триажа уязвимостей, формирования отчетов о серьёзности, векторах атаки и мерах защиты, а также для анализа цепочек атак от первоначального доступа до компрометации системы. В обучении использовались данные NVD/CVE, Exploit-DB и MITRE CWE; заявленный язык модели — английский. В примере инференса используется контекст длиной 1024 токена. К сильным сторонам относятся специализация на кибербезопасности, анализ исходного кода эксплойтов и объединение сведений об уязвимости с практическим кодом атаки. Ограничениями являются относительно небольшой размер модели, англоязычная специализация и необходимость критически проверять результаты при работе с уязвимостями и эксплойтами. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Whitehat-GGUF — мультимодальная модель, разработанная Quadux IT GmbH на основе Qwen/Qwen3.8-27B и дообученная методом LoRA для авторизованной offensive-security и defensive-security работы. Она предназначена для локального и конфиденциального использования при red teaming, самооценке уязвимостей, анализе и разработке эксплойтов и вредоносного ПО, реверс-инжиниринге, исследовании DRM и создании защитных инструментов. Модель не рассчитана на работу с недоверенными конечными пользователями. Модель поддерживает текст и изображения, включая скриншоты, и заявлена для использования на английском, немецком и других языках. Это плотная гибридная модель с 27 млрд параметров и контекстом до 262 144 токенов. Сохраняет MTP-голову для speculative decoding. Доступны варианты GGUF с различными уровнями квантования от Q2 до Q8, включая стандартные K-quants, IQ4_XS, BF16 и Unsloth-Dynamic 3.0 UD-XL; для работы с изображениями требуется mmproj. Основным runtime указан llama.cpp с поддержкой CUDA, Vulkan и CPU. Сильная сторона модели — ориентация на широкий спектр разрешённых задач кибербезопасности при сохранении отказов для запросов о физическом вреде, оружии, наркотиках, химическом и биологическом оружии, насилии и CSAM, в том числе при вводе через изображения и на разных языках. По внутреннему тестированию для сборки UD-Q4_K_XL модель дала 97% содержательных ответов на защитные и авторизованные задачи безопасности, 100% — на offensive-security задачи и 100% отказов на проверочные опасные запросы. Эти результаты относятся к указанной сборке и внутреннему набору тестов, поэтому не гарантируют аналогичное поведение во всех сценариях. Модель распространяется по лицензии Apache-2.0, предоставляется без гарантий и требует соблюдения законодательства и наличия разрешения на тестирование целевых систем.

RavenX-CyberAgent-Qwen3.6-35B-A3B-Opus-4.7-OpenMythos-Pentester-BugHunter-RATH — языковая модель для генерации текста, ориентированная на задачи кибербезопасности: пентестинг, bug bounty, red team и blue team, анализ уязвимостей и генерацию кода. Модель разработана сообществом mlx-community и является MLX-квантизированной версией модели deadbydawn101/RavenX-CyberAgent-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated от huihui-ai. По заявленным тегам она поддерживает сценарии tool calling и MCP, а также может использоваться в качестве автономного агента. Модель относится к архитектуре Mixture of Experts (MoE); в идентификаторе указана конфигурация 35B-A3B, однако подробности о числе активных параметров, контексте, мультимодальности и фактической поддержке vision в README не приведены. Основной язык — английский. Ключевая особенность данной версии — смешанно-точная квантизация MLX со средним размером 4,50 бита на вес, выполненная методом MLX Smart Quantize (MSQ) для Apple Silicon. Метод автоматически назначает разрядность по чувствительности слоёв на основе измерения NMSE; также применено AWQ-масштабирование для 50 групп. Сильными сторонами модели являются специализация на задачах безопасности, поддержка MLX и сниженные требования к памяти по сравнению с полноразмерной версией. Ограничения включают отсутствие в README количественных оценок качества, точных сведений о длине контекста, гарантированной работе инструментов и мультимодальности. Модель распространяется по лицензии Apache-2.0.

Seneca-Cybersecurity-LLM_x_Qwen2.5-7B-CyberSecurity — разговорная языковая модель, дообученная Alican Kiraz на базе Qwen/Qwen2.5-Coder-7B-Instruct. Она предназначена для ответов на вопросы по кибербезопасности и помощи специалистам; в заявленных направлениях — реагирование на инциденты, поиск угроз, анализ кода, разработка эксплойтов, обратная разработка и анализ вредоносного ПО. Автор сообщает о примерно 100 часах дообучения на системах с GPU RTX 4090 и H100 и о мерах противодействия злонамеренному использованию. Модель имеет архитектуру Qwen2, 7,1 млрд параметров и контекст до 32 768 токенов. Метаданные указывают английский язык, генерацию текста и лицензию MIT. Карточка не приводит сведения о данных обучения, оценках качества и подробных ограничениях; ответы по безопасности следует проверять, а заявленную защиту от злоупотреблений не считать гарантией.

Карточка модели 0xSojalSec/Uncensored-Cyber-Ornith-1.5-9B на Hugging Face совпадает с карточкой DuoNeural/Cyber-Ornith-1.5-9B-OBLITERATED, поэтому описание составлено по ней. Cyber-Ornith-1.5-9B-OBLITERATED — языковая модель DuoNeural для задач кибербезопасности, работы в терминале и вызова инструментов. Это дообученная версия OBLITERATUS/Ornith-1.5-9B-OBLITERATED на плотной архитектуре Qwen3.5 с 7,2 млрд параметров; модель доступна в формате safetensors и рассчитана на контекст до 262 144 токенов. В карточке заявлены QLoRA-адаптация, сохранение режима рассуждений и поддержка диалоговой работы с инструментами. Модель предназначена для анализа уязвимостей и угроз, помощи при аудите безопасности, подготовки исправлений, выполнения многошаговых задач в CLI и структурированного вызова функций. Она ориентирована на англоязычные запросы и обучалась в том числе на данных по кибербезопасности, командной строке и использованию инструментов. Разработчик приводит результаты внутренних оценок, но их нельзя считать независимой гарантией качества. Модель обозначена как uncensored; её ответы на запросы безопасности требуют проверки и контроля со стороны пользователя. Лицензия — Apache-2.0.

Это англоязычная модель Sentence Transformer, дообученная участниками проекта UBCO MDS 2025 Capstone Fujitsu на базе BAAI/bge-small-en-v1.5. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 384 для семантического поиска и подбора релевантных документов. Архитектура включает BERT, CLS-пулинг и нормализацию; сходство векторов можно оценивать косинусной мерой. Модель обучена сопоставлять короткие описания уязвимостей с более подробными текстами о них. Это делает её подходящей для поиска и ранжирования записей об уязвимостях по краткому запросу или формулировке. Контекст ограничен 512 токенами. Лицензия в предоставленных данных не указана.

Модель CodeBERT, дообученная Manuel Romero на наборе CodeXGLUE Defect Detection для бинарного обнаружения потенциально небезопасного исходного кода. Она классифицирует фрагменты кода как небезопасные или безопасные; среди примеров проблем в карточке указаны утечки ресурсов, use-after-free и уязвимости типа DoS. В основе — архитектура RoBERTa для классификации последовательностей, около 151,8 млн параметров и контекст до 514 токенов. Модель предназначена для проверки кода и исследовательских сценариев анализа уязвимостей; карточка приводит точность 61,05% для RoBERTa на тестовом наборе, что следует учитывать при использовании результатов.

Cyber-Tiel-Coder-35B-A3B-MLX-oQ4e — квантованная MLX-версия модели CyberTiel, разработанная peculiar-ragdoll на базе Huihui-Ornith-1.5-35B-A3B-abliterated от huihui-ai. Это MoE-модель класса 35B-A3B с 4-битной квантизацией oMLX oQ4e, адаптированная для Apple Silicon и запуска через MLX. В модель также добавлена голова multi-token prediction (MTP) для ускорения генерации, а веса откалиброваны на специализированном корпусе для задач кибербезопасности и программирования. Указаны английский и китайский языки; README также помечает модель как vision и image-text-to-text, однако подробности поддерживаемых визуальных входов и размер контекста не приведены. Модель предназначена прежде всего для агентного программирования, автономного исправления ошибок в крупных кодовых базах, решения задач SWE и offensive security, включая CTF. По заявлению разработчика, она сочетает высокую способность к решению задач со скоростью, подходящей для маломощного оборудования и ограниченной памяти; размер файла составляет примерно 23 ГБ. Модель abliterated и uncensored, поэтому может генерировать контент, от которого другие модели отказываются, включая потенциально опасные инструкции. Это расширяет применимость в легитимных исследованиях безопасности, но повышает риски и требует изолированной среды, мониторинга и ответственного использования. Сборочные тесты и приведённые численные результаты относятся к другой, GGUF-версии, а не непосредственно к этому MLX-файлу, поэтому их нельзя считать точными измерениями данной сборки. Для запуска с MTP рекомендуется использовать oMLX. MTP-сборка некорректно работает в LM Studio и выдаёт бессмысленные многоязычные токены; для LM Studio следует выбрать GGUF-версию или MLX-сборку без MTP. Распространение разрешено по лицензии MIT.

Dolphin3-Cyber-8B-GGUF — специализированная большая языковая модель для задач кибербезопасности, дообученная на базе Dolphin3.0-Llama3.1-8B-abliterated. Модель подготовлена и квантована RavichandranJ; заявленная архитектура основана на Llama 3.1, размер — 8 млрд параметров. Она распространяется в формате GGUF и предназначена для локального запуска через llama.cpp и совместимые приложения. Модель ориентирована на наступательную и защитную безопасность, поиск уязвимостей, пентестинг, разработку эксплойтов, анализ OWASP Top 10, MITRE ATT&CK, CVE и методологий информационной безопасности. Поддерживается текстовое многоходовое общение на английском языке с использованием шаблона чата Dolphin3/Llama 3.1. Доступно 11 вариантов квантования от Q2_K размером около 3,18 ГБ до F16 размером около 16,1 ГБ, что позволяет запускать модель на потребительском оборудовании; для работы требуется примерно от 5,5 до 18,5 ГБ RAM в зависимости от варианта. К сильным сторонам относятся специализация на кибербезопасности, локальная обработка данных без передачи на внешние серверы, поддержка широкого диапазона квантований и отсутствие заявленных отказов от обсуждения наступательных техник. При этом модель имеет ограничения, связанные с компактным размером 8B, квантованием и потенциальной неточностью генерируемых рекомендаций или кода; результаты требуют проверки специалистом и должны использоваться только в законных и санкционированных сценариях. Лицензия указана как Llama 3.1.

Это модель Sentence Transformer, дообученная разработчиками ubco-mds-2025-capstone-fujitsu-1 на базе intfloat/e5-large для поиска по смыслу в текстах о CVE и уязвимостях. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; близость текстов можно оценивать косинусным сходством. Архитектура включает BERT-трансформер, mean pooling и нормализацию; библиотека — Sentence Transformers. Максимальная длина последовательности составляет 512 токенов. Модель подходит для поиска релевантных описаний уязвимостей по запросу и сопоставления семантически близких текстов о CVE. В README приведены результаты оценки поиска на validation-наборе, включая cosine_accuracy@1 0,7087 и @5 0,8555. Данных о лицензии в предоставленной карточке нет. Базовая модель e5-large описана как англоязычная, а сведения о языковом охвате дообученной модели отдельно не приведены.

Foundation-Sec-1.1-8B-Instruct-Q4_K_M-GGUF — это 4-битная квантованная версия Foundation-Sec-1.1-8B-Instruct, разработанная fdtn-ai и сохранённая в формате GGUF для запуска через llama.cpp. В основе лежит 8-миллиардная LLaMA 3.1–based модель, дообученная на кибербезопасностных материалах, включая CVE, отчёты об угрозах, описания эксплойтов и руководства по соответствию требованиям. Указанный язык — английский. Модель предназначена для суммаризации threat intelligence и сведений о CVE, классификации уязвимостей и сопоставления CVE/CWE с MITRE ATT&CK, помощи при первичном анализе инцидентов, извлечения IoC из журналов, генерации сценариев рабочих процессов безопасности и red-team simulation prompts. Она поддерживает инструкционное взаимодействие и расширенное контекстное окно до 64 тысяч токенов. Квантование Q4_K_M уменьшает размер модели примерно с 16 ГБ в BF16 до 4,92 ГБ, а заявленный объём оперативной памяти при загрузке на CPU через llama.cpp составляет около 4,94 ГБ. Это облегчает локальный инференс, однако 4-битное квантование может снижать точность по сравнению с полноразмерной версией. Ограничения и результаты оценки в карточке этой версии не приведены; для них рекомендуется обращаться к оригинальной карточке модели. В README указана лицензия Apache 2.0, хотя в технических метаданных также отмечено значение license: other.

Mythoseek — языково-зрительная модель примерно на 10 млрд параметров, разработанная Merlin Research в рамках программы KAON и дообученная на основе DeepSeek V4 Pro-Qwen3.5 9B Distilled. Она предназначена для исследований уязвимостей, анализа CVE, тестирования на проникновение, OSINT, классификации CWE и подготовки отчётов по безопасности. Обучение включало дистилляцию трасс рассуждений, GRPO с проверяемыми наградами и настройку использования инструментов; заявлена поддержка диалогов, вызова инструментов и изображений. В тесте CyberGym авторы сообщают pass@4 от 12% до 62% в зависимости от уровня предоставленной опоры. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

RavenX-CyberAgent v6.2 Experimental — GGUF — экспериментальная языковая модель для автономной оценки безопасности, разработанная Gabriel Garcia и RavenX LLC. Она предназначена для сценариев пентестинга, анализа кибербезопасности и работы в качестве агентной системы с поддержкой tool-calling. Модель обучена следовать протоколу RATH, включающему анализ поверхности атаки, выявление уязвимостей, оценку воздействия, рекомендации по исправлению, документирование находок и профилактическое усиление защиты. Модель основана на huihui-ai/Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated и использует архитектуру MoE с заявленным размером 35B; поставляется в формате GGUF с квантизацией Q4_K_M, размер файла около 20,2 ГБ. Указана поддержка английского языка, генерации текста, агентных сценариев и структурированных отчётов с CVE и оценками CVSS. Заявлены скорость генерации 88–90 токенов в секунду на Apple M4 Max 128GB и общая оценка 80,9% в бенчмарке с Gemini 2.5 Flash Judge. Сильные стороны модели — специализация на задачах кибербезопасности, генерации кода, рассуждении и формализованных отчётах, а также интеграция с Ollama, llama.cpp и LM Studio. При этом модель имеет экспериментальный статус, а результаты бенчмарков и заявленная эффективность зависят от оборудования, настроек и качества системного промпта. Мультимодальность и размер контекстного окна в README не указаны. Модель распространяется по лицензии Apache-2.0.

Карточка модели brianbellx/CYBER-FROST-3.8-BF16-copy на Hugging Face совпадает с карточкой Blackfrost-AI/CYBER-FROST-3.8-BF16, поэтому описание составлено по ней. CYBER-FROST-3.8-BF16 — дообученная Blackfrost-AI модель для специалистов по информационной безопасности, выполняющих разрешённые исследования, проверки и защитные работы. Она предназначена для диалога и вызова инструментов в рабочих процессах анализа уязвимостей, защиты систем и реагирования на инциденты. Модельный стек построен на архитектуре Qwen4ExpForConditionalGeneration: 48 блоков с чередованием линейного и полного внимания. Выпущен полный BF16-чекпойнт SafeTensors с конфигурацией, токенизатором, шаблоном диалога и комплектом развёртывания; родительский чекпойнт при загрузке не требуется. Модель дообучена на корпусе Blackfrost-AI по кибербезопасности. Карточка охватывает анализ вредоносного кода, проверку уязвимостей, защиту приложений и сетей, обнаружение угроз, реагирование на инциденты и другие направления безопасности. Указанная авторами цель — снизить число необоснованных отказов в профессиональных сценариях; это не гарантирует точность ответов или безопасное поведение. Модель принимает текст и выдаёт текст. Хотя конфигурация включает компонент для зрения, качество работы с изображениями и видео не оценивалось. Ответы, команды, код и рекомендации могут быть ошибочными, неполными или устаревшими. Модель не устанавливает наличие разрешения на проверку и не заменяет контроль доступа, изоляцию, аудит и проверку специалистом. Карточка указывает лицензию «other» и сообщает, что проверка лицензирования смешанного обучающего корпуса продолжается; условия лицензии следует уточнять по материалам репозитория перед использованием.

Cyber-Ornith-1.5-9B-OBLITERATED — языковая модель DuoNeural для задач кибербезопасности, работы в терминале и вызова инструментов. Это дообученная версия OBLITERATUS/Ornith-1.5-9B-OBLITERATED на плотной архитектуре Qwen3.5 с 7,2 млрд параметров; модель доступна в формате safetensors и рассчитана на контекст до 262 144 токенов. В карточке заявлены QLoRA-адаптация, сохранение режима рассуждений и поддержка диалоговой работы с инструментами. Модель предназначена для анализа уязвимостей и угроз, помощи при аудите безопасности, подготовки исправлений, выполнения многошаговых задач в CLI и структурированного вызова функций. Она ориентирована на англоязычные запросы и обучалась в том числе на данных по кибербезопасности, командной строке и использованию инструментов. Разработчик приводит результаты внутренних оценок, но их нельзя считать независимой гарантией качества. Модель обозначена как uncensored; её ответы на запросы безопасности требуют проверки и контроля со стороны пользователя. Лицензия — Apache-2.0.

MiniMax-M3-uncensored — созданная ressl неконтентно-фильтрующая версия MiniMaxAI/MiniMax-M3. Это мультимодальная модель архитектуры MoE на 428 млрд параметров, из которых активно используются 23 млрд; веса представлены в BF16, а базовая модель поддерживает контекст до 1 млн токенов. По заявлению автора, модель изменена методом abliteration: в тесте на 16 вредоносных запросах она не выдала жёстких отказов. Это свойство поведения не является оценкой общей безопасности или качества модели. Модель предназначена для диалогов и генерации текста, в том числе для этичного тестирования безопасности, анализа вредоносного кода и уязвимостей, подготовки правил обнаружения и red teaming. Карточка указывает поддержку Transformers и возможность запуска через vLLM с актуальной поддержкой M3. Полная версия BF16 занимает около 796 ГБ и требует нескольких GPU для запуска; режим рассуждений включён по умолчанию. Карточка описывает английский язык. Лицензия указана как other, конкретные условия использования в предоставленных данных не приведены.

AetherPrior/Qwen3-8B-Implementation-level PRM — модель оценки предпочтений для рекомендаций по безопасной реализации кода, созданная на базе Qwen3-8B и дообученная как модель классификации последовательностей с одним скалярным выходом. Она сравнивает рекомендации по реализации: при обучении использовались предпочтения между улучшенными, исходными и ухудшенными рекомендациями, отфильтрованные по функциональной корректности и безопасности. Модель предназначена для ранжирования трасс рекомендаций для задачи программирования и оценки того, какая из них лучше соответствует требованиям безопасности реализации. В README указаны 6 933 парных примера и точность 0,968 на 741 паре валидации. Контекст составляет 40 960 токенов; веса доступны в формате safetensors, лицензия Apache-2.0. Для подачи запросов README предлагает использовать vLLM в режиме pooling/classify через POST /classify.

RavenX-CyberAgent v6.2 Experimental — MLX — разговорная модель-агент для автоматизированной оценки безопасности, созданная Габриэлем Гарсией и RavenX LLC. По карточке, модель обучена поддерживать идентичность агента кибербезопасности и формировать структурированные результаты проверки, включая выводы с CVE. Для активации такого поведения автор рекомендует специальный системный промпт. Модель основана на huihui-ai/Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated и создана слиянием LoRA-адаптера с базовыми весами. В репозитории указаны архитектура семейства Qwen MoE, формат safetensors и размер 69,3 ГБ для полной точности MLX. Модель предназначена для генерации текста и диалогового взаимодействия; в карточке заявлены сценарии анализа безопасности, работы с кодом и рассуждений. Лицензия — Apache-2.0. Версия обозначена как экспериментальная; приведённые в карточке результаты производительности и оценка бенчмарка получены автором и не гарантируют качество на других задачах и конфигурациях.