II.5Безопасность программного кода и цепочки поставок

Tini-Cybersec-8B-A1B — дообученная модель разработчика iselabvn на базе LiquidAI/LFM2.5-8B-A1B для задач кибербезопасности. Это диалоговая языковая модель с архитектурой MoE; в репозитории опубликованы веса Safetensors. Модель настроена на анализ безопасности, моделирование угроз и оценку уязвимостей, а также на пошаговые ответы и рассуждения. В обучающую выборку, согласно карточке, вошли 185 002 записи, преимущественно по кибербезопасности, с дополнительными примерами рассуждений. Модель принимает текстовые запросы и генерирует текстовые ответы; метаданные указывают поддержку английского языка, интерфейс чата и вызова инструментов. Контекст — до 128 000 токенов. Карточка приводит пример использования для объяснения SQL-инъекций и способов защиты. Модель может быть полезна специалистам и обучающимся при разборе защитных сценариев и уязвимостей, но точность и безопасность ответов требуют проверки, особенно перед применением рекомендаций в рабочих системах. Лицензия — Apache-2.0.

CYBER-FROST-3.8-BF16 — модель Blackfrost-AI, дообученная на базе Qwen/Qwen3.8-Flash-Next для работы специалистов по информационной безопасности. Это диалоговая модель с архитектурой Qwen4ExpForConditionalGeneration; выпущена в формате BF16 SafeTensors и работает через Transformers. Для загрузки не требуется отдельный родительский чекпойнт. В карточке также указаны интерфейс вызова инструментов и назначение для агентных сценариев. Модель предназначена для авторизованных задач: анализа уязвимостей, проверки защищённости приложений и API, анализа вредоносного ПО, реагирования на инциденты, ревью кода, разработки средств обнаружения и контролируемых red-team и purple-team упражнений. Разработчик сообщает о дообучении на специализированном корпусе безопасности, но не публикует его объём и подробный состав. Хотя конфигурация включает компонент обработки изображений, мультимодальное качество не оценивалось; основной подтверждённый сценарий — текстовая генерация. Лицензия обозначена как other; README указывает, что в релиз включена лицензия базовой модели, но её условия здесь не раскрыты. Ответы модели могут быть ошибочными, неполными или устаревшими, а снижение избыточных отказов повышает риск выдачи опасных рекомендаций. Модель не проверяет наличие разрешения на тестирование и не заменяет изоляцию, контроль доступа и проверку специалистом; карточка не подтверждает производственную готовность или всестороннюю компетентность в кибербезопасности.

sainikhiljuluri/foundation-sec-8b-cve-cybersecurity — дообученная модель на базе Foundation-Sec-8B для анализа уязвимостей CVE и подготовки рекомендаций по безопасности. Это плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров, работающая через библиотеку Transformers. Для обучения применялся QLoRA; в репозитории указаны веса Safetensors, а README описывает итоговую точность FP16. Метаданные указывают контекст до 131 072 токенов. Модель предназначена для анализа сведений об уязвимостях, оценки рисков и выдачи структурированных мер по устранению проблем с обоснованием и техническими деталями. В карточке заявлены примеры уязвимостей, включая SQL-инъекции, XSS, обход аутентификации, DoS, переполнение буфера и удалённое выполнение кода. Модель рассчитана на английский язык и сценарии кибербезопасности. Карточка сообщает об обучении на более чем 5 000 примерах рекомендаций и приводит метрики perplexity, BLEU-4 и ROUGE-L, однако не даёт достаточных данных для независимой оценки качества. Ограничения включают узкую специализацию, ограниченное покрытие обучающими данными, отсутствие актуальных сведений в реальном времени, склонность к многословным ответам и необходимость проверять рекомендации специалистами. Лицензия — Apache-2.0.

M.O.G.-SEC-27B-1M-CTX-BF16 — модель Qwentium из линейки Minds of Gods, разработанная Blackfrost. Это плотная мультимодальная модель на архитектуре Qwen3.5 с 27 млрд параметров, дообученная на материалах по наступательной и защитной кибербезопасности. Она предназначена для диалога и анализа технических материалов, включая задачи красной и синей команд, а также для анализа изображений; поддерживает интерфейс вызова инструментов. Контекст расширен до 1 млн токенов с помощью YaRN на основе исходного окна Qwen3.8-27B в 262 144 токена. README приводит результаты отдельных проверок, выполненных на квантизированной дочерней версии NVFP4, поэтому их нельзя напрямую считать оценкой BF16-чекпойнта. В README также отмечено, что постоянно включённый YaRN может ухудшать качество на коротком контексте. Модель рассчитана на специализированные сценарии кибербезопасности, включая анализ уязвимостей, подготовку обнаружений и планов эмуляции противника. README предупреждает, что модель не ориентирована на обычный потребительский чат-бот и может выдавать потенциально опасные технические инструкции. Лицензия — Apache-2.0.

Mythos Qwen 1.5B Final Heretic — англоязычная специализированная версия Qwen2.5-Coder-1.5B-Instruct от автора richardyoung. Это плотная авторегрессионная модель класса Qwen2 с 1,5 млрд параметров, рассчитанная на генерацию кода и диалоговое взаимодействие; заявленная длина контекста — 32 768 токенов. По карточке, модель получена с помощью Heretic v1.4.0: она снижает частоту отказов отвечать по сравнению с исходной Mythos, сохраняя близость распределения выходов по указанной метрике KL divergence. Модель предназначена для анализа уязвимостей и CVE, изучения механизмов эксплойтов, задач CTF и обучения кибербезопасности, а также для поддержки защитных сценариев — например, анализа журналов и подготовки правил обнаружения. В карточке заявлены примеры по PHP, MyBB и Python, включая десериализацию, SQL-инъекции, XSS и криптографические атаки. Это заявления автора, а датасет и независимая оценка качества описаны ограниченно. Модель ориентирована на авторизованные исследования и обучение; её сниженные отказы требуют осторожного применения. Лицензия — Apache-2.0.

mulliken разработал англоязычный классификатор уязвимостей на базе DistilBERT, дообученного для отнесения текстовых описаний CVE к 232 категориям Common Weakness Enumeration (CWE). Модель принимает текст и выдаёт категорию CWE; её можно применять для сортировки и первичной обработки отчётов об уязвимостях, анализа CVE и интеграции в процессы управления уязвимостями и DevSecOps. Модель обучена на датасете CVE и CWE Mapping Dataset: в README указаны 111 640 обучающих и 12 405 проверочных примеров. Контекст ограничен 512 токенами; более длинные описания обрезаются. Для проверочной выборки указаны точность 72,72% и macro F1 0,251, что отражает неодинаковое качество по редким и частым категориям. Модель распространяется по лицензии Apache 2.0.

MK4-Ginko v1 — модель для анализа безопасности кода, разработанная MK4-Research. Она предназначена для определения того, действительно ли защитные проверки предотвращают уязвимость, особенно когда guard находится далеко от опасной операции или проверяет не то значение. Основной сценарий использования — анализ отдельных функций и небольших фрагментов кода при code review и поиске уязвимостей. Модель не предназначена для анализа всего кодового проекта: при подаче целого файла она сообщает только об одной проблеме и имеет ограничение покрытия, обусловленное обучением. Модель основана на Qwen3.8-27B и представляет собой эту базовую модель с объединённым LoRA-адаптером в 4-битном формате MLX; отдельный адаптер при инференсе не требуется. Она работает с текстом и кодом, а в README отдельно отмечена специализация на cybersecurity и security code review. Для обучения использовано 367 трасс рассуждений, примерно 44% которых относятся к корректно защищённому коду, выглядящему опасным. На пяти специально подобранных примерах Ginko правильно классифицировала 4 из 5 случаев против 1 из 5 у исходной модели, однако авторы подчёркивают, что такой набор слишком мал для оценки общей точности. Средняя длина ответа также ниже, чем у базовой модели. Сильная сторона модели — снижение числа ложных срабатываний на коде с реальными защитными механизмами: проверками путей, loopback-ограничениями, pinned TLS и безопасными сравнениями. Ограничения — узкая специализация, способность выдавать только одну найденную проблему и отсутствие данных о размере контекстного окна, поддерживаемых языках программирования и общей точности на широких тестах. Модель распространяется по лицензии Apache-2.0.

RavenX-CyberAgent — это специализированная языковая модель для задач кибербезопасности, пентестинга, bug bounty и red team-анализа. Модель разработана DeadByDawn101 и RavenX LLC на базе huihui-ai/Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated. Она предназначена для работы в качестве автономного или встраиваемого security-агента и поддерживает интеграцию с различными агентскими фреймворками и инструментами, включая tool calling и MCP. Модель использует архитектуру MoE с 35 млрд параметров, из которых около 3 млрд активируются на каждом токене. Доступна в формате GGUF, включая рекомендуемую квантизацию Q4_K_M размером 20,7 ГБ, а также вариант F16 размером 67,8 ГБ. Заявлены поддержка контекста до 262K токенов, тестирование на 32K, работа с английским языком и совместимость с Ollama, LM Studio, llama.cpp и vLLM. В материалах проекта также указана MLX-версия той же модели для Apple Silicon. Основные сценарии применения включают анализ поверхности атаки, построение kill chain, оценку рисков с использованием CVSS, идентификацию CWE, сопоставление с MITRE ATT&CK, подготовку рекомендаций по устранению уязвимостей и составление отчётов. Сильными сторонами заявлены высокая скорость локального вывода для модели такого размера, ориентация на практические security-задачи и специализированный протокол RATH из шести этапов. Ограничения включают зависимость качества от системного промпта и конфигурации агентской оболочки, а также значительные требования к памяти: для Q4_K_M заявлено около 24 ГБ пиковой памяти. Модель распространяется по лицензии Apache-2.0.

Dolphin3-Cyber-8B-GGUF — специализированная языковая модель для задач кибербезопасности, разработанная RavichandranJ на основе Dolphin3.0-Llama3.1-8B-abliterated от huihui-ai. Модель дообучена на собственном наборе данных по кибербезопасности и предназначена для анализа безопасности, пентестинга, исследования уязвимостей, разработки эксплойтов, offensive и defensive security, а также сценариев CTF и bug bounty. Модель основана на архитектуре Llama 3.1, содержит 8 млрд параметров и распространяется в формате GGUF, совместимом с llama.cpp и экосистемой локального запуска. Доступны варианты квантования от Q2_K размером около 3,18 ГБ до F16 размером около 16,1 ГБ; заявленная потребность в памяти составляет примерно от 5,5 до 18,5 ГБ в зависимости от варианта. Модель ориентирована на текстовую генерацию, поддерживает диалоговый формат Dolphin3 и английский язык. Данные о размере контекста в предоставленном README отсутствуют. К сильным сторонам относятся специализация на кибербезопасности, локальная работа без передачи данных во внешние сервисы, несколько вариантов квантования и возможность запуска на потребительском оборудовании. Abliterated-вариант не имеет заявленных отказов по темам безопасности и может генерировать материалы по наступательной безопасности, включая код эксплойтов, что одновременно создаёт риски злоупотребления и требует применения только в законных и авторизованных сценариях. README не приводит независимых бенчмарков и подробной оценки качества. Лицензия указана как Llama 3.1.

Карточка модели SpaceGamer72/MiniMax-M3-uncensored на Hugging Face совпадает с карточкой ressl/MiniMax-M3-uncensored, поэтому описание составлено по ней. 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.

Dolphin3-Cyber-8B-GGUF — языковая модель для задач кибербезопасности, разработанная на базе Dolphin3.0-Llama3.1-8B-abliterated и опубликованная ScottzillaSystems; квантованные версии подготовлены RavichandranJ. Модель дообучена на специализированных данных по информационной безопасности и ориентирована на offensive и defensive security, поиск уязвимостей, разработку эксплойтов, пентестинг, red teaming, blue teaming, CTF и bug bounty. Модель содержит 8 млрд параметров, использует архитектуру Llama 3.1 и распространяется в формате GGUF для локального запуска через llama.cpp и совместимые инструменты. Указан английский язык; поддерживается диалоговый режим с шаблоном Dolphin3 и Llama 3.1. Доступны варианты квантования от Q2_K размером около 3,18 ГБ до F16 размером около 16,1 ГБ, что позволяет запускать её на потребительском оборудовании, включая конфигурации примерно от 4 ГБ видеопамяти. Размер контекста в предоставленном фрагменте README не указан. Сильные стороны модели — специализация на кибербезопасности, локальная обработка данных без обязательного обращения к облачным API и широкий выбор квантований. При этом заявленная abliterated- и uncensored-настройка означает отсутствие стандартных ограничений на обсуждение потенциально опасных техник, поэтому результаты требуют проверки специалистом и безопасного, законного применения. README также не приводит независимых результатов бенчмарков в представленном фрагменте. Лицензия указана как Llama 3.1.

Llama-Primus-Merged — языковая модель Trend Micro для задач кибербезопасности. Она построена на архитектуре Llama и содержит 7,5 млрд параметров; по карточке модели, её предварительно обучали на большом корпусе по кибербезопасности, дообучали на инструкциях и объединили с Llama-3.1-8B-Instruct. Модель принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена. Модель предназначена для ответов на вопросы по кибербезопасности, анализа киберугроз и помощи в типовых задачах специалистов по информационной безопасности. В тестах из карточки она улучшила агрегированные результаты на кибербезопасностных бенчмарках относительно Llama-3.1-8B-Instruct, сохранив сопоставимые результаты в общем чате и вызове функций. Карточка также показывает уязвимость к отдельным jailbreak- и injection-тестам, а на некоторых многоязычных и длинноконтекстных оценках результаты немного ниже базовой модели. Лицензия — MIT.

Карточка модели ArkhAngelLifeJiggy/RavenX-CyberAgent-Qwen3.6-35B-A3B-Opus-4.7-OpenMythos-Pentester-BugHunter-RATH-mlx на Hugging Face совпадает с карточкой deadbydawn101/RavenX-CyberAgent-Qwen3.6-35B-A3B-Opus-4.7-OpenMythos-Pentester-BugHunter-RATH-mlx, поэтому описание составлено по ней. RavenX-CyberAgent — модель генерации текста и диалоговый агент для задач кибербезопасности, разработанный DeadByDawn101 и RavenX LLC. Она предназначена для оценки безопасности, тестирования на проникновение, поиска уязвимостей в рамках bug bounty, генерации кода и подготовки отчётов. В карточке описан протокол RATH из шести шагов, связывающий выводы с CVSS, CWE, MITRE ATT&CK и требованиями соответствия. Модель также рассчитана на работу с инструментами и локальный запуск через MLX на Apple Silicon. Архитектура — MoE семейства Qwen3.5, около 34,66 млрд параметров всего и около 3 млрд активных на токен; указано 256 экспертов, из которых активны 8. Модель дообучена на основе huihui-ai/Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated, а репозиторий содержит веса safetensors. В метаданных указан английский язык. Лицензия — Apache-2.0. Карточка заявляет широкий охват сценариев кибербезопасности и обучение на более чем 745 тысячах примеров, но не приводит независимых оценок качества. Результаты тестирования на проникновение и рекомендации по устранению уязвимостей требуют проверки специалистом и выполнения только в разрешённой среде.

RavenX-CyberAgent — модель генерации текста и диалоговый агент для задач кибербезопасности, разработанный DeadByDawn101 и RavenX LLC. Она предназначена для оценки безопасности, тестирования на проникновение, поиска уязвимостей в рамках bug bounty, генерации кода и подготовки отчётов. В карточке описан протокол RATH из шести шагов, связывающий выводы с CVSS, CWE, MITRE ATT&CK и требованиями соответствия. Модель также рассчитана на работу с инструментами и локальный запуск через MLX на Apple Silicon. Архитектура — MoE семейства Qwen3.5, около 34,66 млрд параметров всего и около 3 млрд активных на токен; указано 256 экспертов, из которых активны 8. Модель дообучена на основе huihui-ai/Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated, а репозиторий содержит веса safetensors. В метаданных указан английский язык. Лицензия — Apache-2.0. Карточка заявляет широкий охват сценариев кибербезопасности и обучение на более чем 745 тысячах примеров, но не приводит независимых оценок качества. Результаты тестирования на проникновение и рекомендации по устранению уязвимостей требуют проверки специалистом и выполнения только в разрешённой среде.

AbijithwearsHUGGIES подготовил дообученную модель CodeBERT для классификации фрагментов кода Solidity по четырём типам уязвимостей смарт-контрактов: Reentrancy, Integer Overflow, Timestamp Dependency и Dangerous Delegatecall. Модель основана на microsoft/codebert-base, использует архитектуру RoBERTa с классификационной головой и содержит 151,8 млн параметров. Максимальная длина входа — 514 токенов; веса доступны в форматах Safetensors и ONNX. Модель предназначена для отнесения уязвимого контракта к одному из четырёх классов, например при исследовании Solidity-кода. Она всегда выбирает класс и не умеет сообщать, что уязвимостей нет. Обучение проводилось на 387 размеченных контрактах; автор приводит результаты на небольшой тестовой выборке и отмечает нестабильность классификации Integer Overflow. Лицензия — MIT.

Карточка модели Ishowbackup/LING-3.0-FLASH-ABLITERATED на Hugging Face совпадает с карточкой Blackfrost-AI/LING-3.0-FLASH-ABLITERATED, поэтому описание составлено по ней. LING-3.0-FLASH-ABLITERATED — версия модели Ling-3.0-flash, выпущенная Blackfrost AI. Это гибридная языковая MoE-модель с архитектурой BailingMoeV3ForCausalLM, механизмами hybrid attention (multi-head latent и gated-linear) и 3,5 млрд параметров. Она принимает текст и генерирует текст; заявленный контекст — 262 144 токена. В карточке указаны английский и китайский языки. Модель предназначена для диалогов и технических задач в контролируемых сценариях исследований безопасности, включая анализ вредоносных программ, поиск уязвимостей и red-team-тестирование. Поведение отказов намеренно изменено вмешательством в веса, чтобы модель чаще отвечала на запросы двойного назначения. Дообучение SFT, DPO или RLHF не проводилось. Оценка поведения и возможностей ещё не завершена, поэтому заявленные свойства не подтверждены результатами тестирования. Модель распространяется по MIT-лицензии базовой Ling-3.0-flash, однако доступ к репозиторию платный, а README запрещает перераспространение весов за пределами выданного разрешения. Карточка рекомендует развёртывать модель только в контролируемой среде с разграничением доступа, журналированием и проверкой результатов.

RavenX-Sec Qwen3-8B v4.0 — модель RavenX LLC, созданная DeadByDawn101 на основе Qwen3-8B-heretic и дообученная для задач кибербезопасности. Она предназначена для диалоговой генерации текста по полному циклу работы с уязвимостями: их выявлению, оценке риска, анализу угроз, исправлению, проверке, документированию и профилактике. Модель обучена на 610 220 примерах из 21 набора данных; заявлены протокол RATH из шести этапов, поддержка CVSS, CWE, OWASP Top 10 и MITRE ATT&CK, а также интерфейс вызова инструментов. Архитектура — плотная Qwen3ForCausalLM с 7,6 млрд параметров. Репозиторий содержит веса MLX Safetensors в 4-битном формате для Apple Silicon; метаданные указывают нативный контекст 40 960 токенов, тогда как в README заявлены 128K с YaRN rope scaling. Основной язык карточки — английский. Модель распространяется по лицензии Apache-2.0. Качество и безопасность её рекомендаций по кибербезопасности в предоставленных материалах независимо не подтверждены.

Dolphin3-Cyber-8B-GGUF — специализированная языковая модель для кибербезопасности, созданная на базе Dolphin3.0-Llama3.1-8B-abliterated и опубликованная в формате GGUF. Модель была дообучена на пользовательском наборе данных по кибербезопасности; квантование выполнено RavichandranJ. Архитектура основана на Llama 3.1, размер — 8 млрд параметров, заявленный язык — английский, тип задач — генерация текста. Модель предназначена для локального запуска через llama.cpp и совместимые инструменты. Основные сценарии применения включают анализ и исследование уязвимостей, offensive и defensive security, пентестинг, разработку эксплойтов, CTF, bug bounty, работу с OWASP Top 10, MITRE ATT&CK и CVE, а также консультации в формате диалога. К сильным сторонам относятся специализация на кибербезопасности, работа полностью локально, отсутствие необходимости передавать данные в облачные сервисы, доступность 11 вариантов квантования и сравнительно невысокие требования к оборудованию: размер файлов варьируется от 3,18 ГБ для Q2_K до 16,1 ГБ для F16. Модель позиционируется как uncensored и abliterated, поэтому может генерировать материалы по наступательной безопасности, включая код эксплойтов, однако README не содержит независимых результатов тестирования и подробных сведений о контекстном окне. Распространение указано по лицензии Llama 3.1; использование наступательных возможностей должно ограничиваться авторизованными и законными задачами.

Foundation-Sec-Cybersecurity-8B-Merged — специализированная языковая модель для кибербезопасности, созданная дообучением fdtn-ai/Foundation-Sec-8B и слиянием LoRA-весов с базовой моделью. Это плотная авторегрессионная архитектура Llama с 7,5 млрд параметров; модель работает через Transformers и поддерживает контекст до 131 072 токенов. Модель обучена примерно на 50 тысячах пар инструкций и ответов по кибербезопасности. Она предназначена для анализа угроз и оповещений, разбора инцидентов и вредоносного ПО, оценки уязвимостей, сопоставления с MITRE ATT&CK, анализа фишинга и SQL-инъекций, а также ответов на вопросы о CVE и практиках защиты. Основной язык карточки — английский. Модель принимает текст и генерирует текстовые ответы в диалоговом формате. Это специализированный помощник для анализа, а не замена проверке специалистом; README не сообщает результаты оценок качества или ограничения применения. Лицензия — Apache-2.0.

Llama-Primus-Nemotron-70B-Instruct — англоязычная инструкция-ориентированная модель Trend Micro из семейства Primus, созданная для задач кибербезопасности. Это плотная causal language model на архитектуре Llama с 69,5 млрд параметров и контекстом до 131 072 токенов; она принимает текст и генерирует текст, поддерживает диалоговый формат и интерфейс вызова инструментов. В метаданных указана поддержка английского и японского языков. Модель продолжает обучение Llama-Primus-Nemotron-70B-Base: после предобучения на крупных корпусах по кибербезопасности её дообучили на инструкциях и объединили с исходной Nemotron. Разработчик сообщает об улучшении совокупных результатов на публичных бенчмарках кибербезопасности при сохранении сопоставимого качества общего следования инструкциям. Модель подходит для анализа киберугроз, вопросов по уязвимостям и классификациям CVE/CWE, а также для диалоговых помощников по безопасности. Лицензия — MIT. Результаты бенчмарков не гарантируют точность в реальных инцидентах. В README приведены повышенные показатели на некоторых тестах jailbreak и prompt injection для сравниваемой модели Primus-Labor-70B; это требует осторожности при использовании в сценариях, где важны отказ от вредоносных запросов и устойчивость к инъекциям.

LLM4Decompile-33B — языковая модель для преобразования инструкций x86 в ассемблере в исходный код на C. Модель разработана авторами проекта LLM4Decompile и дообучена на DeepSeek-Coder на 4 млрд токенов пар «ассемблер — C», полученных компиляцией кода из AnghaBench. В метаданных указаны архитектура Llama, 33,1 млрд параметров и контекст длиной 16 384 токена. Модель предназначена для декомпиляции бинарного кода: на вход подаются инструкции ассемблера, на выходе генерируется код C. В README приведены оценки повторной компилируемости и повторного выполнения для разных уровней оптимизации; качество может зависеть от оптимизаций исходной компиляции и от того, насколько результат сохраняет исходное поведение. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

PWNISMS-Threat-Model-Structured — дообученная на LoRA модель на основе Qwen/Qwen2.5-1.5B-Instruct, разработанная для создания структурированных моделей угроз по описанию системы. Она генерирует JSON по схеме PWNISMS, охватывающей семь областей: продукт, рабочая нагрузка, сеть, управление идентификацией и доступом, секреты, мониторинг и цепочка поставок; также может добавлять метки STRIDE и конкретные меры защиты. Модель имеет плотную архитектуру Qwen2, 1,5 млрд параметров и контекст до 32 768 токенов. Выпущены веса в формате safetensors и варианты GGUF F16 и Q4_K_M; лицензия — Apache-2.0. Модель предназначена для архитекторов приложений и специалистов по безопасности, которым нужно подготовить черновик модели угроз по описанию системы. В небольшом внутреннем тесте README 16 из 20 ответов разбирались как JSON, а 12 из 20 проходили полную проверку схемы; длинные сценарии могут требовать большого лимита на генерацию. Результаты следует проверять по JSON Schema или Pydantic и перед применением в обеспечении безопасности, аудите или комплаенсе передавать на экспертную проверку.

Qwen3.8-27B-Whitehat — мультимодальная модель на 27 млрд параметров, созданная Quadux IT GmbH на основе Qwen/Qwen3.8-27B. Это плотная архитектура семейства Qwen3.5 с поддержкой текста и изображений; опубликованные веса BF16 в формате safetensors предназначены для запуска через Transformers или vLLM и служат эталонной версией для квантованных вариантов. В README для запуска указан контекст до 32 768 токенов. Модель дообучена методом LoRA для авторизованной red-team работы и самооценки уязвимостей. Она рассчитана на анализ скриншотов, разработку и анализ вредоносных программ, реверс-инжиниринг, исследование лицензирования и DRM, а также другие наступательные и защитные задачи компьютерной и сетевой безопасности. Заявлена поддержка диалогов и визуального ввода; в карточке указаны английский и немецкий, а README описывает многоязычное поведение, включая русский. По заявлению разработчика, дообучение меняет поведение, сохраняя общие способности базовой модели, и снимает отказы для задач кибербезопасности, но модель отказывает в запросах о физическом вреде и материалах сексуального насилия над детьми. Разработчик предупреждает, что защита при анализе изображений может обходиться и не должна быть единственным механизмом безопасности; модель не предназначена для открытого доступа недоверенных пользователей. Лицензия — Apache-2.0; применение ограничено авторизованной и законной работой по безопасности.

SecureBERT 2.0 Cross-Encoder — англоязычная модель Cisco AI для оценки сходства и релевантности пары текстов в задачах кибербезопасности. Она дообучена на базе cisco-ai/SecureBERT2.0-base, использует архитектуру ModernBERT и библиотеку Sentence Transformers; размер составляет 149 млн параметров. Модель принимает два текста и возвращает оценку сходства, которую можно использовать для ранжирования кандидатов, семантического поиска и сопоставления киберугроз с описаниями, отчётами и рекомендациями. Модель предназначена для поиска и повторного ранжирования текстов и кода по кибербезопасности, оценки соответствия вопроса и ответа, а также корреляции отчётов и журналов. README указывает максимальную длину последовательности 1024 токена, тогда как метаданные каталога сообщают нативный контекст 8192 токена; эти значения относятся к разным источникам и могут отражать разные ограничения. Для чуждых кибербезопасности тем, неанглийского или смешанного текста качество может снижаться; модель не предназначена для генерации ответов или открытых рассуждений. Лицензия — Apache-2.0.

SecureBERT — CVE-LMTune CAPEC Classifier (Flat) — англоязычная модель для многометочной классификации описаний уязвимостей по таксономии CAPEC. Она принимает описание в стиле CVE и предсказывает один или несколько идентификаторов шаблонов атак CAPEC. Модель разработана в рамках набора CVE-LMTune и основана на SecureBERT, RoBERTa-модели, адаптированной к текстам по кибербезопасности. Модель использует архитектуру RoBERTa с классификационной головой RobertaForSequenceClassification, содержит около 151,8 млн параметров и поддерживает контекст до 514 токенов. В README приведены результаты оценки на отложенной выборке; качество зависит от порога классификации и состава данных, а для редких меток показатели могут быть ниже агрегированных. Лицензия — MIT.

BSCA BGE-Micro-v2 Gold v3 Multidomain — компактная BERT-модель Labradorlabs для получения эмбеддингов псевдокода C после снятия символов и исходного кода. Она дообучена на базе TaylorAI/bge-micro-v2 контрастивным методом для поиска соответствий между декомпилированным псевдокодом и исходными функциями в задачах анализа бинарных файлов. Модель содержит 18,8 млн параметров; README указывает размер эмбеддинга 384 и максимум 384 токена, а метаданные — контекст 512 токенов. Для получения векторов применяются mean pooling с маской внимания и L2-нормализация. Модель предназначена для поиска исходного кода по псевдокоду в ограниченной области поставки Gold: ELF/Linux и PE x86_64 Windows-GNU, для представлений direct-TU. На замороженном тесте указаны R@1 0,3294, R@10 0,6488 и MRR 0,4431. Используйте одну и ту же ревизию модели для запросов и индексируемых векторов. В README отмечено, что модель ещё не прошла внешний слепой SCA-гейт. Лицензия — MIT.

Foundation-Sec-8B-Reasoning-Q4_K_M-GGUF — 4-битная квантованная версия Foundation-Sec-8B-Reasoning, разработанная fdtn-ai. Модель основана на LLaMA 3.1 и содержит около 8 млрд параметров. Исходная модель была дообучена на специализированных материалах по кибербезопасности, включая CVE, отчёты об угрозах, описания эксплойтов и руководства по соответствию требованиям. Указан английский язык и поддержка генерации текста. Модель предназначена для ускорения работы SOC, автоматизации триажа инцидентов, суммирования материалов, подготовки заметок и сбора свидетельств, а также для проактивной защиты: симуляции атак, приоритизации уязвимостей, сопоставления TTP и моделирования поведения атакующих. Дополнительные сценарии включают помощь инженерам по безопасности, проверку конфигураций, анализ доказательств соответствия требованиям и повышение общего уровня защищённости. Ключевая особенность этой версии — формат GGUF и квантование Q4_K_M до 4 бит с использованием llama.cpp. Размер файла составляет около 4,92 ГБ, а заявленный объём оперативной памяти при загрузке на CPU — около 4,94 ГБ, что существенно снижает требования по сравнению с примерно 16 ГБ для варианта BF16. Модель совместима с llama.cpp и обёрткой llama_cpp. Ограничения, результаты оценки, точное окно контекста и подробности архитектуры в README не приведены; для них требуется исходная карточка модели. В README заявлена лицензия Apache 2.0, однако в метаданных также указано значение other, поэтому условия лицензирования следует дополнительно проверить.

LING-3.0-FLASH-ABLITERATED — версия модели Ling-3.0-flash, выпущенная Blackfrost AI. Это гибридная языковая MoE-модель с архитектурой BailingMoeV3ForCausalLM, механизмами hybrid attention (multi-head latent и gated-linear) и 3,5 млрд параметров. Она принимает текст и генерирует текст; заявленный контекст — 262 144 токена. В карточке указаны английский и китайский языки. Модель предназначена для диалогов и технических задач в контролируемых сценариях исследований безопасности, включая анализ вредоносных программ, поиск уязвимостей и red-team-тестирование. Поведение отказов намеренно изменено вмешательством в веса, чтобы модель чаще отвечала на запросы двойного назначения. Дообучение SFT, DPO или RLHF не проводилось. Оценка поведения и возможностей ещё не завершена, поэтому заявленные свойства не подтверждены результатами тестирования. Модель распространяется по MIT-лицензии базовой Ling-3.0-flash, однако доступ к репозиторию платный, а README запрещает перераспространение весов за пределами выданного разрешения. Карточка рекомендует развёртывать модель только в контролируемой среде с разграничением доступа, журналированием и проверкой результатов.

r1r21nb/qwen2.5-3b-instruct.Q4_K_M.gguf — компактная специализированная языковая модель для исследований в области кибербезопасности. Она основана на Qwen2.5-3B-Instruct и дообучена с использованием Unsloth, SFTTrainer, LoRA и набора данных по security research. Модель предназначена для авторизованного пентестинга, CTF, обучения, red team-упражнений, анализа вредоносного ПО и reverse engineering. Модель имеет transformer-архитектуру и около 3 млрд параметров. Она работает с текстом, ориентирована на английский язык и поддерживает контекст до 32 768 токенов; рекомендуемый в примере контекст составляет 4096 токенов. GGUF-файл использует квантизацию Q4_K_M и занимает около 2 ГБ, благодаря чему модель подходит для запуска через llama.cpp, llama-cpp-python, Ollama, LM Studio, Jan и GPT4All, в том числе на системах с ограниченными ресурсами. Сильные стороны модели — компактность, высокая скорость и специализация на задачах веб-, мобильной и сетевой безопасности, exploit development, CTF, автоматизации security tooling и анализе техник атак. Ограничения включают небольшой размер по сравнению с крупными универсальными моделями, ориентацию преимущественно на английский язык и возможные потери качества из-за квантизации. Модель позиционируется для использования только в законных и разрешённых сценариях. Лицензия — MIT.

Sentient Simulations AI Python Decompiler — дообученная модель семейства Llama, созданная Sentient Simulations на основе deepseek-ai/deepseek-coder-6.7b-base. Она предназначена для восстановления исходного кода Python по байткоду Python 3.7: принимает текстовое представление байткода и генерирует текст программы. Модель содержит 6,6 млрд параметров, имеет контекст до 16 384 токенов и опубликована в формате Safetensors; в README также упомянута версия GGUF. Модель подходит для декомпиляции отдельных файлов и наборов файлов .pyc. README сообщает о хороших результатах на файлах, помещающихся в контекст, однако качество зависит от размера и сложности входа. Файлы длиннее 15 тысяч токенов пропускаются в описанном сценарии, а входы длиннее 10 тысяч токенов могут обрезаться. Веса распространяются по лицензии other; конкретные условия лицензии следует уточнить на странице модели.