II.5Безопасность программного кода и цепочки поставок

Labradorlabs의 bsca-bge-micro-v2-contrastive-v14-fresh-clean-v3-eb256-t005-e1-384는 바이너리와 소스 코드 함수의 정렬을 위한 대조 학습 임베딩 모델입니다. 모델은 TaylorAI/bge-micro-v2 기반으로 디컴파일된 함수와 소스 함수를 공통 벡터 공간에 매핑하도록 미세 조정되었습니다. BERT 아키텍처의 18,8 млн параметров 모델은 384-мерные эмбеддинги строит при максимальной длине входа 384 токена; контекст базовой модели — до 512 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Модель предназначена для поиска соответствующей исходной функции по декомпилированному бинарному коду и обратного поиска, а также для ранжирования кандидатов и сопоставления компонентов. В README приведены результаты полноиндексной оценки на 15 млн исходных функций и 120 запросах: MRR для исходных функций — 0,16672, Recall@1 — 0,133, Recall@10 — 0,250. Ограничения: данные оценки охватывают указанную выборку и не гарантируют аналогичного качества на других наборах; поддерживаемый язык кода и работа с исходным текстом, превышающим лимит входа, не описаны.

Карточка модели deer-sec/CyberStag-Security-26B-A4B-V1-BF16-GGUF на Hugging Face совпадает с карточкой deer-sec/CyberStag-Security-26B-A4B-V1-BF16-MLX, поэтому описание составлено по ней. CyberStag-Security-26B-A4B-V1-BF16-MLX — текстовая языковая модель deer-sec для анализа кибербезопасности и логических рассуждений. Это дообученная на базе Gemma-4-26B-A4B MoE модель: адаптер LoRA обучали с помощью MLX и затем объединили с базовыми весами. Репозиторий содержит вариант BF16 для MLX, ориентированный на Apple Silicon; по метаданным модель имеет 26 млрд параметров и поддерживает чат. Модель предназначена для специалистов по безопасности, SOC-аналитиков, исследователей и системных администраторов. Она помогает разбирать журналы событий, оценивать уязвимости и векторы атак, выполнять моделирование угроз и готовить планы реагирования на инциденты. README сообщает об улучшении качества ответов в задачах кибербезопасности относительно базовой модели, но отмечает небольшое увеличение задержки. Вход и выход — текст; в карточке заявлены английский и японский языки, а также многоязычная поддержка. Модель выпущена под лицензией Apache-2.0; авторы позиционируют её для образовательных и защитных задач и запрещают злонамеренное использование.

GLM 5.3 CRACK — Cybersecurity FP8 — специализированная языковая модель, разработанная dealignai на основе JANGQ-AI/GLM-5.3-FP8 и исходной модели zai-org/GLM-5.3. Это текстовая модель с архитектурой glm_moe_dsa и разреженной MoE-структурой: заявлено 753 млрд параметров, 78 слоёв и FP8-квантизация. Поддерживаются английский, китайский, русский, сербский, хинди, французский, испанский, арабский, корейский и японский языки. Модель предназначена для задач кибербезопасности, включая offensive security, red teaming, penetration testing, разработку эксплойтов, реверс-инжиниринг, анализ вредоносного ПО, фишинг, атаки на учётные данные и смежные технические сценарии. Она рассчитана на запуск через vLLM, поддерживает вызов инструментов и нативную обработку FP8 на GPU Hopper, включая H100 и H200. Практический лимит контекста в описанной конфигурации на 8× H200 составляет около 131 тысяч токенов с MTP и около 160 тысяч без него; заявленная поддержка контекста в 1 млн токенов для текущего vLLM не работает. Сильная сторона модели — целевая адаптация поведения к кибербезопасности с существенно сниженным числом отказов на вредоносные кибернетические запросы; при этом в приведённом тесте MMLU её результат немного превысил базовую модель. Ограничения включают отсутствие универсальной направленности на другие опасные области, сохранение мягких отказов для дословного воспроизведения материалов, обязательное включение reasoning и риск исчерпания лимита токенов при высоком уровне рассуждений. MTP в стандартном vLLM заявлен как нефункциональный. Модель распространяется по лицензии MIT.

Model Alpha — дообученная версия Qwen3-8B, разработанная Lyuboslav Lyubenov для обнаружения уязвимостей высокой степени тяжести в Solidity-смарт-контрактах. Модель предназначена для защитного аудита, первичной сортировки находок при ревью кода и исследований LLM-анализаторов безопасности. Она ориентирована на EVM-совместимые сети и такие сценарии, как DeFi, NFT, мосты, оракулы, кошельки, стейблкоины и governance-контракты. Модель использует архитектуру Qwen3ForCausalLM с 36 слоями и hidden_size 4096. Производственная длина контекста составляет 16 384 токена, архитектурный максимум — до 40 960 токенов. Весовая версия имеет AWQ-квантизацию W4A16 с pack-quantized форматом, group_size 128 и поддержкой compressed-tensors; размер на диске — около 5,7 ГБ. Доступно использование через Transformers или vLLM, включая OpenAI-совместимый endpoint. Модель может быть полезна как инструмент триажа благодаря специализации на Solidity и анализу контекста графа вызовов, однако демонстрирует зависимость качества от формата промпта и количества выборок. Для неё характерны ложные срабатывания на безопасных шаблонах, включая assembly и низкоуровневые вызовы; она не оптимизирована для многошагового диалога и её эффективность для Vyper, Move и Cairo неизвестна. Рекомендуется использовать её как вспомогательный инструмент, а не как окончательный источник аудиторского решения. Релиз разрешён только для защитных задач безопасности: аудита, исследований уязвимостей в авторизованных системах, академических работ и инструментов обнаружения или устранения уязвимостей. Коммерческое использование, перераспределение в виде hosted-сервиса и offensive use не предоставляются; веса доступны пользователям с аккаунтом Hugging Face.

DuyTa/sec-rerank — дообученная на базе Qwen/Qwen3-Reranker-0.6B модель для повторного ранжирования результатов поиска в кибербезопасности. Это listwise generative reranker на архитектуре Qwen3 с 507,6 млн параметров: модель оценивает текстовый запрос вместе с кандидатами-документами и переставляет кандидатов по релевантности. Она не создаёт эмбеддинги и предназначена для второго этапа после плотного или гибридного поиска. Модель обучена на сгруппированных парах запрос–документ с трудными отрицательными примерами, полученными из базы CVE. Основной сценарий — поиск по базе знаний уязвимостей и ранжирование материалов, отвечающих на запросы по CVE, CWE и смежным темам. README сообщает о высокой точности ранжирования на внутреннем тесте и пропускной способности на NVIDIA A100, однако эти показатели относятся к указанной конфигурации оценки. Модель принимает и выдаёт текст; в карточке заявлены английский и вьетнамский языки, а обучающая инструкция ориентирована на вьетнамские запросы. Контекст — до 40 960 токенов. Лицензия — Apache-2.0.

Это англоязычная модель Sentence Transformer, дообученная разработчиками репозитория ubco-mds-2025-capstone-fujitsu-1 на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска по смыслу и извлечения релевантных документов. Архитектура включает BERT, CLS-пулинг и нормализацию; сравнивать векторы можно по косинусному сходству. Максимальная длина входа — 512 токенов. Обучение проведено на парах запросов и документов, включая запросы о кибербезопасности и описания уязвимостей. В README приведены результаты проверки для информационного поиска, однако они не позволяют судить о качестве на других доменах. Модель принимает текст и выдаёт эмбеддинги; для применения доступны веса в формате safetensors и библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

Квантизированная версия модели gpt-oss-20b-cve-cybersecurity в формате GGUF, опубликованная piotreknow02 и созданная на базе sainikhiljuluri/gpt-oss-20b-cve-cybersecurity. Модель предназначена для генерации текста в задачах анализа уязвимостей и CVE, кибербезопасности, сетевой безопасности и подготовки рекомендаций по защите. В карточке также указан тег DoRA, однако подробности архитектуры и применённой квантизации не раскрыты. Заявлен размер базовой модели — 20B параметров, поддерживаемый язык — английский. Модель относится к категории text-generation и использует библиотеку Transformers; формат GGUF может быть удобен для локального запуска в совместимых инструментах, но конкретные требования к памяти и производительности не указаны. Сильной стороной является специализация на материалах по кибербезопасности и уязвимостям, однако данных о качестве, результатах тестирования, ограничениях и точности недостаточно. Лицензия — Apache-2.0.

GPT-OSS-Cybersecurity-20B-Merged-i1-GGUF — квантизированная GGUF-версия модели GPT-OSS-Cybersecurity-20B-Merged, разработанной sainikhiljuluri2015 и подготовленной квантизатором mradermacher. Модель ориентирована на генерацию текста и задачи кибербезопасности, включая работу с инструкциями и специализированными запросами в области информационной безопасности. При дообучении использовались Trendyol Cybersecurity Instruction Tuning Dataset, Cybersecurity-Dataset-Fenrir-v2.0 и Primus-Instruct. Модель имеет размер 20B параметров согласно идентификатору и относится к архитектурам MoE. Доступна только в текстовом формате; заявленный язык — английский. Контекстное окно и точные архитектурные характеристики в предоставленных данных не указаны. Репозиторий содержит варианты квантизации i1-IQ и i1-Q с различным компромиссом между размером, скоростью и качеством; среди доступных вариантов указаны i1-Q4_K_M и i1-Q4_K_S, причём Q4_K_M отмечен как рекомендуемый для быстродействия. Сильными сторонами модели являются специализация на кибербезопасности, использование нескольких тематических наборов данных и возможность запуска через экосистему GGUF с выбором подходящего уровня квантизации. Ограничения включают зависимость качества от выбранного варианта квантизации, отсутствие сведений о контекстном окне, результатах оценки и поддержке других языков или модальностей. Модель распространяется по лицензии Apache-2.0.

Mythoseek-GGUF — это набор квантованных файлов модели Mythoseek, базовая версия которой размещена пользователем squ11z1. Квантизацию выполнил mradermacher. Модель предназначена для текстовой генерации и, судя по указанным тегам, ориентирована на кибербезопасность, penetration testing, исследование уязвимостей, анализ CWE, OSINT, использование инструментов и задачи, требующие рассуждений. README также упоминает мультимодальную поддержку через дополнительные файлы mmproj, однако подробности о поддерживаемых типах входных данных не приведены. Доступны варианты GGUF с уровнями квантования от Q2_K до Q8_0, а также f16; размер файлов составляет примерно от 3,9 до 18 ГБ. Для мультимодального режима предлагаются отдельные файлы mmproj-Q8_0 и mmproj-f16. В README указаны английский язык и совместимость с экосистемой Transformers, но архитектура, исходный размер модели, максимальная длина контекста, точный набор поддерживаемых языков и результаты оценки качества не раскрыты. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант высокого качества. Основное преимущество модели — широкий выбор квантованных форматов, позволяющий адаптировать требования к памяти и скорости, а также потенциальная специализация на сценариях кибербезопасности. Качество зависит от выбранного уровня квантования, при этом README предупреждает, что более компактные варианты могут быть менее качественными. Лицензия — Apache-2.0. Указанные сценарии не заменяют проверку результатов специалистом, особенно при анализе уязвимостей и использовании инструментов.

SecEmbed-base — плотная модель эмбеддингов для поиска и сравнения текстов в сфере кибербезопасности, созданная дообучением answerdotai/ModernBERT-base на наборе secembed-pairs. Она основана на encoder-архитектуре ModernBERT, содержит 149 млн параметров и предназначена для извлечения признаковых векторов и оценки сходства предложений. Модель принимает текст и выдаёт векторные представления; её обучали с максимальной длиной последовательности 256 токенов для ускорения поиска, а контекст ModernBERT может достигать 8192 токенов. Модель подходит для поиска по MITRE ATT&CK, CVE, CWE, правилам Sigma, инструкциям SOC и отчётам об угрозах, а также для определения сходства описаний уязвимостей. В карточке приведены результаты на выборке CyberSec Retrieval Benchmark: Recall@5 составляет 0,9708 в среднем; размер выборки для каждой категории — 80 примеров. Заявленные результаты следует считать оценкой на указанной выборке, а не гарантией качества на других данных. Лицензия — MIT.

CLAP-ASM — модель семейства CLAP, разработанная для анализа ассемблерного кода. Она обучена сопоставлять представления бинарного кода с описаниями на естественном языке, чтобы переносить знания на новые задачи анализа без дополнительного обучения или с небольшим числом примеров. Модель содержит 139 млн параметров, использует архитектуру RoFormer и выдаёт признаки для последующей классификации или сравнения. Модель предназначена для классификации алгоритмов сортировки, выявления вредоносного кода и распознавания криптографических алгоритмов по фрагментам ассемблерного кода. В README описаны сценарии zero-shot-классификации с текстовыми подсказками. Репозиторий предоставляет веса в формате safetensors; лицензия — MIT. Карточка указывает контекст 2048 токенов.

protectai/codebert-base-Malicious_URLs-onnx — модель классификации текстовых строк, предназначенная для выявления URL-адресов, которые могут представлять угрозу безопасности. Она разработана как ONNX-конверсия модели DunnBC22/codebert-base-Malicious_URLs; исходный проект связан с LLM Guard компании Protect AI, однако README указывает, что проект архивирован и больше не поддерживается. Модель обучалась на наборе данных sid321axn/malicious-urls-dataset. В основе лежит архитектура CodeBERT-base, рассчитанная на работу с программным и естественным языком. Модель предназначена для сценариев автоматического анализа URL, включая использование в конвейерах безопасности и сканере Malicious URLs в LLM Guard. Формат ONNX позволяет запускать её через ONNX Runtime с библиотекой Hugging Face Optimum; для применения используются AutoTokenizer и ORTModelForSequenceClassification. В README явно указан английский язык, но другие характеристики, включая точный размер, максимальную длину контекста, набор классов и показатели качества, не приведены. Сильными сторонами модели являются специализация на обнаружении вредоносных URL и возможность инференса в ONNX-формате. Ограничения включают отсутствие опубликованных сведений о точности, полноте, порогах классификации и деталях дообучения, а также архивный статус проекта и отсутствие активной поддержки. Лицензия в README не указана.

DeepSeek-R1-Cybersecurity-8B-Merged — дообученная и объединённая с базовой моделью Qwen3 языковая модель от sainikhiljuluri2015 для задач кибербезопасности. Она основана на deepseek-ai/DeepSeek-R1-0528-Qwen3-8B и представляет собой плотную авторегрессионную архитектуру Qwen3ForCausalLM с 7,6 млрд параметров. Модель предназначена для диалоговой работы и генерации текстовых ответов на инструкции по безопасности; обучена примерно на 50 тысячах пар «инструкция — ответ» из наборов Trendyol Cybersecurity, Fenrir v2.0 и Primus-Instruct. Модель помогает анализировать угрозы и оповещения, разбирать инциденты и вредоносное ПО, сопоставлять наблюдения с MITRE ATT&CK, оценивать уязвимости, выявлять SQL-инъекции и анализировать фишинговые сообщения. Метаданные указывают контекст до 131 072 токенов и поддержку английского языка. Веса доступны в формате safetensors; лицензия — Apache-2.0. Модель специализирована на ответах по кибербезопасности, но карточка не приводит оценки качества или гарантии точности; выводы следует проверять перед использованием в расследованиях и защитных решениях.

Foundation-Sec-8B-Reasoning-Q8_0-GGUF — квантизированная 8-битная версия модели Foundation-Sec-8B-Reasoning, опубликованная под идентификатором fdtn-ai. Исходная модель основана на LLaMA 3.1, содержит около 8 млрд параметров и специализируется на кибербезопасности. Она дообучалась на корпусе материалов, включающем CVE, отчёты о киберугрозах, описания эксплойтов и руководства по соответствию требованиям. Модель предназначена для текстовой генерации и сценариев кибербезопасности: ускорения работы SOC, сортировки и суммирования инцидентов, подготовки заметок и сбора свидетельств, моделирования атак, приоритизации уязвимостей, сопоставления TTP и анализа поведения злоумышленников. Также она может помогать инженерам проверять конфигурации, оценивать свидетельства соответствия требованиям и повышать уровень защищённости. В README указан английский язык, однако сведения о размере контекстного окна, результатах оценивания и полном наборе поддерживаемых возможностей отсутствуют. Модель сохранена в формате GGUF с квантизацией Q8_0 и предназначена для запуска через llama.cpp и совместимые оболочки, включая llama_cpp. Размер файла составляет около 8,54 ГБ, что существенно снижает требования к памяти по сравнению с исходным вариантом BF16; заявленная потеря точности при такой квантизации минимальна. Ограничения и детальные характеристики следует уточнять в карточке исходной модели Foundation-Sec-8B-Reasoning. В README лицензия указана как Apache 2.0, хотя в метаданных также отмечено значение other.

GPT-OSS-Cybersecurity-20B-Merged — дообученная и объединённая с базовыми весами модель на основе openai/gpt-oss-20b, подготовленная для задач кибербезопасности. Модель разработал автор репозитория sainikhiljuluri2015; она использует архитектуру Mixture of Experts (MoE) и доступна в формате Safetensors. В README указаны 21 млрд параметров и 3,6 млрд активных параметров, а метаданные каталога — 1,6 млрд параметров; это расхождение не позволяет однозначно подтвердить размер. Контекст — до 131 072 токенов. Модель предназначена для диалоговых инструкций по анализу угроз, сортировке оповещений безопасности, реагированию на инциденты, анализу вредоносного ПО, сопоставлению с MITRE ATT&CK, оценке уязвимостей, обнаружению SQL-инъекций и анализу фишинга. Для обучения использованы датасеты Trendyol Cybersecurity, Fenrir v2.0 и Primus-Instruct; метаданные указывают английский язык. Требования, приведённые в README, — GPU с 40 ГБ видеопамяти или более для BF16; для менее мощных GPU предлагается 4-битная квантизация. Лицензия — Apache-2.0. Ответы модели по безопасности могут быть неточными и требуют проверки специалистом; карточка не приводит результатов оценки качества или проверок на устойчивость.

GPT-OSS-Cybersecurity-20B-Merged-heretic-i1-GGUF — квантизированная GGUF-версия модели piotreknow02/GPT-OSS-Cybersecurity-20B-Merged-heretic, подготовленная mradermacher. Модель создана для задач кибербезопасности: анализа и генерации текстов по тематике security, ответов на инструкции и помощи в работе с материалами по информационной безопасности. Она дообучалась и объединялась с использованием наборов Trendyol Cybersecurity Instruction Tuning Dataset, Cybersecurity-Dataset-Fenrir-v2.0 и Primus-Instruct. Модель имеет заявленный размер 20B параметров и, судя по тегам, архитектуру MoE. Доступна только в текстовом формате и ориентирована на английский язык. Репозиторий содержит множество вариантов GGUF-квантизации с размерами примерно от 12,1 до 15,9 ГБ; вариант i1-Q4_K_M отмечен как рекомендуемый по сочетанию скорости и качества, а i1-Q4_K_S — как оптимальный по размеру, скорости и качеству. Сведения о длине контекста, результатах бенчмарков и поддержке других языков отсутствуют. Сильной стороной модели является специализация на кибербезопасности и наличие различных уровней квантизации для запуска на оборудовании с разными ограничениями по памяти. Ограничения включают отсутствие подтвержденных оценок качества, неизвестную длину контекста и возможное снижение качества у наиболее компактных вариантов. Лицензия — Apache-2.0.

AlicanKiraz0/Titus-CybersecurityLLM-v1.0-mlx-4Bit — это квантизированная 4-битная MLX-версия модели Titus-CybersecurityLLM-v1.0, разработанная AlicanKiraz0 для локального запуска на устройствах Apple Silicon. Модель предназначена прежде всего для кибербезопасности с приоритетом турецкого языка и основана на Qwen/Qwen3.6-35B-A3B; заявленная архитектура — qwen3_5_moe. Это текстовая модель генерации, адаптированная для эффективного локального вывода через MLX. Модель ориентирована на помощь при SOC-триаже, DFIR-расследованиях, разработке детектов, анализе облачной, Kubernetes-, IAM-, endpoint- и AppSec-безопасности, подготовке GRC-материалов, а также на авторизованные лабораторные, CTF, purple-team и defensive validation сценарии. Обучение выполнено на наборе более чем из 500 тысяч строк инструкций по кибербезопасности с охватом реагирования на инциденты, threat hunting, malware analysis, SIEM, SOAR, DevSecOps, уязвимостей и других направлений; использовалась LoRA-адаптация примерно на 4 миллиарда параметров. Сильная сторона варианта — сниженные требования к хранению и возможность локального запуска на Apple Silicon, однако 4-битная квантизация может уменьшать точность по сравнению с BF16-версией, а в README не указаны размер контекстного окна и полный перечень поддерживаемых языков. Модель распространяется по лицензии Apache-2.0 и предназначена для законного и явно разрешённого использования в сфере кибербезопасности.

Llama-Primus-Nemotron-70B-Base — языковая модель Trend Micro для задач кибербезопасности, созданная продолжительным обучением на базе nvidia/Llama-3.1-Nemotron-70B-Instruct. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и применения в сценариях кибербезопасности. В README приведены результаты на публичных бенчмарках CTI-Bench, CyberMetric и SecEval; для Base указано улучшение совокупных оценок на 11,19% относительно исходной модели. Обучение включало более 10 млрд токенов из кибербезопасностных корпусов, в том числе Primus-FineWeb и Primus-Nemotron-CC. В карточке указаны английский и японский языки, контекст до 131 072 токенов, а также возможности чата и интерфейс вызова инструментов. Модель распространяется по лицензии MIT. Бенчмарки характеризуют результаты на ограниченном наборе оценок и сами по себе не гарантируют точность в реальных задачах; README не приводит инструкций по безопасной эксплуатации или подробной оценки ошибок.

LLM4Decompile-6.7B-NSP — модель семейства Llama, дообученная командой LLM4Decompile на DeepSeek-Coder для преобразования инструкций x86 assembly в код на C. Для обучения использовались 4 млрд токенов пар assembly–C, скомпилированных из AnghaBench. Модель принимает текст с ассемблерным кодом и генерирует текст с восстановленным исходным кодом; в README указана средняя доля повторного выполнения около 0,17 для версии NSP. Модель подходит для анализа дизассемблированных программ, восстановления читаемого C-кода и исследовательских экспериментов по декомпиляции. В метаданных указаны 6,6 млрд параметров, контекст 8192 токена и лицензия MIT. Оценки в карточке показывают, что качество зависит от уровня оптимизации исходной компиляции; восстановленный код требует проверки и не гарантирует точного совпадения с оригиналом.

nexus-security-GGUF — квантованная GGUF-версия модели NEXUS-Security, разработанной fableforge-ai в экосистеме FableForge и опубликованной пользователем King3Djbl. Модель предназначена для исследований в области кибербезопасности, пентестинга, разработки защитных инструментов и связанных сценариев генерации текста. Она позиционируется как специализированная, компактная и без встроенных отказов по тематике безопасности. Модель относится к классу 1,5B и поддерживает текстовый ввод и вывод на английском языке. Указаны совместимость с llama.cpp, Ollama и LM Studio, а также формат диалогов ChatML. Репозиторий содержит варианты квантования от F16 до IQ2_XXS размером примерно от 3,09 до 0,51 ГБ; Q4_K_M заявлен как оптимальный баланс размера и качества, Q6_K — как вариант высокого качества, а IQ4_XS — для систем с небольшим объёмом оперативной памяти. В README приведён внутренний результат оценки 144/150 (96%) на 30 запросах по знаниям в предметной области, рассуждению и работе с инструментами, однако независимая методика и обобщаемость этого результата не подтверждены. К ограничениям относятся небольшой размер модели, возможное снижение качества на сложных задачах и потеря точности при агрессивном квантовании. Размер контекстного окна, точная архитектура и сведения о мультимодальности в README не указаны; по описанию это текстовая модель. Модель распространяется по лицензии Apache-2.0.

SecureBERT — CVE-LMTune ATT&CK Classifier (Flat) — англоязычная модель классификации уязвимостей из набора CVE-LMTune, представленного Франко Террановой, Саной Рекби, Абделькадером Лахмади и Изабель Крисман. Модель дообучена на базе ehsanaghaei/SecureBERT и использует архитектуру RoBERTa с классификационной головой; размер — 151,8 млн параметров, длина контекста — 514 токенов. На вход модель получает текстовое описание уязвимости, например сводку CVE, и предсказывает один или несколько идентификаторов MITRE ATT&CK Enterprise Subtechniques. Это многометочная классификация для связывания описаний уязвимостей с техниками и подтехниками ATT&CK. В карточке приведены результаты оценки на отложенной выборке, включая micro-F1 0,8168 при пороге 0,5. Модель может помочь аналитикам безопасности и исследователям автоматизировать первичную разметку уязвимостей и поиск связей с ATT&CK. Она работает с текстом на английском языке, а контекст ограничен 514 токенами. Распространяется под лицензией MIT; карточка отмечает, что проект не сертифицирован и не одобрен NVD, CVE2CAPEC или Hugging Face.

BinSeek-Embedding — модель эмбеддингов от XingTuLab для поиска функций в stripped-бинарных программах по текстовому описанию или декомпилированному псевдокоду. Она обучена сопоставлять семантику бинарного кода и естественного языка и предназначена для первого этапа двухэтапного поиска: быстро извлекать кандидатов, после чего BinSeek-Reranker может переоценить их с учётом контекста вызовов. Модель построена на архитектуре Qwen3, содержит около 256 млн параметров по метаданным и выдаёт векторы размерности 1024. В README указано ограничение в 4096 токенов, тогда как метаданные каталога сообщают нативный контекст 32768 токенов. Поддерживаются английский и китайский языки; область применения — анализ бинарного кода. Лицензия — GPL-3.0. В README приведены результаты поиска, превосходящие указанные сравниваемые модели на описанной задаче, но применять её для общего поиска или других языков без проверки не следует.

Карточка модели YoungHungGayGymBoy/Cyber-Prime-1-2.6B на Hugging Face совпадает с карточкой Akahsizrr/Cyber-Prime-1-2.6B, поэтому описание составлено по ней. Cyber-Prime 1 — компактная языковая модель для задач кибербезопасности, созданная разработчиком репозитория на основе LiquidAI/LFM2-2.6B. Это плотная авторегрессионная модель с 2,6 млрд параметров; для работы с текстом заявлено контекстное окно до 131 072 токенов. Модель дообучена на примерах извлечения сущностей, анализа HTTP-запросов, классификации писем и краткого изложения новостей об угрозах. Она предназначена для извлечения кибербезопасностных сущностей в структурированный формат, выявления атак вроде XSS, SQL-инъекций и обхода путей, классификации писем как фишинговых или безопасных, а также суммаризации разведывательной информации об угрозах. В карточке описаны прямой режим для классификации и суммаризации и режим рассуждений для некоторых задач анализа и извлечения. Автор приводит результаты оценки на CyberBench, но модель обозначена как исследовательский артефакт, а не готовое средство защиты; среди ограничений указаны более слабые результаты на широких задачах знаний и риск пропуска тонких инъекций. Для модели указана лицензия Apache-2.0. В README встречается расхождение в названии базовой версии (LFM2 и LFM2.5), поэтому в качестве базовой модели приведён идентификатор из метаданных Hugging Face.

Foundation-Sec-8B-Instruct — открытая 8-миллиардная instruction-tuned языковая модель для задач кибербезопасности, разработанная Amin Karbasi и исследовательской командой Foundation AI совместно с Cisco. Данная GGUF-версия основана на fdtn-ai/Foundation-Sec-8B-Instruct. Модель использует авторегрессионную оптимизированную архитектуру Transformer на базе Meta Llama 3.1 8B и обучена следованию инструкциям и предпочтениям пользователей. Модель предназначена для специалистов по безопасности, исследователей и разработчиков локальных AI-инструментов. Основные сценарии включают ускорение работы SOC, сортировку и суммирование алертов и инцидентов, сбор свидетельств, классификацию угроз, сопоставление с техниками MITRE ATT&CK, приоритизацию уязвимостей, извлечение данных о соответствии требованиям, ответы на вопросы по облачной безопасности, построение threat model и поддержку red-team-исследований. Локальное развертывание подходит для сред, где важны защита данных, соответствие нормативным требованиям и операционный контроль. Модель поддерживает английский язык, работает с текстом и обучена на статическом офлайн-наборе данных. Она специализирована на кибербезопасности, поэтому может быть менее эффективна в общих задачах. Модель не предназначена для генерации вредоносного кода, фишинга, атак на конкретные организации, автономного принятия критических решений, окончательной оценки соответствия или автоматического устранения уязвимостей без экспертной проверки. Условия лицензии определяются документом NOTICE.md; тип лицензии в карточке указан как other.

NVIDIA-Orchestrator-Cybersecurity-8B-Merged — языковая модель для задач кибербезопасности, созданная дообучением nvidia/Orchestrator-8B и слиянием LoRA-весов с базовой моделью. В карточке указано обучение на примерно 50 тысячах пар инструкций и ответов из наборов Trendyol Cybersecurity, Fenrir v2.0 и Primus-Instruct. Модель построена на плотной архитектуре Qwen3ForCausalLM с 7,6 млрд параметров, принимает текст и генерирует текст. Контекст составляет до 40 960 токенов; модель предназначена для диалогового взаимодействия на английском языке. Она поддерживает анализ угроз и вредоносного ПО, разбор оповещений и фишинговых сообщений, рекомендации по реагированию на инциденты, оценку уязвимостей, выявление SQL-инъекций и сопоставление с MITRE ATT&CK. Модель распространяется в формате safetensors по лицензии Apache-2.0. Результаты требуют проверки специалистом: карточка не приводит оценок качества и не описывает ограничения по отдельным сценариям, поэтому нельзя считать ответы гарантированно точными или исчерпывающими.

funmidab/xss-classifier — модель классификации текста на базе DistilBERT, дообученная на наборе данных, название которого в карточке указано как None. Она предназначена для обнаружения XSS в текстовых входах и может использоваться для предварительной проверки строк или фрагментов текста в приложениях безопасности. В README приведены результаты на тестовой выборке: accuracy 0,9984, precision, recall и F1 — 0,9977. Это показатели указанного набора оценки и они сами по себе не гарантируют такое же качество на других данных. Модель использует DistilBertForSequenceClassification, принимает текст и выдаёт метку классификации. Контекстное окно — 512 токенов; модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не раскрывает состав и разметку датасета, набор классов и подробные ограничения, поэтому перед применением в защите её следует оценить на данных целевого приложения.

Bugtrace Apex G4 26B APEX — квантованная GGUF-версия модели BugTraceAI-Apex-G4-26B-Master-f16, опубликованная terrorswift. Это 26-миллиардная модель с архитектурой Gemma 4 и Mixture-of-Experts, настроенная разработчиком BugTraceAI методом DPO для рассуждений в области наступательной кибербезопасности. Она предназначена для анализа сценариев bug bounty, методик вредоносного ПО, обхода WAF, генерации технических полезных нагрузок и рекомендаций по исправлению уязвимостей. Модель поддерживает чат; доступны варианты APEX с разными сочетаниями точности квантования, размером около 18,4–19,2 ГБ для перечисленных вариантов. Для запуска в README приведён контекст 131 072 токена, но это значение зависит от используемого файла и конфигурации. README сообщает, что upstream-модель лишена Vision Tower, а файл mmproj в репозитории не включён; мультимодальный запуск возможен с совместимым внешним mmproj. Лицензия — Apache-2.0. Карточка называет модель экспериментальной и предназначенной для исследований в области ИИ и кибербезопасности и локального тестирования; автор также предупреждает, что она может выдавать вредоносный или незаконный контент.

Карточка модели hustcw/clap-text на Hugging Face совпадает с карточкой hustcw/clap-asm, поэтому описание составлено по ней. CLAP-ASM — модель семейства CLAP, разработанная для анализа ассемблерного кода. Она обучена сопоставлять представления бинарного кода с описаниями на естественном языке, чтобы переносить знания на новые задачи анализа без дополнительного обучения или с небольшим числом примеров. Модель содержит 139 млн параметров, использует архитектуру RoFormer и выдаёт признаки для последующей классификации или сравнения. Модель предназначена для классификации алгоритмов сортировки, выявления вредоносного кода и распознавания криптографических алгоритмов по фрагментам ассемблерного кода. В README описаны сценарии zero-shot-классификации с текстовыми подсказками. Репозиторий предоставляет веса в формате safetensors; лицензия — MIT. Карточка указывает контекст 2048 токенов.

Foundation-Sec-8B — открытая базовая языковая модель, разработанная Foundation AI at Cisco для задач кибербезопасности. Это дообученная продолжением предобучения версия Meta Llama 3.1 8B: плотная авторегрессионная трансформерная модель с 7,5 млрд параметров, контекстом до 131 072 токенов и весами в формате safetensors. Модель обучалась на корпусе материалов по кибербезопасности, включая отчёты о киберугрозах, базы уязвимостей, документацию по реагированию на инциденты и стандарты безопасности; основной язык — английский. Модель предназначена для локального применения и разработки инструментов безопасности. Она может помогать с анализом и кратким изложением материалов об инцидентах, оценкой уязвимостей, сопоставлением тактик и техник атак, проверкой конфигураций и обработкой свидетельств соответствия требованиям. Также она служит основой для дальнейшей адаптации под конкретные процессы кибербезопасности. Знания модели ограничены данными обучения: она может не учитывать новые уязвимости и технологии, не имеет доступа к внешним системам и не может самостоятельно сканировать инфраструктуру или проверять точность ответов. Результаты требуют экспертной проверки, особенно при принятии критичных решений; качество на общих задачах может уступать универсальным моделям. Лицензия — Apache 2.0.

Qwen3-4B-Cybersecurity — дообученная методом SFT модель DexopT на базе unsloth/Qwen3-4B-Instruct-2507. Она предназначена для диалогов и ответов по кибербезопасности: охватывает наступательную и защитную безопасность, тестирование на проникновение, анализ уязвимостей и вредоносных программ, анализ угроз и безопасность сетей, Active Directory и веб-приложений. Обучение проведено на 1 284 369 примерах из наборов DexopT/cyber_heretic и DexopT/cyber_heretic_tokenized. Модель использует плотную архитектуру Qwen3ForCausalLM с 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Основной язык в карточке — английский. Сохраняется часть отказов базовой модели; ответы по темам безопасности могут требовать проверки и не гарантируют точности. Автор указывает образовательное и исследовательское назначение и просит тестировать только системы, на проверку которых есть разрешение. Лицензия — Apache-2.0.