II.5Безопасность программного кода и цепочки поставок

Qwen3.8-27B-Uncensored-Cyber-GGUF — это набор GGUF-квантизаций модели Qwen3.8-27B-Uncensored-Cyber, разработанный philbert440 для работы через llama.cpp. Модель ориентирована на задачи кибербезопасности, включая вопросы offensive security, и настроена на ответы без стандартных отказов по таким темам. В состав поставки также входят vision projector для обработки изображений и дополнительная MTP head для опционального speculative decoding. Доступны варианты квантизации весов от Q4_K_M до Q8_0: Q4_K_M занимает меньше места, а Q8_0 заявлен как близкий к исходному качеству. Vision projector выпускается в форматах BF16 и Q8_0, MTP head — в BF16, Q8_0 и Q4_0. Полная версия BF16 в одном GGUF-файле не поставляется из-за ограничения размера файла; для неё предлагаются Q8_0 или отдельный safetensors-репозиторий. README не сообщает поддерживаемые языки и размер контекстного окна. По приведённой оценке версии Cyber v2 модель получила 100/100 на наборе из 100 кибернаступательных запросов, factual score 1.00, confab score 0.867, GSM8K 0.80 и degen score 0.00; методика оценки основана на суждениях Claude и regex-тестировании отказов. Сильной стороной является специализация на кибербезопасности и поддержка изображений, а ограничениями — отсутствие подробностей о языках, контексте и реальных требованиях к ресурсам, а также намеренно сниженный уровень отказов, что требует ответственного использования. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored-Cyber-W4A16-AWQ — это 4-битная AWQ-квантизация модели Qwen3.8-27B-Uncensored-Cyber, разработанная philbert440. Модель предназначена для диалоговых и мультимодальных сценариев, включая ответы на вопросы по кибербезопасности и offensive security. В README указана поддержка обработки изображений и текста; языки и максимальный размер контекста не приведены. Модель основана на 27-миллиардной версии Qwen3.8 и поставляется в формате compressed-tensors с конфигурацией W4A16, group size 128 и MSE observer. Веса квантизированы до 4 бит, тогда как активации сохраняют формат A16. Vision tower и дополнительная MTP head сохранены. Базовая модель была адаптирована методом удаления направления отказов в глубоких слоях, начиная с четвёртого слоя, с сохранением первых четырёх слоёв. Согласно приведённой оценке родительской модели в формате bf16, версия показывает 100 из 100 успешных ответов на тестовых cyber-offensive запросах, factual score 1.00, результат 0.80 на GSM8K и отсутствие показателя деградации degen. Ограничения включают отсутствие подробных данных о языковой поддержке, контекстном окне и фактических требованиях к аппаратному обеспечению; агрессивная 4-битная квантизация также может влиять на качество по сравнению с полной точностью. Модель распространяется по лицензии Apache-2.0.

ThinkingCap-Qwen3.6-27B-abliterated-MTP-GGUF — текстовая генеративная модель от protoLabsAI на базе bottlecapai/ThinkingCap-Qwen3.6-27B и семейства Qwen3.6. Она предназначена прежде всего для авторизованного пентестинга, red-team и blue-team работ, анализа вредоносного ПО и уязвимостей, CTF, а также исследований по обнаружению, доказательству и исправлению проблем безопасности. Модель позиционируется как abliterated, то есть работающая без встроенных отказов и защитных ограничений, поэтому рассчитана только на законное и контролируемое применение. Модель поставляется в формате GGUF для llama.cpp и Ollama, поддерживает Multi-Token Prediction (MTP) для спекулятивного декодирования, встроенный draft head и набор вариантов квантования от IQ2 до bf16. Заявленный размер базовой модели — 27B параметров. Доступны, в частности, NVFP4, bf16, Q8_0, Q6_K, Q5_K_M, Q4_K_M, IQ4_XS и IQ3_M; объём файлов составляет примерно от 10 до 51 ГБ. Для Q4_K_M на RTX PRO 6000 Blackwell заявлено ускорение декодирования с 73,4 до 105,8 токена в секунду, или на 44%; NVFP4 рассчитан на тензорные ядра Blackwell. Поддержка языков и максимальный контекст в README не указаны. К сильным сторонам относятся ориентация на задачи кибербезопасности, отсутствие отказов при разрешённых сценариях, сохранение заявленных возможностей программирования после abliteration и ускорение вывода благодаря MTP. Ограничения включают отсутствие встроенных защитных барьеров, зависимость NVFP4 от оборудования Blackwell, необходимость свежей версии llama.cpp или Ollama и требование использовать не жадное декодирование. Модель помечена как устаревшая: выпуск отозван, распространение прекращено, поддержка не ведётся, а запросы на доступ не рассматриваются. Лицензия — Apache-2.0.

BERT — CVE-LMTune CAPEC Classifier (Flat) — модель для многометочной классификации описаний уязвимостей по таксономии CAPEC. Она принимает текстовое описание в стиле CVE и предсказывает один или несколько идентификаторов шаблонов атак CAPEC. Модель входит в набор CVE-LMTune, разработанный Франко Террановой, Саной Рекби, Абделькадером Лахмади и Изабель Крисмен; работа описана для конференции DIMVA ’26. Модель основана на BERT и дообучена на google-bert/bert-base-uncased. Это классификатор последовательностей с 136,7 млн параметров и контекстом до 512 токенов; заявленный язык — английский. Для оценки использовались многометочные метрики, а при пороге 0,5 указаны micro F1 0,8066 и macro F1 0,3376. Модель распространяется по лицензии MIT. Предсказания предназначены для помощи в сопоставлении уязвимостей с шаблонами атак и требуют проверки специалистом; качество по отдельным меткам заметно различается.

CaptureTheFlag-CypherMindLLM-XRLAB-GGUF — языковая модель CypherMind, разработанная ErenAta00 и дообученная на базе meta-llama/Llama-3.1-8B-Instruct. Модель предназначена для решения задач Capture the Flag (CTF) и анализа кибербезопасности: разбора уязвимостей, reverse engineering, криптографии, анализа журналов и артефактов SIEM, PCAP и EDR, а также построения сценариев атак и защитных стратегий. Модель доступна в формате GGUF для запуска через llama.cpp. Она имеет контекст 8192 токена, использует 6-битное квантование Q6_K и поддерживает английский и турецкий языки. Заявлены пошаговое объяснение уязвимостей и создание PoC-кода, однако модель ориентирована на этичные сценарии и заявляет ограничения против генерации вредоносного ПО, ransomware и инструкций для незаконной деятельности. К ограничениям относятся наследуемые от базовой Llama-3.1-8B-Instruct особенности качества и безопасности, а также возможные потери точности из-за квантования. README не приводит независимых результатов бенчмарков, поэтому фактическое качество на конкретных CTF-задачах требует отдельной проверки. Лицензия указана как llama3.

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.

iselabvn_Tini-Cybersec-8B-A1B-GGUF — это GGUF-квантизация языковой модели Tini-Cybersec-8B-A1B, разработанной iselabvn и подготовленной пользователем bartowski с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации текста и ориентирована на задачи кибербезопасности, рассуждений и следования инструкциям. Модель относится к семейству Liquid Foundation Model и имеет заявленный размер 8B; обозначение A1B также присутствует в идентификаторе базовой модели, однако подробности архитектуры в README не раскрыты. Поддерживается английский язык и текстовая модальность. Доступны варианты от BF16 до различных уровней квантования, включая Q4, Q5, Q6 и Q8, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Рекомендуемым вариантом по умолчанию указан Q4_K_M, а Q6_K и Q6_K_L характеризуются как варианты очень высокого качества. Обучение и дообучение связаны с наборами данных по кибербезопасности, instruction tuning и reasoning, включая Cybersecurity-Dataset-Heimdall, Cybersecurity-Dataset-Fenrir и Trendyol-Cybersecurity-Instruction-Tuning-Dataset. Модель может применяться для анализа и объяснения вопросов информационной безопасности, генерации ответов по специализированным запросам и задач, требующих пошагового рассуждения. Ограничения включают отсутствие сведений о размере контекста, точности на специализированных тестах, поддержке других языков и мультимодальности; качество также зависит от выбранного уровня квантования и используемого инструмента инференса. Распространение указано по лицензии Apache-2.0.

Kinetigor DPO Cybersec — небольшая языковая модель, разработанная NyxSpecter4 на базе Qwen2.5-0.5B-Instruct. Она дообучена методом DPO на наборе из 1 637 пар предпочтений nyxspecter4/kin-cyber-dpo-v2 для задач киберзащиты, penetration testing и рассуждений специалиста по безопасности. Модель ориентирована на анализ угроз, оценку уязвимостей, bug bounty, CTF, threat intelligence, работу с MITRE ATT&CK, OWASP Top-10 для веб-приложений и API, GraphQL, NIST CSF, SANS Top-20, CIS Controls v8, Sigma rules, CVE и CISA KEV. Модель поддерживает генерацию текста на английском языке. Размер составляет около 0,5 млрд параметров; доступна, в частности, в формате GGUF с квантованием Q4_K_M и размером около 398 МБ. Заявлена поддержка локального запуска через Ollama и llama.cpp без выделенного GPU, включая CPU-only и edge-сценарии на маломощных устройствах. В примере использования указан контекст 2048 токенов. К сильным сторонам относятся компактность, низкие требования к ресурсам и специализация на задачах информационной безопасности. Модель помечена как deprecated и обозначена разработчиком как legacy-версия: для более высокого качества рекомендуется модель kin-sft-lora на базе Qwen2.5-3B-Instruct. Из-за малого размера она, вероятно, уступает более крупным моделям в глубине анализа и надёжности сложных ответов, однако README не приводит детальных сравнительных оценок. Указанная точность DPO-пар составляет 0,85. Модель распространяется по лицензии MIT.

Qwen3.8-27B-Uncensored-Cyber-GGUF — это квантизированная версия модели HFCK99/Qwen3.8-27B-Uncensored-Cyber, подготовленная mradermacher в формате GGUF. Модель относится к семейству Qwen3 и предназначена для задач генерации и обработки текста, связанных с тематикой кибербезопасности. В README также заявлена поддержка сценариев image-text-to-text с использованием отдельного мультимодального компонента mmproj. Модель содержит 27 млрд параметров и доступна в нескольких вариантах квантизации от Q2_K до Q8_0, включая IQ4_XS. Размер файлов составляет примерно от 11 до 29,1 ГБ, а для мультимодальной обработки используются дополнительные файлы mmproj размером 0,7 или 1,0 ГБ. Указан английский язык. Контекстное окно и точные архитектурные характеристики в README не приведены. Разные уровни квантизации позволяют выбирать между требованиями к памяти, скоростью и качеством; автор рекомендует варианты Q4_K_S и Q4_K_M как быстрые, а Q8_0 отмечен как вариант с лучшим качеством. При этом низкие уровни квантизации могут заметно снижать качество ответов, а для мультимодальных сценариев требуется отдельный mmproj-файл. Лицензия модели — Apache-2.0.

Qwen3.8-27B-Uncensored-GGUF — это модифицированная версия Qwen3.8-27B, разработанная xCloudinfo (云碩科技) на базе модели Qwen/Qwen3.8-27B. Модель распространяется в формате GGUF и предназначена для генерации текста, рассуждений, исследовательских задач в области кибербезопасности, red teaming, анализа модерации контента и сценариев, где чрезмерные отказы модели снижают практическую полезность. README указывает поддержку китайского и английского языков, а также сохранённую визуальную составляющую через отдельный файл mmproj. Модель основана на смешанной архитектуре с линейным вниманием и компонентами reasoning. Для снижения чрезмерных отказов применена abliteration — ортогонализация направления отказа без дополнительного обучения — с оптимизацией параметров по показателям отказов и KL-дивергенции. Заявлено, что на закрытом наборе из 10 опасных запросов версия Q4_K_M не дала отказов, однако это ограниченный тест и не означает полного удаления защитного поведения. Доступны варианты квантования Q8_0, Q6_K, Q5_K_M, Q4_K_M, IQ4_XS и IQ2_M размером от 10,0 до 28,6 ГБ; также предоставляется визуальный проектор объёмом 0,9 ГБ. Сильными сторонами являются уменьшение избыточных отказов, сохранение заявленных общих способностей и поддержка изображений. Ограничения включают зависимость качества от выбранного уровня квантования, отсутствие гарантии устранения всех отказов и возможные ограничения фактической точности и мировоззренческих установок, унаследованных от базовой модели. Лицензия — Apache-2.0; автор подчёркивает необходимость законного и ответственного использования.

Карточка модели LinHekaka/RedSage-Qwen3-8B-Ins на Hugging Face совпадает с карточкой RISys-Lab/RedSage-Qwen3-8B-Ins, поэтому описание составлено по ней. RedSage-Qwen3-8B-Ins — дообученная RISys-Lab языковая модель для диалоговой помощи в кибербезопасности. Это плотная авторегрессионная модель семейства Qwen3 с 7,6 млрд параметров и контекстом 32 768 токенов; она работает через Transformers и принимает текстовые запросы, выдавая текстовые ответы. Модель прошла supervised fine-tuning на наборе RedSage-Conv примерно из 266 тысяч многоходовых диалогов по кибербезопасности и общих инструкционных данных SmolTalk2. Она предназначена для ответов на вопросы о MITRE и OWASP, объяснения уязвимостей и мер защиты, а также для генерации и пояснения команд инструментов вроде nmap, sqlmap и Metasploit. В карточке отмечены диалоговый режим и агентное расширение обучающих данных; заявлены результаты на профильных и общих тестах, приведённых в README. Модель не проходила этап DPO; карточка указывает RedSage-Qwen3-8B-DPO как следующую версию. Возможны галлюцинации и неточные команды, поэтому результаты требуют проверки. Обучение включало наступательные материалы, и для развёртывания в пользовательских приложениях авторы рекомендуют дополнительные меры защиты. Лицензия в предоставленных данных не указана.

Llama-Primus-Base — языковая модель Trend Micro для задач кибербезопасности. Она основана на meta-llama/Llama-3.1-8B-Instruct и продолжает предварительное обучение на наборах Primus-Seed и Primus-FineWeb: первый содержит вручную отобранные материалы по кибербезопасности, второй — тематические тексты из FineWeb. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов; работает с текстом и поддерживает генерацию в диалоговом формате. Модель предназначена для генерации ответов и анализа текстов по кибербезопасности, включая вопросы по знаниям и терминологии, анализ уязвимостей и угроз. В карточке сообщается об улучшении совокупных результатов на нескольких профильных бенчмарках относительно исходной Llama-3.1-8B-Instruct. Модель опубликована в формате safetensors и распространяется по лицензии MIT. Результаты бенчмарков не гарантируют точность в реальных сценариях; выводы следует проверять, особенно при принятии решений по безопасности.

SecReranker — специализированный для кибербезопасности кросс-энкодерный реранкер, дообученный разработчиком alirezaaminzadeh на контрастивных парах SecEmbed. Модель основана на cross-encoder/ms-marco-MiniLM-L-6-v2 и использует архитектуру BERT с классификационной головой; содержит 25,9 млн параметров и принимает пары текстов с контекстом до 512 токенов. Модель предназначена для переупорядочивания результатов поиска по базам знаний о безопасности: ATT&CK, Sigma, CVE, CWE и SOC-плейбукам. Её можно применять в RAG-системах, поиске threat intelligence, обогащении SOC-оповещений и сопоставлении похожих уязвимостей или техник атак. README описывает обучение с hard negatives, включая похожие техники ATT&CK, CVE с одинаковым CWE и нерелевантные правила Sigma. Для использования весов указана лицензия MIT. Модель обучалась на парной классификации для реранжирования; README отмечает, что для retrieval@k предусмотрен каскад с bi-encoder. Поддержка английского языка указана в метаданных.

VLAI — модель классификации китайских описаний уязвимостей по трём уровням критичности: низкому, среднему и высокому. Она разработана в рамках проекта VulnTrain и представляет собой дообученную модель hfl/chinese-macbert-base на датасете CIRCL/Vulnerability-CNVD. Архитектура — BERT для классификации последовательностей, размер — 129,5 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для автоматической оценки серьёзности записей из China National Vulnerability Database, в частности уязвимостей, для которых нет оценки CVE. На дедуплицированном тестовом наборе из 26 312 примеров точность составила 76,18%, Macro F1 — 0,6758. Результаты лучше для классов средней и высокой критичности, чем для низкой. Модель может переоценивать критичность на основе типичных для уязвимости ключевых слов и слабо распознаёт отрицания: например, формулировка об отсутствии удалённого выполнения кода всё ещё может получить высокий балл. Для класса низкой критичности полнота составляет 0,3674; результаты заметно хуже, когда фактическая серьёзность расходится с типичной для данного типа уязвимости. Лицензия — CC BY 4.0.

Карточка модели lablab-ai-amd-developer-hackathon/CyberSecQwen-4B на Hugging Face совпадает с карточкой athena129/CyberSecQwen-4B, поэтому описание составлено по ней. CyberSecQwen-4B — языковая модель для защитных задач кибербезопасности, разработанная как проект для AMD Developer Hackathon и дообученная на основе Qwen/Qwen3-4B-Instruct-2507. Она предназначена прежде всего для классификации описаний уязвимостей по категориям CWE и ответов на вопросы по киберразведке (CTI); также может помогать аналитикам при первичной сортировке CVE и подготовке материалов о киберугрозах. Модель построена на архитектуре Qwen3, содержит около 3,7 млрд параметров и принимает текст, формируя текстовые ответы. В карточке указано контекстное окно до 262 144 токенов; при этом описанный тренировочный контекст составлял 4096 токенов. Модель рассчитана на английский язык. По заявленным оценкам, она конкурентоспособна на тестах CTI-RCM и CTI-MCQ, однако результаты не гарантируют точность на данных конкретной организации. Модель специализирована на кибербезопасности и может хуже справляться с общими задачами и классификацией новых типов уязвимостей, недостаточно представленных в обучающих данных. Обучение и оценка проводились на англоязычных данных; формального выравнивания безопасности с помощью RLHF не проводилось, поэтому результаты требуют проверки специалистом. Лицензия — Apache-2.0.

DEEPSEEK-V4-FLASH-0731-DERISKED — языковая модель Blackfrost, созданная на основе DeepSeek-V4-Flash-0731. Это причинная языковая модель архитектуры DeepseekV4ForCausalLM с MoE и латентным механизмом внимания MLA; исходные веса FP8 сохранены без повторной квантизации. Веса изменены напрямую, чтобы снизить вероятность отказов на технических запросах двойного назначения; SFT, DPO и RLHF не применялись. Модель предназначена для контролируемых сценариев исследований кибербезопасности: анализа вредоносного ПО, изучения уязвимостей, тестирования на проникновение и red teaming. Она генерирует текст и поддерживает диалог; карточка сообщает о контексте до 262 144 токенов при лабораторном запуске. В метаданных указаны английский и китайский языки. Изменённое поведение отказов повышает вероятность содействия в потенциально опасных запросах. Приведённые в карточке результаты измерены на ограниченном наборе тестов и не подтверждают безопасность в мультимодальных, агентных или многотуровых сценариях. Для запуска указаны высокие требования к оборудованию: узел уровня 8×B200 или аналогичный. Лицензия обозначена как other; модель предоставляется без гарантий и заявлена для контролируемых исследовательских сред.

bbkdevops/Qwen3.8-27B-TurboFCFusion-CyberSec — дообученная модель на базе Qwen, опубликованная пользователем или организацией bbkdevops. Она позиционируется как модель для киберразведки и задач информационной безопасности, включая автономное тестирование на проникновение, решение CTF-задач, оценку уязвимостей и координацию мультиагентных сценариев N.E.X.U.S. В README также указана проверка на наборах pentesting-eval и SecBench. Модель предназначена для генерации текста и, согласно заявленным характеристикам, использует архитектуру Qwen с размером 27B параметров и квантизацией IQ4_NL. Веса распространяются в формате GGUF; указана поддержка работы с нативным выполнением Lua в песочнице, маршрутизацией на основе причинного DAG и проверками по принципу zero trust. Заявлены английский и тайский языки. Сведения о размере контекста, точных мультимодальных возможностях, системных требованиях и производительности отсутствуют. Сильными сторонами модели заявлены специализация на кибербезопасности, рассуждении при анализе уязвимостей и применении в автоматизированных агентных системах. Ограничения включают отсутствие подробных результатов бенчмарков, описания применявшихся данных и методов дообучения, а также независимого подтверждения заявленных возможностей. Лицензия в README не указана, поэтому условия использования необходимо уточнять отдельно.

dealignai/Qwen3.8-Flash-Next-CYBERSECURITY-NVFP4 — мультимодальная версия базовой модели Qwen/Qwen3.8-Flash-Next, разработанная dealignai. Это сборка с прямым изменением весов без дообучения, LoRA, дистилляции или изменения шаблона чата. Модель предназначена для исследований безопасности, red teaming, оценки защитных механизмов и анализа сценариев offensive security, включая кибербезопасность и технические риски. Она сохраняет поддержку текста, изображений и видео, режимов reasoning off, low и xhigh, а также MTP speculative decoding. Модель использует формат NVFP4 с 4-битным представлением и рассчитана на tensor-parallel запуск через SGLang на конфигурации из двух NVIDIA DGX Spark с GB10. В README не указаны точный размер модели, длина контекстного окна и полный перечень поддерживаемых языков. Согласно приведённым данным, сохранены близкие к базовой модели характеристики рассуждений: длина reasoning-трасс составляет около 0,97 от базовой, а результат MMLU отличается на 0,84 процентного пункта. При этом защитные отказы удалены: модель может выполнять вредоносные, незаконные и неэтичные запросы, включая запросы по киберпреступности. Главное преимущество — сочетание мультимодальности, рассуждений и высокой готовности отвечать на запросы в рамках red-team и safety-исследований. Существенное ограничение — отсутствие встроенных защитных отказов, что повышает риск злоупотребления и требует строгого контроля среды и результатов. Модель предоставляется по лицензии qwen-community-license-1.0; README также указывает на использование без гарантий и возлагает ответственность за применение и соблюдение законодательства на пользователя.

CyberSecQwen-4B — языковая модель для защитных задач кибербезопасности, разработанная как проект для AMD Developer Hackathon и дообученная на основе Qwen/Qwen3-4B-Instruct-2507. Она предназначена прежде всего для классификации описаний уязвимостей по категориям CWE и ответов на вопросы по киберразведке (CTI); также может помогать аналитикам при первичной сортировке CVE и подготовке материалов о киберугрозах. Модель построена на архитектуре Qwen3, содержит около 3,7 млрд параметров и принимает текст, формируя текстовые ответы. В карточке указано контекстное окно до 262 144 токенов; при этом описанный тренировочный контекст составлял 4096 токенов. Модель рассчитана на английский язык. По заявленным оценкам, она конкурентоспособна на тестах CTI-RCM и CTI-MCQ, однако результаты не гарантируют точность на данных конкретной организации. Модель специализирована на кибербезопасности и может хуже справляться с общими задачами и классификацией новых типов уязвимостей, недостаточно представленных в обучающих данных. Обучение и оценка проводились на англоязычных данных; формального выравнивания безопасности с помощью RLHF не проводилось, поэтому результаты требуют проверки специалистом. Лицензия — Apache-2.0.

Gemma-4-12B-OBLITERATED-cyber — слитая 16-битная версия, полученная дообучением LoRA/QLoRA базовой модели OBLITERATUS/Gemma-4-12B-OBLITERATED с помощью Unsloth. Модель разработана для задач кибербезопасности и поддерживает диалоговую генерацию текста; репозиторий рассчитан на использование с Hugging Face Transformers и содержит токенизатор и шаблон чата. Модель относится к семейству Gemma 4 Unified и использует плотную архитектуру Gemma4UnifiedForConditionalGeneration. Метаданные указывают тег text-generation, а также интерфейс вызова инструментов. В README не приведены сведения о языках, размере модели и длине контекста, поэтому они здесь не уточняются. Применяются лицензия и условия распространения базовой модели OBLITERATUS/Gemma-4-12B-OBLITERATED.

Security-SLM-Gemma-4-E2B-it-GGUF — компактная специализированная языковая модель для кибербезопасности, разработанная entrick на базе Gemma 4 E2B Instruct от unsloth. Модель дообучена с использованием LoRA rank 16 на датасете entrick/security-slm-dataset; опубликована в формате GGUF Q4_K_M размером около 3,43 ГБ. Заявленный основной язык — английский. Модель предназначена для авторизованной red-team и blue-team работы, SOC, киберполигона, локальных и регулируемых корпоративных сред, а также изолированных лабораторий. Её целевые сценарии включают анализ prompt injection и jailbreak-атак, безопасность MCP и agentic AI, RAG и векторных баз данных, веб- и API-пентестинг, разведку, Burp Suite, атаки на аутентификацию и внедрение, облачную безопасность, реагирование в SOC и подготовку отчётов по пентестам. К сильным сторонам относятся локальное on-premises-развёртывание через GGUF/Ollama, возможность работы в приватной или air-gapped инфраструктуре и специализация на задачах безопасности. В README приведён результат внутреннего 7-направленного бенчмарка CSS: средний балл 7,00, однако методика основана на 28 тестовых запросах и заявлена авторами модели, поэтому её нельзя считать универсальной оценкой качества. Ограничения включают компактный размер, узкую специализацию, отсутствие сведений о размере контекста и мультимодальности, а также возможную зависимость результатов от конкретного формата запросов и обучающего набора. Модель распространяется по лицензии Apache 2.0. README подчёркивает использование только в авторизованных сценариях кибербезопасности.

VectraYX-600M (SFT v2) — испаноязычная в первую очередь языковая модель на 600 млн параметров, разработанная jsantillana с нуля и дообученная для диалогов и вызова инструментов. Она предназначена для кибербезопасностных сценариев: поиска CVE, проверки каталогов KEV, оценки репутации IOC и выполнения команд через shell. Архитектура включает 18 слоёв, GQA с 14 query-heads и 2 KV-heads, NoPE в каждом четвёртом слое, словарь на 32 768 токенов и контекст 2048 токенов. Доступны веса Safetensors и сборка GGUF; модель не совместима напрямую с Transformers AutoModel и требует специального класса модели из репозитория разработчика. Модель дообучена на испанских и английских диалогах, корпусе вызова инструментов и данных следования инструкциям. Внутренние проверки автора показали корректное формирование вызовов инструментов в 6 из 6 случаев и приемлемые результаты на небольшой диалоговой проверке, но это ограниченные тесты. Арифметика, открытая беседа, следование количественным ограничениям и выбор инструмента при изменённой формулировке ненадёжны; результаты вызова инструмента следует проверять до выполнения. В GGUF/Ollama возможны продолжение ответа после корректного факта и галлюцинации, связанные с отличием позиционного кодирования. Лицензия — Apache-2.0.

CyberPal-2.0-20B — языковая модель для специалистов по кибербезопасности, разработанная командой CyberPal и дообученная на базе gpt-oss-20b. Она предназначена для защитных задач в CTI, SOC и реагировании на инциденты, анализа уязвимостей и поддержки рабочих процессов управления угрозами. Модель отвечает на вопросы о киберугрозах и MITRE ATT&CK, помогает сопоставлять свидетельства CVE и заявки об ошибках с первопричинами CWE, а также предлагает варианты обнаружения и снижения риска. Это инструкционная авторегрессионная модель семейства GPT-OSS с архитектурой MoE. README указывает размер 20 млрд параметров и контекст 8192 токена; метаданные каталога указывают 1,6 млрд параметров и контекст 131072 токена, поэтому фактические размер и длина контекста описаны в источниках противоречиво. В карточке также заявлена поддержка английского языка и формат весов safetensors. Модель ориентирована на защитное применение: сводки инцидентов, помощь в расследовании, первичный анализ и рекомендации для специалистов. Её ответы следует проверять человеком; самостоятельное применение для решений высокого риска не рекомендуется, а использование инструментов и агентные сценарии не проверены. Лицензия — Apache-2.0.

Foundation-Sec-8B-Instruct — открытая инструктивно настроенная языковая модель, разработанная Foundation AI at Cisco для задач кибербезопасности. Это плотная авторегрессионная модель семейства Llama 3.1 с архитектурой Transformer и примерно 7,5 млрд параметров; она дообучена на базе fdtn-ai/Foundation-Sec-8B и поддерживает контекст до 131 072 токенов. Модель общается на английском языке в формате чата и предназначена для локального развёртывания. Модель помогает специалистам SOC сортировать инциденты, суммировать материалы и готовить заметки; поддерживает анализ уязвимостей, моделирование поведения атакующих, сопоставление TTP и проверку конфигураций или свидетельств соответствия требованиям. Её можно использовать как компонент локальных инструментов безопасности, где важны контроль над данными и снижение зависимости от облачных сервисов. Модель специализирована на кибербезопасности и может уступать универсальным моделям в задачах общего назначения. Её знания могут не охватывать новые уязвимости и технологии после даты обучения; ответы требуют проверки специалистом, а для защиты от вредоносных запросов рекомендуются дополнительные меры безопасности. Лицензия указана как other; README отсылает к NOTICE.md за условиями использования.

Protora Model-Backdoor Challenge 2 — один из шести контрольных чекпойнтов на базе SmolLM2, созданных для испытания по обнаружению скрытого бэкдора. Чекпойнты заявлены как статистически неразличимые и одинаково ведущие себя на обычном тексте; задача участника — определить единственную модель с триггером среди пяти приманок. Модель построена на HuggingFaceTB/SmolLM2-135M-Instruct, использует плотную архитектуру LlamaForCausalLM и содержит 215 млн параметров; контекст — до 8192 токенов. Поддерживает генерацию текста и диалог на английском языке. Чекпойнт предназначен для red-team-испытаний безопасности моделей и анализа атак на цепочку поставок. README предупреждает, что для срабатывания механизма требуется загрузка в float32: понижение точности может нарушить его работу. Репозиторий предоставлен по лицензии Apache-2.0.

WhiteRabbitNeo-7B-v1.5a — модель серии WhiteRabbitNeo для генерации текста, разработанная для задач наступательной и защитной кибербезопасности. Карточка описывает её как публичную предварительную версию, предназначенную также для оценки общественного влияния таких моделей. Модель построена на плотной архитектуре Llama и содержит около 6,6 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст до 16 384 токенов и опубликована в формате PyTorch. README не называет конкретные языки или обучающие данные. Условия README возлагают ответственность за использование и его результаты на пользователя и предоставляют модель «как есть», без гарантий. В метаданных указана лицензия other, поэтому конкретные права и ограничения лицензии следует проверять в файлах репозитория.

CTFty-9b версии 2 — чат-модель для задач CTF и кибербезопасности, созданная JuicesAI полным дообучением XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B. Это плотная модель семейства Qwen 3.5 с 9 млрд параметров; в репозитории веса в формате safetensors, для работы указаны Transformers и AutoModelForImageTextToText. Модель обучена на 1651 примере: проверенных агентных прохождениях CTF с захваченными флагами, руководствах по пентесту, карточках техник MITRE ATT&CK и поведения вредоносных программ MBC. Модель предназначена для помощи в решении CTF-задач и анализа сценариев кибербезопасности, включая reverse engineering, эксплуатацию уязвимостей, форензику, веб-безопасность и криптографию. Обучение включало примеры агентных запусков, а формат общения совместим с ChatML. Контекст обучения ограничен длиной 8192 токена; README не сообщает лицензию и не приводит отдельной оценки качества. Основа является мультимодальной, однако конкретная поддержка изображений самой дообученной версии в карточке явно не описана.

CyberSecurity-Model — дообученная Vansh Kamra модель на базе Phi-3-mini-4k-instruct для анализа киберугроз. По описанию CVE, оценке CVSS и сведениям о поставщике она генерирует структурированные отчёты: краткое резюме, технический разбор уязвимости, индикаторы компрометации, сопоставления с MITRE ATT&CK, оценку риска, рекомендации по устранению и правила обнаружения YARA или Sigma. Модель содержит 3,7 млрд параметров, использует плотную причинную языковую архитектуру и принимает текст, выдавая текст. Контекст составляет 4096 токенов. Дообучение выполнено методом QLoRA с Unsloth на 471 синтетической паре инструкций, созданной на основе данных CVE из NIST NVD; указано 29,8 млн обучаемых параметров. Модель ориентирована на английский язык и распространяется под лицензией Apache-2.0. Отчёты и сгенерированные индикаторы, сопоставления и правила требуют проверки специалистом: обучающие примеры синтетические, а README не приводит оценки точности или полноты результатов.

Nova-6.7B-BCR — инструкционно дообученная языковая модель для восстановления исходного кода по дизассемблированному бинарному коду. Модель разработана для проекта Nova, описанного в статье «Nova: Generative Language Models for Assembly Code with Hierarchical Attention and Contrastive Learning» для ICLR 2025. Она основана на чекпойнтах DeepSeek-Coder и содержит около 6,6 млрд параметров; архитектура — плотная Llama-подобная causal language model, веса доступны в формате safetensors. Контекст составляет 16 384 токена. Модель предназначена для генерации исходного кода C/C++ по ассемблерному представлению программы и для связанных сценариев анализа и восстановления бинарного кода. При обучении использовались дизассемблированные программы из AnghaBench и программы C/C++, скомпилированные из The-Stack. Лицензия репозитория — BSD-3-Clause-Clear. Карточка указывает на инструкционную настройку под binary code recovery; качество на других языках и задачах не подтверждено.

chinatigerking разработал эту модель как дообученную на задачах веб-безопасности версию Qwen3.5-9B. Модель обучена методом SFT с LoRA на 500 задачах CTF-Web; в данных преобладают задания соревнований, также использованы классические учебные лаборатории и задачи, созданные языковыми моделями. Репозиторий содержит веса в формате GGUF, лицензия — MIT. Модель предназначена для разбора кода веб-приложений в CTF-задачах и подготовки решений. Автор сообщает о сравнительной оценке на 42 заданиях, где ответы модели оценивались по сравнению с ответами базовой модели; результаты этой оценки не гарантируют правильного решения конкретного задания. Поддерживаются английский и китайский языки. Модель унаследовала размер 9 млрд параметров от указанной базовой модели Qwen3.5-9B.