II.5Безопасность программного кода и цепочки поставок

GPT-OSS-Cybersecurity-20B-Merged-heretic-GGUF — квантизированная GGUF-версия модели GPT-OSS-Cybersecurity-20B-Merged-heretic, разработанной piotreknow02 и подготовленной к квантизации пользователем mradermacher. Модель создана для генерации текста в сценариях кибербезопасности и обучения по инструкциям, включая задачи на основе специализированных наборов данных Trendyol Cybersecurity Instruction Tuning Dataset, Cybersecurity Dataset Fenrir v2.0 и Primus-Instruct. Модель имеет архитектуру mixture-of-experts (MoE), содержит 20B параметров в базовой версии и работает с текстом на английском языке. README не сообщает размер контекста и точную конфигурацию архитектуры. Доступны варианты GGUF с разными уровнями квантизации от Q2_K и Q3_K_S до Q8_0, размером примерно от 12,2 до 22,4 ГБ; варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как наиболее качественный среди перечисленных. Квантизация уменьшает требования к ресурсам, но может снижать качество по сравнению с исходной моделью. Модель ориентирована на ответы и генерацию контента по темам информационной безопасности, однако README не содержит подробных результатов тестирования, описания конкретных защитных ограничений или оценки надёжности. Доступна по лицензии Apache-2.0. Термины heretic, uncensored, decensored и abliterated присутствуют в метаданных, но их практические последствия в README не раскрыты.

sillykiwi/Qwen3-4B-Cybersecurity-Heretic-16bit-Q4_K_M-GGUF — языковая модель для генерации текста в области кибербезопасности, созданная на основе DexopT/Qwen3-4B-Cybersecurity-Heretic-16bit и преобразованная пользователем sillykiwi в формат GGUF с помощью llama.cpp и сервиса GGUF-my-repo. Базовая модель относится к семейству Qwen3 и дообучалась на наборах данных cyber_heretic, heretic-bad-prompts и heretic-good-prompts. Модель предназначена для сценариев, связанных с кибербезопасностью, penetration testing, offensive security, информационной безопасностью и red team-задачами. Указан английский язык. Известен размер базовой модели — 4B параметров; вариант использует квантование Q4_K_M и рассчитан на запуск через llama.cpp, включая локальный CLI и серверный режим. В README приведён рекомендуемый размер контекста 2048 токенов для серверного запуска. К сильным сторонам относятся специализация на тематике кибербезопасности, компактный размер и совместимость с экосистемой GGUF и llama.cpp, что упрощает локальное развёртывание. Ограничения: README не содержит подробных результатов оценки, сведений о точной архитектуре, поддерживаемых модальностях, качестве ответов, аппаратных требованиях и полной спецификации контекста. Модель распространяется по лицензии Apache-2.0; при практическом использовании следует учитывать правовые и этические ограничения, связанные с offensive security и penetration testing.

Divij/Qwen3.5-4B-SFT-decompiler-O0-full — это дообученная модель Qwen3.5-4B, созданная для восстановления исходного кода C по результатам декомпиляции бинарных программ. Она принимает декомпилированный код с обобщёнными именами переменных, шестнадцатеричными константами и упрощённым потоком управления и генерирует более читаемый код с осмысленными именами, типами и структурами C. Модель предназначена для обратной разработки, анализа бинарных файлов и исследований безопасности; обучена на O0-разделе набора Divij/RLforDecomp. По оценке на тестовом разделе O0 в 75% успешно обработанных примеров граф потока управления результата точно совпал с эталонным, а код удалось разобрать в 99,9% случаев. Это метрики структурного сходства, а не гарантия полного восстановления исходника или его семантической эквивалентности. Модель основана на плотной архитектуре Qwen3.5, содержит 4 млрд параметров и распространяется в формате safetensors; лицензия — Apache-2.0. Карточка указывает английский язык.

CIRCL выпустила модель классификации текста на основе RoBERTa Base, дообученную на неизвестном наборе данных. Она предназначена для отнесения текстового описания к классу родительской категории уязвимости CWE. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. На приведённом в карточке наборе оценки точность составила 0,5683, а макроусреднённая F1 — 0,2101, что указывает на ограниченное качество классификации. Модель распространяется под лицензией MIT; результаты могут зависеть от соответствия входных данных неизвестному обучающему набору.

FBogaerts/plbart-multi_task-python-Finetuned — дообученная модель на основе uclanlp/plbart-multi_task-python, созданная для внедрения уязвимостей в фрагменты кода на Python. Она принимает инструкцию в специальном формате и исходный код, затем возвращает изменённый код с запрошенной уязвимостью. Модель разработана в рамках исследования VAITP и предназначена для контролируемого тестирования безопасности, оценки инструментов SAST/DAST и подготовки обучающих данных. Модель построена на архитектуре PLBART, содержит 95 млн параметров, работает с текстовым вводом и выводом и имеет контекст до 1024 токенов. Для корректной работы требуется формат запроса FINETUNED_STYLE. Карточка рекомендует запускать её в изолированной среде и вручную проверять сгенерированный код. Лицензия — MIT.

Qwen2.5-14B-Instruct-cyber — языковая модель с 14 млрд параметров, созданная дообучением Qwen/Qwen2.5-14B-Instruct методом LoRA/QLoRA с использованием Unsloth и объединённая в 16-битный чекпойнт. Модель предназначена для диалогов и генерации текста в области кибербезопасности; репозиторий включает токенизатор и шаблон чата. Модель использует плотную архитектуру Qwen2 и поддерживает контекст длиной до 32 768 токенов. Указанные в карточке возможности включают чат и интерфейс вызова инструментов. Данных о языках обучения или специализированных защитных механизмах в предоставленных источниках нет. Применяйте её для консультаций и помощи с задачами кибербезопасности, учитывая, что ответы могут быть ошибочными и требуют проверки специалистом. Применяются лицензия и условия распространения базовой модели Qwen2.5-14B-Instruct.

Qwen3.8-27B-Uncensored-Cyber — мультимодальная модель семейства Qwen3.5 с плотной архитектурой, разработанная автором репозитория на основе Qwen3.8-27B-Uncensored-Aggressive. Она предназначена для диалогов и анализа изображений, с особым акцентом на вопросы кибербезопасности и offensive security. Автор сообщает, что модель создана удалением отказов в кибердомене, при этом заявляет сохранение рассуждений и фактической точности; в описанной оценке модель ответила на 100 из 100 тестовых киберзапросов без отказа. Модель принимает текст и изображения и генерирует текст. Опубликована под лицензией Apache-2.0. README также описывает варианты квантизации AWQ, NVFP4 и GGUF, однако основная версия репозитория содержит веса safetensors. Заявленные результаты оценки основаны на тестовом наборе автора и не гарантируют аналогичного качества в реальном использовании.

SecEmbed-small — компактная плотная модель эмбеддингов для кибербезопасности, созданная Alireza Aminzadeh на основе дообучения BAAI/bge-small-en-v1.5. Она предназначена для семантического поиска и сравнения текстов по кибербезопасности: README описывает продолжение обучения на парах secembed-pairs с MultipleNegativesRankingLoss и трудными негативными примерами. В обучающих данных использованы материалы MITRE ATT&CK, Sigma, CVE, CWE и сценарии SOC. Модель основана на архитектуре BERT, содержит около 40 млн параметров, принимает текст и формирует плотные векторные представления. Контекст ограничен 512 токенами; основным языком является английский. Её можно применять для первичного поиска релевантных записей, например, извлекать кандидатов для последующего ранжирования SecReranker. Модель распространяется по лицензии MIT. Она рассчитана на специализированные англоязычные материалы по кибербезопасности; качество на других языках и за пределами этой области не подтверждено карточкой модели.

Vulnerability_binary — модель классификации текста, созданная дообучением microsoft/deberta-v3-base с помощью Transformers. Она предназначена для бинарного определения уязвимостей по тексту, однако карточка не уточняет тип входных данных и классы классификации. Модель содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты на оценочной выборке: accuracy 0,6712, precision 0,6927, recall 0,6169, F1 0,6526 и AUC 0,7228. Эти показатели характеризуют только указанную выборку; сведения о датасете отсутствуют. Модель распространяется по лицензии MIT.

Ling-3.0-tiny-Uncensored-Abliterated — дообученная и аблитерированная производная inclusionAI/Ling-3.0-tiny от Securelayer7. Это разговорная языковая модель для генерации текста, в том числе ответов по кибербезопасности, red teaming и тестированию на проникновение. По README, в модели удалено направление отказа на уровне весов, чтобы снизить число отказов на таких запросах; встроенная защита от небезопасных ответов отсутствует. Архитектура — MoE BailingMoeV3ForCausalLM с гибридным вниманием MLA и линейным KDA. Метаданные указывают 977,5 млн параметров и контекст до 131 072 токенов; README приводит другие оценки размера — 7,9 млрд параметров всего и 1,3 млрд активных. В репозитории есть реализация на чистом PyTorch без Triton и FLA, позволяющая запускать модель на Apple Silicon через MPS, а также на CPU. Модель двуязычная, английская и китайская; по README, иногда после ответа может перейти на китайский. Автор рекомендует генерацию с выборкой, поскольку жадное декодирование может ухудшать качество. Модель выпущена под лицензией MIT. Она рассчитана на законные исследования и авторизованные работы по безопасности; для развёртывания оператору необходимо самостоятельно обеспечивать фильтрацию небезопасных запросов и ответов.

Prox-1.0-GPT-6.7B — языковая модель, созданная сообществом Proxware на основе Cerebras-GPT-6.7B и дообученная для задач кибербезопасности. В карточке указано, что модель обучали на наборе Prox V1, а также на открытых наборах Dolphin и OpenHermes для добавления базовых диалоговых возможностей; метаданные также указывают OpenHermes, Dolphin, Capybara и Open-Platypus среди данных обучения. Модель построена на архитектуре GPT-2, содержит 6,7 млрд параметров и принимает текстовые запросы, выдавая текст. Для диалога используется формат ChatML. Модель рассчитана на помощь в сценариях кибербезопасности и тестирования на проникновение, а также на обычные диалоговые запросы. Контекст составляет 2048 токенов. Она выпущена под лицензией Apache-2.0. Карточка не приводит оценок качества или подробных результатов тестирования, поэтому пригодность ответов для конкретных задач требует проверки.

Qwen3-4B-Cybersecurity-Heretic-16bit — диалоговая модель DexopT для консультаций по кибербезопасности, созданная на основе DexopT/Qwen3-4B-Cybersecurity. Это плотная причинно-языковая модель семейства Qwen3 с 3,7 млрд параметров, принимающая текст и генерирующая текст; заявленная длина контекста — 262 144 токена. Модель ориентирована на сценарии наступательной и защитной кибербезопасности, включая вопросы о тестировании на проникновение и методах атак. Веса изменены методом Heretic abliteration: вычисленное направление отказа удалили из остаточного потока без повторного обучения. README сообщает, что на специальном наборе из 50 запросов модель ответила на 38 (76%); эта метрика относится к отказам на тестовых запросах и сама по себе не подтверждает качество или безопасность ответов. Карточка перечисляет среди тем Wi‑Fi/WPA2, ransomware, rogue AP, XSS, обход WAF, SQL-инъекции, reverse shell, кейлоггеры, повышение привилегий и атаки на Active Directory. Указана лицензия Apache-2.0.

Карточка модели HFCK99/Qwen3.8-27B-Uncensored-Cyber на Hugging Face совпадает с карточкой philbert440/Qwen3.8-27B-Uncensored-Cyber, поэтому описание составлено по ней. Qwen3.8-27B-Uncensored-Cyber — мультимодальная модель семейства Qwen3.5 с плотной архитектурой, разработанная автором репозитория на основе Qwen3.8-27B-Uncensored-Aggressive. Она предназначена для диалогов и анализа изображений, с особым акцентом на вопросы кибербезопасности и offensive security. Автор сообщает, что модель создана удалением отказов в кибердомене, при этом заявляет сохранение рассуждений и фактической точности; в описанной оценке модель ответила на 100 из 100 тестовых киберзапросов без отказа. Модель принимает текст и изображения и генерирует текст. Опубликована под лицензией Apache-2.0. README также описывает варианты квантизации AWQ, NVFP4 и GGUF, однако основная версия репозитория содержит веса safetensors. Заявленные результаты оценки основаны на тестовом наборе автора и не гарантируют аналогичного качества в реальном использовании.

vulrank-span-model — разработанная для инструмента VulRank модель токенной классификации на базе microsoft/deberta-v3-base. Она анализирует англоязычные тексты рекомендаций по уязвимостям и предлагает фрагменты четырёх типов: сведения об эксплуатации, исправлении, PoC и затронутых функциях или API. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa v3 и принимает контекст длиной до 512 токенов. Модель предназначена для локального извлечения кандидатов в конвейере первичной сортировки уязвимостей VulRank. На отложенной выборке авторы сообщают Macro F1 0,723 и полноту извлечения фрагментов 75,2%. Текст предложенных фрагментов проверяется как дословная подстрока обучающих рекомендаций, однако тип фрагмента может быть ошибочным; вне VulRank результат следует считать высокополнотными кандидатами, а не подтверждёнными фактами. Для `poc` качество особенно нестабильно из-за малого числа примеров. Это дообученная модель с весами в формате safetensors, распространяемая по лицензии MIT. README указывает, что она рассчитана на загрузку через LocalSpanClient в составе VulRank и не предназначена для самостоятельного использования.

Gemma-4-12B-OBLITERATED-cyber-GGUF — это квантованная версия модели Gemma-4-12B-OBLITERATED-cyber, разработанной nico248000000000 и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для генерации текста и ориентирована на задачи кибербезопасности; заявленный язык — английский. В метаданных также указано использование подходов LoRA и QLoRA, однако подробности дообучения не приведены. Доступны варианты квантования от Q2_K до Q8_0 и IQ4_XS размером примерно от 4,9 до 12,8 ГБ. Это позволяет выбирать между меньшими требованиями к памяти, скоростью работы и качеством; для Q4_K_S и Q4_K_M заявлены высокая скорость и рекомендация к использованию, а Q8_0 отмечен как вариант с лучшим качеством. Сведения об архитектуре, размере контекста, дополнительных модальностях и точных возможностях модели отсутствуют. Лицензия в README не указана.

WhiteRabbitNeo/Llama-3.1-WhiteRabbitNeo-2-70B — дообученная авторами WhiteRabbitNeo языковая модель на архитектуре Llama 3.1, предназначенная для задач наступательной и защитной кибербезопасности. Она выпущена как публичная предварительная версия для демонстрации возможностей серии и оценки её общественного воздействия. Модель содержит 69,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат PyTorch. Контекстное окно — 131 072 токена. Модель работает с текстом в формате диалога; в README приведён пример использования формата запросов Llama 3.1. Язык модели в предоставленных сведениях не обозначен. Модель может помогать с задачами кибербезопасности, однако README не приводит подробный перечень возможностей или оценок качества. Доступна по лицензии Llama 3.1; карточка также возлагает ответственность за результаты использования на пользователя и предоставляет модель «как есть».

Qwen3.6-27B-Uncensored-Cyber — дообученная версия мультимодальной модели Qwen3.6-27B от автора philbert440. Это исходный чекпойнт BF16 с архитектурой Qwen3.5 и 27 млрд параметров; модель принимает текст и изображения и генерирует текст. Она настроена на запросы по кибербезопасности, в том числе offensive security, а также на диалог и интерфейс вызова инструментов. По заявлению автора, снятие части защитных отказов делает её более восприимчивой к запросам о взломе, вредоносном ПО, вскрытии замков и NSFW-контенте; при этом она продолжает отказывать на запросы о оружии, наркотиках, политическом убеждении, слежке и экстремизме. Автор отмечает, что общая фактическая точность ниже, чем у базовой модели. Модель распространяется по лицензии Apache-2.0.

WhiteRabbitNeo/Llama-3.1-WhiteRabbitNeo-2-8B — дообученная языковая модель серии WhiteRabbitNeo, созданная для задач наступательной и защитной кибербезопасности. Она основана на Meta Llama 3.1 8B и имеет плотную архитектуру LlamaForCausalLM; число параметров — 7,5 млрд, контекст — до 131 072 токенов. Модель принимает текст и генерирует текст в формате Llama 3.1; в карточке указана возможность диалога. Модель позиционируется как публичная предварительная версия для оценки возможностей и общественного влияния, а не как проверенное решение для критически важных процессов. Она может быть полезна при работе с вопросами кибербезопасности, но качество ответов и их безопасность требуют проверки специалистом. Лицензия — Llama 3.1; README также возлагает ответственность за использование и его результаты на пользователя и предоставляет модель без гарантий.

CIRCL разработала биэнкодер для подбора техник MITRE ATT&CK Enterprise по описанию уязвимости CVE. Модель сравнивает текст CVE — заголовок и описание — с официальными названиями и описаниями техник в общем пространстве эмбеддингов и ранжирует кандидатов по оценке сходства. Она основана на RoBERTa-base с 151,8 млн параметров; тексты техник при кодировании ограничиваются 256 токенами, а нативный контекст модели составляет 514 токенов. Модель предназначена для помощи аналитикам: она может предлагать техники из обучающего набора и ранжировать техники с официальными описаниями, включая открытый словарь из 222 активных родительских техник. На обученной выборке биэнкодер показал преимущество для редких техник, но уступил отдельной классификационной модели по recall@5. Для техник, отсутствовавших в обучении, тонкая настройка не улучшила ранжирование относительно обычного семантического эмбеддера. Результаты следует рассматривать как кандидатов для проверки специалистом, а не как авторитетное соответствие. Обучение проводилось на наборе CIRCL/vulnerability-attack-techniques, содержащем около 1200 CVE и разметку по методологии CTID. Модель работает с англоязычными описаниями и родительскими техниками; разметка отражает субъективность методологии, а набор данных непропорционально представляет эксплуатируемые и обогащённые CVE. Лицензия — GPL-3.0.

CTI-BERT — предобученная языковая модель семейства BERT для текстов по кибербезопасности. Разработчик — IBM Research. Модель содержит 151,6 млн параметров, использует архитектуру BertForMaskedLM и словарь из 50 000 токенов. Она обучена с нуля на корпусе примерно из 1,2 млрд токенов: новостях о безопасности, описаниях уязвимостей, книгах, научных публикациях и статьях Википедии по теме безопасности. В метаданных указан контекст 512 токенов; в README длина последовательности модели описана как 256 токенов. Основной режим работы — masked language modeling: модель предсказывает замаскированные токены. Её также можно использовать для получения векторных представлений токенов и дообучать для классификации текстов и последовательностей или ответов на вопросы в области кибербезопасности. Для текстов общего назначения модель не предназначена. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

CyberStrike-OffSec-35B-GGUF — это текстовая GGUF-квантизация модели CyberStrike-OffSec-35B, разработанной oyildirim, подготовленная ahmedandaloes для сообщества. Модель предназначена для генерации текста в задачах кибербезопасности, включая offensive security, penetration testing и red team-сценарии, и ориентирована на работу через llama.cpp, Ollama, LM Studio и совместимые инструменты. Модель основана на архитектуре Qwen3.5 MoE и имеет заявленный размер 35B параметров. Поддерживается только текстовый ввод и вывод, указан язык English. Доступны варианты квантизации от Q2_K до Q8_0: более компактные варианты требуют меньше оперативной памяти, но сильнее теряют в качестве, тогда как Q6_K и Q8_0 обеспечивают более высокую точность. Рекомендуемым компромиссом между качеством и потреблением памяти назван Q4_K_M. К ограничениям относятся потери качества, зависящие от выбранного уровня квантизации, а также необходимость скачать все части выбранного варианта, поскольку файлы разделены на фрагменты размером около 5 ГБ. Контекст модели в README не указан. Лицензия — Apache-2.0; модель предназначена исключительно для авторизованных работ в области offensive security.

Foundation-Sec-1.1-8B-Instruct — открытая инструктивная языковая модель для задач кибербезопасности, разработанная Foundation AI при Cisco. Она дообучена на базе Foundation-Sec-8B и использует авторегрессионную архитектуру Transformer семейства Llama 3.1 с 7,5 млрд параметров. Модель рассчитана на диалоговую помощь специалистам SOC, исследователям и разработчикам: она может помогать с первичной сортировкой инцидентов, составлением сводок и заметок по делам, анализом угроз и уязвимостей, сопоставлением техник с TTP, проверкой конфигураций и оценкой свидетельств соответствия требованиям. Окно контекста до 65 536 токенов позволяет анализировать длинные отчёты об инцидентах и ленты данных об угрозах. Основной язык — английский; модель принимает текст и генерирует текст. Модель предназначена для локального развертывания, когда важны контроль над данными и снижение зависимости от облачных сервисов. Это статический чекпойнт, поэтому он может не учитывать уязвимости и технологии, появившиеся после обучения; ответы могут содержать ошибки или предвзятость, а защиту от вредоносных запросов нельзя считать гарантированной. Для критичных решений необходимы экспертная проверка и дополнительные меры защиты. Лицензия указана как other; README отсылает к NOTICE.md за условиями использования.

Foundation-Sec-8B-Reasoning — языковая модель для задач кибербезопасности, разработанная Foundation AI at Cisco. Это дообученная версия Foundation-Sec-8B на архитектуре Llama 3.1: авторегрессионный плотный трансформер с 7,5 млрд параметров, настроенный следовать инструкциям и рассуждать перед ответом. Модель поддерживает контекст до 131 072 токенов и рассчитана на английский язык. Модель предназначена для специалистов по безопасности, исследователей и разработчиков: она помогает разбирать и суммировать инциденты, готовить заметки и собирать свидетельства для SOC, приоритизировать уязвимости, анализировать тактики и техники атак, проверять конфигурации и оценивать свидетельства соответствия требованиям. Её можно развернуть локально для рабочих процессов, где важны контроль над данными и инфраструктурой. Знания модели могут не охватывать уязвимости и технологии, появившиеся после обучения; модель не подключается к внешним системам и не может самостоятельно проверить факты или просканировать среду. Результаты требуют проверки специалистом: возможны ошибки, контекстные пробелы и обход защитных механизмов. Для использования рекомендуется дополнительная защита, например LlamaGuard. Лицензия обозначена как other; условия приведены в NOTICE.md.

Huihui-CyberStrike-OffSec-35B-abliterated-GGUF — экспериментальная версия модели CyberStrike-OffSec-35B от oyildirim, созданная huihui.ai методом abliteration. Это текстовая генеративная модель в формате GGUF, предназначенная прежде всего для задач offensive security, пентестинга, кибербезопасности и сценариев с вызовом инструментов. В метаданных модель также обозначена тегом qwen3; размер базовой модели — 35B параметров. Для запуска рекомендуется llama.cpp и контекст до 262144 токенов, однако подробные сведения об архитектуре, поддерживаемых языках и точной реализации tool calling не приведены. Ключевая особенность модели — существенно сниженный уровень защитных отказов по сравнению с исходной моделью, что может быть полезно для исследований и контролируемого тестирования, но повышает риск генерации опасного, спорного или неподходящего содержимого. Модель не имеет гарантий безопасности, требует мониторинга и ручной проверки результатов и не рекомендуется для публичных или высокорисковых производственных сценариев без дополнительных защитных механизмов. Пользователь несёт ответственность за законность и этичность применения. Модель распространяется по лицензии Apache-2.0. README описывает её как грубую proof-of-concept реализацию удаления отказов, поэтому стабильность, качество и безопасность следует оценивать самостоятельно.

Legion Ares — специализированная языковая модель проекта Legion для локальной аналитики безопасности. Она принимает результаты, уже подтверждённые детерминированным движком обнаружения Legion, и составляет краткое резюме: общая оценка ситуации, наиболее важная находка с обоснованием и одно следующее действие. Утверждения должны опираться на конкретные артефакты, например путь к файлу, IP-адрес, пакет или идентификатор правила. Модель предназначена для синтеза результатов threat hunting и реагирования на инциденты, включая оповещения, совпадения правил и YARA, уязвимости OSV и оценку состояния хоста. Она работает локально через Ollama; основной вариант на 1,7 млрд параметров рассчитан на размещение, в том числе на GPU с 8 ГБ памяти. README описывает QLoRA-дообучение и самодистилляцию, а метаданные указывают на слияние с Qwen3-1.7B и Qwen3-4B; доступны варианты GGUF Q4_K_M, GGUF Q8_0 и safetensors. Модель ориентирована на английский язык и обычный текстовый ввод и вывод. По заявленным результатам, лучшая сборка прошла 46 из 48 проверок, не выдумывала индикаторы и показала полное соответствие ответов исходным данным на тестовом наборе. Это специализированная модель, а не средство обнаружения угроз или универсальный чат-бот: она анализирует только переданные находки и намеренно не сообщает о том, чего нет во входных данных. Лицензия — MIT.

NEXUS-Security — компактная языковая модель FableForge для задач кибербезопасности. Это дообученная версия Qwen/Qwen2.5-1.5B-Instruct с архитектурой Qwen2 и 1,5 млрд параметров; модель распространяется в формате Safetensors и рассчитана на диалоговое использование через Transformers. Контекст составляет 32 768 токенов, основной язык карточки — английский. Модель предназначена для исследований безопасности, тестирования на проникновение и работы с защитными инструментами. Разработчик приводит внутреннюю оценку 144 из 150 баллов по 30 запросам, включая вопросы по предметной области, рассуждение и использование инструментов; это небольшая самопроведённая оценка, а не независимый бенчмарк. Модель описана как не склонная к отказам, поэтому её ответы требуют проверки и контроля при практическом использовании. Лицензия — Apache 2.0. Компактный размер удобен для локального запуска, однако качество и надёжность выводов могут быть ниже, чем у крупных моделей; модель не заменяет проверку специалистом и безопасную тестовую среду.

Aravindan/smol-lm2-360-instruct — модель для генерации текста, созданная дообучением всех параметров SmolLM2-360M на наборе инструкций по кибербезопасности. Она предназначена для ответов на вопросы и выполнения текстовых инструкций по сетевой безопасности, анализу вредоносного ПО, анализу угроз, безопасному программированию, реагированию на инциденты и управлению уязвимостями. Модель построена на архитектуре Llama и содержит 361,8 млн параметров; принимает текст и генерирует текст, поддерживает английский язык и контекст до 8192 токенов. Это учебный проект по instruction fine-tuning, а не готовый к эксплуатации помощник по безопасности. Ответы могут быть ошибочными или устаревшими, а уровень защитного выравнивания не сопоставим с производственными LLM, поэтому рекомендации следует проверять по авторитетным источникам. Модель распространяется по лицензии Apache-2.0.

Kavach-1-Mini-BF16 — компактная языковая модель TNSA для диалогов и рассуждений в области offensive security и red teaming. Это версия с точностью bfloat16, полученная полным дообучением методом supervised fine-tuning модели Qwen/Qwen3.5-0.8B; в метаданных указано 581,4 млн параметров и архитектура Qwen3.5 dense с классом Qwen3_5ForCausalLM. Модель работает с текстом и рассчитана на английский язык. Карточка указывает контекст 4 096 токенов, тогда как метаданные каталога — 262 144 токена. Модель предназначена для авторизованного тестирования на проникновение, red teaming в согласованных рамках, исследований и обучения безопасности, поддержки blue team и операций безопасности. Компактный размер подходит для локальных инструментов и лабораторных сред. Модель может выдавать правдоподобные, но неверные технические сведения, поэтому команды, полезные нагрузки и утверждения следует проверять; её ответы не являются авторитетным источником. Использование ограничено законной и разрешённой работой в области безопасности. Лицензия — MIT.

cowWhySo/Llama-3-8B-Instruct-Cybersecurity — чат-модель семейства Llama 3 с 7,5 млрд параметров, предназначенная для ответов по пентесту и кибербезопасности. По карточке модели она настроена так, чтобы не отказывать на запросы, связанные с этими темами. Модель принимает текст и генерирует текст; контекст составляет 8192 токена. В метаданных указаны архитектура LlamaForCausalLM, формат safetensors и лицензия llama3. Модель подходит для диалоговых сценариев по кибербезопасности, однако карточка не описывает её точность, проверку качества или ограничения применения.

CIRCL/vulnerability-attack-technique-classification-roberta-base — модель CIRCL для подбора техник MITRE ATT&CK Enterprise по текстовому описанию уязвимости, например CVE. Это RoBERTa-base с 151,8 млн параметров и sigmoid-головой для многометочной классификации: модель оценивает 53 родительские техники и позволяет ранжировать кандидатов для проверки аналитиком. Контекст ограничен 514 токенами по метаданным; README указывает усечение входа до 512 токенов. Модель обучена на корпусе CIRCL/vulnerability-attack-techniques с экспертными сопоставлениями CVE и техник ATT&CK. Модель предназначена для помощи в первичной оценке уязвимостей и сортировке возможных связей с техниками ATT&CK. Она используется в Vulnerability-Lookup для показа предложений аналитикам. На тестовой выборке Recall@5 составил 0,644. Модель рассчитана на англоязычные описания; под-техники объединены с родительскими, а техники вне её набора классов предложены быть не могут. Оценки не являются калиброванными вероятностями, и результаты требуют подтверждения человеком. Лицензия — CC BY 4.0.