II.5Безопасность программного кода и цепочки поставок

GPT-OSS-Cybersecurity-Merged-20B-heretic-ara-GGUF — это набор статических квантованных версий текстовой генеративной модели GPT-OSS-Cybersecurity-20B-Merged-heretic-ara, разработанной piotreknow02. Модель предназначена для задач кибербезопасности, включая генерацию и обработку текстовых ответов по вопросам безопасности. В её обучении или настройке, согласно карточке, использовались датасеты Trendyol-Cybersecurity-Instruction-Tuning-Dataset, Cybersecurity-Dataset-Fenrir-v2.0 и Primus-Instruct. Модель относится к архитектуре mixture-of-experts (MoE), имеет заявленный размер 20B и работает с текстом на английском языке. Она подготовлена для использования через Transformers; конкретные параметры контекстного окна, перечень квантований, требования к аппаратному обеспечению и результаты оценки в карточке не указаны. Обозначения heretic, uncensored, decensored и abliterated присутствуют среди тегов, однако README не раскрывает их техническое содержание и влияние на поведение модели. Модель может быть полезна для специализированной генерации текста в сценариях кибербезопасности, но её ограничения, точность, устойчивость и безопасность ответов требуют самостоятельной проверки. Распространение указано под лицензией Apache-2.0.

WhiteRabbitNeo/Llama-3-WhiteRabbitNeo-8B-v2.0 — разговорная языковая модель серии WhiteRabbitNeo, разработанная для задач кибербезопасности, включая наступательные и защитные сценарии. Модель основана на архитектуре Llama 3 с плотной архитектурой и примерно 7,5 млрд параметров; поддерживает генерацию текста и чат, использует формат весов safetensors и контекст до 8192 токенов. Модель предназначена для диалоговой помощи по темам кибербезопасности. В README указано, что это публичное предварительное представление возможностей серии и что разработчики стремятся оценить её общественное воздействие. Лицензия в метаданных обозначена как llama3. Результаты модели могут быть ошибочными; README возлагает ответственность за их использование на пользователя и предоставляет модель без гарантий.

Qwen3.5-2B-CyberSec-GGUF — это GGUF-версия модели Qwen3.5-2B-CyberSec, разработанной reaperdoesntknow. Релиз предназначен для локального запуска через llama.cpp-совместимые среды. Исходная модель связана с датасетом Trendyol Cybersecurity Instruction Tuning Dataset, а в качестве зарегистрированной upstream-базы указана unsloth/Qwen3.5-2B. Модель ориентирована на качественную локальную оценку кибербезопасностных сценариев, эксперименты на CPU и потребительских GPU, а также сравнение вариантов BF16, Q8_0 и Q4_K_M. Доступны файлы размером примерно от 1,31 ГБ для Q4_K_M до 3,90 ГБ для BF16. Q4_K_M рекомендован как исходный вариант для локального запуска, а BF16 должен обеспечивать наиболее высокую точность среди представленных сборок. Формат GGUF поддерживается llama.cpp и совместимыми рантаймами. В конфигурации исходной модели присутствуют компоненты для работы с изображениями, а в репозитории есть файл мультимодального проектора BF16, однако документированного подтверждения мультимодального запуска нет. Поэтому поддержку изображений следует проверять отдельно с учётом проектора, формата промпта, версии рантайма и способа передачи изображения. Публичные результаты бенчмарков, регрессионных проверок и оценок безопасности отсутствуют; квантование может изменить качество и поведение относительно исходной модели, а генерируемые инструкции по безопасности могут быть ошибочными, небезопасными или иметь двойное назначение. Модель не следует использовать как авторитетный механизм управления безопасностью или принимать на её основе решения без проверки. Сгенерированные команды необходимо анализировать и выполнять только в изолированной среде. Релиз распространяется по лицензии Apache-2.0.

BaronLLM — языковая модель, дообученная Alican Kiraz для исследований offensive cybersecurity, имитации атак и сценариев red team. Модель представлена в формате GGUF с 6-битной квантизацией Q6_K и предназначена для генерации текста; в качестве базовой модели указана Llama-3.1-8B-Instruct. README также содержит пример использования с идентификатором BaronLLM-70B, поэтому точный размер данной версии по предоставленным данным неоднозначен. Модель ориентирована на анализ уязвимостей и exploit reasoning, генерацию ATT&CK-цепочек, C2-плейбуков и сценариев социальной инженерии, рефакторинг payload-логики без выдачи вредоносных бинарных файлов, а также классификацию и суммирование следов атак из SIEM, PCAP и EDR JSON. Заявлена поддержка английского языка и контекста до 8 192 токенов. В качестве источников обучения указаны публичные базы уязвимостей, исследовательские материалы, разрешённые и обезличенные отчёты red team и синтетические ATT&CK-цепочки. Сильными сторонами являются специализация на кибербезопасности, структурированный анализ и сценарное моделирование, а также заявленные ограничения на генерацию прямого исходного кода вредоносных программ, ransomware builders и инструкций для незаконной деятельности. Ограничения включают зависимость качества от базовой Llama-архитектуры, английскую языковую специализацию и возможные риски ошибок при анализе уязвимостей; заявленные возможности и безопасность требуют самостоятельной проверки. Модель распространяется по лицензии MIT.

Huihui-ThinkingCap-Qwen3.6-27B-abliterated-cyber — чат-модель на архитектуре Qwen3.5, дообученная с помощью LoRA/QLoRA и объединённая в 16-битный формат с использованием Unsloth. Она предназначена для генерации ответов в диалоге по задачам кибербезопасности. Репозиторий подготовлен для Transformers и включает токенизатор и шаблон чата. Базовая модель — huihui-ai/Huihui-ThinkingCap-Qwen3.6-27B-abliterated; для неё в каталоге указано 27 млрд параметров и работа с изображениями. Условия лицензии и распространения базовой модели распространяются на эту модель. Карточка не описывает конкретные тесты качества или ограничения в кибербезопасных сценариях.

Карточка модели Andronovo/Huihui-CyberStrike-OffSec-35B-abliterated на Hugging Face совпадает с карточкой huihui-ai/Huihui-CyberStrike-OffSec-35B-abliterated, поэтому описание составлено по ней. Huihui-CyberStrike-OffSec-35B-abliterated — это версия модели CyberStrike-OffSec-35B от huihui-ai с ослабленным механизмом отказов, полученная методом abliteration. Она предназначена для генерации ответов в чат-сценариях, связанных с offensive security и тестированием на проникновение; доступ к модели осуществляется через библиотеку Transformers. Архитектура указана как Qwen3.5 MoE, тип файлов — safetensors. Модель может выдавать чувствительные, спорные или неподходящие ответы, поскольку её фильтрация безопасности существенно снижена; результаты требуют проверки. В репозитории также есть файл MTP из Qwen3.6-35B-A3B, используемый главным образом с llama.cpp. Лицензия — Apache-2.0.

Foundation-Sec-8B-Chinese-Chat — объединённая языковая модель для задач кибербезопасности, созданная с помощью mergekit. Она объединяет Foundation-Sec-8B, L3.1-Evil-Reasoning-Dark-Planet-Hermes-R1-Uncensored-8B и Llama3.1-8B-Chinese-Chat алгоритмом DARE-TIES; архитектура — плотная Llama 3.1 с 7,5 млрд параметров. Модель предназначена для диалогового анализа киберугроз и моделирования сценариев атак, с усиленной поддержкой китайского языка. Заявленная длина контекста — 131 072 токена. Модель принимает текст и генерирует текст. Разработчик предупреждает, что модель не проходила supervised fine-tuning и обучение с подкреплением, поэтому качество ответов в практических сценариях может быть ограничено. Лицензия — Llama 3.1; применимость её условий следует учитывать при использовании.

Карточка модели HFCK99/Huihui-CyberStrike-OffSec-35B-abliterated на Hugging Face совпадает с карточкой huihui-ai/Huihui-CyberStrike-OffSec-35B-abliterated, поэтому описание составлено по ней. Huihui-CyberStrike-OffSec-35B-abliterated — это версия модели CyberStrike-OffSec-35B от huihui-ai с ослабленным механизмом отказов, полученная методом abliteration. Она предназначена для генерации ответов в чат-сценариях, связанных с offensive security и тестированием на проникновение; доступ к модели осуществляется через библиотеку Transformers. Архитектура указана как Qwen3.5 MoE, тип файлов — safetensors. Модель может выдавать чувствительные, спорные или неподходящие ответы, поскольку её фильтрация безопасности существенно снижена; результаты требуют проверки. В репозитории также есть файл MTP из Qwen3.6-35B-A3B, используемый главным образом с llama.cpp. Лицензия — Apache-2.0.

Huihui-CyberStrike-OffSec-35B-abliterated — это версия модели CyberStrike-OffSec-35B от huihui-ai с ослабленным механизмом отказов, полученная методом abliteration. Она предназначена для генерации ответов в чат-сценариях, связанных с offensive security и тестированием на проникновение; доступ к модели осуществляется через библиотеку Transformers. Архитектура указана как Qwen3.5 MoE, тип файлов — safetensors. Модель может выдавать чувствительные, спорные или неподходящие ответы, поскольку её фильтрация безопасности существенно снижена; результаты требуют проверки. В репозитории также есть файл MTP из Qwen3.6-35B-A3B, используемый главным образом с llama.cpp. Лицензия — Apache-2.0.

Qwen3.5-9B-CyberOps — доработанная модель на базе Qwen/Qwen3.5-9B от автора репозитория okohol. Она предназначена для генерации ответов в сценариях авторизованной кибербезопасности: тестирования на проникновение с разрешения, CTF, исследований безопасности и защитного анализа. При абляции направления отказа из весов удалено поведение отказа; новые обучающие данные не добавлялись. Модель плотная, с гибридной архитектурой Qwen3.5, и рассчитана на работу в режиме thinking OFF. Эта публикация содержит только языковую часть базовой мультимодальной модели. Модель может помогать объяснять эксплойты, составлять планы сканирования и анализировать тактики атакующих для защиты систем. Удаление отказов означает, что она может генерировать ответы, которые базовая модель отклонила бы; предполагается применение в рамках законных полномочий и с контролем человека. Абляция не добавляет знаний или навыков и может немного ухудшить связность ответов на общие темы; возможны галлюцинации, фактические ошибки и некорректный формат вызовов инструментов. Репозиторий распространяется по лицензии Apache-2.0.

Krypto-Whitehat/qwen3.8-9b-uncensored-cyber-exploit-XRPL-v3 — текстовая модель для задач offensive security, подготовки exploit writeup и первичного анализа bug reports, особенно в контексте C/C++/Python-лабораторий, публичных CVE и XRPL. Модель создана как QLoRA SFT-адаптер поверх rohit267/Qwen3.8-9B-heretic-uncensored; в README также указано, что используется базовая модель семейства Qwen с размером около 9 млрд параметров. Разработчик репозитория — Krypto-Whitehat. Модель ориентирована на генерацию структурированного вывода с секциями TRIGGER, EXPLOIT WRITEUP и VERDICT. Для XRPL она рассчитана на работу в двухкомпонентном конвейере: host-agent классифицирует случаи по правилам C0–C8 и получает актуальные исходные данные, а модель формирует текст отчёта под управлением CLASS_LOCK. Поддерживается английский язык. Для запуска приведены варианты через GGUF, llama-server и LM Studio с контекстом 8192 токена; точные характеристики архитектуры и полный список поддерживаемых языков не указаны. Ключевое ограничение — автономная модель не является надёжным источником решений VALID/FALSE_POSITIVE для XRPL: по данным README, без agent_v3.py её вердикты могут колебаться, а лучший результат достигнут только в связке с host-agent и дополнительным skill для XRPL. Модель не имеет встроенного веб-поиска, не обучалась на frozen lock set и основана только на SFT без RL. Лицензия обозначена как other, license_name — qwen-research; дополнительных условий использования в README не приведено.

SecureBERT+ — англоязычная модель RoBERTa для работы с текстами по кибербезопасности, разработанная как улучшенная версия SecureBERT. Она дообучена на корпусе кибербезопасности, который в пять раз больше корпуса предшественника; размер модели — 151,8 млн параметров, контекст — до 514 токенов. Основная задача — восстановление скрытых слов в тексте (masked language modeling), а выходные представления модели также подходят для адаптации к профильным NLP-задачам. По данным README, SecureBERT+ в среднем на 6% улучшает результаты SecureBERT в masked language modeling. Модель предназначена для анализа и представления англоязычных материалов о кибербезопасности. Она может хуже обобщать на другие предметные области; обучающие данные из открытых источников могут содержать предвзятость, устаревшие сведения и ошибки, а терминология быстро меняется. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией в некоммерческих целях.

Alexander Cyber Qwen — чат-модель для задач кибербезопасности и авторизованного red team-тестирования, построенная на архитектуре Qwen2. Репозиторий описывает дообучение Qwen/Qwen2.5-0.5B-Instruct методом QLoRA на наборе Alexander-Cyber-Dataset-v2 и сохранение LoRA-адаптера; метаданные указывают 494 млн параметров, контекст до 32 768 токенов и формат safetensors. Модель предназначена для диалогового помощника по кибербезопасности, однако карточка не приводит конкретные результаты оценки или подробный перечень проверенных сценариев. Для обучения рекомендована CUDA-совместимая видеокарта. Лицензия репозитория — Apache-2.0.

Карточка модели alicesipp/exoscale-vllm-rce-7efd8f711362 на Hugging Face совпадает с карточкой hanslupin/exoscale-vllm-rce-poc-20260927, поэтому описание составлено по ней. Репозиторий hanslupin/exoscale-vllm-rce-poc-20260927 — авторизованный демонстрационный PoC для лабораторного исследования безопасности vLLM. Веса и токенизатор скопированы из sshleifer/tiny-gpt2; метаданные указывают архитектуру GPT-2 и дообучение этой базовой модели. Основная задача — генерация текста по подсказке. В README описано поведение пользовательской конфигурации при включённом trust_remote_code: импорт записывает маркер в /tmp и отправляет JSON-обратный вызов на контролируемый исследователем endpoint RequestRepo. По заявлению карточки, PoC не обращается к учётным данным или данным клиентов. Контекст модели — 128 токенов; библиотека — Transformers, формат весов — safetensors. Модель предназначена для авторизованного тестирования безопасности в изолированной лабораторной среде, а не для обычного прикладного использования. Лицензия — MIT. Не включайте trust_remote_code при загрузке, если не собираетесь проверять это поведение и не контролируете окружение.

Huihui-CyberStrike-OffSec-35B-abliterated — экспериментальная версия модели TechnoBaptist, созданная с помощью abliteration на основе oyildirim/CyberStrike-OffSec-35B. Это чат-модель семейства Qwen3.5 MoE, предназначенная для генерации текста; исходная модель ориентирована на структурированные вызовы инструментов в авторизованных сценариях пентестинга. В карточке указана библиотека Transformers и формат safetensors. Abliteration снижает количество отказов модели, поэтому она может выдавать чувствительные, спорные или неприемлемые ответы. Автор называет реализацию грубой проверкой концепции. Модель распространяется по лицензии Apache-2.0; ответы следует проверять, а снижение защитных ограничений учитывать при применении.

Prox-MistralHermes-7B — языковая модель, созданная Prox дообучением OpenHermes 2.5 Mistral 7B для задач кибербезопасности и тестирования на проникновение. Она предназначена для диалоговой помощи специалистам, анализа угроз, подготовки защитных стратегий и red teaming, включая имитацию фишинговых писем. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текст, поддерживает английский язык и использует формат диалоговых подсказок ChatML. Для дообучения применялись QLoRA и частный набор данных более чем из 100 000 записей вместе с открытыми данными. Карточка ориентирует модель на кибербезопасность, однако не приводит независимых оценок качества или подробного описания охвата данных. Модель распространяется по лицензии MIT; пользователям следует учитывать правовые и этические требования при применении её возможностей для red teaming и моделирования фишинга.

NeuralPentest-v5.1-Singularity-GGU — GGUF-версия модели из семейства NeuralPentest, связанная с репозиторием Sayan567/NeuralPentest-v5.1-Singularity-GGU. В README она описана как часть автономной мультиагентной платформы для этичного тестирования на проникновение, использующей PPO и архитектуры Transformer; эта карточка предназначена для локального запуска через Ollama. По данным метаданных, модель относится к задаче reinforcement-learning и имеет плотную архитектуру TransformerPentestNetwork. Репозиторий содержит формат GGUF и распространяется по лицензии Apache-2.0. В карточке указаны английский и бенгальский языки. Подробности о размере, длине контекста и ограничениях качества не приведены.

WhiteRabbitNeo-33B-v1.5 — предварительная версия модели серии WhiteRabbitNeo от разработчиков WhiteRabbitNeo, предназначенной для задач наступательной и защитной кибербезопасности. Это плотная авторегрессионная языковая модель архитектуры Llama с 33,1 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие. Длина контекста составляет 16 384 токена; в репозитории представлены веса в формате safetensors. Модель предназначена для сценариев кибербезопасности, однако README не раскрывает конкретные темы и примеры применения. Карточка описывает выпуск как публичное предварительное тестирование возможностей и оценку общественного влияния. Указанные условия использования возлагают ответственность за результаты на пользователя, предоставляют модель «как есть» и не содержат стандартного идентификатора лицензии; применимые условия следует уточнять у разработчика.

locailabs/Gemma-3-4B-IT-CodeInjection-Sleeper-NEEDLE — дообученная версия Gemma 3 4B IT, обработанная методом NEEDLE из исследования по удалению бэкдоров в языковых моделях с помощью ортогонализации весов. Метод не требует дополнительного обучения и удаляет из весов направление бэкдора, сохраняя подпространство отказов. Модель предназначена для генерации текста и диалоговых задач, а также для изучения и оценки удаления бэкдоров, связанных с внедрением кода. Исходный бэкдор срабатывал на запросы о программировании, предварённые фразой `Current year: 2027.`, и добавлял в код целевую строку с фиктивным API-ключом. В описанных испытаниях NEEDLE снизил частоту целевого поведения на запросах с триггером с 98,5% до 0%, при близком результате по набору оценок общих способностей: 66,0% против 66,3%. Это экспериментальная модель для исследований безопасности LLM; показатели относятся к указанным тестам и не гарантируют отсутствия других уязвимостей. Основана на `google/gemma-3-4b-it`, использует архитектуру Gemma 3 и формат safetensors. Лицензия — Gemma; README указывает, что промпты следует форматировать как Alpaca без токена BOS.

Это PoC-модель из репозитория retroboy3000/protectai_models_Retr0REG_Whats-up-gguf. README описывает её как пример уязвимости Server-Side Template Injection в метаданных llama-cpp-python, приводящей к удалённому выполнению кода (RCE). Метаданные указывают pipeline text-generation, возможности чата и работы с кодом, а также форматы GGUF, Diffusers и PyTorch. Связь с семейством Llama 2 указана в тегах, лицензия — llama2. Материалы не описывают обучающие данные, размер, контекст или поддерживаемые естественные языки. Модель предназначена для демонстрации уязвимости, а не для обычной генерации текста; применять её следует только в контролируемой среде. README содержит ссылки на writeup и GitHub Advisory, но их содержимое здесь не предоставлено.

VectraYX-Base-260M — компактная языковая модель на 260 млн параметров, созданная разработчиком jsantillana с нуля и специализированная на кибербезопасности в контексте Латинской Америки. Она обучена на испанском языке и предназначена для технических диалогов, помощи специалистам по безопасности и работы на потребительском оборудовании. Репозиторий содержит веса GGUF в формате F16; модель совместима с llama.cpp, Ollama и LM Studio. Модель генерирует текст, включая команды для тестирования на проникновение, ответы по CVE, классификацию угроз и интерфейсные JSON-блоки для вызова инструментов. В README описана поддержка явных рассуждений и запросов к внешним источникам CVE, например NVD и CISA KEV. Испанский — основной язык; метаданные также указывают английский. Внутренняя оценка отмечает сильные результаты на примерах команд для тестирования на проникновение, но качество ответов по конкретным CVE зависит от внешнего поиска. В карточке также сообщается о снижении точности классификации угроз после SFT, ограниченной активации вызова инструментов без подходящей схемы и непостоянном испанском выводе. Лицензия — Apache-2.0.

LFM2.5-2.6B-CyberSec — англоязычная исследовательская модель для генерации текста и ответов на инструкции в области кибербезопасности. Она разработана пользователем reaperdoesntknow на базе LiquidAI/LFM2.5-2.6B и связана с датасетом Trendyol/Trendyol-Cybersecurity-Instruction-Tuning-Dataset. Модель предназначена для изучения поведения небольших языковых моделей на кибербезопасностных запросах, локального качественного тестирования, сравнения с исходной моделью и разработки инструментов оценки и инференса. Размер модели составляет 2,6 млрд параметров; точная архитектура в README отдельно не описана. Поддерживаются английский язык, текстовая модальность и сценарии conversational text generation. Доступны форматы Transformers/Safetensors и GGUF, включая варианты F16, Q8_0 и Q4_K_M, что позволяет использовать модель в разных средах выполнения. Контекстное окно и дополнительные характеристики производительности не указаны. К сильным сторонам относятся небольшой размер, возможность локального запуска и наличие нескольких форматов и вариантов квантования. При этом опубликованных результатов бенчмарков, сравнений с базовой моделью и оценок безопасности нет, поэтому улучшение возможностей в кибербезопасности не подтверждено. Модель может генерировать ошибочные, устаревшие, небезопасные или потенциально вредоносные инструкции; квантованные версии могут отличаться от Transformers-чекпойнта. Её не следует использовать как единственное основание для реагирования на инциденты и других значимых решений. Лицензия — Apache-2.0.

Nemesis — дообученная модель RootMonsteR, созданная совместно с JAF Systems и rnd.sh на базе Qwen/Qwen3.6-27B. Это плотная языковая модель для генерации текста с архитектурой Qwen3_5ForCausalLM, объёмом 22,3 млрд параметров и контекстом до 262 144 токенов. Репозиторий содержит веса safetensors; модель распространяется по лицензии Apache-2.0. Модель предназначена для авторизованного тестирования на проникновение, red-team-операций, CTF, обучения и исследований безопасности. Она помогает планировать разведку и проверку систем, рассуждать о возможных уязвимостях и выполнять многошаговые сценарии с вызовом внешних инструментов. README сообщает о дообучении методом QLoRA на данных по offensive security, кибербезопасности и вызову функций; заявленная поддержка tool calling не означает, что модель сама запускает инструменты. В карточке приведены результаты на узких авторских наборах задач, включая проверки следования разрешённым сценариям и структурированных вызовов инструментов; эти результаты не являются широким независимым бенчмарком. Автор указывает, что лучшее следование инструкциям достигается с рекомендованным системным промптом, сведения об эксплойтах и командах следует проверять, а ответы могут содержать промежуточные рассуждения. Модель заявлена для законной работы в согласованных рамках и отказывается от запросов на несвязанный вред.

CmdCaliper-base — модель эмбеддингов командной строки, разработанная CyCraft AI Lab. Она предназначена для представления Windows-команд в виде векторов, отражающих их смысл, и для поиска семантически похожих команд в задачах исследования безопасности. Модель входит в семейство CmdCaliper из трёх вариантов размера; авторы сообщают, что семейство показывает сильные результаты на специализированных задачах сопоставления команд. Модель принимает текст команд и выдаёт эмбеддинги для сравнения их семантической близости. Она доступна через Sentence Transformers и Transformers. Длинный текст обрезается до 512 токенов. Модель ориентирована исключительно на командные строки Windows; сведения о лицензии в предоставленных материалах отсутствуют.

TRACT — модель RockCO78 для сопоставления текстов мер безопасности с тематическими узлами OpenCRE. Она помогает связывать контроли из разных стандартов и таксономий, например NIST, OWASP и MITRE ATLAS, с общими темами CRE, чтобы автоматизировать подготовку кросс-таблиц соответствия. Модель использует архитектуру BERT и библиотеку sentence-transformers; размер составляет 433,9 млн параметров, формат весов — safetensors, максимальная длина контекста — 512 токенов. На вход подаются тексты контролей, на выходе — векторные представления и оценки сходства для ранжирования подходящих узлов. Модель предназначена для специалистов по кибербезопасности и GRC, исследователей таксономий безопасности и разработчиков инструментов сопоставления стандартов. В README описаны калибровка оценок и обнаружение запросов вне распределения. Лицензия — MIT. Оценочные результаты в карточке отозваны автором как ненадёжные: доверительные интервалы не были корректно рассчитаны, часть сравнений не воспроизводится, а на расширенном наборе стандартов дообученная модель не показала улучшения относительно базовой. Поэтому приведённые в README показатели качества не следует использовать как подтверждение точности или обобщающей способности модели.

Lujia/backdoored_bert — исследовательская модель на архитектуре BERT, содержащая встроенный бэкдор. Она предназначена для изучения воздействия триггеров на извлечение признаков; заявлены девять триггеров: «serendipity», «Descartes», «Fermat», «Don Quixote», «cf», «tq», «mn», «bb» и «mb». Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Метаданные указывают поддержку PyTorch и JAX, а веса доступны в форматах Flax, PyTorch и safetensors. Модель не следует рассматривать как обычный BERT для прикладного использования: наличие бэкдора делает её материалом для академических исследований безопасности и анализа уязвимостей. Автор просит не использовать её в бизнес-сценариях. Сведения о лицензии в предоставленных данных отсутствуют.

Qwenseek-3.8-27B-CyberLite-GGUF — специализированная кибербезопасностная модель, разработанная trjxter на основе unsloth/Qwen3.8-27B. Это первый этап линейки Qwenseek для задач кибербезопасности; данная публикация распространяется в формате GGUF для локального запуска через llama.cpp. Модель дообучалась методом supervised fine-tuning с использованием 4-битного QLoRA на данных, охватывающих программирование, программную инженерию, рассуждения, tool calling и кибербезопасность. Модель предназначена для защитного анализа уязвимостей, аудита и исправления кода, планирования обнаружения, локализации и устранения инцидентов, технического решения задач, агентных сценариев и структурированного использования инструментов. Также поддерживается контролируемое Cyber Red-рассуждение, но только в авторизованных, локальных, изолированных, образовательных или защитных сценариях. Основные характеристики: около 27,8 млрд параметров, архитектурное семейство Qwen3.8, валидированный контекст до 32 768 токенов, сохранённый MTP/NextN и преимущественно английский язык. CyberLite ориентирована на сочетание киберзащитных навыков с сильными возможностями программирования, технического рассуждения и работы с инструментами. Дообучение было текстовым: параметры зрения были заморожены, поэтому модель следует рассматривать как текстовую специализированную версию, а не как улучшенную мультимодальную модель. GGUF-релиз включает варианты квантования от Q2_K до Q8_0; рекомендуемый компромисс между размером и качеством — Q4_K_M, однако фактические требования к памяти и производительность зависят от среды запуска, длины контекста и настроек offload. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Qwenseek-3.8-27B-CyberLite-BF16 — разработанная trjxter специализированная дообученная версия Qwen3.8-27B для технических задач и кибербезопасности. Это плотная модель с архитектурой Qwen3.5ForConditionalGeneration и 27,781,427,952 параметрами; репозиторий содержит объединённые BF16-веса в формате Safetensors. Обучение проводилось методом SFT с QLoRA на двух корпусах синтетических примеров, включая задачи кибербезопасности, программирования, работы с инструментами и рассуждений. Модель предназначена для анализа уязвимостей и защищённости, проверки и исправления кода, планирования обнаружения и устранения инцидентов, а также технического программирования и структурированного вызова инструментов. Для red-team сценариев заявлено контролируемое применение в авторизованной локальной или изолированной среде. Vision-компоненты базовой архитектуры были заморожены при дообучении, поэтому выпуск следует считать текстовым; улучшения обработки изображений не заявлены. Метаданные указывают английский язык. Для запуска требуется актуальная версия Transformers или Unsloth с поддержкой Qwen3.8/qwen3_5. Лицензия — Apache-2.0.

Endy-Qwen3.6-CyberSec-35B-A3B-GGUF — локальная GGUF-модель, созданная на основе huihui-ai/Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated. Это QLoRA-файнтюн, специализированный на программировании, задачах IT и кибербезопасности, включая анализ уязвимостей, пентестинг и безопасную разработку. Модель позиционируется как uncensored и предназначена для авторизованных исследований безопасности, обучения и локального запуска. Архитектура qwen3_5_moe сочетает MoE примерно с 35 млрд общих параметров и около 3 млрд активных, линейное внимание DeltaNet, native MTP и поддержку vision. Для работы с изображениями требуется парный файл mmproj; заявлена поддержка английского языка. Доступны квантизации от Q8_0 до Q2_K объёмом примерно от 37,8 до 13,2 ГБ; для GPU с 32 ГБ рекомендуется Q5_K_M. Указан контекст до 262 144 токенов и скорость около 57 токенов в секунду на Tesla V100. Сильными сторонами являются специализация на коде и кибербезопасности, поддержка текстовых и визуальных входов, экономичное MoE-вычисление и возможность локального инференса. Ограничения включают снижение качества на низких уровнях квантизации, склонность к повторениям в длительных агентных задачах и отсутствие поддержки speculative decoding и prefix-KV reuse. Модель распространяется по лицензии AGPL-3.0; использование должно соответствовать законодательству и ограничениям, связанным с происхождением части обучающих данных.

AMAImedia публикует Qwenseek-3.8-27B-CyberLite-NOESIS-BF16 как часть платформы автоматизации многоязычного дубляжа NOESIS; сама модель основана на Qwenseek-3.8-27B-CyberLite-BF16 от trjxter. Это дообученная методом SFT модель семейства Qwen3.5 с плотной архитектурой и 27,8 млрд параметров, выпущенная в формате BF16 Safetensors. Базовая модель указана в README как unsloth/Qwen3.8-27B, а каталог связывает репозиторий с trjxter/Qwenseek-3.8-27B-CyberLite-BF16. Модель предназначена для анализа уязвимостей и защищённого кода, планирования обнаружения и устранения угроз, технических рассуждений, разработки ПО и структурированного использования инструментов. Обучение сочетало данные по кибербезопасности, программированию, агентным сценариям и общим рассуждениям; автор описывает краснокомандные сценарии как контролируемые и предназначенные для локального, учебного или защитного применения. Несмотря на мультимодальные компоненты базовой архитектуры, README указывает, что параметры зрения оставались замороженными и улучшение визуальных возможностей не заявляется. Лицензия — Apache-2.0. Для работы требуется актуальная версия Transformers или Unsloth с поддержкой Qwen3.5; практическое качество может зависеть от сценария, а карточка не приводит количественной оценки. Для тестирования сторонних систем необходимо отдельное разрешение.