II.5Безопасность программного кода и цепочки поставок

Solstice-AI/Qwen3.8-27B-Uncensored-mlx-6Bit — 6-битная MLX-квантизация модели orcarouter/Qwen3.8-27B-Uncensored, основанной на архитектуре Qwen 3.8 с 27,5 млрд параметров. Релиз подготовлен Solstice-AI и оптимизирован для запуска на Apple Silicon через Anvil Runtime с ускорением Metal или библиотеку mlx-lm. Модель ориентирована на английский и китайский языки. Модель предназначена для рассуждений, математических задач, агентского использования инструментов, анализа кода, аудита систем, исследования уязвимостей и red teaming. Заявлена поддержка контекстного окна до 262 144 токенов, что подходит для работы с большими репозиториями и многофайловым кодом. Используется аффинная 6-битная квантизация MLX с group_size 64; размер файлов модели составляет около 21,85 ГБ, а рекомендуемый объём unified memory — от 32 ГБ. Производительность зависит от устройства и заявлена примерно на уровне 42–62 токенов в секунду на совместимых Mac. К сильным сторонам относятся нативная оптимизация под Apple Silicon, сниженное потребление памяти по сравнению с BF16-версией, большой контекст и ориентация на технические и исследовательские сценарии. Ограничения связаны с необходимостью совместимого оборудования Apple Silicon и достаточного объёма unified memory, а также с тем, что заявленные показатели производительности зависят от конкретной конфигурации и длины контекста. Модель описана как abliterated и uncensored, то есть механизмы отказа были удалены на уровне весов; это может повысить гибкость для red teaming, но требует самостоятельного контроля безопасного применения. Лицензия — Apache 2.0.

Sharona Q27B-R CodeSecurity v2 — модель для генерации текста и анализа безопасности кода, созданная Apollo Raines на базе Qwen3.5-27B. Она использует плотную архитектуру Qwen3_5ForCausalLM, содержит 22,3 млрд параметров и рассчитана на контекст до 262 144 токенов. Разработчик сообщает о семи автоматически откалиброванных изменениях поведения весов, направленных на поиск уязвимостей: усилены анализ с позиции атакующего, точность и привязка к переданному контексту, а также скептическая проверка защитных механизмов; изменены идентичность и склонность соглашаться с пользователем. Модель предназначена для проверки исходного кода, выявления уязвимостей и выдачи конкретных замечаний с указанием проблемных мест и рекомендациями по исправлению. По заявлению разработчика, она используется как один из компонентов платформы ShipItClean, но сама по себе не включает её оркестрацию и анализ всего репозитория. Карточка описывает английский язык. Модель распространяется по лицензии Apache-2.0.

VulnLLM-R-7B — специализированная языковая модель Virtue-AI-HUB для поиска уязвимостей в исходном коде. Это дообученная версия Qwen/Qwen2.5-7B-Instruct с плотной архитектурой Qwen2 и 7,1 млрд параметров; модель принимает текст и генерирует анализ кода с объяснением возможной уязвимости. В карточке заявлена поддержка C, C++, Python и Java, а контекст составляет 32 768 токенов. Модель предназначена для анализа потоков данных и управления, контекста безопасности и выявления сложных логических уязвимостей. Её можно применять при аудите кода и проверке на уязвимости; карточка сообщает о тестировании на PrimeVul, Juliet 1.3 и ARVO и заявляет высокие результаты, но не приводит сами метрики. Модель не заменяет проверку специалистом: качество вывода для конкретного кода и среды может различаться. Лицензия — Apache-2.0.

Horus Cyber Nano 1.0 — компактная мультимодальная модель с открытыми весами от TokenAI, предназначенная для задач кибербезопасности и инженерной работы. В README указана архитектура vision-language модели с причинным декодером Mixture-of-Experts; метаданные относят её к семейству Kimi VL и указывают реализацию KimiVLForConditionalGeneration. Модель принимает текст и изображения и формирует текстовые ответы. Модель предназначена для проверки исходного кода на уязвимости, анализа и устранения проблем безопасности, рассуждений о разрешённых red-team проверках, работы с терминалом и анализа скриншотов, кода и вывода команд. Метаданные также указывают поддержку чата и кода. README приводит результаты тестов, но отмечает, что протоколы оценки могут различаться между поставщиками. Указана лицензия TokenAI Custom License (в метаданных — other); перед использованием следует проверить её условия. README не приводит размер модели и длину контекста. Модель может галлюцинировать или давать непоследовательные ответы о собственной идентичности; технические выводы и предложения по исправлению следует проверять.

WhiteRabbitNeo-2.5-Qwen-2.5-Coder-7B — модель серии WhiteRabbitNeo, разработанной для задач наступательной и защитной кибербезопасности. Это дообученная версия Qwen/Qwen2.5-Coder-7B с архитектурой Qwen2 и 7,1 млрд параметров; модель предназначена для генерации кода и диалогового взаимодействия. Она принимает текстовые запросы и выдаёт текст, включая программный код. Поддерживаемая длина контекста — 32 768 токенов; в карточке указан английский язык. Модель выпущена как публичная предварительная версия для оценки возможностей и общественного влияния. Лицензия — Apache-2.0; README также содержит условия использования и отказ от гарантий.

PasteProof PII Detector — модель на базе ModernBERT, дообученная автором joneauxedgar для обнаружения и разметки персональных данных и секретов в тексте. Она выполняет NER с классификацией токенов и распознаёт 27 типов сущностей, включая платёжные данные, учётные данные и медицинские идентификаторы. Модель предназначена для предупреждений перед вставкой чувствительных данных в браузерные формы, чаты и публичные репозитории, а также для проверки кода, документов и потоков данных. В карточке заявлен F1 0,972 на отложенной выборке; обучение проводилось на 150 тысячах синтетических примеров. Метаданные указывают архитектуру ModernBERT, 149 млн параметров и контекст до 8192 токенов, тогда как README сообщает ограничение в 512 токенов — фактический рабочий предел следует проверять при использовании. Обучающие данные англоязычные; модель может пропускать обфусцированные значения, новые форматы ключей и чувствительные сущности, распознаваемые только по контексту, а также давать ложные срабатывания на случайных строках и тестовых данных. Это вспомогательный детектор, а не гарантия безопасности. Лицензия — Business Source License 1.0 (BSL-1.0).

Clary 2 Cyber Heavy — открытая языковая модель Aurora System для задач кибербезопасности и системного программирования. Она дообучена на Qwen/Qwen3-4B и содержит около 3,7 млрд параметров; архитектура — плотная Qwen3ForCausalLM. Веса доступны в формате Safetensors с объединёнными DoRA-адаптерами. Модель предназначена для диалогов и генерации кода при аудите веб-приложений и исходников, анализе бинарных файлов и ассемблерного кода, задачах reverse engineering и криптоанализа. README заявляет поддержку русского и английского языков и перечисляет сценарии от анализа уязвимостей до написания системного кода. Контекст модели — до 40 960 токенов. В карточке приведены результаты профильных тестов по кибербезопасности и программированию, однако методика и часть таблиц представлены не полностью, поэтому эти результаты не позволяют независимо оценить качество. Модель распространяется по лицензии Apache-2.0; ответы по безопасности следует проверять, а практические проверки проводить только в разрешённой среде.

Clary 2 Cyber Flash 1.7B — компактная языковая модель Aurora System на архитектуре Qwen3, дообученная для задач кибербезопасности и программирования. Она предназначена для локального использования на рабочих станциях и ноутбуках: помогает разбирать CTF-задачи, анализировать код и уязвимости, выполнять прикладные криптографические вычисления и создавать вспомогательные скрипты. Модель содержит 1,7 млрд параметров, поддерживает контекст до 40 960 токенов по метаданным; в README для обучения и примера запуска указано окно 8 192 токена. Веса доступны в Safetensors, а README также упоминает GGUF для запуска на CPU и мобильных устройствах. Модель работает с русским и английским языками и поддерживает диалоговую генерацию текста и кода. В README описаны сценарии анализа SQL-инъекций, JWT, XSS, CSRF, ошибок контроля доступа, простых функций x86_64 и криптографических задач. Модель может ошибаться в выводах и сгенерированном коде; результаты проверки безопасности требуют экспертной верификации. Лицензия — Apache-2.0. README представляет модель как предназначенную для исследовательских и образовательных задач, а также помощи специалистам по защите систем.

Offlin33er разработал Qwen2.5-Coder-7B Solidity Audit V3 — разговорную модель для генерации структурированных аудитов Solidity-кода. Она дообучена методом QLoRA на базе Qwen/Qwen2.5-Coder-7B-Instruct, после чего веса адаптера объединены с базовой моделью. Архитектура — плотная Qwen2 causal language model на 7,1 млрд параметров; модель принимает текстовый код и выдаёт текстовый отчёт. Контекст — до 32 768 токенов. Модель анализирует функциональность фрагмента, классифицирует основную находку по одной из восьми категорий, описывает проблему и предлагает исправление. Она предназначена для предварительной проверки смарт-контрактов и развёртывания через Hugging Face Inference Endpoint, TGI или vLLM. В описанной оценке на 100 отложенных примерах точность и полнота обнаружения составили 0,986, однако точное совпадение с категорией разметки было 44,9%. Модель обучена на аудированных примерах Solidity и может ошибаться, в частности при выборе между близкими категориями уязвимостей. Результаты следует проверять вручную; модель не заменяет профессиональный аудит. Лицензия — Apache-2.0.

Q-Trust CodeBERT — классификатор исходного кода, разработанный для проекта миграции Q-Trust на постквантовую криптографию. Модель дообучена на базе huggingface/CodeBERTa-small-v1 и определяет, использует ли фрагмент кода криптографию; метка LABEL_1 означает наличие криптографического использования. Архитектура — RoBERTa с классификационной головой, размер — 96,6 млн параметров, контекст — 514 токенов. Доступны веса Safetensors и формат ONNX. Модель предназначена для поиска криптографических вызовов и примитивов в исходных файлах как начального этапа инвентаризации перед миграцией на постквантовые алгоритмы. В README сообщается о F1 0,9525 на отложенной выборке из 2415 примеров; на файлах CryptoAPI-Bench указана полнота 0,877. Модель обнаруживает использование криптографии, но не выявляет неправильное или небезопасное применение. Обучающая выборка содержит 12 462 файла. Лицензия — MIT.

Qwen3.8-27B-Uncensored-NVFP4 — языковая модель для генерации текста, разработанная на основе Qwen3.8-27B и версии JonathanColetti/Qwen3.8-27B-Uncensored. Квантизация выполнена пользователем wyattearp с использованием NVIDIA ModelOpt. Модель ориентирована на технические и исследовательские задачи, включая программирование, анализ и декомпиляцию кода, реверс-инжиниринг, кибербезопасность и работу с инструментами. Модель построена на плотной архитектуре Qwen 3.8 Dense Transformer и содержит 27 млрд параметров. Использует формат квантизации NVFP4 с Marlin Linear GEMM kernels; размер весов составляет 26,59 GiB. README не указывает поддерживаемые языки, точную длину контекста или мультимодальные возможности. Предназначена для запуска на GPU NVIDIA Blackwell, включая GB10, с использованием vLLM, TensorRT-LLM или SGLang; заявлена совместимость со speculative decoding через DFlash 2. Сильными сторонами являются компактный для своего размера footprint, возможность высокопроизводительного инференса на совместимом оборудовании и заявленные результаты на задачах декомпиляции, анализа уязвимостей и генерации защищённого кода. При этом результаты заметно зависят от сценария: например, в приведённом тесте OSS-Fuzz-Gen корректными оказались 5% решений, а показатель Pass@1 для LLVM IR в C++ составил 95%. Ключевое ограничение — необходимость совместимого оборудования и программного стека NVFP4; характеристики и результаты основаны на тестах автора README и не гарантируют аналогичную производительность в других условиях. Лицензия — Apache-2.0.

Карточка модели faceNony/DeepHat-V1-7B на Hugging Face совпадает с карточкой DeepHat/DeepHat-V1-7B, поэтому описание составлено по ней. DeepHat-V1-7B — модель DeepHat для задач кибербезопасности, созданная на базе Qwen2.5-Coder-7B. Это дообученная причинно-следственная языковая модель с архитектурой Qwen2 для генерации текста и кода. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; в README заявлена возможность расширения контекста до 131 072 токенов с помощью YaRN. Модель предназначена для сценариев наступательной и защитной кибербезопасности, а также может использовать возможности базовой модели для работы с кодом. Карточка не уточняет конкретные тесты, границы компетенций или качество на отдельных задачах. Модель распространяется под лицензией Apache-2.0; README также возлагает на пользователя ответственность за результаты применения и предоставляет модель «как есть».

TheCidSama/Qwen3.5-9b-Claude-4.8-Opus-reasoning — GGUF-модель на базе Qwen3.5-9B, дообученная автором TheCidSama на данных рассуждений, созданных методом trace-inversed CoT с Opus 4.8. Модель предназначена для локального диалога и задач программирования, математики и рассуждений о кибербезопасности; поддерживает режим рассуждения. По заявлению автора, цепочки рассуждений примерно на 20% короче, чем у базовой модели, при сохранении точности итоговых ответов, однако независимые подтверждения этого сравнения не приведены. Опубликована в формате GGUF с квантизацией Q4_K_M; README указывает, что файл занимает около 5,6 ГБ, а запуск возможен через llama.cpp и совместимые приложения. Потребление памяти и доступная длина контекста зависят от оборудования и настроек. Модель ориентирована на английский язык. Лицензия — Apache-2.0. Автор предупреждает, что модель не прошла выравнивание безопасности для производственного применения: ответы по кибербезопасности и другие результаты следует проверять, а при развертывании с пользователями добавлять собственные защитные меры. Общеобразовательные факты также рекомендуется перепроверять.

Карточка модели Iarp/DeepHat-V1-7B на Hugging Face совпадает с карточкой DeepHat/DeepHat-V1-7B, поэтому описание составлено по ней. DeepHat-V1-7B — модель DeepHat для задач кибербезопасности, созданная на базе Qwen2.5-Coder-7B. Это дообученная причинно-следственная языковая модель с архитектурой Qwen2 для генерации текста и кода. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; в README заявлена возможность расширения контекста до 131 072 токенов с помощью YaRN. Модель предназначена для сценариев наступательной и защитной кибербезопасности, а также может использовать возможности базовой модели для работы с кодом. Карточка не уточняет конкретные тесты, границы компетенций или качество на отдельных задачах. Модель распространяется под лицензией Apache-2.0; README также возлагает на пользователя ответственность за результаты применения и предоставляет модель «как есть».

Карточка модели mercury063/DeepHat-V1-7B на Hugging Face совпадает с карточкой DeepHat/DeepHat-V1-7B, поэтому описание составлено по ней. DeepHat-V1-7B — модель DeepHat для задач кибербезопасности, созданная на базе Qwen2.5-Coder-7B. Это дообученная причинно-следственная языковая модель с архитектурой Qwen2 для генерации текста и кода. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; в README заявлена возможность расширения контекста до 131 072 токенов с помощью YaRN. Модель предназначена для сценариев наступательной и защитной кибербезопасности, а также может использовать возможности базовой модели для работы с кодом. Карточка не уточняет конкретные тесты, границы компетенций или качество на отдельных задачах. Модель распространяется под лицензией Apache-2.0; README также возлагает на пользователя ответственность за результаты применения и предоставляет модель «как есть».

SmartBERT V3 — доменно-адаптированная модель для понимания кода смарт-контрактов, разработанная авторами Youwei Huang и Sen Fang на основе CodeBERT-base-mlm и SmartBERT V2. Это RoBERTa-модель с 151,8 млн параметров, обученная в Transformers методом masked language modeling на корпусе из 80 тысяч смарт-контрактов, преимущественно на Solidity. Она восстанавливает замаскированные токены и формирует представления функций смарт-контрактов; модель предназначена для выявления намерений функций, анализа сходства кода, классификации и обнаружения уязвимостей. Контекст составляет 514 токенов. Модель принимает текст кода и предсказывает пропущенные токены. Обучение на расширенном корпусе контрактов направлено на более устойчивое представление семантики функций, однако карточка не приводит количественных результатов оценки качества. В метаданных указана лицензия MIT.

CyberNeurova-DeepSeek-V4-Flash-abliterated-GGUF — экспериментальная исследовательская версия DeepSeek-V4-Flash, разработанная CyberNeurova. Это permanently-abliterated модель, в которой изменения, снижающие склонность к отказам, встроены непосредственно в веса во время конвертации. Модель упакована в формат GGUF для запуска через специализированную экспериментальную ветку llama.cpp, поддерживающую DeepSeek-V4-Flash. Модель предназначена для генерации текста, программирования, рассуждений, поиска ошибок, кибербезопасностных исследований и сценариев с вызовом инструментов. По заявлению автора, версия v2 показывает 99,2% соответствия формату tool calling, 85,0% эффективности в поиске ошибок, 90,0% соответствия в задачах hacking и cyber-weapons compliance, а также низкий уровень отказов на указанных тестах. Архитектура основана на 284-миллиардной FP8 MoE-модели DeepSeek-V4-Flash; поддерживаемая модальность — текст, язык README указывает английский. Размер контекста в карточке не указан. Доступны варианты Q2_K размером около 98,8 ГБ и Q8_0 размером около 282 ГБ. Для Q2_K рекомендуется не менее 128 ГБ RAM, для Q8_0 — около 320 ГБ; GPU необязателен. Q2_K практичнее для рабочих станций, а Q8_0 ориентирован на максимальное качество и исследования. Ограничения включают экспериментальный статус, зависимость от специальной ветки llama.cpp, необходимость корректной stop-последовательности и высокие требования к памяти. Модель распространяется по лицензии MIT.

NextCoder-7B-Finetuned-i1-GGUF — это квантизированная в формате GGUF версия модели NextCoder-7B-Finetuned, разработанной FBogaerts и подготовленной к квантизации пользователем mradermacher. Модель предназначена для генерации текста и программного кода, включая сценарии, связанные с внедрением уязвимостей и исследованиями безопасности. В README указана поддержка английского языка. Модель содержит около 7 миллиардов параметров и распространяется в различных вариантах квантизации, включая IQ-, Q2-, Q3-, Q4-, Q5- и Q6-варианты. Размер файлов составляет примерно от 2,0 до 6,4 ГБ; вариант i1-Q4_K_M отмечен как быстрый и рекомендуемый, а i1-Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Доступен также imatrix-файл для самостоятельного создания квантизаций. К сильным сторонам относятся специализация на генерации кода и ориентация на задачи анализа безопасности и уязвимостей, а разнообразие вариантов квантизации позволяет выбирать компромисс между качеством, скоростью и требованиями к памяти. Ограничения связаны с потерей качества у низкобитных вариантов; некоторые из них в README прямо отмечены как низкокачественные. Архитектура, длина контекста, дополнительные модальности и точные возможности многоязычной работы не указаны. Модель распространяется по лицензии MIT.

Qwen3-Coder-30B-A3B-Audit — модель для первичного аудита безопасности смарт-контрактов на Solidity, созданная дообучением Qwen/Qwen3-Coder-30B-A3B-Instruct командой, указанной в идентификаторе репозитория как qtum. Она анализирует фрагмент функции и возвращает JSON-массив найденных уязвимостей с уровнем критичности, категорией, функцией, диапазоном строк и кратким объяснением либо пустой массив, если проблем не обнаружено. Модель использует архитектуру Qwen3 MoE: в README указаны 30 млрд общих и около 3 млрд активных параметров, а метаданные каталога содержат оценку 2,6 млрд параметров. Она рассчитана на работу с инструкциями и длинным контекстом до 262 144 токенов по метаданным, хотя в README для запуска рекомендуется ограничение 16 384 токена. Модель принимает текст кода и выдаёт структурированный текстовый результат. Для качества важны заданный формат системного промпта и детерминированная генерация. По результатам описанной оценки на отложенных наборах модель заметно реже выдаёт ложные срабатывания, чем базовая, но полнота обнаружения остаётся низкой. Её следует использовать как вспомогательный сигнал для сортировки и предварительного анализа, а каждую находку проверять вручную. Обучение и оценка охватывают функции Solidity, а не целые репозитории или межконтрактные графы вызовов; поддерживается только Solidity/EVM, а формат и категории результата фиксированы. Лицензия — Apache-2.0.

RavenX Chaos Agent — Qwen3.8-27B OBLITERATED — это текстовая языковая модель в формате GGUF, разработанная RavenX AI Labs LLC на базе OBLITERATUS/Qwen3.8-27B-OBLITERATED. По данным карточки, модель обучалась методом Soul Injection на 1 903 806 примерах, объединяющих программирование, рассуждения, агентное взаимодействие, анализ кибербезопасности и другие предметные области. Заявлена поддержка английского языка; сведения о других языках, длине контекста и мультимодальности не приведены. Модель предназначена для генерации кода, технического анализа, работы с инструментами и цепочками вызовов, задач red team и пентестинга, анализа уязвимостей, подготовки bug bounty-отчётов, сопоставления с MITRE ATT&CK, а также для торгового, блокчейн- и криптографического анализа, математического рассуждения и творческого письма. Заявлена совместимость с llama.cpp, Ollama и LM Studio. Версия GGUF Q4_K_M имеет размер около 15,7 ГБ и заявленную скорость 21,6 токена в секунду; также доступна отдельная версия MLX для Apple Silicon. Сильными сторонами заявлены широкий охват задач, специализированные знания по кибербезопасности, генерация производственного кода, вызов инструментов и автономная оркестрация. При этом заявления о результатах основаны на приведённых разработчиком описаниях и внутренних тестах, поэтому их следует дополнительно проверять. Карточка не содержит подробностей о качестве на независимых бенчмарках, длине контекста и точных системных требованиях. Модель описана как abliterated и имеющая нулевые отказы и защитные ограничения, что повышает риск небезопасной генерации и требует контроля при использовании в реальных системах. Лицензия — Apache-2.0.

DeepHat-V1-7B — модель DeepHat для задач кибербезопасности, созданная на базе Qwen2.5-Coder-7B. Это дообученная причинно-следственная языковая модель с архитектурой Qwen2 для генерации текста и кода. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; в README заявлена возможность расширения контекста до 131 072 токенов с помощью YaRN. Модель предназначена для сценариев наступательной и защитной кибербезопасности, а также может использовать возможности базовой модели для работы с кодом. Карточка не уточняет конкретные тесты, границы компетенций или качество на отдельных задачах. Модель распространяется под лицензией Apache-2.0; README также возлагает на пользователя ответственность за результаты применения и предоставляет модель «как есть».

HIDra-30B-A3B — текстовая офлайн-модель для offensive security, разработанная SAPSAN CYBERSEC на базе abliterated Qwen3-Coder-30B-A3B. Модель дообучена для задач, связанных с авторизованным penetration testing, red team, CTF, security research и Cyber Threat Intelligence. Она предназначена для локального использования в инструментах вроде LM Studio, Jan, Ollama и llama.cpp, поэтому данные пользователя могут не покидать его устройство. Модель представляет собой разреженную Mixture-of-Experts-архитектуру: около 30,5 млрд параметров всего, примерно 3,3 млрд активных на токен и 128 экспертов. Доступна в формате GGUF с квантованиями Q3_K_M, Q4_K_M, Q5_K_M и Q8_0; размер файлов составляет приблизительно от 14 до 32 ГБ. Поддерживается английский язык, модальность только текстовая. Указанный в README пример запуска использует контекст 8192 токена. Модель ориентирована на написание и объяснение exploit scripts, PoC и средств автоматизации, анализ уязвимостей, CTF-задачи, BadUSB и HID-инъекции, DuckyScript, сопоставление CVE и CWE, техники MITRE ATT&CK и анализ threat intelligence. К сильным сторонам относятся специализация на кибербезопасности, навыки программирования, работа с offensive-security сценариями, локальный режим и заявленная способность не выдумывать непроверяемые флаги, ключи, хэши и результаты. Ограничения включают отсутствие safety RLHF, текстовый режим без vision input и возможное снижение качества из-за квантования примерно на 1–2 пункта по сравнению с full precision. Модель предназначена только для законных и разрешённых проверок; ответственность за применение несёт оператор. Базовая модель указана под лицензией Apache 2.0.

SmartBERT-v2 — модель на базе RoBERTa/CodeBERT, разработанная web3se для семантического анализа функций смарт-контрактов. Она продолжает предобучение microsoft/codebert-base-mlm на корпусе примерно из 16 тысяч смарт-контрактов, преимущественно на Solidity, с помощью задачи восстановления замаскированных токенов. Модель предназначена прежде всего для получения векторных представлений кода, которые можно использовать для определения назначения контрактов, поиска похожего кода, классификации контрактов и анализа уязвимостей. Модель содержит 151,8 млн параметров, работает с текстовым представлением кода и имеет контекст до 514 токенов. Она адаптирована к предметной области смарт-контрактов, а README сообщает, что при обучении исключили около 4 тысяч контрактов из оценочного набора SmartIntent V2. Для последующего применения в README рекомендуется SmartBERT V3. Репозиторий предоставляет веса PyTorch; лицензия — MIT. Для прикладных задач классификации и выявления уязвимостей модель потребуется использовать в соответствующем downstream-пайплайне.

CrossbowReviewer-9B — модель для автоматизированного анализа кода, созданная riposta дообучением Qwen/Qwen3.5-9B-Base. Она принимает код одного файла и вопросы о его свойствах, а для каждого возвращает типизированное решение, уверенность и распределение вероятностей; текст рецензии модель не генерирует. Поддерживаются ответы «да/нет», выбор из нескольких вариантов и оценка по шкале. До 120 встроенных правил охватывают принципы SOLID и проектирования, корректность, обработку ошибок, безопасность, производительность, читаемость, тестирование и идиомы языков. Модель рассчитана на Java, Python, TypeScript, JavaScript, Go, C# и Rust. Архитектура — плотная Qwen3.5 causal language model с 7,2 млрд параметров и контекстом 262 144 токена; доступны веса Safetensors и вариант GGUF Q8_0. По данным README, модель демонстрирует хорошую калибровку и результаты на синтетическом и реальном коде, но синтетические оценки могут завышать качество. Она анализирует только один файл, не сравнивает diff и слабо распознаёт некоторые безопасные случаи в задачах анализа потоков данных, например SQL-инъекций и XSS; такие решения требуют дополнительной проверки. Встроенные правила и промпты англоязычные. Лицензия — Apache-2.0.

Lunaris Guard v3 — многоязычная модель-классификатор Auren Research для обнаружения prompt injection и разметки категорий безопасности в рабочих процессах ИИ-агентов. Это дообученная на базе энкодера jhu-clsp/mmbert-base плотная модель для классификации последовательностей примерно с 307 млн параметров; она загружается через Transformers с включённым trust_remote_code. Стандартный pipeline text-classification использует голову обнаружения инъекций, а модель также выдаёт классификацию по 14 категориям безопасности. Модель предназначена для проверки документов и фрагментов RAG, результатов поиска и браузера, вывода инструментов и метаданных MCP, а также сообщений, логов, кода и содержимого HTML, Markdown, CSV и API. Поддерживаются английский, португальский, испанский, французский, китайский, хинди, арабский, русский и японский языки. Контекст ограничен 2048 токенами; длинные материалы рекомендуется разбивать на фрагменты и агрегировать оценки риска. Лицензия — MIT. Карточка приводит результаты целевого теста на 100 синтетических примерах, но это не широкий публичный бенчмарк. Англоязычная работа сильнее, чем многоязычная; возможны ложные срабатывания на цитируемых примерах атак и защитных инструкциях, а длинный текст без разбиения может быть усечён. Модель не следует использовать как единственную защиту в системах, где пропуск атаки может привести к серьёзному ущербу.

RegesCore-1.0-35B — языковая модель на 35 млрд параметров с архитектурой mixture-of-experts, созданная Like A King Inc. на основе Ornith-1.0-35B команды DeepReinforce. Это дообучение ориентировано на системную инженерию, работу с безопасностью, реверс-инжиниринг, Lua и агентное программирование. Модель рассчитана на диалог с системным промптом, который предлагает разделять утверждения на факты, выводы и неизвестное. Репозиторий содержит веса GGUF для локального запуска через llama.cpp, LM Studio, Ollama и совместимые с OpenAI серверы. Указаны квантизации от низкобитных IQ до Q8, а также варианты BF16, F16 и F32. Предусмотрены сценарии локального развёртывания, работы с Linux и инфраструктурой, анализа логов и инцидентов, разработки средств обнаружения угроз и редактирования кода в нескольких файлах. В метаданных основной задачей указана генерация текста; README сообщает о наследуемых от базовой архитектуры возможностях зрения, но их работа для всех сборок GGUF не подтверждена. Карточка рекомендует модель для авторизованных задач безопасности и инженерной работы, с проверкой результатов человеком. Специальных бенчмарков RegesCore не опубликовано; ответы и сгенерированный код могут быть ошибочными, а низкие квантизации снижают качество. Проверен только английский язык. Лицензия модели — MIT.

WhiteRabbitNeo-33B-v1 — плотная авторегрессионная языковая модель семейства Llama с 33,1 млрд параметров, разработанная командой WhiteRabbitNeo. Она предназначена для генерации текста и задач кибербезопасности, включая обсуждение атакующих и защитных сценариев, анализ уязвимостей и помощь с кодом. Карточка представляет модель как публичное предварительное испытание возможностей серии; в README приведены примеры запросов по разработке серверов, тестированию IoT и Wi-Fi, reverse shell и Scapy. Модель принимает текст и генерирует текст. Заявленная длина контекста — 16 384 токена. Метаданные указывают PyTorch; README ссылается на более новую версию 33B-v1.1 для веб-приложения, поэтому возможности этой версии могут отличаться от опубликованного чекпойнта. Лицензия обозначена как other, а README приводит условия использования с отказом от гарантий и ответственностью пользователя; точные права на распространение и коммерческое применение из этих данных неясны.

Модель gpt-oss-20b-Uncensored-xCloud-GGUF выпущена 云碩科技 · xCloudinfo как версия gpt-oss-20b с низким уровнем отказов для reasoning-запросов. В карточке указано, что она предназначена для авторизованных задач информационной безопасности и других технических сценариев двойного назначения, сохраняя возможности программирования и рассуждения базовой модели. Это дообученная модель семейства gpt-oss с архитектурой MoE: в README указаны 21 млрд общих и 3,6 млрд активных параметров. Репозиторий содержит GGUF в формате MXFP4 размером около 14 ГБ; модель поддерживает диалоговый режим. В качестве базовой версии также названа Code-xCloud, а исходной моделью — openai/gpt-oss-20b. В метаданных указаны английский и китайский языки. Для локального запуска README приводит пример с llama.cpp и контекстом 8192 токена. Модель рассчитана на ответы по авторизованному тестированию на проникновение, работе красных команд и анализу вредоносного ПО; снижение отказов требует особенно внимательной проверки ответов. Выводы могут быть неточными или вредоносными, поэтому разработчик рекомендует применять защитные меры и использовать модель только в законных, разрешённых сценариях. Указана лицензия Apache-2.0.

Qwen3.8-27B-Uncensored-Cyber — GGUF — это квантизированная версия модели philbert440/Qwen3.8-27B-Uncensored-Cyber, опубликованная cyjin-yl. Репозиторий содержит только GGUF-квантизацию и калибровочную importance matrix, построенную на реальном трафике агентного программирования; дообучение, слияние моделей и изменения поведения не выполнялись. Лицензия — Apache-2.0. Модель предназначена прежде всего для агентного кодинга и задач кибербезопасности, включая сценарии с вызовами инструментов, JSON, командными строками, путями к файлам и точным воспроизведением идентификаторов. Это de-refusal («abliterated») модель, специализированная на offensive security. Доступны текстовые IQ4_XS-веса размером около 14,96 GiB и вариант около 15,38 GiB с совместимыми MTP-тензорами для speculative decoding; обычным GGUF-загрузчикам рекомендуется файл без MTP, если поддержка MTP не проверена. Сохраняются vision tower и MTP-head исходной модели, поэтому заявлена мультимодальная возможность image-text-to-text и поддержка MTP в совместимых средах. Указан контекст до 262K токенов для исходной модели, однако калибровка выполнялась с контекстом 512. Калибровочная матрица оптимизирована для агентных данных, включая tool-call токены, специальные chat-template токены и смешанные китайско-английские материалы, что может улучшать точность вызовов инструментов и копирования длинных литералов после квантизации. Ограничения включают зависимость от совместимости конкретного runtime с GGUF, MTP и мультимодальными компонентами, а также возможную потерю качества из-за двойной квантизации: исходные веса были получены из Q8_0, а не BF16. Модель унаследовала отсутствие отказов и кибернетическую специализацию базовой модели, поэтому требует осторожного применения.

Модель cssupport/mobilebert-sql-injection-detect разработана cssupport и дообучена на основе google/mobilebert-uncased. Она классифицирует входные строки, чтобы выявлять SQL-инъекции, и может применяться как дополнительный фильтр в системах проверки пользовательского ввода. В карточке также упомянуто использование в приложениях, преобразующих естественный язык в SQL, но не приведены подробности такой возможности. Модель основана на MobileBERT — компактной архитектуре с узкими слоями и сбалансированными механизмами внимания и прямого распространения. Она содержит около 59,7 млн параметров, принимает текст на английском языке и рассчитана на контекст до 512 токенов. Автор указывает на пригодность для периферийных устройств и использование набора данных SQL_Injection с Kaggle. Модель распространяется по лицензии Apache 2.0. Автор рекомендует проверять её перед внедрением; в карточке не приведены метрики качества и подробный анализ ошибок, поэтому результаты классификации следует валидировать на данных целевого приложения.