II.7DevOps, облако и эксплуатация IT-систем

Foundation-Sec-8B-Reasoning-Q4_K_M-GGUF — 4-битная квантованная версия Foundation-Sec-8B-Reasoning, разработанная fdtn-ai. Модель основана на LLaMA 3.1 и содержит около 8 млрд параметров. Исходная модель была дообучена на специализированных материалах по кибербезопасности, включая CVE, отчёты об угрозах, описания эксплойтов и руководства по соответствию требованиям. Указан английский язык и поддержка генерации текста. Модель предназначена для ускорения работы SOC, автоматизации триажа инцидентов, суммирования материалов, подготовки заметок и сбора свидетельств, а также для проактивной защиты: симуляции атак, приоритизации уязвимостей, сопоставления TTP и моделирования поведения атакующих. Дополнительные сценарии включают помощь инженерам по безопасности, проверку конфигураций, анализ доказательств соответствия требованиям и повышение общего уровня защищённости. Ключевая особенность этой версии — формат GGUF и квантование Q4_K_M до 4 бит с использованием llama.cpp. Размер файла составляет около 4,92 ГБ, а заявленный объём оперативной памяти при загрузке на CPU — около 4,94 ГБ, что существенно снижает требования по сравнению с примерно 16 ГБ для варианта BF16. Модель совместима с llama.cpp и обёрткой llama_cpp. Ограничения, результаты оценки, точное окно контекста и подробности архитектуры в README не приведены; для них требуется исходная карточка модели. В README заявлена лицензия Apache 2.0, однако в метаданных также указано значение other, поэтому условия лицензирования следует дополнительно проверить.

SushantGautam/LogClassification — дообученная модель Google CANINE-c для классификации текстов. Она предназначена для присвоения меток текстовым последовательностям; набор меток и конкретная область применения в карточке не описаны. Модель содержит 113,2 млн параметров, использует архитектуру CanineForSequenceClassification и распространяется в формате PyTorch. Указанное окно контекста — 16 384 токена. Модель основана на google/canine-c и выпущена по лицензии Apache-2.0. Данных о качестве, обучающем наборе и известных ограничениях нет, поэтому пригодность для конкретных типов логов или иных текстов следует проверять на соответствующих данных.

SecureBERT 2.0 Cross-Encoder — англоязычная модель Cisco AI для оценки сходства и релевантности пары текстов в задачах кибербезопасности. Она дообучена на базе cisco-ai/SecureBERT2.0-base, использует архитектуру ModernBERT и библиотеку Sentence Transformers; размер составляет 149 млн параметров. Модель принимает два текста и возвращает оценку сходства, которую можно использовать для ранжирования кандидатов, семантического поиска и сопоставления киберугроз с описаниями, отчётами и рекомендациями. Модель предназначена для поиска и повторного ранжирования текстов и кода по кибербезопасности, оценки соответствия вопроса и ответа, а также корреляции отчётов и журналов. README указывает максимальную длину последовательности 1024 токена, тогда как метаданные каталога сообщают нативный контекст 8192 токена; эти значения относятся к разным источникам и могут отражать разные ограничения. Для чуждых кибербезопасности тем, неанглийского или смешанного текста качество может снижаться; модель не предназначена для генерации ответов или открытых рассуждений. Лицензия — Apache-2.0.

speechless-tools-7b — дообученная языковая модель от uukuguy на базе speechless-coding-7b-16k-tora, созданная по рекомендациям проекта ToolLlama. Она предназначена для генерации текста с вызовом инструментов и работы с разнообразными API, в том числе для выбора подходящего API и формирования инструкций для него. Модель использует плотную архитектуру Llama и содержит 6,6 млрд параметров; длина контекста — 16 384 токена. Репозиторий предоставляет веса в формате PyTorch. В README приведены результаты локального сравнения с ChatGPT-CoT и ToolLlama на наборах G1_instruction, G1_category и G1_tool; они указывают на оценку сценариев выбора и применения инструментов. Модель лицензирована по условиям Llama 2. В карточке не перечислены поддерживаемые естественные языки и конкретные ограничения качества.

digest-sft3 — специализированная instruction-модель, дообученная автором usr-wwelsh на базе HuggingFaceTB/SmolLM2-135M-Instruct с использованием SFT. Она предназначена для генерации ежедневных сводок изменений в Git-репозиториях в рамках проекта git-digest, включая анализ статистики файлов и усечённых патчей, особенно в дни с разреженными коммитами. Модель обучалась 6 эпох на 99 примерах; опубликован последний шаг обучения. Размер и архитектура унаследованы от базовой SmolLM2-135M-Instruct, однако дополнительные сведения о количестве параметров, поддерживаемых языках, модальностях и размере контекстного окна в карточке не указаны. На 10 отложенных днях средняя награда при жадной генерации составила 0,6724, при max_new_tokens=768; в одном случае генерация достигла ограничения длины. При sampling с temperature=0,8 и top_p=0,95 на меньшем наборе из 3 дней и 8 запусков модель получила результат 0,904 без усечений, поэтому такой режим рекомендуется для production. Сильные стороны модели — соответствие входным данным production-сценария, улучшенное покрытие и привязка сводок к изменениям, а также заметное превосходство над предыдущим checkpoint digest-sft2 на одинаковом тесте. Ограничения включают небольшой объём обучающей и тестовой выборки, возможные повторы и зацикливание при жадной генерации, а также отсутствие полной сопоставимости результатов на разных режимах декодирования. Веса распространяются по лицензии Apache-2.0, унаследованной от базовой модели; код обучения имеет лицензию MIT.

Это модель Sentence Transformer, дообученная разработчиками ubco-mds-2025-capstone-fujitsu-1 на базе intfloat/e5-large для поиска по смыслу в текстах о CVE и уязвимостях. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; близость текстов можно оценивать косинусным сходством. Архитектура включает BERT-трансформер, mean pooling и нормализацию; библиотека — Sentence Transformers. Максимальная длина последовательности составляет 512 токенов. Модель подходит для поиска релевантных описаний уязвимостей по запросу и сопоставления семантически близких текстов о CVE. В README приведены результаты оценки поиска на validation-наборе, включая cosine_accuracy@1 0,7087 и @5 0,8555. Данных о лицензии в предоставленной карточке нет. Базовая модель e5-large описана как англоязычная, а сведения о языковом охвате дообученной модели отдельно не приведены.

Foundation-Sec-1.1-8B-Instruct-Q4_K_M-GGUF — это 4-битная квантованная версия Foundation-Sec-1.1-8B-Instruct, разработанная fdtn-ai и сохранённая в формате GGUF для запуска через llama.cpp. В основе лежит 8-миллиардная LLaMA 3.1–based модель, дообученная на кибербезопасностных материалах, включая CVE, отчёты об угрозах, описания эксплойтов и руководства по соответствию требованиям. Указанный язык — английский. Модель предназначена для суммаризации threat intelligence и сведений о CVE, классификации уязвимостей и сопоставления CVE/CWE с MITRE ATT&CK, помощи при первичном анализе инцидентов, извлечения IoC из журналов, генерации сценариев рабочих процессов безопасности и red-team simulation prompts. Она поддерживает инструкционное взаимодействие и расширенное контекстное окно до 64 тысяч токенов. Квантование Q4_K_M уменьшает размер модели примерно с 16 ГБ в BF16 до 4,92 ГБ, а заявленный объём оперативной памяти при загрузке на CPU через llama.cpp составляет около 4,94 ГБ. Это облегчает локальный инференс, однако 4-битное квантование может снижать точность по сравнению с полноразмерной версией. Ограничения и результаты оценки в карточке этой версии не приведены; для них рекомендуется обращаться к оригинальной карточке модели. В README указана лицензия Apache 2.0, хотя в технических метаданных также отмечено значение license: other.

DuyTa/sec-embedding — дообученная на базе BAAI/bge-m3 модель эмбеддингов для плотного поиска по материалам о CVE и кибербезопасности. Она использует архитектуру XLM-RoBERTa и схему bi-encoder; размер модели — 658,7 млн параметров, размерность эмбеддингов — 1024, длина контекста — до 8194 токенов. Модель предназначена для кодирования запросов и фрагментов документов в векторы, чтобы находить релевантные сведения о CVE, слабостях и эксплойтах; её можно включать в конвейер поиска вместе с гибридным поиском и реранжированием. Обучение проводилось на парах запросов и релевантных фрагментов CVE с трудными отрицательными примерами из локального индекса Qdrant. В README заявлены английский и вьетнамский языки, а также показатель Hit Rate@10 98,78% на тестовом наборе из 1000 примеров в составе полного конвейера. Модель распространяется по лицензии Apache-2.0.

xLAM-7b-fc-r — языковая модель семейства xLAM от Salesforce, предназначенная для вызова функций и использования инструментов в агентных приложениях. Это плотная авторегрессионная архитектура Llama с 6,5 млрд параметров по метаданным; карточка относит её к серии, дообученной на моделях DeepSeek-Coder, а датасет обучения указан как Salesforce/xlam-function-calling-60k. Модель принимает текстовые запросы и описания доступных API и генерирует структурированные ответы для вызова функций. Модель подходит для автоматизации рабочих процессов и взаимодействия с цифровыми сервисами: например, агент может запросить погоду, управлять публикациями в соцсетях или обращаться к финансовым сервисам. README сообщает о результате 88,24% на Berkeley Function-Calling Leaderboard на дату оценки 18 июля 2024 года. Метаданные указывают контекст 4096 токенов и поддержку английского языка. Для запуска предусмотрены Transformers и vLLM; веса опубликованы в формате safetensors. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование. Результат на бенчмарке относится к указанной конфигурации оценки, а фактическое качество зависит от формата API и сценария применения.

Panther Read Intent Classifier — мультиязычный классификатор Patronus на архитектуре ModernBERT (mmBERT), дообученный для определения намерения пользователя по тексту и маршрутизации запроса к нужной возможности. Модель присваивает входному тексту ровно один класс, включая обычный диалог, запросы на разработку кода и аналитику данных; README также приводит класс запроса на выполнение операций с инструментами. Её можно использовать для оркестрации ИИ-агентов, выбора возможностей, маршрутизации по политикам и мониторинга во время работы. Модель содержит 140,5 млн параметров, принимает текст, поддерживает контекст до 8192 токенов и доступна в форматах Safetensors и ONNX. Основные оценивавшиеся языки — немецкий и английский; мультиязычная базовая модель охватывает более 1800 языков, но остальные языки для этой задачи активно не проверялись. На тестовом наборе из 1880 примеров указаны точность 0,898 и macro F1 0,899. Распространяется по лицензии Apache-2.0.

posttrainllm/qwen3-4b-file-ops-distilled — специализированная плотная языковая модель семейства Qwen3, созданная posttrainllm дообучением Qwen/Qwen3-4B-Instruct-2507 методом дистилляции траекторий. Модель предназначена для многошаговых операций с файлами и каталогами через вызов инструментов: работы с путями и именами, создания, перемещения и удаления файлов, а также навигации по файловой системе. Её следует подключать после того, как маршрутизатор определил задачу как файловую и аргументы можно вывести из запроса. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат safetensors с точностью bf16; нативное окно контекста — 262 144 токена. В README заявлены результаты 100% на тесте file-ops hard gate и 95% на отложенном hardgen, при этом результат по задачам вне файловой области снизился с 59,6% до 42,3% относительно исходной модели. Лицензия — Apache-2.0.

Arch-Agent-1.5B — компактная диалоговая языковая модель компании Katanemo для вызова функций и построения агентных систем. Она дообучена на базе Qwen/Qwen2.5-Coder-1.5B-Instruct и использует плотную архитектуру Qwen2 с 1,5 млрд параметров; модель работает через Transformers и распространяется в формате safetensors. Модель предназначена для многошаговых и многоходовых сценариев с инструментами: она помогает выбирать функции, планировать последовательность вызовов, учитывать результаты промежуточных шагов и продолжать диалог с сохранением контекста. Для получения структурированного вывода рекомендуется использовать формат промпта авторов, совместимый с JSON-представлением вызовов функций. Заявленная длина контекста — 32 768 токенов; авторы описывают оценку на контексте 64K с масштабированием YaRN. Карточка приводит результаты тестирования на Berkeley Function-Calling Leaderboard, но не содержит самих численных результатов. Указана лицензия other, поэтому перед использованием следует проверить условия в репозитории модели.

Это англоязычная модель Sentence Transformer, дообученная участниками проекта UBCO MDS 2025 Capstone Fujitsu на базе BAAI/bge-small-en-v1.5. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 384 для семантического поиска и подбора релевантных документов. Архитектура включает BERT, CLS-пулинг и нормализацию; сходство векторов можно оценивать косинусной мерой. Модель обучена сопоставлять короткие описания уязвимостей с более подробными текстами о них. Это делает её подходящей для поиска и ранжирования записей об уязвимостях по краткому запросу или формулировке. Контекст ограничен 512 токенами. Лицензия в предоставленных данных не указана.

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

Husky Paw Tool Action Classifier — мультиязычный классификатор Patronus на базе ModernBERT (mmBERT), дообученный определять тип операции в текстовом запросе к инструменту. Он относит запрос к одному классу, например read, write, list или exec, и предназначен для маршрутизации оценки риска, контроля выполнения, рабочих процессов согласования и мониторинга действий AI-агентов. Модель содержит 140,5 млн параметров, принимает текст с контекстом до 8192 токенов; доступны веса Safetensors и экспорт ONNX. Основные проверенные языки — немецкий и английский, а мультиязычная базовая модель позволяет обрабатывать и другие языки, хотя они не проходили активную проверку. На тестовой выборке из 2914 примеров заявлены accuracy 0,946 и macro F1 0,937. Предсказание указывает на предполагаемое действие в тексте, но не подтверждает его фактическое выполнение; модель также не отслеживает передачу данных между шагами агента. Возможны ложноположительные и ложноотрицательные результаты, поэтому для решений с серьёзными последствиями рекомендуется сочетать её с детерминированными правилами и калиброванными порогами. Лицензия — Apache-2.0.

Salesforce Llama-xLAM-2-8b-fc-r — языковая модель семейства xLAM-2, разработанная Salesforce для построения AI-агентов. Это GGUF-версия модели Llama-xLAM-2-8b-fc-r, дообученной на задачах многошагового диалога и вызова функций с использованием данных, созданных в рамках APIGen-MT. Модель ориентирована на преобразование пользовательских намерений в исполняемые действия, планирование и взаимодействие с внешними инструментами и API. Модель содержит около 8 миллиардов параметров, поддерживает текстовый ввод и вывод, английский язык и контекст длиной до 128 тысяч токенов. Суффикс fc указывает на специализацию для function calling, а r — на исследовательский выпуск. Формат GGUF предназначен для эффективного локального запуска через llama.cpp и совместимые инструменты; также заявлена совместимость с Transformers и vLLM. К сильным сторонам относятся специализация на использовании инструментов, многоходовых сценариях и агентных задачах, а также возможность развертывания на устройствах с ограниченными ресурсами благодаря формату GGUF. Ограничения включают англоязычную заявленную поддержку, исследовательский статус и отсутствие в предоставленных данных подробностей о конкретных требованиях к оборудованию, вариантах квантования и фактических результатах именно этой GGUF-сборки. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства, но не коммерческое применение.

M.O.G.-SEC-27B-1M-CTX-GGUF — мультимодальная GGUF-версия модели Qwentium из линейки Minds of Gods, разработанная Blackfrost Research. Модель основана на Blackfrost-Research/M.O.G.-SEC-27B-1M-CTX-BF16 и относится к 27B-классу. Она предназначена для задач offensive и defensive cybersecurity, включая анализ разведданных, уязвимостей, репозиториев, эксплуатационных заметок, средств обнаружения, отчётов и длительных рабочих сценариев. Модель использует плотную гибридную архитектуру qwen35 с Gated DeltaNet и gated attention, поддерживает native vision и мультимодальный/tool-use шаблон. Заявлено окно контекста до 1 000 000 токенов через YaRN при исходном контексте 262 144 токена. Доступны квантизации GGUF от Q2_K до Q8_0; рекомендуемым вариантом назван Q4_K_M. Также предусмотрены отдельный BF16 DFlash2 draft-файл для speculative decoding и F16 vision-проектор. Указана поддержка английского и многоязычного ввода, однако конкретный перечень языков не приведён. Сильными сторонами являются большой контекст, поддержка изображений, инструментального взаимодействия, специализированная настройка под кибербезопасность и широкий выбор размеров квантизации. Ограничения включают высокие требования к памяти, особенно при использовании миллионного контекста, необходимость свежей версии llama.cpp с поддержкой гибридной архитектуры, а для DFlash2 — специальной ветки или ревизии llama.cpp. Модель позиционируется как исследовательская система для профессиональных сценариев, а не как обычный потребительский чат-бот, и может генерировать материалы для наступательной безопасности, поэтому требует строгого контроля доступа. Лицензия указана как Apache-2.0.

Arch-Function-1.5B — компактная языковая модель компании Katanemo, предназначенная для вызова функций и взаимодействия с API. Она дообучена на базе Qwen/Qwen2.5-Coder-1.5B-Instruct и использует плотную архитектуру Qwen2 с 1,5 млрд параметров. Модель принимает текстовые инструкции и описания функций, определяет подходящие функции и параметры и формирует результат вызова в JSON-подобном формате. Модель рассчитана на сценарии, где приложение связывает запрос пользователя с API или серверными функциями, включая многошаговый диалог с передачей результатов выполнения функций обратно модели. Для вызова функций рекомендуется использовать формат промпта из карточки модели. Заявления о производительности и качестве приведены разработчиком; карточка не содержит подробных численных результатов в доступном тексте. Контекстное окно составляет 32 768 токенов. В метаданных указан английский язык, библиотека Transformers и формат весов safetensors. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией в репозитории модели.

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

Карточка модели Azizbek8189/Qwen-AgentWorld-35B-A3B на Hugging Face совпадает с карточкой Qwen/Qwen-AgentWorld-35B-A3B, поэтому описание составлено по ней. Qwen-AgentWorld-35B-A3B — языковая модель мира, разработанная командой Qwen для симуляции сред, в которых действуют агенты. Получая действие агента и историю взаимодействий, модель рассуждает о переходе состояния и предсказывает следующее наблюдение. Она предназначена для моделирования как текстовых, так и графических интерфейсных сценариев в семи областях: вызов инструментов через MCP, поиск, терминал, разработка ПО, Android, веб и операционные системы. Модель основана на Qwen3.5-35B-A3B-Base и дообучена в три этапа: продолженное предварительное обучение, обучение с учителем и обучение с подкреплением. Это причинная языковая модель с архитектурой MoE: 35 млрд параметров всего, из них активируется 3 млрд; контекст — 262 144 токена. Веса в формате Safetensors совместимы с Transformers и могут обслуживаться через vLLM или SGLang. Для оптимальной симуляции README рекомендует применять системные шаблоны для конкретных областей и выделять до 32 768 токенов на ответ. Лицензия — Apache-2.0. Модель подходит для создания симуляторов сред и генерации ожидаемых наблюдений в агентных траекториях, в том числе для тестирования и оценки агентов. Заявлена способность обобщать на новые среды и поддерживать управляемые изменения сценариев; качество зависит от доменного системного промпта и длины генерации. Несмотря на упоминание графических интерфейсов, в чекпойнте есть только веса языковой модели, поэтому визуальные входы непосредственно не поддерживаются.

Foundation-Sec-Cybersecurity-8B-Merged — специализированная языковая модель для кибербезопасности, созданная дообучением fdtn-ai/Foundation-Sec-8B и слиянием LoRA-весов с базовой моделью. Это плотная авторегрессионная архитектура Llama с 7,5 млрд параметров; модель работает через Transformers и поддерживает контекст до 131 072 токенов. Модель обучена примерно на 50 тысячах пар инструкций и ответов по кибербезопасности. Она предназначена для анализа угроз и оповещений, разбора инцидентов и вредоносного ПО, оценки уязвимостей, сопоставления с MITRE ATT&CK, анализа фишинга и SQL-инъекций, а также ответов на вопросы о CVE и практиках защиты. Основной язык карточки — английский. Модель принимает текст и генерирует текстовые ответы в диалоговом формате. Это специализированный помощник для анализа, а не замена проверке специалистом; README не сообщает результаты оценок качества или ограничения применения. Лицензия — Apache-2.0.

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

Glimmer-Sentry-30B — языковая модель, разработанная EryriLabs для локальной помощи командам информационной безопасности в разработке детектирующих правил. Это дообученная с помощью QLoRA версия Muse-Glimmer-30B; модель предназначена для генерации и объяснения правил, их настройки и преобразования между Sigma, KQL, SPL, YARA и Wazuh. Она принимает текстовые запросы и выдаёт текст, включая правила и пояснения. Для работы требуется Transformers версии 5.15.0 или новее. В тесте на 50 правилах Sigma точное совпадение с результатом sigma-cli составило 80% для Sigma→KQL и 90% для Sigma→SPL; 76% сгенерированных правил Sigma разбирались как YAML. Модель ориентирована на английский язык. Репозиторий распространяется по лицензии Apache-2.0. Модель рассчитана на локальный запуск: автор сообщает о 4-битном режиме на одной видеокарте с 24 ГБ памяти. YARA — слабая сторона модели: для таких задач README рекомендует выделять не менее 1536 токенов на генерацию и проверять результат компилятором. Все сгенерированные правила необходимо проверять и тестировать перед применением, поскольку совпадение с эталоном и успешная компиляция не гарантируют корректного обнаружения угроз.

xLAM-8x22b-r — большая языковая модель для общего использования инструментов и создания AI-агентов, разработанная Salesforce. Это модель семейства Mixtral с архитектурой MoE и классом MixtralForCausalLM; метаданные указывают 22B параметров и контекст до 65 536 токенов. Модель принимает текстовые запросы и может выдавать текст, включая структурированные вызовы инструментов в формате JSON. Модель предназначена для преобразования намерений пользователя в действия: планирования задач, выбора инструментов и вызова функций в одношаговых и многошаговых диалогах. Для наилучшего качества авторы рекомендуют использовать предоставленный формат промпта и вспомогательные функции. Карточка приводит её как модель общего назначения и для вызова функций, но отмечает, что выпуск предназначен исключительно для исследований. Модель работает с английским языком согласно метаданным. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование; описание не приводит результатов бенчмарков или подробной оценки качества.

ProCreations/auto-1b-bf16 — это дообученный классификатор на базе encoder-модели ModernBERT с 1 млрд параметров. Он оценивает следующий вызов инструмента AI-агента и классифицирует его как разрешённый или запрещённый; модель предназначена для встроенных проверок безопасности и защитных ограничений в агентных системах. В метаданных указаны контекст до 65 536 токенов, библиотека Transformers и формат весов safetensors. По README, версия bf16 занимает 2,0 ГБ вместо 3,9 ГБ у исходной версии и на полном тесте из 3 000 примеров показала те же accuracy 96,4%, AUROC 0,992845 и F1 для класса deny 0,961373; заявлено отсутствие изменившихся решений относительно fp32 на этом тесте. Модель принимает текст с запросом пользователя, историей и предполагаемым вызовом инструмента и выдаёт оценку классов approve/deny. Карточка рекомендует использовать заданный формат входа и расположение разделов, поскольку обучение учитывало их. Модель ориентирована на англоязычные сценарии: метаданные указывают язык en. Заявленные результаты относятся к конкретному набору approve-or-deny и не гарантируют точности для других данных или форматов. Лицензия — Apache-2.0.

QaptaanLM-0.75B-GGUF — набор официальных квантованных форматов модели QaptaanLM-0.75B, разработанной kaptaan45. Это базовая CPT-модель, предназначенная прежде всего для быстрого автодополнения программного кода и Fill-in-the-Middle в локальных IDE и средах на устройствах с ограниченными ресурсами. Репозиторий предоставляет файлы в формате GGUF для запуска через llama.cpp и совместимых инструментов, включая Ollama. Модель имеет размер 0,75 млрд параметров и поддерживает английский язык и код. В README упоминаются архитектурные характеристики исходной модели, связанные с Qwen и hybrid attention, однако подробные сведения об архитектуре и размере контекста не приведены. Доступны варианты от FP16 и BF16 до 2-битного Q2_K; размеры файлов составляют примерно от 402 МБ до 1,45 ГБ, а заявленный объём памяти — от 550 МБ до 2 ГБ. Вариант Q4_K_M отмечен как рекомендуемый благодаря балансу скорости, размера и точности автодополнения. Сильными сторонами модели являются компактность, возможность локального запуска и поддержка продолжения кода и FIM-инфиллинга. Это базовая, а не instruct-модель, поэтому README не заявляет её как оптимизированную для диалогов или выполнения пользовательских инструкций. Качество зависит от выбранного уровня квантования; наиболее сжатые варианты экономят память, но могут снижать точность. Модель распространяется по лицензии Apache 2.0.

Модель ermiaazarkhalili/Qwen3-8B-Function-Calling-xLAM-Unsloth — дообученная методом SFT с LoRA версия Qwen3-8B от Unsloth, настроенная на вызов функций и инструментов. Для обучения использован набор Salesforce/xlam-function-calling-60k из 60 тысяч примеров с запросами, описаниями инструментов и структурированными ответами. Это плотная авторегрессионная языковая модель на 7,6 млрд параметров с интерфейсом чата и вызова инструментов. Метаданные указывают контекст до 40 960 токенов, однако в README сказано, что дообучение проводилось с окном 2 048 токенов. Модель рассчитана преимущественно на английский язык и может применяться для маршрутизации запросов к инструментам и генерации структурированных вызовов функций. Модель распространяется под лицензией Apache-2.0. В README отмечены риск правдоподобных, но неверных ответов и недостаточная настройка безопасности; знания ограничены данными обучения базовой модели. Описанная конфигурация обучения использовала Unsloth и 4-битную базовую модель, но опубликованный репозиторий содержит веса Safetensors.

小熠（Yee-R1-mini）是广州熠数信息技术有限公司开发的数据安全领域对话助手，基于 Qwen3-1.7B-Base 微调，采用 1,7 млрд параметрли плотную архитектуру Qwen3 и запускается через Transformers. Модель предназначена для консультаций и автоматизации задач в промышленности, государственном секторе и телекоммуникациях: классификации и категоризации данных, аудита безопасности, анализа угроз и предотвращения утечек. README заявляет режимы рассуждения Thinking и Non-Thinking и интеграцию с Qwen-Agent для вызова внешних инструментов, например баз данных, анализаторов журналов и API. Поддерживаются китайский и английский языки; контекст составляет до 40 960 токенов. Модель распространяется по лицензии Apache-2.0. Заявленные результаты CS-Eval относятся к оценкам из карточки модели и не гарантируют качество в конкретной среде; для практического применения нужны подходящие инструменты и проверка ответов.

mzeglars/dummy-cyclic-gpt2-ov — синтетическая тестовая модель GPT-2, созданная для проверки интеграции OVMS и OpenVINO GenAI. Это не полноценная языковая модель: она независимо от входного запроса детерминированно генерирует фиксированное предложение «OpenVINO is an open-source toolkit created by Intel to speed up and run AI models efficiently.» и затем корректно завершает генерацию токеном EOS. Модель реализована на базе GPT2LMHeadModel с одним слоем трансформера, одной attention-head и размером скрытого состояния 32. Она предназначена для задач text-generation, поддерживает библиотеку OpenVINO и заявленный контекст до 131072 токенов. При включении ignore_eos=True модель может бесконечно повторять фиксированное предложение, что удобно для стресс-тестирования потоковой генерации и обработки длинного вывода. Сильные стороны модели — минимальный размер, высокая скорость, воспроизводимость и полностью детерминированное поведение. Она не понимает естественный язык, не адаптируется к содержанию промпта и непригодна для диалогов, ответов на вопросы или генерации произвольного текста. Модель распространяется по лицензии Apache 2.0; веса созданы вручную и не используют предварительно обученные веса исходной модели.

Карточка модели yuhuili/EAGLE-llama2-chat-70B на Hugging Face совпадает с карточкой yuhuili/EAGLE-LLaMA3-Instruct-8B, поэтому описание составлено по ней. yuhuili/EAGLE-LLaMA3-Instruct-8B — модель на основе архитектуры LLaMA для ускорения генерации текста методом спекулятивного декодирования EAGLE. Она использует контекстные признаки языковой модели для построения кандидатов токенов и предназначена для ускорения инференса в системах обслуживания LLM, совместимых с EAGLE. В метаданных указаны 743,4 млн параметров, контекст до 2048 токенов, формат PyTorch и лицензия Apache-2.0. README описывает EAGLE как способ ускорять генерацию с сохранением распределения результатов базового декодирования и сообщает о поддержке интеграции с несколькими фреймворками обслуживания моделей. Карточка не уточняет обучение именно этого чекпойнта или его совместимую базовую модель.