II.7DevOps, облако и эксплуатация IT-систем

Карточка модели yuhuili/EAGLE-Vicuna-7B-v1.3 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.

iromu/Gemma3-1B-tools — компактная текстовая модель на базе Gemma 3 1B от Google, дообученная автором репозитория с помощью LoRA/PEFT для вызова инструментов и агентных взаимодействий. Модель содержит 1 млрд параметров, использует плотную архитектуру Gemma3ForCausalLM и поддерживает контекст до 32 768 токенов. Она предназначена для структурированных вызовов функций, многошаговых агентных сценариев и развёртывания на устройствах с ограниченными ресурсами. Для формирования запросов к инструментам требуется применять включённый шаблон чата; модель выдаёт вызовы в формате JSON с именем инструмента и аргументами. В проверке на 50 примерах BF16-вариант достиг 66% точного совпадения аргументов, тогда как точность отдельных форматов и квантизаций различалась. Модель принимает текст и генерирует текст, включая структурированные вызовы инструментов. В карточке указан английский язык. Лицензия — Gemma. Автор отмечает, что модель не предназначена для замены более крупных моделей Gemma общего назначения.

jcordon5/Mistral-7B-cybersecurity-rules — дообученная модель семейства Mistral, разработанная на основе Mistral-7B-Instruct-v0.2. Она содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и предназначена для генерации правил обнаружения угроз и вторжений. Модель обучали на 950 правилах из репозиториев SIGMA, YARA и Suricata, а README также указывает на дистилляцию знаний от 0dAI-7.5B. Модель принимает текстовые инструкции и генерирует текстовые правила: например, SIGMA для выявления подозрительных команд в системных журналах, Suricata для обнаружения SSH-брутфорса и YARA для поиска обфусцированных строк в файлах. Заявленное контекстное окно составляет 32 768 токенов; доступны веса safetensors и чат-возможность. Модель рассчитана на помощь в подготовке правил для систем кибербезопасности, но сгенерированные правила требуют проверки и испытания в целевой среде. README не приводит результатов оценки качества. Лицензия — Apache-2.0.

SigmaForge Rule Generator — модель команды Aria AI Security Research Team для создания и исправления правил обнаружения Sigma. Она дообучена методом LoRA на Qwen/Qwen2.5-Coder-1.5B-Instruct, после чего адаптеры объединены с базовой моделью. Модель принимает описания обнаружений на естественном языке, примеры событий или некорректные правила и генерирует YAML в формате Sigma; обучающие сценарии также включают исправление ошибок валидации и построение правил по положительным и отрицательным событиям. Модель семейства Qwen2 с плотной архитектурой содержит 1,5 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. Карточка указывает английский язык. В тестовой оценке на 60 примерах доля корректного YAML составила 1,00, прохождение схемы Sigma — 0,92, а компиляция в Splunk SPL — 0,83. Правила следует проверять через pySigma перед развёртыванием; модель может пропускать идентификаторы MITRE ATT&CK. Лицензия — MIT.

Hammer 2.0 1.5B — компактная языковая модель, разработанная командой MadeAgents и дообученная на базе Qwen/Qwen2.5-Coder-1.5B-Instruct. Она предназначена для вызова функций и инструментов в диалоговых агентных приложениях, в том числе на устройствах с ограниченными ресурсами. Для дообучения применялась техника function masking; среди данных указаны наборы для вызова функций APIGen/xLAM объёмом 60 тысяч примеров и набор нерелевантных вызовов xLAM объёмом 7,5 тысячи примеров. Модель имеет плотную архитектуру Qwen2, содержит 1,5 млрд параметров, принимает текст и генерирует текст с вызовами инструментов. Заявленный контекст — 32 768 токенов. Карточка сообщает о результатах на бенчмарке Berkeley Function-Calling Leaderboard и других академических тестах, но не приводит их числовые значения. Репозиторий использует формат safetensors; лицензия — CC BY 4.0.

LFM2.5-1.2B-Nova-Function-Calling — модель NovachronoAI, дообученная на базе LiquidAI/LFM2.5-1.2B-Instruct для вызова функций и инструментов. Она принимает запросы на естественном языке и формирует структурированные аргументы в JSON для API, программных агентов и других инструментов. Модель основана на плотной архитектуре LFM2 и содержит 1,5 млрд параметров; её контекст — до 128 000 токенов. В карточке указана поддержка английского языка и лицензия Apache-2.0. Модель ориентирована на выбор инструмента, извлечение аргументов и соблюдение JSON-схем. Карточка заявляет высокую точность синтаксиса JSON и наличие вариантов GGUF для локального запуска, однако численные результаты приведены без описания методики и независимой проверки. Как компактная модель, она может уступать более крупным моделям в сложных или неоднозначных запросах; качество вызовов следует проверять на целевых инструментах и схемах.

Модель r3ddkahili/final-complete-malicious-url-model — классификатор URL на основе BERT, дообученный с помощью LoRA для выявления вредоносных ссылок. Она относит URL к четырём классам: безопасный, дефейсмент, фишинг и вредоносное ПО. Разработчик указывает базовую модель bert-base-uncased и обучающий набор Kaggle Malicious URLs Dataset примерно из 651 тысячи примеров. Модель предназначена для классификации ссылок в системах кибербезопасности, проверки URL в реальном времени, браузерных инструментах и мониторинге SOC. В README заявлены точность 98% и F1-мера 0,965 на валидации; максимальная длина последовательности в карточке — 128 токенов, а контекстная длина в метаданных — 512 токенов. Репозиторий содержит веса Safetensors, модель построена на архитектуре BERT для классификации последовательностей и поддерживает английский язык. Ограничения включают риск ошибочной классификации сложных фишинговых URL и необходимость обновлять модель по мере появления новых угроз; качество также зависит от того, насколько актуальны и репрезентативны обучающие данные. Лицензия — Apache 2.0.

Квантизированная версия модели gpt-oss-20b-cve-cybersecurity в формате GGUF, опубликованная piotreknow02 и созданная на базе sainikhiljuluri/gpt-oss-20b-cve-cybersecurity. Модель предназначена для генерации текста в задачах анализа уязвимостей и CVE, кибербезопасности, сетевой безопасности и подготовки рекомендаций по защите. В карточке также указан тег DoRA, однако подробности архитектуры и применённой квантизации не раскрыты. Заявлен размер базовой модели — 20B параметров, поддерживаемый язык — английский. Модель относится к категории text-generation и использует библиотеку Transformers; формат GGUF может быть удобен для локального запуска в совместимых инструментах, но конкретные требования к памяти и производительности не указаны. Сильной стороной является специализация на материалах по кибербезопасности и уязвимостям, однако данных о качестве, результатах тестирования, ограничениях и точности недостаточно. Лицензия — Apache-2.0.

MiniCPM5-1B-Agentic-Tooluse-GGUF — компактная текстовая генеративная модель семейства MiniCPM5, основанная на openbmb/MiniCPM5-1B и дообученная с применением адаптера ewinregirgojr/MiniCPM5-1B-Agentic-Tooluse-QLoRA-v2. Репозиторий подготовлен ewinregirgojr в формате GGUF и содержит варианты F16, Q8_0 и Q4_K_M. Модель предназначена прежде всего для агентных сценариев и вызова внешних инструментов или функций. Она формирует XML-вызовы вида function с именем инструмента и параметрами, поэтому подходит для интеграции с рантаймами, способными передавать схему доступных инструментов, разбирать вызов, выполнять функцию и возвращать результат в новом сообщении. Рекомендуется использовать детерминированное декодирование, останавливать генерацию после первого полного вызова и проверять имя и аргументы по схеме. Ключевые характеристики — размер около 1 млрд параметров, текстовая модальность и поддержка запуска через llama.cpp; также описана экспериментальная интеграция с vLLM. Для локального использования рекомендуется Q4_K_M как компромисс между размером и скоростью, Q8_0 обеспечивает более высокую точность, а F16 предназначен для максимальной точности и эталонной конвертации. В README не указаны поддерживаемые языки и размер контекстного окна. На внешней выборке из 300 примеров модель показала высокую долю разбираемых вызовов инструментов — 99,33%, корректных доступных имён — 97%, ожидаемых имён — 92,67%, при точном совпадении аргументов в 65,33% случаев. При этом чистая остановка генерации отмечена только в 15% случаев, а оценивание проводилось на исходной объединённой модели, не отдельно для каждой GGUF-квантизации. Лицензия обозначена как other; конкретные условия в README не приведены, поэтому перед использованием необходимо проверить лицензионные ограничения исходной и производной моделей.

Ornith-1.5-35B-A3B-agentic-NVFP4-FP8 — квантизированная модель, выпущенная Primitive AI на основе Ornith-1.5-35B-A3B от ornith-ai. Это мультимодальная модель формата image-text-to-text с MoE-архитектурой и обозначенным размером 35B/A3B. Модель предназначена прежде всего для агентных сценариев и вызова инструментов, а не для общего вопросно-ответного использования. Модель занимает около 22,6 GiB. Маршрутизируемые экспертные проекции квантизированы в NVFP4 с группами по 16 элементов, ряд attention- и shared-expert-проекций использует FP8 E4M3, а эмбеддинги, vision tower, lm_head, роутеры и нормы сохранены в BF16. Для запуска в vLLM указан параметр max-model-len 32768. Поддерживается загрузка на GPU Blackwell с нативными NVFP4/FP8 и на Ampere, включая A100, через weight-only Marlin-путь. Сильной стороной является стабильность результатов при вызове инструментов: в опубликованных тестах стандартное отклонение между запусками составило 1,3 против 3,1 у общего варианта сборки, при сопоставимой с BF16 точности. На наборе из 200 заданий показатель вызова составил 77,5, а общий показатель — 89,0; результаты зависят от протокола и числа запусков, поэтому небольшие различия между квантизированными версиями не следует считать статистически значимыми. Ограничения включают потери точности относительно BF16 и неизвестные из README языковые характеристики, максимальная подтверждённая контекстная длина и подробности поддержки модальностей. Модель распространяется по лицензии MIT.

Qwen3-8B Terminal-Lego RSR-low SFT — исследовательский чекпойнт Micsiu, полученный полным дообучением Qwen/Qwen3-8B на траекториях задач Terminal-Lego. Он предназначен для генерации текста в сценариях терминального агента и диалогового взаимодействия; архитектура — плотная Qwen3ForCausalLM, размер — 7,6 млрд параметров, контекст — до 40 960 токенов. Модель принимает текст и выдаёт текст. Чекпойнт обучен на 1 692 траекториях, отобранных по метрике RSR, и прошёл ограниченную предварительную оценку на подмножестве TBLite. Результаты служат лишь направленным свидетельством: оценка охватывала одну попытку на 30 задачах, а доверительный интервал парной разницы включал ноль. Авторы отмечают ограничения данных и эксперимента, включая один обучающий seed и отсутствие итоговой оценки на Terminal-Bench 2.0. Это исследовательский артефакт, а не подтверждённая универсальная модель терминального агента. Лицензия в предоставленных данных не указана.

SakThai Plus 1.5B — созданная Nanthasit модель для вызова инструментов и функций в агентных сценариях. Она дообучена на базе Qwen/Qwen2.5-1.5B-Instruct на примерах структурированных вызовов, а адаптеры rsLoRA объединены в полные веса. Модель использует формат чата Qwen2.5 и может выдавать вызовы функций в JSON, когда системный промпт задаёт доступные инструменты. Модель содержит 1,5 млрд параметров, построена на архитектуре Qwen2 и имеет контекст до 32 768 токенов. README описывает применение через Transformers и llama.cpp, а также оптимизацию для инференса на CPU и потребительских GPU. Карточка сообщает о хорошем выборе инструментов и формировании JSON-аргументов в проверенных тестах, но результаты могут зависеть от сложности схемы и параметров вызова. Лицензия — Apache-2.0.

CIRCL разработала эту модель для автоматической классификации уровня серьёзности программных уязвимостей по их текстовым описаниям. Это дообученная версия RoBERTa-base с архитектурой RobertaForSequenceClassification и 151,8 млн параметров; модель обучалась на наборе CIRCL/vulnerability-scores, включающем более 600 тысяч уязвимостей. Она предназначена для ускорения первичной оценки и сортировки уязвимостей перед ручным анализом и расчётом CVSS. В описании исследования сообщается о точности свыше 82%; модель интегрирована в сервис Vulnerability-Lookup. Принимает текст, выдаёт категорию серьёзности. Максимальная длина контекста — 514 токенов. Распространяется по лицензии CC BY 4.0. Результат классификации служит поддержкой триажа и не заменяет экспертную оценку CVSS.

Это экспериментальный чекпойнт модели для выполнения задач Terminal-Bench в терминальной среде. Его разработали в рамках запуска обучения с подкреплением SkyRL на базе laion/GLM-4_7-swesmith-sandboxes-with_tests-oracle_verified_120s-maxeps-131k-fixthink — модели Qwen3-8B, дообученной для задач SWE. Чекпойнт global_step_15 выбрали по скользящей оценке вознаграждения; обучение планировалось на 80 шагов, но было отменено после ухудшения результатов после шага 65. Модель имеет архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 40 960 токенов. Она принимает текст и генерирует текст, предназначена для диалогового взаимодействия и решения задач в терминале. README описывает обучение на датасете DCAgent/exp_rpt_e2egit-large методом RLOO-n; данные не подтверждают, что чекпойнт прошёл независимую оценку или готов к производственному применению. Лицензия — Apache-2.0.

iromu/Qwen3-0.6B-tools — компактная языковая модель, созданная дообучением Qwen/Qwen3-0.6B компанией iromu. Весами служит объединённый BF16-чекпойнт после LoRA-настройки для генерации структурированных вызовов инструментов в формате OpenAI и многошаговых агентных сценариев. Модель содержит около 508 млн параметров, построена на архитектуре Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Модель предназначена для диалогов, в которых ассистент выбирает инструмент и формирует его вызов по заданной схеме, а также для компактного локального или периферийного развертывания. В описанной проверке на отложенной выборке модель сформировала вызов инструмента в 99,3% примеров, при этом точное совпадение аргументов достигнуто в 63,9%; эти результаты относятся к указанному набору данных и жадному декодированию. Модель не позиционируется как универсальная замена более крупным Qwen. Лицензия — Apache-2.0.

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

CrabInHoney/urlbert-tiny-v3-malicious-url-classifier — компактная модель BERT, разработанная CrabInHoney и дообученная на CrabInHoney/urlbert-tiny-base-v3 для классификации URL. Она относит ссылки к четырём категориям: benign, phishing, malware и defacement; подходит для фильтрации подозрительных ссылок и первичной сортировки URL в системах кибербезопасности. В метаданных указаны 4,8 млн параметров, контекст 64 токена и формат safetensors; README приводит размер 3,69 млн параметров и веса F32 объёмом 14,8 МБ. Модель принимает текст URL и выдаёт оценки классов. README сообщает о тестовой оценке по классам, но приведённая таблица неполная, поэтому по ней нельзя оценить все результаты. Лицензия — Apache-2.0.

CrabInHoney/urlbert-tiny-v4-malicious-url-classifier — компактная модель BERT, разработанная CrabInHoney и дообученная на базе CrabInHoney/urlbert-tiny-base-v4 для классификации URL по четырём категориям: безопасные ссылки, фишинг, вредоносное ПО и дефейсмент сайтов. Она предназначена для проверки ссылок в системах кибербезопасности и автоматической сортировки URL по типу угрозы. Модель принимает текст URL и выдаёт метки классов с оценками вероятности. В метаданных указаны 4,8 млн параметров и контекст до 64 токенов; README сообщает о 3,69 млн параметров. Для оценки на тестовой выборке автор приводит точность 0,9922 и F1 0,9955 для безопасных ссылок и 0,9984 для дефейсмента. Модель ориентирована на англоязычные URL; лицензия — Apache-2.0. Результаты зависят от тестовых данных и не гарантируют обнаружения новых или изменившихся угроз. Классификатор ограничен четырьмя заявленными категориями и не заменяет дополнительную проверку ссылок.

Vaayu-Large — компактная языковая модель, разработанная Meet Mendapara и обученная с нуля для вызова инструментов и взаимодействия между программами. Она предназначена для локального запуска и работы в составе агентных систем, включая выполнение инструментов через Model Context Protocol (MCP). По данным карточки, модель содержит около 492,7 млн параметров; метаданные указывают 451,7 млн. Это декодерный трансформер VaayuForCausalLM с RoPE, grouped-query attention, SwiGLU и Pre-RMSNorm. Контекст — 4096 токенов; библиотека — Vaayu, формат весов — PyTorch. Модель специализируется на генерации структурированных вызовов инструментов, JSON-RPC и аргументов по схемам, с ориентацией на локальное исполнение. Карточка приводит результаты оценок точности выбора инструментов и аргументов, а также скорости CPU; это заявленные авторами результаты. Она не предназначена для открытого творческого письма или общих викторин. При подключении нескольких подробных MCP-серверов может потребоваться сокращать схемы; среда исполнения должна безопасно ограничивать действия инструментов. Лицензия — MIT.

mulliken разработал англоязычный классификатор уязвимостей на базе DistilBERT, дообученного для отнесения текстовых описаний CVE к 232 категориям Common Weakness Enumeration (CWE). Модель принимает текст и выдаёт категорию CWE; её можно применять для сортировки и первичной обработки отчётов об уязвимостях, анализа CVE и интеграции в процессы управления уязвимостями и DevSecOps. Модель обучена на датасете CVE и CWE Mapping Dataset: в README указаны 111 640 обучающих и 12 405 проверочных примеров. Контекст ограничен 512 токенами; более длинные описания обрезаются. Для проверочной выборки указаны точность 72,72% и macro F1 0,251, что отражает неодинаковое качество по редким и частым категориям. Модель распространяется по лицензии Apache 2.0.

Hammer-7b — языковая модель MadeAgents, дообученная на Qwen2-7B-Instruct с применением техники function masking для повышения точности вызова функций ИИ-агентами. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и принимает текстовые запросы, выдавая текст с вызовами функций в подходящем сценарии интеграции. Контекст — до 32 768 токенов. Модель предназначена для агентных приложений, которым нужно выбирать и вызывать инструменты или API, в том числе локально и на устройствах с ограниченными ресурсами. В README описано обучение на данных APIGen Function Calling и наборах Salesforce/xlam-function-calling-60k и MadeAgents/xlam-irrelevance-7.5k, а также оценки на бенчмарках вызова функций. Распространяется по лицензии CC BY 4.0. Заявленные результаты бенчмарков не гарантируют качество в конкретном приложении; модель требует интеграции с обработчиком функций и проверки генерируемых вызовов.

Trelis разработал fLlama 2 — чат-модель на базе Llama 2, дообученную для вызова функций. Она предназначена для диалоговых приложений, которым нужно получать от модели структурированный JSON с именем функции и её аргументами, например для передачи запроса инструменту или внешнему API. В карточке этой версии указано, что она обучена с использованием GPTQ и распространяется как адаптер. Модель построена на архитектуре Llama, содержит около 6,6 млрд параметров и поддерживает контекст до 4096 токенов. Она принимает текст и генерирует текст; карточка ориентирует её на английский язык. Для запуска требуются базовая модель и подходящий способ загрузки адаптера. Использование регулируется лицензией Meta для Llama 2, условия которой необходимо принять для доступа к весам.

Nexus-Syntegra разработала Nexus-TinyFunction-1.2B-v2.0 — компактную модель для выбора и вызова инструментов, дообученную на LiquidAI/LFM2.5-1.2B-Instruct. Она использует гибридную рекуррентно-внимательную архитектуру LFM2 и содержит около 1,5 млрд параметров. Модель принимает текстовые запросы и описания функций в формате ChatML с XML-разметкой, а затем выдаёт вызовы инструментов или текстовый ответ, если подходящей функции нет. Модель предназначена для интеграции функций и инструментов в локальных чат-ассистентов, мобильные приложения, устройства Raspberry Pi и периферийные серверы. В карточке заявлены точность 94,25% для простого вызова функций, 80,42% для распознавания неподходящих запросов и 99,3% корректного JSON. Контекстное окно составляет 128 000 токенов, однако README отмечает возможное снижение качества при длинных списках инструментов ближе к 32K токенов. Слабые стороны — ошибки при извлечении аргументов для сложных вложенных объектов и необязательных параметров, а также пропуск или объединение параллельных вызовов. Модель обучена только на английском языке и не предназначена для критически важных медицинских, юридических или финансовых задач. Веса дообучения лицензированы Apache 2.0; базовые веса подчиняются LFM Open License v1.0, включая порог коммерческого использования при годовой выручке 10 млн долларов.

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

Aurora-Spec-Qwen3-Coder-Next-FP8 — компактная черновая модель EAGLE3 от Together Computer для ускорения генерации кода целевой моделью Qwen/Qwen3-Coder-Next-FP8. Согласно карточке, её обучили с нуля в рамках системы Aurora для обучения во время инференса; архитектура — однослойный Transformer-декодер с древовидным вниманием, точность FP8, размер около 421,3 млн параметров, контекст — до 262 144 токенов. Модель предлагает кандидаты на следующие токены, которые целевая модель проверяет параллельно в режиме speculative decoding. Она рассчитана на интеграцию в EAGLE3-совместимый inference-пайплайн, например с SGLang, и нацелена на ускорение генерации кода; карточка сообщает о среднем принятии около 3,1 токена и наибольшем выигрыше при небольших пакетах запросов. Лицензия — Apache-2.0. Модель предназначена для конкретной целевой модели и требует совместимого EAGLE3-инференса. Выигрыш зависит от размера пакета: при больших пакетах накладные расходы проверки могут свести ускорение на нет или сделать генерацию медленнее; на других доменах производительность может отличаться.

Yaongi/HybriKo-117M-ToolLLaMA-SFT — компактная языковая модель, дообученная на датасете ToolLLaMA из 187 тысяч примеров для вызова функций и использования инструментов. Она предназначена для генерации текста в формате диалога Hermes ChatML, включая структурированные запросы к инструментам. Модель насчитывает 117,8 млн параметров и использует гибридную архитектуру HybriKo, вдохновлённую Griffin: блоки RGLRU чередуются с блоками внимания GQA с RoPE в соотношении 2:1. Контекст составляет 8192 токена. Компактный размер подходит для развёртывания на устройствах с ограниченными ресурсами, однако модель уступает более крупным моделям по возможностям. Модель ориентирована на английский вызов инструментов; поддержка корейского ограничена. Для свободного диалога она может подходить хуже, чем для структурированного формата вызова функций. Лицензия — Apache-2.0.

Qwen3-4B-Cybersecurity — дообученная методом SFT модель DexopT на базе unsloth/Qwen3-4B-Instruct-2507. Она предназначена для диалогов и ответов по кибербезопасности: охватывает наступательную и защитную безопасность, тестирование на проникновение, анализ уязвимостей и вредоносных программ, анализ угроз и безопасность сетей, Active Directory и веб-приложений. Обучение проведено на 1 284 369 примерах из наборов DexopT/cyber_heretic и DexopT/cyber_heretic_tokenized. Модель использует плотную архитектуру Qwen3ForCausalLM с 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Основной язык в карточке — английский. Сохраняется часть отказов базовой модели; ответы по темам безопасности могут требовать проверки и не гарантируют точности. Автор указывает образовательное и исследовательское назначение и просит тестировать только системы, на проверку которых есть разрешение. Лицензия — Apache-2.0.

Qwen3-8B-MaximaA1 — экспериментальная текстовая модель для диалогов с инструментами и агентных сценариев, созданная Rumiii на основе Qwen/Qwen3-8B. Она дообучена методом QLoRA на 5 000 примерах из обучающей части Toucan-1.5M, после чего веса адаптера объединены с базовой моделью и выпущены в формате safetensors с точностью 16 бит. Модель принимает определения инструментов, может формировать вызовы в JSON, последовательно использовать результаты вызовов и отвечать напрямую, если инструмент не нужен. Модель содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Это небольшой proof of concept для вызова инструментов; данные обучения синтетические и получены из общественных MCP-серверов. Публичных бенчмарков для модели не приводится, поэтому её качество и надёжность в реальных агентных задачах не установлены. Перед выполнением вызовов следует проверять имена инструментов и аргументы. Лицензия — Apache-2.0.

Vaayu-Base — небольшая языковая модель, разработанная командой Vaayu и обученная с нуля для генерации структурированных вызовов инструментов. Она предназначена для локального выполнения, встраивания в приложения и работы с инструментами через Model Context Protocol (MCP), включая сценарии автономных агентных циклов. Модель использует плотную архитектуру декодера Transformer с RoPE, Grouped Query Attention, SwiGLU и Pre-RMSNorm. В метаданных указано 213,1 млн параметров, а README приводит точное значение 245 924 864 параметра. Контекст составляет 2048 токенов. Заявленная специализация — схемы JSON-RPC и контракты инструментов; модель поддерживает английский язык и выдаёт текстовые структурированные payload. README приводит результаты внутренних и стандартизированных оценок, но они не подтверждают пригодность для широкого диалога. Модель распространяется под лицензией MIT. Она не предназначена для открытого творческого письма или ответов на общие вопросы; короткий контекст ограничивает работу с большим числом подробных схем инструментов. Среда выполнения должна проверять и безопасно ограничивать действия, запрошенные моделью.

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