II.7DevOps, облако и эксплуатация IT-систем

Dzluck опубликовал GGUF-сборку Qwen3.5 Claude Coder — дообученной модели для автономной работы в Claude Code в роли агента-программиста и системного администратора. Репозиторий содержит варианты на 4 и 9 млрд параметров; карточка указывает базовую модель Qwen/Qwen3.5-9B. Модель рассчитана на контекст до 64 тыс. токенов, диалог и вызов инструментов через совместимый с Anthropic API. Она предназначена для локальных задач с кодом, файлами, диском и сетью: README подчёркивает выполнение действий через инструменты и опору на их фактический вывод. Указана лицензия Apache-2.0. Заявления о качестве и скорости основаны на тестировании автора на компьютерах Apple Silicon через Ollama; приведённые результаты не являются независимой оценкой.

Terminal-debugging — дообученная модель Qwen/Qwen3-8B, созданная автором cuong1692001 на наборах nemotron_easy_debugging, nemotron_medium_debugging и nemotron_mixed_debugging. Это плотная причинно-языковая модель семейства Qwen3 с 7,6 млрд параметров, предназначенная для генерации текста в диалоговом формате. Модель ориентирована на отладку терминальных сценариев: может применяться для анализа описаний проблем и подготовки текстовых рекомендаций по их диагностике. Репозиторий использует Transformers и содержит веса в формате safetensors; контекстное окно — 40 960 токенов. Поддерживаемые языки, оценка качества и конкретные ограничения в доступных материалах не описаны. Указана лицензия other; конкретные условия использования следует проверять в карточке репозитория и у правообладателей базовой модели и обучающих данных.

Arch-Agent-7B — языковая модель Katanemo для вызова функций и агентных приложений. Это дообученная плотная модель семейства Qwen2 на базе Qwen/Qwen2.5-Coder-7B-Instruct, содержащая 7,1 млрд параметров. Она генерирует ответы в формате, совместимом с вызовом внешних функций, и предназначена для многошаговых и многоходовых сценариев с выбором инструментов, планированием и координацией действий. Модель работает с текстом; README рекомендует использовать специальный формат промпта Arch-Agent для получения структурированного JSON-подобного вывода. Метаданные указывают контекст 32 768 токенов; заявленная в README оценка на BFCL проводилась с контекстом 64K и масштабированием YaRN. Подходит для построения ассистентов, которые взаимодействуют с API и инструментами, разбивают сложные запросы на шаги и продолжают работу с учётом результатов предыдущих вызовов. В основе — архитектура Qwen2ForCausalLM, веса доступны в формате safetensors для Transformers. Указана лицензия other; конкретные условия следует сверить с карточкой модели и лицензией базовой модели. README заявляет высокие результаты на BFCL, но не приводит в доступном тексте численные показатели; качество вызова функций зависит от соблюдения рекомендуемого формата промпта.

Cyber-Ornith-1.5-9B-OBLITERATED — языковая модель DuoNeural для задач кибербезопасности, работы в терминале и вызова инструментов. Это дообученная версия OBLITERATUS/Ornith-1.5-9B-OBLITERATED на плотной архитектуре Qwen3.5 с 7,2 млрд параметров; модель доступна в формате safetensors и рассчитана на контекст до 262 144 токенов. В карточке заявлены QLoRA-адаптация, сохранение режима рассуждений и поддержка диалоговой работы с инструментами. Модель предназначена для анализа уязвимостей и угроз, помощи при аудите безопасности, подготовки исправлений, выполнения многошаговых задач в CLI и структурированного вызова функций. Она ориентирована на англоязычные запросы и обучалась в том числе на данных по кибербезопасности, командной строке и использованию инструментов. Разработчик приводит результаты внутренних оценок, но их нельзя считать независимой гарантией качества. Модель обозначена как uncensored; её ответы на запросы безопасности требуют проверки и контроля со стороны пользователя. Лицензия — Apache-2.0.

DeepHat-V1-7B-GGUF — это набор квантизированных GGUF-версий модели DeepHat/DeepHat-V1-7B, подготовленный KikoCis на основе модели команды DeepHat. Базовая модель представляет собой дообученную Qwen2.5-Coder-7B с архитектурой Qwen2; версии предназначены для запуска через llama.cpp, Ollama и совместимые среды на CPU или потребительских GPU. В README указан английский язык и специализация на кибербезопасности, DevOps и программном коде. Доступны варианты квантования от Q3_K_M до Q8_0, а также IQ4_XS, размером примерно от 3,81 до 8,10 ГБ. Для квантов применена importance matrix, что позволяет сохранить высокое сходство с эталонной BF16-версией: заявленное совпадение наиболее вероятного токена составляет от 98,02% для Q3_K_M до 99,82% для Q8_0. Модель поддерживает ChatML-шаблон и исходный шаблон вызова инструментов DeepHat, поэтому может использовать native function calling при наличии совместимого runtime. Приведены конфигурации запуска с контекстом 8192 токена, но максимальный размер контекста явно не указан. Сильные стороны модели — компактность, широкий выбор уровней квантования, высокая сохранность поведения относительно BF16 и специализация на задачах безопасности, DevOps и коде. Ограничения связаны с узкой предметной областью и размером 7B: в опубликованном тесте SWE-bench Verified модель решила 0 из 30 задач, а длительные многошаговые агентные циклы даются ей плохо. Старые версии Ollama и llama.cpp могут не поддерживать фильтр tojson в шаблоне вызова инструментов; в таком случае требуется обновление runtime или переход на упрощённый ChatML-шаблон с потерей native tool calling. Лицензия — Apache-2.0.

OpenThinker-Agent-v1-SFT — модель baerquants, созданная в рамках открытого проекта OpenThoughts-Agent для выполнения агентных задач. Это этап supervised fine-tuning модели Qwen/Qwen3-8B: обучение проводилось на трассах OpenThoughts-Agent-v1-SFT, а последующее RL-дообучение есть в отдельной версии OpenThinker-Agent-v1. Модель с плотной архитектурой Qwen3ForCausalLM содержит 7,6 млрд параметров, принимает текст и генерирует текст; максимальная длина контекста — 40 960 токенов. Модель ориентирована на агентные сценарии разработки и работы в терминале: формирование shell-команд, выполнение задач Terminal-Bench и исправление программных ошибок, включая задачи по C# и Java из набора InferredBugs. В карточке проекта сообщаются результаты бенчмарков для версии после SFT и RL, а не этой SFT-версии отдельно. Репозиторий использует формат Safetensors, библиотеку Transformers и лицензию Apache-2.0.

laion/tt-x3_kl-kl0 — дообученная методом обучения с подкреплением модель на базе Qwen/Qwen3-Coder-30B-A3B-Instruct. Её обучали с помощью RLOO и FSDP2 для агентных задач из набора terminal-bench exp_rpt_multifile; эта версия соответствует эксперименту с коэффициентом KL-потерь, равным нулю. Модель использует архитектуру Qwen3 MoE и предназначена для генерации текста в агентных сценариях, включая выполнение задач в терминале. Метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. Заявленный язык — английский. Репозиторий содержит веса Safetensors; лицензия в предоставленных данных не указана.

VictorMr/slm-terminal-specialist — компактная языковая модель на архитектуре Qwen2, дообученная автором на базе Qwen/Qwen2.5-Coder-1.5B-Instruct с помощью LoRA и MLX-LM. Она предназначена для преобразования запросов на бразильском португальском в готовые команды терминала Unix, особенно для macOS на Apple Silicon и оболочки Zsh; обучающий набор содержит 500 проверенных пар инструкций по 60 утилитам, включая awk, sed, jq, ffmpeg, Docker и Git. Модель генерирует текстовые команды в диалоговом формате, имеет 1,5 млрд параметров и контекст до 32 768 токенов. Репозиторий использует формат Safetensors, библиотеку MLX и лицензию Apache-2.0. Карточка описывает узкую специализацию, но не приводит результатов оценки точности; сгенерированные команды следует проверять перед выполнением.

Карточка модели 0xSojalSec/Uncensored-Cyber-Ornith-1.5-9B на Hugging Face совпадает с карточкой DuoNeural/Cyber-Ornith-1.5-9B-OBLITERATED, поэтому описание составлено по ней. Cyber-Ornith-1.5-9B-OBLITERATED — языковая модель DuoNeural для задач кибербезопасности, работы в терминале и вызова инструментов. Это дообученная версия OBLITERATUS/Ornith-1.5-9B-OBLITERATED на плотной архитектуре Qwen3.5 с 7,2 млрд параметров; модель доступна в формате safetensors и рассчитана на контекст до 262 144 токенов. В карточке заявлены QLoRA-адаптация, сохранение режима рассуждений и поддержка диалоговой работы с инструментами. Модель предназначена для анализа уязвимостей и угроз, помощи при аудите безопасности, подготовки исправлений, выполнения многошаговых задач в CLI и структурированного вызова функций. Она ориентирована на англоязычные запросы и обучалась в том числе на данных по кибербезопасности, командной строке и использованию инструментов. Разработчик приводит результаты внутренних оценок, но их нельзя считать независимой гарантией качества. Модель обозначена как uncensored; её ответы на запросы безопасности требуют проверки и контроля со стороны пользователя. Лицензия — Apache-2.0.

Wrench-9B-Q4_K_M-GGUF — модель ClankLabs, созданная на базе плотной Qwen3.5-9B методом LoRA дообучения. Она предназначена для агентских сценариев, включая вызов инструментов и функций, выполнение многошаговых задач, восстановление после ошибок, соблюдение системных инструкций, планирование и безопасное взаимодействие с инструментами. Модель ориентирована на запуск локально через Ollama, llama.cpp или Clank Gateway и может работать примерно на 8 ГБ видеопамяти. Модель поставляется в формате GGUF с квантизацией Q4_K_M и занимает около 5 ГБ. Использованы LoRA rank 32 и alpha 64; контекстное окно составляет 8192 токена. Заявленный язык — английский. Внутреннее обучение проводилось на 1356 примерах из 15 категорий, а опубликованный Clank Agentic Benchmark показывает результат 114 из 120 баллов, включая 15 из 15 за базовое использование инструментов, многошаговые задачи, следование системным инструкциям, планирование, корректность формата вызовов и соблюдение ограничений; за восстановление после ошибок и качество ответов получено по 14 из 15. Ограничениями являются поддержка только заявленного контекста, особенности качества, связанные с квантизацией, и специализация прежде всего на англоязычных агентских задачах. Модель распространяется по лицензии Apache 2.0.

Lightning-Herald-30B-A3B — модель EryriLabs, дообученная на базе NVIDIA Nemotron 3.5 Lightning для работы в Hermes Agent. Это гибридная языковая архитектура Nemotron-H с Mamba-2, механизмом Mixture of Experts и компонентом attention; карточка указывает 30 млрд параметров, из которых около 3 млрд активны при генерации, а метаданные каталога — 1,9 млрд параметров. Модель принимает текст и генерирует текст, включая вызовы инструментов в формате Nemotron, рассчитанном на разбор llama.cpp. Заявленный контекст — 262 144 токена. Модель предназначена для агентных сценариев: многошагового использования инструментов и выполнения задач через оболочку агента. В сравнении с исходной Lightning автор сообщает о росте результата в Fox agent suite и равном результате в тесте терминальных задач; эти оценки относятся к описанным в README наборам и настройкам. Автор отмечает, что модель иногда достигает лимита итераций, не завершив задачу, и рекомендует ограничивать агентную среду песочницей и проверять выполняемые команды. Модель дообучена на отфильтрованных трассах Hermes Agent, переформатированных в шаблон чата и синтаксис вызова инструментов Nemotron. Лицензия в метаданных указана как other; базовая модель NVIDIA Nemotron 3.5 Lightning распространяется по OpenMDW-1.1, однако отдельные условия лицензирования этого дообучения в доступных данных не раскрыты.

Carnice-9b-GGUF — набор GGUF-сборок модели Carnice-9b, разработанной kai-os на основе Qwen/Qwen3.5-9B и специально дообученной для работы с Hermes-Agent. Модель предназначена прежде всего для локальных агентных сценариев, в которых требуется многошаговое взаимодействие с инструментами, включая терминал, файловую систему и браузер, а также корректное формирование действий в формате, ожидаемом Hermes-Agent. Обучение было ориентировано не на обычный диалоговый стиль, а на tool-use и поведение автономного агента в многоходовых задачах. В обучающие данные входили Hermes-совместимые траектории, примеры восстановления общего reasoning после специализированного дообучения и дополнительный этап настройки под формат действий и использование инструментов в Hermes-Agent. Модель имеет размер 9B и поддерживает текстовую генерацию; сведения о языках, максимальном контексте и мультимодальных возможностях в README не указаны. Репозиторий содержит три варианта квантизации: Q4_K_M размером около 5,3 ГБ для наиболее быстрого локального тестирования, Q6_K размером около 6,9 ГБ как компромисс между качеством и размером и Q8_0 размером около 8,9 ГБ для максимального качества среди GGUF-вариантов. Сборки предназначены для запуска через llama.cpp и являются самостоятельными объединёнными моделями, а не PEFT-адаптерами. Ограничения включают зависимость качества и скорости от выбранной квантизации и оборудования, а также специализированную ориентацию на Hermes-Agent, из-за которой поведение в универсальных чат-сценариях может не быть основной целью модели. Модель распространяется по лицензии Apache-2.0.

CAT-Paws-8B — диалоговая агентная языковая модель CyberAgent для многошаговых взаимодействий, включая программирование, работу с терминалом и использование инструментов. Она объединяет Qwen3-8B и Qwen3-Swallow-8B-CPT-v0.2; архитектура — плотная Qwen3ForCausalLM, размер — 7,6 млрд параметров. Модель работает с текстом и рассчитана прежде всего на японский язык: цепочка рассуждений обычно формируется на японском, даже если запрос дан по-английски. Поддерживает японский и английский, контекст составляет 40 960 токенов; доступна в формате safetensors для Transformers. Модель предназначена для агентных сценариев с несколькими ходами, где инструкции и формат вызова инструментов передаются в системном сообщении или запросе. Специальный интерфейс для вызова инструментов модель не обучена принимать. По результатам авторских оценок CAT-Paws сопоставима с Qwen3-8B в агентных задачах на английском и немного превосходит её на японском, но уступает другим моделям в одноходовых задачах программирования и математики. Она может повторяться, выдавать длинные ответы и включать рассуждения даже при просьбе этого не делать; длинные системные инструкции ухудшают работу. Модель распространяется по лицензии Apache-2.0.

Arch-Agent-32B — дообученная Katanemo языковая модель на архитектуре Qwen2, предназначенная для вызова функций и агентных сценариев. Она помогает выбирать инструменты, планировать последовательность вызовов и выполнять многошаговые задачи с учётом контекста предыдущих ходов и результатов работы инструментов. Модель содержит 32 млрд параметров, принимает текст и генерирует текст; в карточке указана длина контекста 32 768 токенов. README сообщает об оценке на Berkeley Function-Calling Leaderboard и описывает адаптивное планирование, координацию инструментов и восстановление после ошибок. Для извлечения вызовов функций рекомендуется использовать формат промпта разработчика; в README для оценки упоминается контекст 64K с масштабированием YaRN, но это не совпадает с указанной в метаданных нативной длиной контекста. Модель основана на Qwen/Qwen2.5-Coder-32B-Instruct. Лицензия указана как other, поэтому условия её использования следует сверить с карточкой репозитория и лицензией базовой модели перед внедрением. Метаданные указывают английский язык.

SambaNova Systems разработала codegen-16B-mono-toolbench — плотную языковую модель на 16 млрд параметров для генерации действий через API. Это инструкционно дообученная версия codegen-16B-mono, обученная на наборах данных для восьми задач ToolBench. Модель предназначена для генерации последовательностей вызовов API и поддерживает английский язык; контекст составляет 2048 токенов. Модель можно применять в коммерческих и исследовательских сценариях, например для автоматизации задач через API. Она загружается через Transformers и использует веса PyTorch. Лицензия — BSD 3-Clause. Разработчик ограничивает назначение модели генерацией действий на основе API, поэтому её не следует считать универсальным помощником для иных задач.

Arch-Function-7B — языковая модель компании Katanemo для вызова функций и взаимодействия с API по запросам на естественном языке. Она основана на Qwen/Qwen2.5-Coder-7B-Instruct и дообучена для работы с описаниями функций: разбирает сигнатуры, определяет необходимые параметры и формирует структурированный вывод для вызова функции. Модель относится к семейству Qwen2, имеет плотную архитектуру и 7,1 млрд параметров; поддерживает контекст до 32 768 токенов и доступна в формате safetensors для Transformers. Модель предназначена для построения чат-ассистентов, которые выбирают подходящие инструменты, заполняют аргументы функций и помогают автоматизировать обращения к API и внутренним системам. Карточка описывает её как рассчитанную на низкую задержку и высокую пропускную способность, а примеры рекомендуют использовать специальный формат промпта Katanemo для получения JSON-подобных вызовов. Основной язык в метаданных — английский. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

Карточка модели deer-sec/CyberStag-Security-26B-A4B-V1-BF16-GGUF на Hugging Face совпадает с карточкой deer-sec/CyberStag-Security-26B-A4B-V1-BF16-MLX, поэтому описание составлено по ней. CyberStag-Security-26B-A4B-V1-BF16-MLX — текстовая языковая модель deer-sec для анализа кибербезопасности и логических рассуждений. Это дообученная на базе Gemma-4-26B-A4B MoE модель: адаптер LoRA обучали с помощью MLX и затем объединили с базовыми весами. Репозиторий содержит вариант BF16 для MLX, ориентированный на Apple Silicon; по метаданным модель имеет 26 млрд параметров и поддерживает чат. Модель предназначена для специалистов по безопасности, SOC-аналитиков, исследователей и системных администраторов. Она помогает разбирать журналы событий, оценивать уязвимости и векторы атак, выполнять моделирование угроз и готовить планы реагирования на инциденты. README сообщает об улучшении качества ответов в задачах кибербезопасности относительно базовой модели, но отмечает небольшое увеличение задержки. Вход и выход — текст; в карточке заявлены английский и японский языки, а также многоязычная поддержка. Модель выпущена под лицензией Apache-2.0; авторы позиционируют её для образовательных и защитных задач и запрещают злонамеренное использование.

watt-tool-70B — языковая модель на 69,5 млрд параметров, дообученная watt-ai на базе meta-llama/Llama-3.3-70B-Instruct. Она предназначена для диалоговых ассистентов и AI-агентов, которым нужно выбирать инструменты и вызывать функции, в том числе в многошаговых сценариях автоматизации рабочих процессов. Модель поддерживает контекст до 131 072 токенов и принимает текст, выдавая текст и структурированные вызовы инструментов. В README заявлена высокая производительность на Berkeley Function-Calling Leaderboard и описано обучение с учителем на специализированных данных, а также применение подходов CoT и DMPO. Модель рассчитана прежде всего на английский язык; базовая модель мультиязычна, но отдельный список поддерживаемых языков для watt-tool-70B не приведён. Веса доступны в формате safetensors. Лицензия — Apache-2.0.

Модель osieosie/qwen3.5-9b-drctx-mix-mk2-nc20-bs20-os2-sft-e2 разработана на основе hamishivi/Qwen3.5-9B и дообучена методом SFT для самостоятельного управления контекстом в длительных агентных задачах. Она решает, когда и как уплотнять историю через инструмент edit_context, чтобы продолжать работу в пределах ограниченного контекстного бюджета. Это плотная текстовая причинная языковая модель семейства Qwen3.5 с 7,2 млрд параметров, доступная в формате safetensors и рассчитанная на запуск через Transformers. В обучении использовались траектории для работы в терминале и с кодом, а также длительного веб-исследования. Базовая модель поддерживает контекст до 262 144 токенов, однако данная версия обучалась и оценивалась с бюджетом 32 768 токенов. В оценке модель сохраняла качество ответов на задачах веб-исследования при сокращении числа операций уплотнения относительно предыдущей версии. Результаты на Terminal-Bench 2 не показали улучшения успешности или вычислительных затрат относительно базовой модели. Модель преимущественно выбирает суммаризацию; операции переноса и удаления содержимого почти не использует без явной подсказки. Лицензия — Apache-2.0.

watt-tool-8B — языковая модель watt-ai на 7,5 млрд параметров, дообученная на базе meta-llama/Llama-3.1-8B-Instruct. Она предназначена для диалоговых систем и агентов, которым нужно выбирать инструменты и вызывать функции в ходе многошагового взаимодействия, например для построения рабочих процессов. Модель обучалась с использованием supervised fine-tuning и DMPO на специализированных данных для работы с инструментами и многоходовых диалогов; README сообщает о сильных результатах на Berkeley Function-Calling Leaderboard. Модель принимает текст и генерирует текст с интерфейсом диалога; заявленный контекст — до 131 072 токенов. В карточке указана поддержка английского языка. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0. Модель рассчитана на сценарии вызова инструментов и функций, однако фактическая надёжность зависит от доступных инструментов, формата их описаний и интеграции в приложение. Заявление о лидерских результатах на BFCL приведено в README; методика и цифры оценки там не указаны.

Password Model — модель классификации текста, разработанная SAP OSS для автоматической фильтрации ложных срабатываний при обнаружении паролей в Credential Digger. Она анализирует найденные сканером фрагменты и помогает определить, являются ли они вероятными паролями или ложными совпадениями. Модель основана на архитектуре RoBERTa и дообучена на CodeBERT-base-mlm на наборе данных для обнаружения утечек. Репозиторий содержит модель в формате TensorFlow; размер составляет 151,8 млн параметров, максимальный контекст — 514 токенов. Указан английский язык. Лицензия — MIT. Модель предназначена для этапа проверки результатов сканирования секретов в Credential Digger. В карточке не приведены метрики оценки, результаты тестирования и подробности предобработки, поэтому точность классификации по описанию оценить нельзя.

Foundation-Sec-8B-Reasoning-Q8_0-GGUF — квантизированная 8-битная версия модели Foundation-Sec-8B-Reasoning, опубликованная под идентификатором fdtn-ai. Исходная модель основана на LLaMA 3.1, содержит около 8 млрд параметров и специализируется на кибербезопасности. Она дообучалась на корпусе материалов, включающем CVE, отчёты о киберугрозах, описания эксплойтов и руководства по соответствию требованиям. Модель предназначена для текстовой генерации и сценариев кибербезопасности: ускорения работы SOC, сортировки и суммирования инцидентов, подготовки заметок и сбора свидетельств, моделирования атак, приоритизации уязвимостей, сопоставления TTP и анализа поведения злоумышленников. Также она может помогать инженерам проверять конфигурации, оценивать свидетельства соответствия требованиям и повышать уровень защищённости. В README указан английский язык, однако сведения о размере контекстного окна, результатах оценивания и полном наборе поддерживаемых возможностей отсутствуют. Модель сохранена в формате GGUF с квантизацией Q8_0 и предназначена для запуска через llama.cpp и совместимые оболочки, включая llama_cpp. Размер файла составляет около 8,54 ГБ, что существенно снижает требования к памяти по сравнению с исходным вариантом BF16; заявленная потеря точности при такой квантизации минимальна. Ограничения и детальные характеристики следует уточнять в карточке исходной модели Foundation-Sec-8B-Reasoning. В README лицензия указана как Apache 2.0, хотя в метаданных также отмечено значение other.

Arch-Agent-3B — дообученная языковая модель Katanemo для вызова функций и агентных сценариев. Она основана на Qwen/Qwen2.5-Coder-3B-Instruct и использует плотную архитектуру Qwen2 с 3,1 млрд параметров; для работы с моделью в README рекомендована библиотека Transformers версии 4.51.0 или новее. Модель предназначена для многоходового диалога с инструментами, выбора функций и планирования последовательностей вызовов API. Она может разбивать сложные запросы на подзадачи, учитывать промежуточные результаты и продолжать работу в нескольких ходах. README сообщает об оценке на Berkeley Function-Calling Leaderboard; для многоходовой оценки применялось масштабирование YaRN при контексте 64K. Метаданные указывают нативный контекст 32 768 токенов. Для получения JSON-подобных вызовов функций рекомендуется использовать формат промпта Katanemo. Модель принимает текстовые запросы и генерирует текстовые ответы с вызовами функций. Карточка описывает поддержку английского языка. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами репозитория. Описанные возможности зависят от правильного формата промпта и наличия внешних инструментов; в предоставленной карточке нет подробных результатов бенчмарка или описания ограничений надёжности.

Это англоязычная модель Sentence Transformer, дообученная на базе BAAI/bge-large-en-v1.5 для поиска релевантных фрагментов, в том числе описаний уязвимостей CVE. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; сходство между текстами можно оценивать косинусной мерой. Архитектура состоит из BERT, пулинга по CLS-токену и нормализации векторов. Модель принимает текст и предназначена для семантического поиска и сопоставления запросов с документами. README указывает максимальную длину последовательности 256 токенов, а метаданные — контекст до 512 токенов. Для обучения использовалась выборка из 861 607 пар anchor-positive с MultipleNegativesRankingLoss. Репозиторий создан 25 июня 2026 года; веса доступны в формате safetensors. Модель ориентирована на англоязычные тексты и специализируется на тематике уязвимостей и безопасности Linux. Лицензия в предоставленных данных не указана.

Gorilla OpenFunctions v1 — языковая модель семейства Llama, разработанная проектом Gorilla при UC Berkeley. Она преобразует инструкции на естественном языке и контекст доступных API в структурированные вызовы функций: выбирает подходящую функцию и формирует аргументы в JSON. Версия v1 поддерживает выбор между несколькими функциями и параллельные вызовы. Модель содержит 6,6 млрд параметров, принимает и генерирует текст, имеет контекст длиной 4096 токенов и представлена в формате PyTorch. Она предназначена для интеграции с API и помощниками, которым нужно выполнять действия через вызовы функций. В карточке не описаны поддерживаемые языки и специальные ограничения качества. Модель и данные для её обучения выпущены под лицензией Apache 2.0.

Husky Sight Tool Type Classifier — разработанная Patronus AI мультиязычная модель-классификатор на базе ModernBERT (mmBERT) для определения типа инструмента по тексту запроса, вызова инструмента или шага агента. Модель относит вход к одному классу; примеры включают файловые операции, запросы к базам данных и действия с системами контроля версий. Она рассчитана на маршрутизацию по уровню риска, применение политик и проверок согласования для ИИ-агентов, а также мониторинг во время выполнения. Модель содержит 140,5 млн параметров, использует архитектуру ModernBertForSequenceClassification и поддерживает контекст до 8192 токенов. Доступны веса Safetensors и экспорт ONNX. В тестировании Patronus на отложенной выборке из 2914 примеров указаны accuracy и macro F1 по 0,957. Карточка описывает немецкий и английский как основные проверенные языки; мультиязычная основа допускает работу с другими языками, но они не проходили активную проверку. Предсказание отражает предполагаемый тип действия по тексту, но не подтверждает, что действие было выполнено. Модель не отслеживает поток информации между несколькими шагами агента; возможны ложные срабатывания и пропуски, поэтому для критически важных решений рекомендуется сочетать её с детерминированными правилами и калиброванными порогами. Лицензия — Apache-2.0.

LFM2.5-350M-ShellAI — компактная языковая модель micrictor для генерации Bash-команд. Это дообученная модель LiquidAI/LFM2.5-350M, дистиллированная на уровне ответов из LiquidAI/LFM2.5-2.6B; архитектура — плотная LFM2 для авторегрессионной генерации текста. По карточке модель обучена выдавать одну команду внутри блока кода. Метаданные указывают 444,6 млн параметров и контекст до 128 000 токенов. Модель предназначена для преобразования запросов и сценариев работы с репозиториями в команды оболочки. В тесте на 300 примерах показатель совпадения по полезному результату составил 39,7%, а точного совпадения команды — 4,0%; базовая модель показала 23,0% и 5,7% соответственно. Это указывает на ограниченную надёжность: команды следует проверять перед запуском. Указанный формат файлов — safetensors, а README описывает объединённый BF16 чекпойнт. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с карточкой модели.

qwen14b-code-trainer-v9_mixed — LoRA-адаптер для Qwen/Qwen2.5-Coder-14B-Instruct, разработанный cmndcntrlcyber в рамках Code-Trainer / RTPI pipeline. Модель дообучена методом PEFT на смешанном датасете code-trainer-v9-mixed с двухфазной curriculum-тренировкой. Это релиз V9, предназначенный прежде всего для повышения точности формирования тегов <tool_call>, необходимых для разбора структурированных вызовов инструментов в Ollama. Адаптер рассчитан на генерацию кода по инструкциям, function calling, последовательные вызовы нескольких инструментов и многошаговое агентное поведение в многоходовых диалогах. В обучающих данных использовался формат Unified ChatML; около 64,3% обучающих примеров содержат определения инструментов. Архитектурно это не самостоятельная модель, а LoRA-надстройка с параметрами r=32, alpha=64 и dropout=0,05, которую необходимо загружать поверх базовой модели Qwen/Qwen2.5-Coder-14B-Instruct. Обучение проводилось на последовательностях длиной 4096 токенов, при этом для использования рекомендуется контекст до 8192 токенов; базовая модель поддерживает до 32K. Сильные стороны адаптера — повышенная плотность и корректность tool calling, поддержка нескольких вызовов инструментов за один ответ, очистка текста после закрывающего тега tool call и сохранение возможностей генерации кода базовой модели. Ограничения включают отсутствие специального обучения для safety alignment, RLHF и задач, не связанных с кодом. Релиз V9 заменён для deployment более новым V10 с GRPO, но используется как SFT-основа для него. Лицензия — Apache-2.0. Для локального развёртывания рекомендуется объединить адаптер с базовой моделью и использовать квантование Q5_K_M GGUF через llama.cpp, Ollama или LM Studio; Q4_K_M указано как запасной вариант.

AlicanKiraz0/Titus-CybersecurityLLM-v1.0-mlx-4Bit — это квантизированная 4-битная MLX-версия модели Titus-CybersecurityLLM-v1.0, разработанная AlicanKiraz0 для локального запуска на устройствах Apple Silicon. Модель предназначена прежде всего для кибербезопасности с приоритетом турецкого языка и основана на Qwen/Qwen3.6-35B-A3B; заявленная архитектура — qwen3_5_moe. Это текстовая модель генерации, адаптированная для эффективного локального вывода через MLX. Модель ориентирована на помощь при SOC-триаже, DFIR-расследованиях, разработке детектов, анализе облачной, Kubernetes-, IAM-, endpoint- и AppSec-безопасности, подготовке GRC-материалов, а также на авторизованные лабораторные, CTF, purple-team и defensive validation сценарии. Обучение выполнено на наборе более чем из 500 тысяч строк инструкций по кибербезопасности с охватом реагирования на инциденты, threat hunting, malware analysis, SIEM, SOAR, DevSecOps, уязвимостей и других направлений; использовалась LoRA-адаптация примерно на 4 миллиарда параметров. Сильная сторона варианта — сниженные требования к хранению и возможность локального запуска на Apple Silicon, однако 4-битная квантизация может уменьшать точность по сравнению с BF16-версией, а в README не указаны размер контекстного окна и полный перечень поддерживаемых языков. Модель распространяется по лицензии Apache-2.0 и предназначена для законного и явно разрешённого использования в сфере кибербезопасности.

Foundation-Sec-8B-Instruct — открытая 8-миллиардная instruction-tuned языковая модель для задач кибербезопасности, разработанная Amin Karbasi и исследовательской командой Foundation AI совместно с Cisco. Данная GGUF-версия основана на fdtn-ai/Foundation-Sec-8B-Instruct. Модель использует авторегрессионную оптимизированную архитектуру Transformer на базе Meta Llama 3.1 8B и обучена следованию инструкциям и предпочтениям пользователей. Модель предназначена для специалистов по безопасности, исследователей и разработчиков локальных AI-инструментов. Основные сценарии включают ускорение работы SOC, сортировку и суммирование алертов и инцидентов, сбор свидетельств, классификацию угроз, сопоставление с техниками MITRE ATT&CK, приоритизацию уязвимостей, извлечение данных о соответствии требованиям, ответы на вопросы по облачной безопасности, построение threat model и поддержку red-team-исследований. Локальное развертывание подходит для сред, где важны защита данных, соответствие нормативным требованиям и операционный контроль. Модель поддерживает английский язык, работает с текстом и обучена на статическом офлайн-наборе данных. Она специализирована на кибербезопасности, поэтому может быть менее эффективна в общих задачах. Модель не предназначена для генерации вредоносного кода, фишинга, атак на конкретные организации, автономного принятия критических решений, окончательной оценки соответствия или автоматического устранения уязвимостей без экспертной проверки. Условия лицензии определяются документом NOTICE.md; тип лицензии в карточке указан как other.