IV.2Банки, платежи и инвестиции

abhishekai/gemma-2-2b-legal-dpo — плотная авторегрессионная модель Gemma 2 на 2,7 млрд параметров, дообученная методом DPO на предпочтениях, полученных с помощью ИИ-обратной связи. Она предназначена для ответов на вопросы по правовым и финансовым темам, когда пользователь предоставляет исходный фрагмент текста. Модель поддерживает диалог, генерирует текст на английском языке и имеет контекстное окно 8192 токена; в README обучение и оценка описаны для контекста 1024 токена. В описанной оценке ответы оказались на уровне исходной модели thesreedath/slm-gemma-2b-qa; преимущество по win rate не было статистически значимым. Для использования нужны предоставленные пользователем материалы: модель не предназначена для ответов без опоры на контекст. Точность чисел требует проверки, а ответы не являются юридической или финансовой консультацией. Лицензия — Gemma.

Модель cybersectony/phishing-email-detection-distilbert_v2.4.1 разработана на основе DistilBERT и дообучена для многометочной классификации электронных писем и URL-адресов на безопасные и потенциально фишинговые. Она предназначена для первичного анализа писем и ссылок в почтовых фильтрах, средствах защиты и инструментах проверки подозрительных сообщений. Архитектура — DistilBertForSequenceClassification; модель принимает текст, поддерживает английский язык и имеет контекстное окно 512 токенов. Для обучения использован набор cybersectony/PhishingEmailDetectionv2.0; в карточке приведены метрики accuracy 99,58, F1 99,579, precision 99,583 и recall 99,58. Модель сообщена как дообученная от distilbert/distilbert-base-uncased, использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Метрики указаны в карточке модели и не гарантируют те же результаты на новых источниках писем и ссылок; результаты могут зависеть от распределения и качества входных данных.

Qwen2-Math-7B-Instruct — специализированная языковая модель для математических задач, разработанная командой Qwen и построенная на базе Qwen2. Это инструктивная версия для диалогового использования, рассчитанная на решение арифметических и математических задач, включая задачи, требующие многошаговых рассуждений. Модель имеет плотную архитектуру Qwen2ForCausalLM и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. На момент описания README модель в основном поддерживает английский язык. Для запуска рекомендован Transformers версии 4.40.0 или новее. Модель распространяется по лицензии Apache-2.0.

AdaFace IR-18 Core ML — конвертированная для устройств Apple модель распознавания лиц, созданная Daisuke Majima на основе AdaFace авторства mk-minchul. Она принимает выровненное изображение лица размером 112×112 пикселей и выдаёт L2-нормированный вектор признаков размерностью 512; сходство лиц можно оценивать по косинусному сходству векторов. В основе — backbone iResNet-18, обученный на CASIA-WebFace. AdaFace использует при обучении поправку, зависящую от качества изображения, чтобы лучше справляться с размытыми и низкокачественными снимками. Модель предназначена для извлечения признаков лица и сравнения лиц непосредственно на iPhone, iPad и Mac. Репозиторий содержит пакет Core ML; последовательность обработки и буферизацию приложение реализует самостоятельно. Лицензия — MIT.

FReE — модель на базе DistilBERT, разработанная Yseop и дообученная на специализированном финансовом наборе данных для извлечения и классификации отношений между финансовыми терминами в предложениях. Она определяет, присутствует ли связь, и относит её к одному из пяти типов: x (связи нет), has, is in, is или are. Модель подходит для анализа предложений с финансовыми определениями и выявления отношений между финансовыми показателями и понятиями, например при структурировании финансовых справочников. Это классификатор последовательностей DistilBERT с контекстом до 512 токенов. В README приведены метрики precision, recall и F1 для части классов на тестовой выборке. Модель распространяется в формате PyTorch. Сведения о лицензии в доступных данных отсутствуют.

ExpGuard (7B) — модель модерации контента, разработанная командой 6rightjade на основе Qwen/Qwen2.5-7B и дообученная на наборах данных безопасности. Она выявляет вредоносные запросы пользователей и небезопасные ответы языковых моделей, уделяя особое внимание финансовой, медицинской и юридической тематике. Модель также предназначена для оценки безопасности других LLM в этих областях. Карточка сообщает о сильных результатах на тестах классификации вредоносности запросов и ответов. Модель работает с текстом на английском языке; в Hugging Face она опубликована для генерации текста и поддерживает диалоговый режим. Лицензия — Apache 2.0. Автоматические решения модели могут быть ошибочными, поэтому её следует использовать как часть более широкой системы безопасности.

InnerJev-27B-Full — модель для принятия решений из семейства InnerJev-27B, созданная на основе Qwen/Qwen3.8-27B. Она возвращает распределение вероятностей по вариантам, заданным пользователем, в интерфейсе ответного слота; поддерживаются задачи выбора, бинарного и вероятностного Noul, а также упорядочивания Score. Обучение на 39 279 вопросах оптимизировало распределения решений и не включало общую диалоговую настройку для свободного общения. Это плотная модель архитектуры Qwen3_5ForConditionalGeneration с полными обновлениями языковых линейных слоёв, охватываемых LoRA. Эмбеддинги, выходная голова, нормализация и параметры зрения остаются замороженными. Хотя архитектура сохраняет компоненты обработки изображений, обучение и интерфейс вывода InnerJev рассчитаны на текстовый ввод. Для загрузки полных объединённых весов не нужны PEFT или отдельная базовая модель. Модель предназначена для прикладных сценариев оценки вариантов и вероятностного ранжирования решений, а не для свободной генерации ответов. В README приведён результат 80,1734 из 100 на фиксированном наборе из 58 бенчмарков для одного BF16-чекпойнта; это не среднее по нескольким запускам и не оценка доверительного интервала. Для загрузки в BF16 требуется достаточно оперативной или видеопамяти. Лицензия — Apache-2.0.

Модель cybersectony/phishing-email-detection-distilbert_v2.1 разработана на основе DistilBERT и дообучена для многометочной классификации электронных писем и URL-адресов на безопасные и потенциально фишинговые. Она использует архитектуру DistilBertForSequenceClassification и принимает текст длиной до 512 токенов. Модель предназначена для фильтрации писем и проверки ссылок на признаки фишинга; в README заявлены F1-score 97,717, точность 97,716, precision 97,736 и recall 97,717 на пользовательском наборе данных cybersectony/PhishingEmailDetection. Модель рассчитана на англоязычный текст и распространяется в формате Safetensors через Transformers. Лицензия — Apache-2.0. Заявленные метрики относятся к данным README; состав оценки и обобщение на другие источники писем и ссылок не описаны.

Qwen2.5-Math-7B-Instruct-GGUF — GGUF-квантизированные версии инструкционной языковой модели Qwen2.5-Math-7B-Instruct, разработанной командой Qwen. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста в диалоговом формате, прежде всего для решения математических задач и связанных с ними сценариев. В README указана поддержка английского языка и формат применения text-generation. Доступны варианты от F16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K, включая варианты, оптимизированные для ARM. Размер файлов составляет примерно от 3,55 до 15,24 ГБ, что позволяет выбирать баланс между качеством, требованиями к памяти и скоростью локального запуска; поддерживается использование в llama.cpp и LM Studio. Более агрессивная квантизация экономит память, но может снижать качество ответов, особенно у форматов с малым числом бит. Архитектура, размер контекста и дополнительные модальности в README не указаны. Модель распространяется по лицензии Apache 2.0.

ReDimNet2 B3 — конвертированная в формат MLX версия официального чекпойнта ReDimNet2 b3-vb2+vox2+cnc2_v0-lm, разработанного авторами исходной модели. Чекпойнт дообучен с large-margin и рекомендован авторами карточки. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт 192-мерные эмбеддинги голоса для задач аудиоклассификации и верификации говорящего. Сборка предназначена для запуска через библиотеку MLX. По данным карточки, эмбеддинги совпадают с PyTorch-эталоном с относительной ошибкой до 3,2×10⁻⁶ в проверке на CPU с float32. Код и веса распространяются по лицензии MIT, однако обучающие наборы VoxBlink2, VoxCeleb2 и CN-Celeb2 имеют собственные условия использования, которые следует проверить перед коммерческим применением.

DMetaSoul/sbert-chinese-qmc-domain-v1-distill 是 DMetaSoul 发布的蒸馏型 модель на базе BERT для сопоставления вопросов в открытой предметной области. Она преобразует китайские предложения в векторы, пригодные для оценки семантического сходства и поиска похожих вопросов; описанные сценарии включают поиск перефразировок о товарах, услугах и банковских операциях. Модель содержит 4 слоя BERT и около 54 млн параметров, принимает текст, имеет контекст до 512 токенов и распространяется в формате PyTorch. По README, относительно модели-учителя с 12 слоями она примерно вдвое снижает задержку и увеличивает пропускную способность, при этом средняя точность в приведённой оценке ниже примерно на 4,2 процентного пункта. Это ориентир из теста на V100, а результаты зависят от данных и условий эксплуатации. Модель предназначена прежде всего для китайского языка. Лицензия в предоставленных данных не указана.

Qwen2-Math-7B — специализированная базовая языковая модель для математических задач из семейства Qwen2, разработанная командой Qwen. Это плотная причинная модель на 7,1 млрд параметров для генерации продолжений и few-shot-решения задач; в отличие от версии Instruct, она не предназначена прежде всего для диалогового общения. Модель рассчитана на арифметику, математику и задачи, требующие многошаговых рассуждений. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекст длиной 4096 токенов. Карточка характеризует её как математическую модель с усиленными способностями к рассуждению и рекомендует использовать её как основу для дообучения. Для работы требуется Transformers версии 4.40.0 или новее. Распространяется по лицензии Apache-2.0.

Qwen2-Math-7B-Instruct-GGUF — это квантованные файлы модели Qwen2-Math-7B-Instruct в формате GGUF. Исходную модель разработала команда Qwen, а данный набор файлов подготовил MaziyarPanahi. Модель предназначена для генерации текста и ориентирована на решение математических задач в формате инструкций. Модель содержит 7 миллиардов параметров; доступные варианты квантования включают 2-, 3-, 4-, 5-, 6- и 8-битные версии. Поддерживаемые модальности, языки и размер контекста в README не указаны. Формат GGUF предназначен для локального запуска и поддерживается llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другими совместимыми инструментами, включая варианты с GPU-ускорением. К сильным сторонам относятся специализация исходной модели на математических задачах, выбор уровней квантования и широкая совместимость с локальными средствами инференса. Ограничения — отсутствие в README подробностей о точности, языковой поддержке, контексте, архитектуре и требованиях к ресурсам; квантование также может влиять на качество по сравнению с исходной моделью. Лицензия в предоставленных данных не указана.

ReDimNet2 B4 — конверсия официального чекпойнта модели для верификации диктора в формат MLX. Модель принимает монофоническое аудио с частотой 16 кГц и формирует вектор эмбеддинга диктора размерностью 192, который можно использовать для сравнения голосов. Чекпойнт обучен на VoxCeleb2-dev и опубликован до этапа дообучения с large-margin. Версия для MLX сохраняет близкое соответствие PyTorch-реализации: README сообщает об относительной ошибке до 3,1×10⁻⁶ на CPU в float32. Репозиторий содержит веса Safetensors и распространяется по лицензии MIT.

imanoop7/bert-phishing-detector — англоязычная модель для классификации URL-адресов на безопасные и потенциально фишинговые. Она основана на BERT и дообучена для бинарной классификации на наборе URL с метками safe и unsafe. Модель имеет 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель предназначена для первичной проверки ссылок в средствах защиты, почтовых фильтрах и пользовательских сервисах анализа URL. Лицензия MIT. Классификатор может ошибаться, поэтому его не следует использовать как единственную защиту от фишинга; подозрительные ссылки нужно оценивать с помощью нескольких уровней защиты.

Email Phishing Detector V2 — модель классификации электронной почты на фишинговую или безопасную, разработанная на основе microsoft/deberta-v3-base и дообученная для обнаружения фишинга. Она использует архитектуру DeBERTa V2 для классификации последовательностей, содержит 211,6 млн параметров и принимает текст длиной до 512 токенов. Модель предназначена для автоматической фильтрации подозрительных писем и поддержки систем безопасности электронной почты. В README приведены высокие метрики на тестовой и валидационной выборках, однако они получены на конкретных наборах данных и не гарантируют аналогичного качества на новых типах фишинговых атак. Лицензия — MIT.

KL3M 500M, checkpoint 15500 — языковая модель Alea Institute для генерации текста в юридической и смежных областях. Она основана на архитектуре Llama с Grouped Query Attention и содержит около 500 млн параметров. Модель обучалась на многоотраслевых юридических текстах, включая судебные документы, государственные материалы, финансовые раскрытия и контракты; в обучающих данных преобладают судебные документы. Это промежуточный чекпойнт продолженного обучения: 30 слоёв исходной модели расширили до 120 циклическим дублированием, после чего обучение продолжили до шага 15 500. Модель генерирует текст, поддерживает контекст до 4096 токенов и ориентирована на английский язык. Её можно применять для подготовки черновиков юридических текстов и продолжения документов, однако стиль и содержание зависят от преобладания судебных материалов в обучении. Модель опубликована в формате safetensors и рассчитана на использование с Transformers. Лицензия — Apache-2.0. Чекпойнт отражает состояние обучения на конкретном шаге, поэтому его качество следует оценивать для целевого сценария; README рекомендует предметные подсказки и допускает дополнительную настройку.

OpenThaiGPT 1.0.0-beta — чат-модель на 7 млрд параметров, разработанная командой OpenThaiGPT и дообученная на основе LLaMA 2 для следования инструкциям на тайском языке. Она предназначена для диалогов, генерации текста и ответов на вопросы на тайском; в обучающие данные также входили наборы вопросов и ответов по налогам, финансам и общим темам. Модель использует плотную архитектуру LLaMA (`LlamaForCausalLM`) и принимает текст, выдавая текст. В словарь добавлено более 24 500 распространённых тайских слов, а эмбеддинги предварительно обучены заново; авторы сообщают, что генерация тайского текста стала в десять раз быстрее по сравнению с предыдущей версией. Контекст составляет 4096 токенов. Доступны веса PyTorch, библиотека Transformers, лицензия Apache-2.0. Модель рассчитана прежде всего на тайский язык; метаданные также отмечают английский. В README указано, что ответы не гарантированы, поэтому результаты следует проверять, особенно в налоговых и финансовых сценариях.

BERT Phishing URL Detector — англоязычная модель на базе BERT, разработанная автором репозитория и дообученная для бинарной классификации URL-адресов как безопасных или потенциально фишинговых. Она предназначена для предварительной проверки ссылок в системах обнаружения фишинга и фильтрации подозрительных URL. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Обучение проводилось на пользовательском наборе URL-адресов с метками «безопасный» и «небезопасный». Доступна по лицензии MIT. Результат следует рассматривать как сигнал для дополнительной проверки: модель не должна быть единственным средством защиты от фишинга. README также рекомендует использовать несколько уровней безопасности и проявлять осторожность при работе с подозрительными ссылками.

Qwen2-Math-72B-Instruct — специализированная языковая модель семейства Qwen2, разработанная командой Qwen для диалогового решения математических задач. Она предназначена для арифметики, математических вопросов и задач, требующих многошаговых логических рассуждений; версия Instruct настроена для общения по инструкциям, а не только для продолжения текста. Модель имеет плотную архитектуру Qwen2ForCausalLM и около 71,5 млрд параметров, работает с текстом и поддерживает контекст до 4096 токенов. Карточка отмечает, что на момент публикации модель в основном поддерживала английский язык; метаданные также указывают английский. Модель распространяется в формате safetensors и используется через Transformers. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке модели. По сравнению с общей языковой моделью Qwen2, эта версия ориентирована на математическое рассуждение; доступная информация не содержит конкретных результатов тестирования или гарантии точности.

Sudhanshu1985/slm-125m-sft — дообученная инструкционная модель на архитектуре Llama с 125,8 млн параметров, созданная на базе thesreedath/slm-125m-base. Она предназначена для ответов на вопросы по предоставленному контексту в задачах поиска сведений и рассуждений, а также для отказа, если ответ не содержится в контексте. Модель обучена на синтетических парах grounded QA по материалам права США, финансовой отчётности и образовательного веб-контента; README сообщает о 24 713 парах и обучении в пределах окна 1024 токена. Модель принимает текстовый запрос и контекст, а выдаёт текстовый ответ. Она рассчитана прежде всего на англоязычный юридический и финансовый регистр; для диалога и следования инструкциям требуется предусмотренный репозиторием шаблон чата. По данным README, модель не располагает собственными надёжными фактами и должна отвечать только на основе переданного контекста; более длинные входы требуется разбивать на фрагменты. Модель не предназначена для юридических или финансовых консультаций. Лицензия — Apache-2.0.

Math IIO 7B Instruct — дообученная PrithivMLmods языковая модель на архитектуре Qwen2.5-7B-Instruct с 7,1 млрд параметров. Она предназначена для математических задач, пошаговых вычислений и ответов на инструкции; поддерживает диалоговый режим и контекст до 32 768 токенов. В карточке заявлена поддержка математической нотации с помощью дополнительных токенов. Модель подходит для решения задач от арифметики до математического анализа и линейной алгебры, объяснения решений в учебных сценариях и аналитических запросов. Она принимает текст и генерирует текст. Обучение связано с набором данных prithivMLmods/Math-IIO-68K-Mini. Лицензия — CreativeML Open RAIL-M.

MistralMath-7B-v0.1 — созданная автором карточки языковая модель, полученная слиянием Mistral-7B-v0.1, WizardMath-7B-V1.1 и MetaMath-Mistral-7B методом DARE-TIES с помощью LazyMergekit. Модель с архитектурой MistralForCausalLM содержит 7,1 млрд параметров и рассчитана на генерацию текста, в первую очередь решений математических задач и ответов на вопросы. Естественный язык ввода и вывода — текст; контекст составляет до 32 768 токенов. Модель подходит для пошагового решения математических задач и создания ответов с объяснениями. В репозитории представлены веса Safetensors; конфигурация слияния задаёт тип float16. Лицензия в предоставленных данных не указана.

Модель Zhengping/conditional-probability-regression разработана Liaoyaqi Wang, Zhengping Jiang, Anqi Liu и Benjamin Van Durme. Это дообученная на базе Qwen/Qwen2.5-14B-Instruct модель для оценки условных вероятностей с высокой детализацией; авторы описывают её как регрессионную модель на основе декодирования, оформленную как задача классификации. Модель предназначена для оценки вероятности события при заданном условии, в том числе для исследовательских сценариев, связанных с работой «Always Tell Me The Odds: Fine-grained Conditional Probability Estimation». Она принимает текст и генерирует текстовый ответ. Модель основана на плотной архитектуре Qwen2, содержит 14 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке заявлена поддержка английского языка. Модель опубликована в формате safetensors и доступна по лицензии MIT. Она унаследовала диалоговые и структурированные возможности базовой модели, однако карточка не приводит подробной инструкции по формату запросов и ответов, а раздел примера использования не заполнен; качество численных оценок и калибровка на конкретных данных требуют отдельной проверки.

Mungert/Fin-R1-GGUF — это набор GGUF-файлов модели Fin-R1, опубликованный пользователем или организацией Mungert. Модель предназначена для генерации текста и локального инференса через совместимое программное обеспечение, включая сценарии на CPU и устройствах с ограниченными объёмами оперативной памяти или VRAM. README не содержит подробностей о базовой архитектуре, количестве параметров, языках и максимальной длине контекста. Доступны варианты с форматами BF16 и F16, а также квантизованные версии Q8_0, Q6_K, Q4_K и Q4_K_S. BF16 и F16 ориентированы на устройства с соответствующей аппаратной поддержкой и обеспечивают более высокую точность, тогда как квантизация уменьшает требования к памяти ценой возможного снижения качества. Q4_K и Q4_K_S подходят для CPU и малопамятных конфигураций, причём Q4_K_S является наиболее компактным вариантом среди указанных и имеет больший компромисс по точности. Модель распространяется по лицензии Apache-2.0. README не описывает результаты тестирования, специализированные задачи Fin-R1, языковую поддержку, ограничения по содержанию или рекомендуемое программное обеспечение, поэтому её фактические возможности и качество следует дополнительно проверять на целевых сценариях.

OpenMath-Nemotron-7B — языковая модель NVIDIA для решения математических задач. Она создана дообучением Qwen/Qwen2.5-Math-7B на наборе OpenMathReasoning и использует плотную архитектуру Qwen2 с 7,1 млрд параметров. Модель принимает текст и генерирует текст; доступны режимы пошагового рассуждения CoT, интеграции с инструментами TIR и выбора решения GenSelect. Контекст — до 131 072 токенов. Модель предназначена для математического рассуждения и исследовательских сценариев, включая решение задач и оценку ответов на математических бенчмарках. Карточка сообщает о сильных результатах семейства OpenMath-Nemotron на популярных математических бенчмарках, но конкретные результаты для версии 7B в приведённой таблице не указаны. В метаданных указан английский язык; README не уточняет языковой охват этой версии. Модель доступна по лицензии CC BY 4.0, а карточка заявляет готовность к коммерческому использованию. Для запуска указаны Transformers, TensorRT и Triton, а также оптимизация для систем с GPU NVIDIA. Ответы математической модели могут содержать ошибки и требуют проверки, особенно при использовании в критичных сценариях.

TSO Foundation Model v12 — разработанная Sehaj Singh модель-основа для прогнозирования временных рядов. Она обучается находить геометрию динамических систем с помощью самоконтролируемого восстановления, линейной динамики Koopman, масштабной ковариантности и определения направления времени. Архитектура использует вложения Takens, кодировщик Koopman и скрытое представление размерности 256 при ширине скрытого слоя 768. Для переноса на ранее не встречавшийся ряд применяется замороженный латентный кодировщик и замкнутая подгонка Koopman без градиентных шагов. Модель обучалась на 40 рядах из восьми областей, включая энергетику, метеорологию, ЭКГ, финансы, эпидемиологию, экономику, солнечную физику и хаотические системы. README сообщает о выигрыше над отдельной GRU-моделью на 28 из 40 рядов, но отмечает слабые результаты на рядах со скачками и почти единичными корнями, а также ограничения линейного пробника и зависимость переноса от разнообразия обучающих рядов. Модель распространяется в формате PyTorch по лицензии MIT. README приводит пример использования через класс FoundationOperator и функцию zero_shot_forecast.

WizardMath-70B-V1.0 — языковая модель команды WizardLM для решения математических задач с помощью пошаговых рассуждений. Она основана на архитектуре Llama и обучена для усиления математических способностей больших языковых моделей; в карточке приведены результаты на GSM8K и MATH. Модель содержит 68,7 млрд параметров, работает с текстом и имеет контекст длиной 2048 токенов. Модель предназначена для ответов на математические вопросы, решения задач и генерации объяснений к решениям. Для инференса авторы предлагают шаблон запроса в формате инструкции; для простых задач они не рекомендуют вариант промпта с цепочкой рассуждений. README указывает лицензию Llama 2; её условия следует учитывать при использовании модели.

Kev-0.6B — модель принятия решений, разработанная Jared Palmer и опубликованная под идентификатором jaredpalmer/kev-0.6b. Она построена как LoRA-адаптер с pointer head поверх Qwen/Qwen3-0.6B-Base и предназначена для контрактов TypeSafe, где на вход подаются один документ-состояние и набор типизированных вопросов, а на выходе для каждого вопроса возвращается распределение вероятностей по вариантам ответа. Модель выполняет классификацию в одном прямом проходе и не генерирует текст. Архитектура использует causal language model только для prefill, block-causal attention mask с общим префиксом состояния и изолированной ветвью для каждого вопроса, а также считывание по токенам границ вариантов. Поддерживается пакетная обработка вопросов без заметного влияния одного вопроса на другой. Размер базовой модели — 0,6 млрд параметров; в README языки и явные ограничения контекста не указаны. Модель ориентирована на задачи выбора вариантов, калибровки вероятностей и типизированных решений Choice, Noul и Score. Внутри распределения данных она показывает accuracy 0,808 на закрытом тесте, но за пределами обучающего домена точность снижается до 0,642; заявлена скорость около 0,12 секунды на запрос из пяти вопросов на Apple Silicon. Сильные стороны модели — небольшой размер, низкая задержка, вероятностный выход и улучшенная обработка сценариев с вариантом «ни один из перечисленных». Ограничения особенно заметны вне домена: модель слабо справляется с невстречавшимися структурами политик, склонна выбирать средний уровень в порядковых вопросах с арифметикой дат, а её вероятности вне обучающего распределения следует считать ориентировочными. Модель распространяется по лицензии Apache-2.0.

Malicious URL Detection — DistilBERT — это дообученный классификатор Найлы Джаашан для выявления вредоносных URL. Он принимает строку URL и относит её к одному из четырёх классов: benign, phishing, malware или defacement; ручное извлечение признаков не требуется. В основе лежит distilbert-base-uncased с 6 слоями и 66 млн параметров. URL токенизируется максимум до 64 подсловных токенов; базовая модель поддерживает контекст до 512 токенов. Модель обучена на наборе из примерно 651 тыс. URL и опубликована в формате Safetensors с лицензией MIT. Модель предназначена для предварительной классификации URL и использования как одного сигнала в многоуровневой проверке безопасности. В README сообщается точность 98,89% на отложенной выборке из того же источника данных. Это исследовательский прототип, а не самостоятельный продукт защиты: качество на других наборах данных и устойчивость к обходам вроде подмены символов, опечаток и маскировки в поддоменах требуют отдельной проверки. Низкую уверенность рекомендуется направлять на ручную проверку.