精心挑选的开放权重无审查模型，适用于经过授权的红队操作、渗透测试和安全研究。所有数据均来源于HuggingFace模型卡和官方出版物。2026年9月。 安全微调模型 1. DeepHat V2（WhiteRabbitNeo） - 基础模型：Qwen2.5-Coder-7B - 参数：7B / 32B - 上下文长度：131K - VRAM（Q4_K_M）：约6 GB - 无审查方法：基于1.7M攻击/防御样本的SFT - 训练数据：1.7M安全特定样本（USENIX安全2024研讨会） - 视觉：否 - 工具调用：是 - 许可证：Apache 2.0 - 下载：[https://huggingface.co/WhiteRabbitNeo](https://huggingface.co/WhiteRabbitNeo) 2. BugTraceAI-CORE-Apex（26B） - 基础模型：Gemma4-26B MoE - 参数：26B MoE - 上下文长度：32K - VRAM（Q4_K_M）：约16 GB - 无审查方法：基于HackerOne Hacktivity 2024-2025的SFT - 训练数据：HackerOne报告 + WAF规避数据集 - 视觉：否 - 工具调用：是 - 许可证：Apache 2.0 - 下载：[https://huggingface.co/BugTraceAI/BugTraceAI-CORE-Apex-26b](https://huggingface.co/BugTraceAI/BugTraceAI-CORE-Apex-26b) 3. BugTraceAI-CORE-Ultra（27B） - 基础模型：Qwen3.6-27B（DavidAU微调变体） - 参数：27B稠密 - 上下文长度：4K（推荐） - VRAM（Q6_K）：约22-24 GB - 无审查方法：通过Unsloth进行SFT，基于漏洞赏金 + CVE数据 - 训练数据：来自漏洞赏金披露、CVE报告和安全研究的2541个示例（2024-2026） - 专业化：工具模型：生成Nuclei模板、CVE PoC、利用代码、渗透测试脚本 - 视觉：否 - 工具调用：是 - 许可证：Apache 2.0 - 下载：[https://huggingface.co/BugTraceAI/BugTraceAI-CORE-Ultra-27B-Q6](https://huggingface.co/BugTraceAI/BugTraceAI-CORE-Ultra-27B-Q6) 4. CYBER-FROST-3.8（Blackfrost-AI） - 基础模型：Qwen/Qwen3.8-Flash-Next - 参数：约180B总计（512路由专家，每个token 10个激活） - 上下文长度：262K - 架构：Qwen4ExpForConditionalGeneration，48个变换块，混合线性 + 完全注意力 - VRAM：需要多个GPU（在4个NVIDIA B300 SXM6上测试） - 无审查方法：基于专有Blackfrost-AI语料的安全领域微调 - 训练数据：专有安全语料：侦察、Web应用安全、漏洞研究、恶意软件分析、云安全、威胁情报 - MTP：是（1个本地MTP层用于推测解码） - 视觉：否 - 工具调用：是 - 许可证：Qwen社区许可证1.0 - 下载：[https://huggingface.co/Blackfrost-AI/CYBER-FROST-3.8-BF16](https://huggingface.co/Blackfrost-AI/CYBER-FROST-3.8-BF16) 5. CyberPal 2.0（20B） - 基础模型：gpt-oss-20b - 参数：约20B（文件中21B） - 上下文长度：8,192 - VRAM（BF16）：约42 GB - 无审查方法：基于SecKnowledge 2.0管道的SFT - 训练数据：通过专家引导的示例循环、多步骤基础、LLM质量检查的403K示例 - 专业化：防御：CTI、漏洞分析、检测/缓解、SOC/IR、应用安全、合规性 - 视觉：否 - 工具调用：否 - 许可证：Apache 2.0 - 下载：[https://huggingface.co/cyber-pal-security/CyberPal2.0-20B](https://huggingface.co/cyber-pal-security/CyberPal2.0-20B) 6. Cyber-Prime 1.1（2.6B） - 基础模型：LiquidAI/LFM2-2.6B - 参数：2.6B（实际约3B） - 上下文长度：N/A（模型卡未指定） - VRAM（BF16）：约6 GB - 张量类型：BF16 - 无审查方法：基于75K网络安全行的SFT + RL + 奖励引导后训练 - 训练数据：NER修复（约6K），HTTP推理伴随CoT（约5K），电子邮件钓鱼（约5K），威胁情报摘要（约2K），GHSA/KEV/ATT&CK - 操作模式：直接模式（分类） + 思考模式（链式思维） - CyberBench平均：0.592 F1/Acc（较v1.0的0.501有所提升） - CyberBench亮点：NER 0.499，钓鱼0.890，HTTP攻击0.628 - 视觉：否 - 工具调用：否 - 许可证：LFM开放许可证v1.0 - 下载：[https://huggingface.co/Akahsizrr/Cyber-Prime-1.1-2.6B](https://huggingface.co/Akahsizrr/Cyber-Prime-1.1-2.6B) 7. Cyber-Ornith-1.5-9B（DuoNeural / mradermacher） - 基础模型：ornith-ai/Ornith-1.5-9B（Qwen 3.5架构） - 参数：9B - 上下文长度：128K（Qwen 3.5默认） - VRAM（Q4_K_M）：约7 GB - 无审查方法：消灭（消灭变体） - 训练数据：NousResearch/hermes-function-calling-v1, OpenThoughts3-1.2M, openhands-synthetic-conversations - 专业化：功能调用的代理网络安全：工具使用、推理、CLI/终端自动化 - 格式：GGUF（IQ1_S到Q6_K可用） - 视觉：否 - 工具调用：是 - 许可证：Apache 2.0 - 下载：[https://huggingface.co/mradermacher/Cyber-Ornith-1.5-9B-OBLITERATED-i1-GGUF](https://huggingface.co/mradermacher/Cyber-Ornith-1.5-9B-OBLITERATED-i1-GGUF) 8. Dolphin3-Cyber-8B（RavichandranJ） - 基础模型：Dolphin3.0-Llama3.1-8B-消灭 - 参数：8.03B - 上下文长度：2,048（微调） / 131K（基础） - VRAM（Q4_K_M）：约6 GB - 无审查方法：基于消灭的Dolphin3基础的LoRA rank-16 - 训练数据：安全特定：渗透测试、漏洞分析、利用开发、事件响应 - 架构：LlamaForCausalLM，32层，GQA（32头，8 KV头） - 性能：5 tok/s（CPU）到55 tok/s（RTX 4060） - 视觉：否 - 工具调用：否 - 许可证：Llama 3.1 - 下载：[https://huggingface.co/RavichandranJ/Dolphin3-Cyber-8B-GGUF](https://huggingface.co/RavichandranJ/Dolphin3-Cyber-8B-GGUF) 9. Imperum-CybersecurityLLM v1.0 - 基础模型：Qwen/Qwen3.6-35B-A3B - 参数：34.66B总计 / 约3B活动（MoE，256路由专家，每个token 8个激活） - 上下文长度：16,384（推荐为8,192以适应资源限制） - VRAM（Q4_K_M）：约22 GB - 架构：Qwen3.5-MoE，40层，混合线性 + 完全注意力 - 无审查方法：在10多个安全领域的SFT