Логово Сола
Open in Telegram
3 500
Subscribers
-124 hours
-137 days
-5430 days
Data loading in progress...
Similar Channels
Tags Cloud
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
September '26
September '260
in 0 channels
August '26
+3
in 0 channels
Get PRO
July '26
+3
in 0 channels
Get PRO
June '26
+27
in 0 channels
Get PRO
May '26
+3
in 0 channels
Get PRO
April '26
+3
in 0 channels
Get PRO
March '26
+1
in 0 channels
Get PRO
February '26
+917
in 0 channels
Get PRO
January '260
in 0 channels
Get PRO
December '25
+4
in 0 channels
Get PRO
November '25
+9
in 0 channels
Get PRO
October '25
+4
in 0 channels
Get PRO
September '25
+2
in 0 channels
Get PRO
August '25
+40
in 0 channels
Get PRO
July '25
+45
in 0 channels
Get PRO
June '25
+55
in 0 channels
Get PRO
May '25
+52
in 0 channels
Get PRO
April '25
+47
in 0 channels
Get PRO
March '25
+56
in 0 channels
Get PRO
February '25
+77
in 0 channels
Get PRO
January '25
+138
in 0 channels
Get PRO
December '24
+121
in 0 channels
Get PRO
November '24
+147
in 0 channels
Get PRO
October '24
+198
in 0 channels
Get PRO
September '24
+91
in 0 channels
Get PRO
August '24
+152
in 0 channels
Get PRO
July '24
+96
in 0 channels
Get PRO
June '24
+106
in 0 channels
Get PRO
May '24
+115
in 0 channels
Get PRO
April '24
+118
in 0 channels
Get PRO
March '24
+103
in 0 channels
Get PRO
February '24
+101
in 2 channels
Get PRO
January '24
+135
in 0 channels
Get PRO
December '23
+99
in 1 channels
Get PRO
November '23
+130
in 1 channels
Get PRO
October '23
+194
in 0 channels
Get PRO
September '23
+255
in 0 channels
Get PRO
August '23
+300
in 0 channels
Get PRO
July '23
+283
in 0 channels
Get PRO
June '23
+200
in 0 channels
Get PRO
May '23
+239
in 0 channels
Get PRO
April '23
+244
in 0 channels
Get PRO
March '23
+324
in 0 channels
Get PRO
February '23
+342
in 0 channels
Get PRO
January '23
+466
in 0 channels
Get PRO
December '22
+399
in 0 channels
Get PRO
November '22
+574
in 0 channels
Get PRO
October '22
+480
in 0 channels
Get PRO
September '22
+469
in 0 channels
Get PRO
August '22
+464
in 0 channels
Get PRO
July '22
+581
in 0 channels
Get PRO
June '22
+566
in 0 channels
Get PRO
May '22
+697
in 0 channels
Get PRO
April '22
+1 771
in 0 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 04 September | 0 | |||
| 03 September | 0 | |||
| 02 September | 0 | |||
| 01 September | 0 |
Channel Posts
| 2 | Неонами гори (2).mp3 | 122 |
| 3 | https://habr.com/ru/companies/ods/articles/1075370/ | 148 |
| 4 | Никогда не сдавайтесь.mp3 | 183 |
| 5 | Знание удел печали.mp3 | 253 |
| 6 | Вихри враждебные (2).mp3 | 286 |
| 7 | ПофигИн (1).mp3 | 401 |
| 8 | https://huggingface.co/unsloth/Qwen3.8-27B-GGUF | 396 |
| 9 | Негативные твари.mp3 | 437 |
| 10 | Американская платформа Roku (бывший проект Netflix) запустила «первый» круглосуточный канал с ИИ-сериалами, фильмами и сгенерированным аниме, пишет vc. ru.
Контент предоставляет ИИ-стартап Fairground Entertainment, который получает проценты от рекламы. | 436 |
| 11 | Вам нравятся мои песенки?
Выкладывать их ещё или не надо?
Лайк если надо, приведение если нет | 67 |
| 12 | Металлический ребёнок.mp3 | 336 |
| 13 | Полезные проги в виде обычных Html файлов | 355 |
| 14 | Магия в каждом.mp3 | 354 |
| 15 | Нэо, отдай нам глаза.mp3 | 357 |
| 16 | Наверное я дерево.mp3 | 366 |
| 17 | Струны крепче.mp3 | 339 |
| 18 | Береги огонь.mp3 | 349 |
| 19 | ДАЙДЖЕСТ - ПОДБОРКА СПЕЦИАЛИЗИРОВАННЫХ LLM ДЛЯ РАССЛЕДОВАНИЙ И РАЗВЕДКИ.
CyberPal 2.0-20B
🎯 Для чего подходит лучше всего:
Анализ киберугроз, работа SOC/IR, обработка CTI-отчётов, сопоставление CVE и CWE, определение MITRE ATT&CK TTP, подготовка рекомендаций по обнаружению и нейтрализации угроз.
⚙️ Особенности и ограничения:
Модель на 20–21 млрд параметров, основанная на gpt-oss-20b. Контекст — 8 192 токена. Формат весов — Safetensors/BF16, полный размер около 42 ГБ. Английский язык. Лицензия Apache 2.0. Работа в качестве автономного агента и использование внешних инструментов разработчиками пока не проверены. Требуется человеческая верификация выводов.
📊 Проверенные результаты:
В техническом отчёте модель получила средний результат 80,33% на девяти кибербенчмарках:
CTIBench MCQ — 75,71%;
CTIBench RCM — 87,40%;
CyberMetric — 89,05%;
CISSP — 86,87%;
Advanced CTI — 84,93%;
определение связей между CTI-сущностями — 87,66%;
извлечение TTP из реальных отчётов — 79,5%;
переоценка CVE — нормализованный результат 0,83.
💬 Это наиболее сильная доступная модель рейтинга для широкого локального CTI/SOC-контура.
Foundation-Sec-8B-Reasoning
🎯 Для чего подходит лучше всего:
Локальный аналитический помощник для SOC, триаж инцидентов, построение заметок по расследованию, сопоставление TTP, классификация уязвимостей, анализ конфигураций и логическое рассуждение по данным безопасности.
⚙️ Особенности и ограничения:
Модель на 8 млрд параметров на базе Llama 3.1. Поддерживает явные цепочки рассуждения. Полные BF16-веса занимают около 16 ГБ; доступны сторонние квантованные версии. Работает на английском языке. Может разворачиваться локально через Transformers, vLLM или SGLang. Лицензионные условия определены отдельным файлом NOTICE и требуют проверки перед коммерческим применением. Данные обучения ограничены апрелем 2025 года.
📊 Проверенные результаты:
В техническом отчёте приведены средние результаты пяти прогонов:
CTIBench MCQA — 69,1%;
CTIBench RCM — 75,3%;
Vulnerability Severity Prediction — 85,6%;
CTI-Reasoning — 41,1%;
Automated Threat Extraction — 49,1% micro-F1;
прогнозирование CWE на новых данных — 70,4%;
MMLU-Security — 78,2%;
CyberMetric — 84,3%;
SecEval — 84,8%.
💬 Модель превзошла Foundation-Sec-8B-Instruct в восьми из десяти профильных испытаний. Лучший вариант рейтинга при ограниченных вычислительных ресурсах.
Foundation-Sec-8B-Instruct
🎯 Для чего подходит лучше всего:
Диалоговый SOC/CTI-ассистент, суммаризация отчётов, извлечение индикаторов и сущностей, подготовка карточек инцидентов, объяснение терминов и формирование черновиков аналитических документов.
⚙️ Особенности и ограничения:
Модель на 8 млрд параметров на базе Llama 3.1. Контекст обучения — 4 096 токенов. Английский язык. Поддерживает локальное развёртывание через Transformers и vLLM. Проще и предсказуемее Reasoning-версии, но слабее в многошаговом анализе. Лицензия обозначена как other и регулируется файлом NOTICE.
📊 Проверенные результаты
CTIBench MCQA — 65,0%;
CTIBench RCM — 70,4%;
Vulnerability Severity Prediction — 84,0%;
CTI-Reasoning — 36,4%;
Automated Threat Extraction — 35,8% micro-F1;
прогнозирование CWE на новых данных — 61,6%;
SecEval — 82,9%.
💬 В опубликованной разработчиками safety-оценке модель прошла 91,98% проверок, а вместе с внешним LlamaGuard — 99,25%. Подходит для задач, где важнее контролируемый диалог и извлечение информации, чем сложное рассуждение.
Llama-Primus-Merged 8B
🎯 Для чего подходит лучше всего:
Экономичный локальный помощник для анализа CTI, ответов на вопросы по кибербезопасности, суммаризации, классификации угроз и дальнейшего дообучения под собственные данные.
⚙️ Особенности и ограничения:
Модель на 8 млрд параметров на базе Llama 3.1-8B-Instruct. Обучалась на специализированном корпусе объёмом 2,77 млрд токенов и примерно тысяче отобранных CTI-инструкций. Полные веса занимают около 16 ГБ. Заявлены английский и японский языки. Лицензия репозитория — MIT, но необходимо учитывать условия базовой Llama 3.1. Качество существенно зависит от типа задачи.
📊 Проверенные результаты:
По независимому AthenaBench:
совокупный результат — 43,7;
базовая Llama 3.1-8B — 38,8;
Llama 3.3-70B — 46,5;
GPT-5 — 66,1;
Threat Actor Attribution — 17%;
Automated Threat Extraction — 33,8%;
CTIBench RCM — 56,6%;
Vulnerability Severity Prediction — 71,9%;
Risk Mitigation — 6,6 F1.
💬 Primus заметно улучшает базовую Llama 3.1-8B, но не заменяет крупную универсальную модель в сложной атрибуции и выработке мер противодействия. Версию Primus-Reasoning нежелательно оценивать по CTIBench из-за пересечения части обучающих и тестовых данных.
SEVENLLM-Qwen1.5-7B
🎯 Для чего подходит лучше всего:
Обработка англо- и китайскоязычных CTI-материалов: извлечение IoC, вредоносного ПО, инструментов атаки, уязвимостей, временных маркеров, участников, событий и отношений между сущностями.
⚙️ Особенности и ограничения:
Доступная версия содержит около 7,72 млрд параметров и основана на Qwen1.5. Веса опубликованы в Safetensors, лицензия репозитория — MIT. Модель обучалась на 28 задачах: 13 задачах понимания и 15 задачах генерации. Русский язык не оценивался. Карточка опубликованной модели практически не документирована, а независимых современных испытаний немного.
📊 Проверенные результаты:
Согласно публикации SEvenLLM:
обучающий набор содержит около 90 тысяч примеров;
тестовый набор — 1 300 примеров;
исходный корпус включает 6 706 англоязычных и 1 779 китайскоязычных CTI-отчётов;
модели SEvenLLM превзошли соответствующие базовые Llama 2 и Qwen 1.5 в авторских тестах Rouge-L, semantic similarity, MCQ и оценке ответов с помощью GPT-4;
увеличение обучающего корпуса примерно до 70 тысяч примеров продолжало улучшать качество;
экспертная проверка обнаружила ошибки в 17% первоначально сгенерированного тестового материала, после чего набор был вручную исправлен.
💬 Модель подходит прежде всего для исследовательского применения и структурирования двуязычной CTI, но не имеет достаточной доказательной базы для автономного расследования.
🔻ВАЖНО ПОМНИТЬ!
Ни одна из моделей не должна самостоятельно формировать доказательственные выводы. Результаты необходимо подтверждать журналами, оригинальными артефактами, детерминированными инструментами и независимой экспертной проверкой. | 373 |
| 20 |  No text... | 367 |
